[发明专利]基于MDDGAN的刀具磨损状态监测数据集增强方法

说明书

一种基于MDDGAN的刀具磨损状态监测数据集增强方法。采集刀具切削过程中主轴的振动信号，将振动信号转换成频谱数据输入到MDDGAN中；MDDGAN的两个鉴别器分别被训练以最大化传统的对抗性损失和鉴别器差异损失，MDDGAN的生成器被训练以最小化传统的对抗性损失和鉴别器差异损失，三者之间进行动态对抗训练，直到训练完成，保存生成器的模型参数；利用训练好的生成器生成刀具磨损样本，并判断生成的刀具磨损样本分布和真实的刀具磨损样本分布是否相似。该方法的最大优点使用基于决策边界的动态对抗训练策略来辅助优化GAN的网络参数，有效增强刀具磨损训练数据集，提高深度学习网络模型预测刀具磨损状态的准确性。

技术领域

本发明属于机械加工状态监测领域，具体为一种基于MDDGAN的刀具磨损状态监测数据集增强方法。

背景技术

切削刀具是数控机床的核心部件，刀具的使用状况直接影响零件的质量和机床的加工效率。切削刀具在加工过程中会受到严重挤压和摩擦，这会导致刀具变钝甚至损坏。因此，准确识别刀具状态，在刀具损坏前及时合理更换刀具，有利于确保被加工工件表面质量的完整性，提高加工效率。

得益于深度学习技术的发展，采用深度学习网络对刀具磨损状态进行间接监测成为一种行之有效的方法。然而，这些方法需要大量的类别平衡的刀具磨损数据集来训练深度学习网络模型。刀具磨损需要专业的仪器测量，耗时耗力，因此很难获取大量的带标签的刀具磨损样本，而且，刀具在磨损过程中，处于初期磨损阶段和急剧磨损阶段的时间较短，采集的样本量比正常磨损阶段的样本量少，这造成了刀具磨损样本类别不平衡的问题。

基于生成对抗网络(Generative Adversarial Network，GAN)的样本数据集增强方法为解决上述问题提供了良好的解决方案。生成对抗网络能够学习真实样本的数据分布，生成相似的刀具磨损样本。然而，在刀具逐渐磨损的过程中，刀具磨损的速率和程度有所不同。尽管刀具的类别标签是一致的，收集的振动信号的概率密度分布在一定程度上也会发生变化。由于生成对抗网络自身存在梯度消失的问题，难以学习复杂多变的振动信号的数据分布。因此，我们考虑将最大化鉴别器差异和GAN结合，提出一种基于最大化鉴别器差异生成对抗网络(Maximizing Discriminator Discrepancy GAN，MDDGAN)的数据集增强方法，通过引入一种新的动态对抗性学习策略去优化生成对抗网络的模型参数，从而生成刀具磨损样本，提高深度学习模型对刀具磨损的预测准确性。

发明内容

针对上述存在的问题，本发明提供了一种基于MDDGAN的刀具磨损状态监测数据集增强方法。MDDGAN设计有两个鉴别器，MDDGAN的鉴别器和生成器的训练分别由两个鉴别器之间的差异损失和传统的对抗性损失来指导。在此过程中，两个鉴别器的决策边界被动态优化，使生成器生成的样本分布逐渐接近真实刀具磨损样本分布。

本发明的技术方案：一种基于MDDGAN的刀具磨损状态监测数据集增强方法，首先，采集刀具切削过程中主轴的振动信号，将振动信号转换成频谱数据输入到MDDGAN中；其次，MDDGAN的两个鉴别器分别被训练以最大化传统的对抗性损失和鉴别器差异损失，MDDGAN的生成器被训练以最小化传统的对抗性损失和鉴别器差异损失，三者之间进行动态对抗训练，直到训练完成，保存生成器的模型参数；然后，利用训练好的生成器生成刀具磨损样本，并判断生成的刀具磨损样本分布和真实的刀具磨损样本分布是否相似；最后，将真实的刀具磨损样本和生成的刀具磨损样本组合在一起输入到深度学习网络模型中验证生成样本的可用性；具体步骤如下：

第一步，采集刀具切削过程中的振动信号

刀具切削过程中，加速度传感器固定在主轴上，数据采集系统采集加工过程中主轴的振动信号。将振动信号转换成频谱数据，作为刀具磨损样本。

第二步，建立MDDGAN模型并进行动态对抗训练