一种基于注意力表征增强网络的铣削信号颤振检测方法

本发明属于颤振检测领域，涉及一种基于注意力表征增强网络的铣削信号颤振检测方法。

背景技术：

1、大型薄壁零件结构刚性较弱，在铣削过程中容易发生颤振。铣削颤振会严重影响薄壁零件表面加工质量，造成刀具磨损加剧、机床损坏风险问题，严重时危害生产安全。针对颤振问题，实时和准确的在线颤振检测已成为重要选择。传统在线颤振检测方法包括信号采集、信号预处理、特征提取和算法分类等环节。传统方法对加工过程信号进行时域、频域和时频域分析，提取颤振特征。将特征输入阈值分类器或人工智能分类模型，实现颤振检测。然而，传统在线颤振检测方法受限于人工特征提取和模型参数设置等问题，依赖先验知识和经验，应用于大型薄壁零件铣削时存在很多困难。

2、为了实现更好效果的铣削颤振检测方法，国内外研究学者进行了大量探索和有益尝试。目前，建立具有自适应特征提取能力的分类模型是实现准确铣削颤振检测的重要方案，如深度学习分类模型。深度学习可实现多尺度非线性的特征学习，表达复杂的非线性物理系统，常用于信号分类识别任务。卷积神经网络及其变体是最流行的深度学习分类网络模型。因此近年来出现了基于卷积神经网络的颤振检测方法。

3、2022年，毕博在专利cn114638265a中提出一种基于信号卷积神经网络的铣削颤振判别方法，该方法加入专家知识模块，滤除信号中的主轴转频噪声，实现了端到端的颤振判别，提高模型的鲁棒性。但该方法卷积神经网络模型共享参数层，缺乏对信号的针对性关注，会导致颤振信息利用不充分。2023年，刘尧在专利cn116910579中提出一种基于迁移学习的变工况机械加工颤振监测方法，该方法利用kmm算法对源域样本赋予权重，输入基于卷积神经网络和迁移学习的ga-cnn颤振监测模型，实现在变工况、小样本训练场景下提升在新工况下颤振监测模型的准确性。但该方法采用深度多层的卷积层，模型训练过程存在过拟合的风险，同时该方法缺少残差结构，容易出现梯度消失问题。

4、针对现有深度学习卷积神经网络铣削颤振检测方法存在缺乏对信号的针对性关注，易过拟合、梯度消失的问题，需要研究一种基于注意力表征增强网络的铣削颤振检测方法，增强对颤振敏感的信号段的关注，以保证对颤振检测的精度。

技术实现思路

1、本发明主要解决的技术问题是针对现有铣削颤振检测方法缺乏对信号的针对性关注，易过拟合、梯度消失问题，发明了一种技术效果优良的基于注意力表征增强网络的铣削颤振检测方法。本发明提出的方法，利用通道注意机制模块，实现信号通道尺度的注意力表征增强；设计bsr block信号特征提取模块，实现信号时间尺度的注意力表征增强；建立注意力表征增强网络模型(arenet)并训练；将加工信号输入到训练完成的模型中，实现铣削颤振检测。

2、本发明的技术方案：

3、一种基于注意力表征增强网络的铣削信号颤振检测方法，利用通道注意机制，量化各通道信号与加工状态的权重，依据权重重构信号，实现通道尺度的信号注意力表征增强；设计bsr block信号特征提取模块，利用贝叶斯变分注意力和层归一化机制，引导模型关注与颤振检测相关性强的局部信号时段，实现时间尺度的信号注意力表征增强；构建注意力表征增强网络模型，利用多通道铣削信号和状态标签组，对网络模型进行训练；将加工多通道信号输入到训练完成的网络模型中，实现对颤振信息的注意表征增强和颤振检测；具体步骤如下：

4、第一步，设计通道注意机制模块

5、通道注意机制模块主要由全局平均池化层、全局最大池化层和多层感知机组成，其中多层感知机由两层线性层和激活函数组成；首先，通道注意机制模块的全局平均池化层、全局最大池化层对采集到的多通道信号p＝[p1,p2,…,pc]∈rc×1×d进行压缩，得到两个特征：

6、

7、pigmp＝gmp(pi)＝max{pi(1),pi(2),...,pi(d)}            (2)

8、其中，c为通道数，d为信号长度，i为多源信号的通道索引，1≤i≤c，d为单通道信号的时间索引，1≤d≤d；pi(d)为在第i个通道的第d个时间序列点的信号幅值，pi(d)为在第i个通道的最后一个时间序列点的信号幅值；

9、连接pgap和pgmp得到组合特征pgp：

10、pgp＝concat(pgap,pgmp)                       (3)

11、然后，利用两层多层感知机，确定多通道信号的权重向量w，即各通道信号对颤振检测的敏感程度：

12、w＝mlp(pgp)＝fsigmoid(w2(frelu(w1(pgp))))          (4)

13、其中，fsigmoid为s型生长曲线激活函数，frelu为线性修正单元激活函数，w1、w2分别为mlp的两个线性层的权重；

14、最后，将通道权重和输入信号按通道相乘，实现通道尺度上的注意力表征增强；fscale()为输入多通道信号p和权重向量w逐通道乘法；

15、

16、第二步，设计bsr block信号特征提取模块

17、bsr block信号特征提取模块包括多层级贝叶斯变分网络(bayesformer)、挤压激励块和残差结构，多层级贝叶斯变分网络包括变分自注意机制、归一化层和前馈层；贝叶斯变分网络将单通道信号划分为多个信号段m为一个样本分割得到的信号段数，dm为每个信号段的长度；变分自注意机制计算各信号段对全信号的注意力权值，归一化层和前馈层将注意力权值进一步处理，引导bsr block信号特征提取模块关注与颤振检测相关性强的局部信号时段；构建多层级的贝叶斯变分网络，第l层贝叶斯变分网络计算的注意力权值结果为：

18、

19、其中，l为层级索引，1≤l≤l，l为贝叶斯变分网络的总层数；vsa()为多层级变分自注意机制，layernorm()为层归一化处理，feedforward()为前馈层；hl-1是上一层级的贝叶斯变分网络输出，是输入经变分自注意机制、层归一化和残差结构的中间输出结果，pl和hl是中间输出经前馈层、层归一化和残差结构的第l层贝叶斯变分网络输出结果；单通道信号经多层级贝叶斯变分网络得到l p；

20、将多通道信号逐通道输入多个多层级贝叶斯变分网络中，经变分注意增强后得到多通道特征后，输入挤压激励块再次评估通道特征；

21、

22、其中，pl是多通道信号经多个多层级贝叶斯变分网络的结果，是多个单通道pl的整合，pl-1是多通道信号经上个层级贝叶斯变分网络的结果；b()为式(6)的运算，是bsrblock信号特征提取的中间结果；se()是挤压激励块，运算和通道注意机制模块近似；是中间结果经全局平均池化层的压缩结果，单通道运算同公式(1)，是中间结果经全局最大池化层的压缩结果，单通道运算同公式(2)，是中间结果经挤压激励块的结果；

23、最后，将多层级贝叶斯变分网络和挤压激励块嵌入到残差结构中，实现bsr block的构建，pbsr是bsr block信号特征提取的最终输出结果，包括挤压激励块的结果与残差结构加入通道注意机制模块输出

24、

25、第三步，结合通道注意机制和bsr block信号特征提取模块，构建注意力表征增强网络模型；注意力表征增强网络模型包括特征提取部分和分类部分，特征提取部分包括通道注意机制模块、bsr block信号特征提取模块和池化层，分类部分包括展平层(flatten)、全连接层和softmax激活层。

26、开展工件铣削实验，采集铣削产生的多源振动信号，包括工件三个方向的加速度信号、支撑头三个方向的支撑力和噪声信号；综合考虑加工后工件表面质量和信号时频图，区分加工状态处于稳定状态或颤振状态，并为信号设置标签；将铣削多源信号和状态标签组成训练集，对构建的注意力表征增强网络模型进行训练；

27、第四步，将实时铣削加工多源信号输入到训练完成的注意力表征增强网络模型中，实现对颤振信息的注意表征增强和颤振实时检测。

28、本发明的有益效果：

29、(1)本发明的铣削颤振检测方法可以利用通道注意机制模块，计算各通道信号的池化特征和权重，量化各通道信号与加工状态的关系，实现通道尺度的信号注意力表征增强；

30、(2)设计bsrblock信号特征提取模块，利用变分自我注意和层归机制，引导模型关注对颤振检测相关性强的局部信号时段，实现时间尺度的信号注意力表征增强；同时引入残差结构，避免过拟合和梯度消失问题；

31、(3)本发明构建注意力表征增强网络模型(arenet)，利用采集的多源铣削信号和状态标签训练模型，训练后模型可实现铣削加工状态的高精度检测。