基于深度卷積神經(jīng)網(wǎng)絡(luò)的機(jī)床有效加工狀態(tài)識(shí)別

施 瑩 曾紹坤 李 沨 劉紅奇

（1. 武漢船用機(jī)械有限責(zé)任公司，武漢 430084 ；2. 華中科技大學(xué)機(jī)械科學(xué)與工程學(xué)院，武漢 430074）

1 引 言

在數(shù)控加工過(guò)程尤其是精加工過(guò)程中，數(shù)據(jù)采集分析系統(tǒng)對(duì)運(yùn)行狀態(tài)的準(zhǔn)確識(shí)別，不僅有助于提高機(jī)床的自動(dòng)化控制水平，更有助于提升對(duì)加工質(zhì)量和要求高的被加工件加工過(guò)程和運(yùn)行狀態(tài)的準(zhǔn)確監(jiān)控。以銑削加工為例，由于精加工切削量小，所以對(duì)通過(guò)設(shè)備采集的有效加工與主軸空轉(zhuǎn)信號(hào)難以區(qū)分，且國(guó)內(nèi)外暫無(wú)準(zhǔn)確識(shí)別方法。

識(shí)別數(shù)控加工運(yùn)行狀態(tài)的方法一般有3 類：閾值法[1]、機(jī)器學(xué)習(xí)算法[2]和深度學(xué)習(xí)算法。閾值法由于閾值固定或者系數(shù)固定，在實(shí)際工業(yè)加工算法中適應(yīng)性差，高斯閾值法能夠很好地動(dòng)態(tài)調(diào)整閾值，以適應(yīng)不同的工況，是一種較常見(jiàn)的二元分類方法，其是從概率的角度進(jìn)行分類[3]。機(jī)器學(xué)習(xí)算法對(duì)于數(shù)據(jù)量和維度有一定的限制，對(duì)于大數(shù)據(jù)量和多維度的輸入不僅存在精度低、泛化性能差等問(wèn)題，其計(jì)算成本更是巨大，淺層的結(jié)構(gòu)使之無(wú)法提取數(shù)據(jù)中更深層次的特征[4]。深度學(xué)習(xí)算法依托網(wǎng)絡(luò)強(qiáng)大的特征提取和壓縮降維能力，在處理多信號(hào)、多特征、大數(shù)據(jù)輸入等方面擁有得天獨(dú)厚的優(yōu)勢(shì)。Can Cheng 等人分別使用時(shí)域、頻域和時(shí)頻域特征訓(xùn)練網(wǎng)絡(luò)，發(fā)現(xiàn)時(shí)頻域特征訓(xùn)練的網(wǎng)絡(luò)分類精度最高[5]。Shisheng Zhong 等人結(jié)合卷積神經(jīng)網(wǎng)絡(luò)與遷移學(xué)習(xí)，實(shí)現(xiàn)對(duì)小樣本數(shù)據(jù)的快速訓(xùn)練與學(xué)習(xí)，以此對(duì)燃?xì)廨啓C(jī)故障進(jìn)行檢驗(yàn)[6]。Demen Tabernik 結(jié)合VGGNet（機(jī)器視覺(jué)領(lǐng)域一種經(jīng)典深度卷積神經(jīng)網(wǎng)絡(luò)）和ResNet（機(jī)器視覺(jué)領(lǐng)域深度殘差卷積神經(jīng)網(wǎng)絡(luò)），創(chuàng)新出新的深層網(wǎng)絡(luò)結(jié)構(gòu)，并將其用于表面缺陷的檢測(cè)，預(yù)測(cè)精度高達(dá)99.9%[7]。

2 數(shù)據(jù)獲取和分析處理

2.1 實(shí)驗(yàn)數(shù)據(jù)獲取

本文實(shí)驗(yàn)數(shù)據(jù)來(lái)自現(xiàn)場(chǎng)采集武漢船用機(jī)械有限責(zé)任公司的VMC、TPK 2 臺(tái)機(jī)床實(shí)際加工過(guò)程中的主軸三向振動(dòng)信號(hào)；采集系統(tǒng)為武漢恒力華振科技有限公司的系統(tǒng)；傳感器為美國(guó)DYTRAN 公司的三向振動(dòng)傳感器，型號(hào)為3263A2 采樣頻率為10000Hz，采集儀器和設(shè)備如圖1 所示。

圖1 采集儀器和設(shè)備

2.2 信號(hào)預(yù)處理

原始信號(hào)中存在各種噪聲，對(duì)信號(hào)的主要成分產(chǎn)生嚴(yán)重干擾，為提高信號(hào)信噪比，實(shí)驗(yàn)采用矩形窗以10（即ms）為步長(zhǎng)對(duì)原始數(shù)據(jù)進(jìn)行平滑降噪。將處理后的信號(hào)與原始信號(hào)進(jìn)行時(shí)域和頻域?qū)Ρ龋罢咴跁r(shí)域特性上幅值變化特征更為明顯，在頻域特性上高頻噪聲得到了顯著抑制。

2.3 特征提取

本文輸入數(shù)據(jù)中包含2 臺(tái)數(shù)控機(jī)床的三向振動(dòng)信號(hào)，現(xiàn)場(chǎng)采集的原始數(shù)據(jù)在時(shí)域上不能完全反映有效加工和空轉(zhuǎn)狀態(tài)，因而需要采用多特征融合技術(shù)對(duì)數(shù)控加工運(yùn)行狀態(tài)進(jìn)行分類識(shí)別。

時(shí)域特征提取：時(shí)域特征可以反映機(jī)床在時(shí)間上的動(dòng)態(tài)加工過(guò)程和加工過(guò)程中信號(hào)變化的趨勢(shì)及特點(diǎn)。本文中從時(shí)域分別提取了2 臺(tái)機(jī)床每個(gè)方向的均值、標(biāo)準(zhǔn)差、均方根值、偏度、峭度、峰值、脈沖指標(biāo)、方根幅值、裕度、波形指標(biāo)和峰值指標(biāo)等11 種特征。

頻域特征提取：對(duì)信號(hào)進(jìn)行頻譜分析，可從頻域解析不同運(yùn)行狀態(tài)下頻域結(jié)構(gòu)的差異性，揭示各狀態(tài)下獨(dú)有的特征變化情況。本文分別對(duì)2 臺(tái)機(jī)床在運(yùn)行過(guò)程中不同轉(zhuǎn)速條件下不同方向振動(dòng)信號(hào)的幅值譜和功率譜提取均值、方差、峭度、偏度、重心頻率、標(biāo)準(zhǔn)差、標(biāo)準(zhǔn)差頻率、偏度指標(biāo)頻率、峭度指標(biāo)頻率、均方根頻率、四次方根頻率、均方值和峰度等共28 種特征，特征頻段則在以數(shù)個(gè)齒頻所在敏感頻段為中心的局部區(qū)域內(nèi)選取。

時(shí)頻域特征提取：只采用時(shí)域或頻域分析，只能在固定的范圍內(nèi)進(jìn)行多特征分析，不能構(gòu)建起彼此間互通共享的橋梁，可以采用小波包變換獲取時(shí)頻域特征。本文中振動(dòng)信號(hào)的采樣頻率為10000Hz，加工轉(zhuǎn)速最高達(dá)2000r/min，經(jīng)過(guò)試驗(yàn)，采用小波函數(shù)為coif5，熵標(biāo)準(zhǔn)采用shannon（香農(nóng)熵），對(duì)信號(hào)進(jìn)行5 層小波包分解，每個(gè)振動(dòng)方向獲得34 種特征。

PCA 數(shù)據(jù)降維：對(duì)2 臺(tái)機(jī)床、6 個(gè)方向共提取時(shí)域、頻域和時(shí)頻域特征共438 種。首先，人工剔除所有特征中的錯(cuò)誤特征和不敏感特征，將特征維數(shù)降至360 維；其次，采用PCA 技術(shù)對(duì)特征進(jìn)行壓縮，使各特征之間相關(guān)性降低，從而降低冗余特征占比，分別計(jì)算360 個(gè)特征值的單個(gè)特征占比和特征值排序后累積特征值占比，將特征降至236 維，降維后有效提高了特征的代表性和有效性。

3 有效運(yùn)行狀態(tài)識(shí)別

3.1 深度卷積網(wǎng)絡(luò)結(jié)構(gòu)

由于本文輸入維數(shù)中等，不適合VGGNet、ResNet等大型深度卷積網(wǎng)絡(luò)，經(jīng)過(guò)試驗(yàn)，普通深度卷積網(wǎng)絡(luò)收斂精度和速度已能滿足實(shí)際需求，具體結(jié)構(gòu)如圖2 所示。經(jīng)過(guò)預(yù)處理和PCA 降維后的數(shù)據(jù)作為網(wǎng)絡(luò)輸入數(shù)據(jù)，數(shù)據(jù)由卷積層進(jìn)行特征提取。本模型包括2 個(gè)特征提取卷積模塊，兩者皆為卷積層、批量歸一化、激勵(lì)層、最大池化層。前一池化結(jié)果輸入第一個(gè)全連接層，該層激活函數(shù)選用tanh 函數(shù)進(jìn)行數(shù)據(jù)的非線性轉(zhuǎn)換，輸出結(jié)果輸入第二個(gè)全連接層，運(yùn)算后的結(jié)果直接輸入Softmax函數(shù)中，將預(yù)測(cè)結(jié)果轉(zhuǎn)化為概率值。網(wǎng)絡(luò)模型各層具體結(jié)構(gòu)參數(shù)如表1 所示，網(wǎng)絡(luò)訓(xùn)練參數(shù)如表2 所示。

圖2 DCNN結(jié)構(gòu)圖

表1 網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)

表2 訓(xùn)練參數(shù)

3.2 狀態(tài)識(shí)別和識(shí)別狀態(tài)平滑處理

狀態(tài)識(shí)別：本文中，將加工狀態(tài)分為2 類，一類是處于有效加工階段，標(biāo)記為1；另一類處于空轉(zhuǎn)階段，標(biāo)記為0。以經(jīng)過(guò)PCA 降維處理之后的特征作為DCNN 模型的輸入，標(biāo)記狀態(tài)為預(yù)測(cè)標(biāo)簽，以Batch Norm 緩解網(wǎng)絡(luò)對(duì)輸入初始化的影響，減少內(nèi)部方差協(xié)變的影響，一定程度上能夠防止過(guò)擬合，在測(cè)試集數(shù)據(jù)之上測(cè)試模型的泛化性能。

狀態(tài)平滑處理：本模型在進(jìn)行運(yùn)行狀態(tài)識(shí)別中，盡管準(zhǔn)確度達(dá)到96.94%，但仍存在分類錯(cuò)誤的區(qū)段，為減少誤判的影響，進(jìn)一步提高識(shí)別精度，實(shí)驗(yàn)人員采用多點(diǎn)平滑對(duì)部分錯(cuò)誤結(jié)果進(jìn)行糾正。具體步驟為：以10 為例，連續(xù)10 個(gè)點(diǎn)為窗口進(jìn)行平滑，若10 個(gè)點(diǎn)中超過(guò)3 個(gè)點(diǎn)狀態(tài)為1，則將這10 個(gè)點(diǎn)全部判為1，反之則全為零。由此導(dǎo)致整體識(shí)別結(jié)果出現(xiàn)延時(shí)，但本文中數(shù)據(jù)采樣頻率為10000，以2000 為步長(zhǎng)提取特征，故延時(shí)不超過(guò)1s，可忽略不計(jì)。可縮短窗口長(zhǎng)度實(shí)現(xiàn)延時(shí)時(shí)間的長(zhǎng)短，本模型以10 為窗長(zhǎng)，最后識(shí)別結(jié)果的準(zhǔn)確度達(dá)99%以上。

4 結(jié)果分析與對(duì)比

本文中通過(guò)對(duì)有效加工和空轉(zhuǎn)狀態(tài)數(shù)據(jù)分別進(jìn)行標(biāo)記作為標(biāo)簽，特征為輸入，訓(xùn)練DCNN 模型，在模型之后外接識(shí)別狀態(tài)平滑處理算法，進(jìn)一步提高識(shí)別準(zhǔn)確率。圖3 為VMC 和TPK 2 臺(tái)機(jī)床的方差特征、實(shí)際狀態(tài)標(biāo)簽和預(yù)測(cè)狀態(tài)對(duì)比圖，可從圖中看出，本文模型對(duì)精加工階段識(shí)別精度高，圖4 為預(yù)測(cè)結(jié)果與平滑處理之后實(shí)際振動(dòng)信號(hào)對(duì)比。

本文將本模型與BP 神經(jīng)網(wǎng)絡(luò)、邏輯回歸網(wǎng)絡(luò)、支持向量機(jī)和樸素貝葉斯進(jìn)行對(duì)比，在相同訓(xùn)練次數(shù)和初始學(xué)習(xí)率的情況下，網(wǎng)絡(luò)模型以測(cè)試集后1000 次平均準(zhǔn)確率為計(jì)算標(biāo)準(zhǔn)，本模型收斂進(jìn)度高于其他模型，體現(xiàn)出本文模型的優(yōu)秀性能，具體如表3 所示。

圖3 實(shí)際標(biāo)簽、方差特征和預(yù)測(cè)狀態(tài)圖

圖4 預(yù)測(cè)狀態(tài)和平滑后振動(dòng)信號(hào)

表3 模型結(jié)果對(duì)比

5 結(jié) 論

（1）本模型在對(duì)2 臺(tái)機(jī)床運(yùn)行狀態(tài)識(shí)別過(guò)程中，通過(guò)對(duì)原始數(shù)據(jù)進(jìn)行平滑降噪，提取時(shí)域、頻域、時(shí)頻域特征和PCA 降維處理，并利用卷積網(wǎng)絡(luò)進(jìn)行特征提取和壓縮降維后，能對(duì)2 臺(tái)機(jī)床的運(yùn)行狀態(tài)進(jìn)行識(shí)別。試驗(yàn)結(jié)果表明，本文模型的平均準(zhǔn)確率為96.94%，以已訓(xùn)練好的模型進(jìn)行測(cè)試，平均耗時(shí)約0.086s。

（2）通過(guò)對(duì)機(jī)床運(yùn)行狀態(tài)的識(shí)別，有助于更為精準(zhǔn)地控制機(jī)床，檢測(cè)機(jī)床的運(yùn)行性能，提高生產(chǎn)效率和機(jī)床智能化、自動(dòng)化水平。

（3）本文僅將加工狀態(tài)與未加工狀態(tài)進(jìn)行識(shí)別，并未對(duì)加工進(jìn)行準(zhǔn)確分類，無(wú)法實(shí)現(xiàn)空轉(zhuǎn)、粗加工、半精加工和精加工的分類識(shí)別，可在以后的研究中繼續(xù)深入探索。