[论文解读] A Multi-State Diagnosis and Prognosis Framework with Feature Learning for Tool Condition Monitoring

Chong Zhang, Geok Soon Hong+6 more|arXiv (Cornell University)|Apr 30, 2018

Advanced machining processes and optimization参考文献 54被引用 5

一句话总结

本文提出了一种基于深度置信网络的多状态诊断与 prognostic（MDP）框架（DBNMS），用于刀具状态监测。该方法采用代价敏感的深度置信网络（ECS-DBN）解决刀具状态分类中的类别不平衡问题，并针对不同状态应用定制的退化模型进行磨损预测，在真实枪钻数据上相比传统方法和深度学习方法展现出更优的准确性和鲁棒性。

ABSTRACT

In this paper, a multi-state diagnosis and prognosis (MDP) framework is proposed for tool condition monitoring via a deep belief network based multi-state approach (DBNMS). For fault diagnosis, a cost-sensitive deep belief network (namely ECS-DBN) is applied to deal with the imbalanced data problem for tool state estimation. An appropriate prognostic degradation model is then applied for tool wear estimation based on the different tool states. The proposed framework has the advantage of automatic feature representation learning and shows better performance in accuracy and robustness. The effectiveness of the proposed DBNMS is validated using a real-world dataset obtained from the gun drilling process. This dataset contains a large amount of measured signals involving different tool geometries under various operating conditions. The DBNMS is examined for both the tool state estimation and tool wear estimation tasks. In the experimental studies, the prediction results are evaluated and compared with popular machine learning approaches, which show the superior performance of the proposed DBNMS approach.

研究动机与目标

• 为解决传统机器学习在刀具状态监测中的局限性，特别是手工特征工程的依赖以及在不同工况下泛化能力差的问题。
• 通过引入代价敏感的深度置信网络（ECS-DBN），克服刀具状态分类中数据不平衡的挑战。
• 通过针对不同健康状态（如：全新、渐进磨损、加速磨损）分别建模刀具磨损退化过程，提升预测精度。
• 开发一个端到端的诊断与 prognostic 框架，集成状态估计与剩余使用寿命预测，以增强刀具状态监测（TCM）性能。
• 在包含多种刀具几何结构和工况的真实枪钻数据集上验证该框架。

提出的方法

• 该框架使用代价敏感的深度置信网络（ECS-DBN）对刀具状态（如：全新、渐进磨损、加速磨损、磨损）进行分类，通过加权误差反向传播处理类别不平衡问题。
• 完成诊断后，系统根据估计的当前健康状态选择对应的状态特定退化模型，用于预测阶段。
• DBNMS框架能够从原始传感器信号（切削力、扭矩、振动、声发射）中自动学习特征表示，无需依赖人工设计的特征。
• 该方法在输入深度置信网络前，对时间窗信号进行处理以提取时序特征，实现诊断与 prognostic 的联合建模。
• 多状态建模策略允许为不同健康状态应用不同的回归模型，相比单模型方法显著提升了预测精度。
• 性能通过10次试验的RMSE、R2Score和MAPE进行评估，并与11种基准算法（包括SVM、ELM、Lasso和SGD）进行对比。

实验结果

研究问题

• RQ1 基于深度置信网络的多状态框架是否能在类别不平衡数据下提升刀具状态分类的准确性？
• RQ2 针对不同健康状态分别建模刀具磨损退化过程，是否能带来优于单模型方法的预测性能？
• RQ3 在真实世界刀具状态监测中，所提出的DBNMS框架在准确性和鲁棒性方面相较于传统机器学习与标准深度学习方法表现如何？
• RQ4 从原始传感器数据中自动学习特征，在不同刀具几何结构和工况下，能在多大程度上提升模型的泛化能力？

主要发现

• 所提出的DBNMS框架在测试数据上实现了最低的RMSE（52.03 ± 3.55）和最高的R2Score（0.9431 ± 0.00），优于所有对比方法。
• 与传统数据驱动框架（MLP-PCC: 118.71）相比，MDP框架将RMSE降低了56%；与基于深度学习的DBN框架（198.35）相比，降低了74%。
• 由于采用状态特定建模与自动特征学习，DBNMS模型在多种刀具几何结构和工况下表现出更优的鲁棒性与泛化能力。
• 尽管训练时间较长（6,296.26 ± 1,533.75秒），DBNMS仍实现了最精确且稳定的预测结果，验证了其在工业TCM应用中的有效性。
• 结合平滑处理的MDP框架进一步提升了性能，RMSE达到52.03，R2Score达到0.9431，表明优化后的状态估计具有显著优势。
• 该框架在所有评估指标上均优于11种基准算法（包括SVM、ELM、Lasso和SGD），证实了其鲁棒性与准确性。