基于LSTM的輪轂端面變形量在線檢測系統(tǒng)

李 江，張 銚，李 博

(東北大學秦皇島分校 a.控制工程學院；b.計算機與通信工程學院，河北 秦皇島 066004)

0 引言

現(xiàn)代化生產(chǎn)對互換性的要求越來越高[1]，輪轂端面變形量是指被測實際表面對其理想平面的變動量，即平面度誤差[2]，是機械零件及其互換性的重要指標之一，往往是產(chǎn)品質(zhì)量好壞的關(guān)鍵，在評定機械零件產(chǎn)品質(zhì)量優(yōu)劣中起著重要作用。目前對于平面度誤差測量的研究大部分停留在實驗室內(nèi)，沒有批量應(yīng)用到工業(yè)生產(chǎn)中[3]，當前國內(nèi)企業(yè)對于平面度檢測，一般采用抽檢的方法，通過與標準板比較、利用人工判別的方法實現(xiàn)平面度的檢測，這種老舊的方法不僅易導致漏檢、誤檢等情況，而且人工檢測效率低下，很難適應(yīng)大批量生產(chǎn)的檢測需求[4], 在線測量技術(shù)可以對成形的零件進行初步質(zhì)量檢驗[5]。較之其他的規(guī)則特征，平面度在線檢測功能的實現(xiàn)是比較復雜的[6]。

近年來，國內(nèi)外許多學者提出了各種誤差分離技術(shù)應(yīng)用于形狀誤差的測量[7]，主要有逐次兩點法和逐次三點法。逐次兩點法又有遞推逐次兩點法和最小二乘逐次兩點[8]，其方法雖然簡單，但忽略了工業(yè)環(huán)境對傳感器采樣的影響，會出現(xiàn)由于傳感器采樣受到現(xiàn)場光線、粉塵干擾而導致結(jié)果存在偏差的情況，無法實現(xiàn)高精度在線檢測。針對這一問題，并結(jié)合輪轂生產(chǎn)廠家的實際測量需求，設(shè)計了一種基于激光測量的嵌入式輪轂端面變形量在線檢測系統(tǒng)，提出了利用基于神經(jīng)網(wǎng)絡(luò)的時間序列異常檢測方法—層疊LSTM(Long Short Term Memory)網(wǎng)絡(luò)來進行異常識別模型的訓練，實現(xiàn)對傳感器原始采樣數(shù)據(jù)的異常檢測，完成工業(yè)環(huán)境對傳感器采樣的干擾分離，提高輪轂端面平面度的在線檢測精度，促進工廠智能信息化生產(chǎn)。

1 系統(tǒng)總體設(shè)計及功能

系統(tǒng)的總體設(shè)計主要由運動控制、數(shù)據(jù)采集、嵌入式數(shù)據(jù)處理和上位機交互等部分組成，同時具有快速、精確、易操作等特點。在運動控制部分上，通過由PLC控制的伺服電機進行數(shù)據(jù)采集時的旋轉(zhuǎn)控制，作為測量系統(tǒng)實現(xiàn)穩(wěn)定運動控制和精確采樣的關(guān)鍵，使用的是由歐姆龍公司生產(chǎn)的AC伺服電機和R88M-K40030T-S2-Z伺服電機驅(qū)動器，其特點是轉(zhuǎn)速穩(wěn)定、定位精準和抗干擾能力強。在數(shù)據(jù)采集部分上，使用的是光電編碼器、嵌入式數(shù)據(jù)采集系統(tǒng)和高精度激光位移傳感器。光電編碼器搭載于AC伺服電機上，并與嵌入式數(shù)據(jù)處理系統(tǒng)相連，確保完成對輪轂端面變形量的等角度采樣。而激光位移傳感器作為測量系統(tǒng)實現(xiàn)對高精度數(shù)據(jù)采集的關(guān)鍵器件，使用日本松下公司生產(chǎn)的HL-G112-A-C5型號的傳感器，該傳感器測量范圍為±60 mm，其測量中心距離為120 mm，分辨率可達到8 μm，線性度±0.1% F.S.，滿足實驗測量和輪轂生產(chǎn)廠家在線檢測指標的需求。嵌入式數(shù)據(jù)處理部分選擇是基于ARM Cortex-M3內(nèi)核的嵌入式開發(fā)板，主要包括STM32F407主控模塊、電源模塊、485通信模塊、AD7606數(shù)據(jù)采集模塊和數(shù)據(jù)輸入輸出模塊，具有低成本、可靠性高、擴展性好等優(yōu)勢。上位機交互部分則是基于 WinForm開發(fā)技術(shù)對其進行界面設(shè)計，使用C#進行邏輯編程，主要功能包括測量系統(tǒng)端面檢測的結(jié)果顯示、采樣數(shù)據(jù)以及測量異常日志的存儲。

測量系統(tǒng)的整體設(shè)計結(jié)構(gòu)如圖1所示，當系統(tǒng)工作時，輪轂位于傳送帶上由左向右傳輸，左方光電開關(guān)觸發(fā)下降沿時，傳送帶傳輸停止，定心卡盤開始工作，將輪轂固定后觸發(fā)伺服電機旋轉(zhuǎn)，此時光電編碼器向嵌入式系統(tǒng)發(fā)送脈沖觸發(fā)激光位移傳感器完成等角度采樣，伺服電機旋轉(zhuǎn)一周后停止，嵌入式數(shù)據(jù)處理系統(tǒng)對采集數(shù)據(jù)進行異常檢測和預處理之后，通過最小二乘法實現(xiàn)對端面平面的擬合，完成對輪轂端面變形量的評定。嵌入式系統(tǒng)觸發(fā)定心卡盤松開輪轂，傳送帶繼續(xù)工作，上位機顯示測量結(jié)果，完成對輪轂端面變形量的在線檢測工作。

圖1 系統(tǒng)的整體結(jié)構(gòu)框圖

2 基于LSTM的異常檢測分析

異常檢測在許多領(lǐng)域中都有應(yīng)用，例如系統(tǒng)運行狀況監(jiān)視，欺詐檢測和入侵檢測。如圖2所示，異常的類型主要有以下兩種。

圖2 異常類型圖

如圖2a所示，這種異常類型稱為“異常值”，它是位于正常類之外的值。另一種類型的異常是異常數(shù)據(jù)，它是指時間序列中的周期性崩潰現(xiàn)象，如圖2b所示。即使異常數(shù)據(jù)達到正常數(shù)值，但就其周期性而言也是異常現(xiàn)象。在本文中，主要是針對圖2b所示的異常進行識別檢測。

LSTM是可以應(yīng)用于時間序列分析的神經(jīng)網(wǎng)絡(luò)，相對于傳統(tǒng)遞歸神經(jīng)網(wǎng)絡(luò)(RNNs)，LSTM神經(jīng)網(wǎng)絡(luò)解決了遞歸神經(jīng)網(wǎng)絡(luò)所遇到的梯度消失問題，它采用乘法門，通過稱為“存儲單元”的特殊單元的內(nèi)部狀態(tài)強制恒定的誤差流[9]。輸入(IG)、輸出(OG)和遺忘(FG)門防止存儲器內(nèi)容被不相關(guān)的輸入和輸出干擾，其結(jié)構(gòu)如圖3所示，從而允許長期存儲器存儲。由于在序列中學習長期相關(guān)性的能力，LSTM網(wǎng)絡(luò)不需要預先指定的時間窗，并且能夠精確地模擬復雜的多變量序列，在沒有任何預先指定的上下文窗口或預處理的情況下準確地檢測出與正常數(shù)據(jù)的偏差[10]。

圖3 LSTM單元示意圖

基于LSTM進行異常檢測的基本思路是使用一個預測器來模擬正常數(shù)據(jù)，然后通過預測誤差來識別異常數(shù)據(jù)[11]，因為在真實的異常檢測場景中正常數(shù)據(jù)的實例可能很多，但是異常數(shù)據(jù)的實例很少。為了可以提取更高層次的時間特征，從而在更稀疏時間序列中得到更快地學習，本文選擇疊加周期性隱藏層的層疊LSTM網(wǎng)絡(luò)作為異常檢測模型，如圖4所示。在LSTM網(wǎng)絡(luò)模型的基礎(chǔ)上，層疊的LSTM網(wǎng)絡(luò)架構(gòu)是在將下LSTM隱層中的每個單元通過前饋連接的方式與上LSTM隱層中的每個單元完全連接，將LSTM層層疊加。

圖4 層疊LSTM的體系結(jié)構(gòu)

已知時間序列{X1,…,XT}，訓練層疊LSTM從之前d個的數(shù)據(jù){Xt-d+1,…,Xt}來預測下l個數(shù)據(jù){Xt+1,…,Xt+l}，其向量序列{Xt-d+1,…,Xt}作為層疊LSTM的輸入，輸出是預測出的向量序列{Xt+1,…,Xt+l}，預測模型學習預測輸入變量1 ≤d≤t中d的下一個取值[12]，當d= 2，l= 1時，其預測示意圖如圖5所示。

圖5 LSTM預測示意圖

在預測長度為l的情況下，對l

e(t) =X(t)true、X(t)pred

其中，X(t)true、X(t)pred分別為X(t)的真實值與預測值。在正常時間序列上訓練的預測模型用于計算、驗證和測試序列中每個點的誤差向量。對誤差進行建模分析，以擬合高斯分布N=N(μ，σ)，計算誤差e(t)集合M的期望μ和標準差σ，其中當M中t的數(shù)據(jù)點滿足3σ準則時，則數(shù)據(jù)點為異常數(shù)據(jù)，否則數(shù)據(jù)為正常數(shù)據(jù)，具體的數(shù)據(jù)處理流程如圖6所示。

圖6 數(shù)據(jù)預處理流程圖

3 實驗結(jié)果分析

本系統(tǒng)在工業(yè)現(xiàn)場對多個輪轂實施干擾并進行在線檢測，在實驗過程中，取d= 10，l= 3，即在非異常數(shù)據(jù)上對層疊LSTM模型進行訓練時，輸入步長為10，輸出的預測步長為3。將訓練完成的層疊LSTM對傳感器采集的原始數(shù)據(jù)進行異常檢測，利用預測分析為檢測異常的數(shù)據(jù)提供補償，并通過最小二乘法實現(xiàn)對端面平面度的求解，完成對端面變形量的在線檢測，其部分測量結(jié)果如表1所示。

表1 端面變形量在線檢測改進前后測量結(jié)果比較(mm)

實驗結(jié)果表明，在工業(yè)現(xiàn)場對輪轂端面進行變形量在線檢測過程中，由于現(xiàn)場干擾而對采樣出現(xiàn)異常時(例如如圖7藍線所示的原始數(shù)據(jù)曲線)，利用訓練完成的層疊LSTM網(wǎng)絡(luò)對原始數(shù)據(jù)進行異常檢測(其預測數(shù)據(jù)曲線如圖7 橙線所示)，為異常數(shù)據(jù)提供補償。通過端面變形量在線檢測改進前后的測量結(jié)果比較，認為本系統(tǒng)對原始數(shù)據(jù)進行異常檢測及其補償是有效的，在線檢測系統(tǒng)的測量精度達到±0.073 mm，進一步提高了端面變形量在線檢測精度。

圖7 原始數(shù)據(jù)與預測數(shù)據(jù)

4 結(jié)論

本文對輪轂平面度在線檢測系統(tǒng)和傳感器采集數(shù)據(jù)的異常檢測進行了論述，對由于工業(yè)現(xiàn)場環(huán)境干擾而導致的采樣數(shù)據(jù)異常的問題，提出了利用基于層疊LSTM網(wǎng)絡(luò)模型的異常檢測方法來識別傳感器采集的異常數(shù)據(jù)，并對此進行了工業(yè)現(xiàn)場實驗，實驗結(jié)果證明了本系統(tǒng)對原始數(shù)據(jù)進行異常檢測和補償?shù)姆椒ㄊ怯行У模倪M后的系統(tǒng)測量精度能達到±0.073 mm，較改進之前的測量系統(tǒng)，在線檢測精度提高明顯。