基于深度置信網(wǎng)絡(luò)的機(jī)械加工故障診斷系統(tǒng)設(shè)計(jì)

張蜀紅

(新疆輕工職業(yè)技術(shù)學(xué)院, 機(jī)械技術(shù)分院， 新疆， 烏魯木齊 830021)

0 引言

在機(jī)械加工過(guò)程中，很容易出現(xiàn)故障，如何實(shí)現(xiàn)機(jī)械加工過(guò)程中的故障診斷具有重要的意義。傳統(tǒng)技術(shù)通常提取振動(dòng)信息，進(jìn)而分析故障信息，這種方法原始，技術(shù)落后，不僅效率低下，準(zhǔn)確率也很低。

隨著人工智能技術(shù)的飛速發(fā)展，該技術(shù)也逐步滲透到機(jī)械加工技術(shù)領(lǐng)域中，文獻(xiàn)[1]利用設(shè)備的振動(dòng)信息，通過(guò)設(shè)計(jì)硬件技術(shù)，實(shí)現(xiàn)數(shù)據(jù)信息的采集，然后將所采集到的數(shù)據(jù)信息，以以太網(wǎng)的形式傳遞,在遠(yuǎn)程管理處理中心，實(shí)現(xiàn)數(shù)據(jù)的存儲(chǔ)和故障診斷，雖然該技術(shù)也能夠?qū)崿F(xiàn)故障診斷，但是方法并沒(méi)有提及數(shù)據(jù)是如何加工的，無(wú)法從獲取的宏觀數(shù)據(jù)信息獲取微觀含義。文獻(xiàn)[2]采用BP神經(jīng)網(wǎng)絡(luò)算法模型，實(shí)現(xiàn)數(shù)據(jù)樣本的訓(xùn)練和計(jì)算，該方法通過(guò)數(shù)據(jù)樣本的訓(xùn)練，提高了預(yù)測(cè)機(jī)床主軸軸心偏轉(zhuǎn)的能力，但面對(duì)復(fù)雜數(shù)據(jù)信息時(shí)，數(shù)據(jù)評(píng)估能力差，效率低，耗費(fèi)的時(shí)間長(zhǎng)。文獻(xiàn)[3]采用了深度置信網(wǎng)絡(luò)方法對(duì)自身特征進(jìn)行提取，根據(jù)提取的故障診斷信號(hào)進(jìn)行誤差診斷，但是準(zhǔn)確率不高，速度低，不具有加速功能。針對(duì)上述技術(shù)的不足，本研究采用深度置信網(wǎng)絡(luò)的方式實(shí)現(xiàn)機(jī)械加工的故障診斷，大大提高了診斷精度，下文對(duì)該技術(shù)的主要內(nèi)容進(jìn)行說(shuō)明。

1 故障診斷架構(gòu)設(shè)計(jì)

本研究的創(chuàng)新點(diǎn)如下。

(1) 利用B/S架構(gòu)的物聯(lián)網(wǎng)技術(shù)優(yōu)勢(shì)，設(shè)計(jì)了能夠?qū)崿F(xiàn)遠(yuǎn)程、在線的故障診斷系統(tǒng)，使得用戶能夠即時(shí)、在線實(shí)現(xiàn)機(jī)械加工的故障信息采集、加工和應(yīng)用，提高了機(jī)械加工故障的診斷能力。

(2) 采用改進(jìn)的深度置信網(wǎng)絡(luò)(Deep Belief Networks簡(jiǎn)稱DBN)學(xué)習(xí)算法，采用分布式網(wǎng)絡(luò)設(shè)計(jì)的模式，該算法融合了機(jī)械加工信息過(guò)程中的故障特征提取和故障診斷，提高了診斷精度。

(3) 在DBN學(xué)習(xí)算法網(wǎng)絡(luò)中融入加速器，提高了DBN學(xué)習(xí)算法模型的計(jì)算速度。

本研究的故障診斷架構(gòu)模型如圖1所示。在圖1的架構(gòu)設(shè)計(jì)中，包括機(jī)械設(shè)備加工層、故障信息采集層、故障信息學(xué)習(xí)層和故障信息應(yīng)用層[4]。其中物聯(lián)網(wǎng)設(shè)置參數(shù)如表1所示。

圖1 故障診斷架構(gòu)示意圖

表1 物聯(lián)網(wǎng)組網(wǎng)架構(gòu)參數(shù)表

通過(guò)表1的設(shè)置，各種機(jī)械設(shè)備在加工過(guò)程中能夠輸出不同類型的數(shù)據(jù)信息，比如火花、短路、缺油、過(guò)磨損、溫度過(guò)高、加工中斷等。這些加工信息通過(guò)各種方式被采集，比如傳感器、采集模塊、數(shù)據(jù)采集電路等不同的感測(cè)裝置。這些裝置將采集到的數(shù)據(jù)信息物聯(lián)網(wǎng)系統(tǒng)傳遞到上一層，通過(guò)故障信息學(xué)習(xí)進(jìn)行學(xué)習(xí)和訓(xùn)練，在改進(jìn)型DBN學(xué)習(xí)算法模型中，將采集到的機(jī)械加工宏觀數(shù)據(jù)量信息轉(zhuǎn)換為數(shù)字量信息，實(shí)現(xiàn)高緯度復(fù)雜數(shù)據(jù)的低緯度轉(zhuǎn)換，提高了信息加工的能力[5]。根據(jù)改進(jìn)型DBN學(xué)習(xí)算法模型的學(xué)習(xí)情況，將學(xué)習(xí)結(jié)果輸出到用戶，采用適當(dāng)?shù)呐e措，以控制加工過(guò)程中的異常事故，從而提高了機(jī)械加工的應(yīng)用能力[6]。下文對(duì)DBN深度學(xué)習(xí)算法模型進(jìn)行說(shuō)明。

2 具有加速功能的DBN深度學(xué)習(xí)算法模型

本研究與常規(guī)技術(shù)區(qū)別在于，在DBN深度學(xué)習(xí)算法模型中加入了加速學(xué)習(xí)器，提高了DBN深度學(xué)習(xí)算法模型學(xué)習(xí)和訓(xùn)練效率。

2.1 加速器設(shè)計(jì)

在本研究中，加速器在結(jié)構(gòu)上包括對(duì)加速信息進(jìn)行控制的控制層、對(duì)輸入信息進(jìn)行計(jì)算的卷積層和對(duì)計(jì)算結(jié)果進(jìn)行輸出的輸出層[7]，其邏輯性功能架構(gòu)如圖2所示。

在圖2的設(shè)計(jì)中，加速器通過(guò)中央控制器控制，在結(jié)構(gòu)組成上，其包含有數(shù)據(jù)控制單元、通信交互單元、控制存儲(chǔ)器的控制單元、對(duì)輸入的數(shù)據(jù)信息進(jìn)行特征計(jì)算的計(jì)算控制模塊。在本研究中，還包括卷積控制模塊，該模塊能夠?qū)崿F(xiàn)數(shù)據(jù)的卷積計(jì)算、池化計(jì)算以及數(shù)據(jù)卷積激活等[8]。本研究的工作原理主要為：在中央控制器的控制下，選擇適當(dāng)?shù)臄?shù)據(jù)通信協(xié)議，實(shí)現(xiàn)數(shù)據(jù)信息的交互和通信，然后將輸入端輸入的數(shù)據(jù)信息傳遞到存儲(chǔ)器進(jìn)行數(shù)據(jù)存儲(chǔ)，然后在中央控制器的作用下進(jìn)行卷積計(jì)算，卷積計(jì)算直接決定了加速器的加速程度。當(dāng)完成卷積計(jì)算后，在中央控制器的作用下進(jìn)行各層之間的連接計(jì)算[9]。在該過(guò)程中，可以根據(jù)加速的需求，進(jìn)行置信度計(jì)算。在設(shè)計(jì)中，加速程度與外設(shè)硬件設(shè)備之間的關(guān)系表如表2所示。

圖2 加速器邏輯性功能架構(gòu)示意圖

表2 對(duì)比示意表

在表2中，通過(guò)該硬件設(shè)置，能夠?qū)崿F(xiàn)深度置信網(wǎng)絡(luò)模型的加速計(jì)算，加速程度以及深度置信網(wǎng)絡(luò)模型的卷積計(jì)算均與該硬件資源有關(guān)。在本研究設(shè)計(jì)設(shè)計(jì)中，還采用16位點(diǎn)位的數(shù)據(jù)格式，該格式能夠?qū)崿F(xiàn)圖像輸入數(shù)據(jù)的各種調(diào)整[10]。結(jié)合該技術(shù)，下面對(duì)深度置信網(wǎng)絡(luò)模型進(jìn)行設(shè)計(jì)。

2.2 新型DBN深度學(xué)習(xí)算法模型設(shè)計(jì)

在本研究設(shè)計(jì)中，新型DBN深度學(xué)習(xí)算法模型的計(jì)算原理為：輸入信息為采集到的機(jī)械加工數(shù)據(jù)信息，將采集到的多種機(jī)械加工數(shù)據(jù)模型輸入新型DBN深度學(xué)習(xí)算法內(nèi)，由于DBN深度學(xué)習(xí)算法模型內(nèi)部包括了多個(gè)受限玻爾茲曼機(jī)(Restricted Boltzmann Machines,RBM)，這些RBM互相疊加，通過(guò)多層RBM結(jié)構(gòu)進(jìn)而實(shí)現(xiàn)輸入數(shù)據(jù)的維度轉(zhuǎn)換，以將不容易分辨的宏觀機(jī)械加工數(shù)據(jù)信息轉(zhuǎn)換為微觀數(shù)據(jù)分析量，從而提高機(jī)械加工數(shù)據(jù)信息分析的能力。在數(shù)據(jù)輸出端，又利用了BP神經(jīng)網(wǎng)絡(luò)模型，通過(guò)反饋計(jì)算，進(jìn)一步提高計(jì)算效率。新型DBN深度學(xué)習(xí)算法模型架構(gòu)原理圖如圖3所示。

為了使本研究算法的技術(shù)原理更加容易了解，下面結(jié)合圖3進(jìn)行詳細(xì)說(shuō)明。圖3中的x表示進(jìn)行DBN深度學(xué)習(xí)的輸入機(jī)械加工原始值，算法模型的隱層輸入/輸入值用字母hc表示，其中隱層的數(shù)量用c表示。通過(guò)CD-1算法完成RBM第一層的計(jì)算，在該數(shù)據(jù)模型中，為了提高數(shù)據(jù)計(jì)算的容積率，可以通過(guò)不同的方式進(jìn)行映射，假設(shè)將第一層可視層用X表示，則DBN深度學(xué)習(xí)模型中的第一隱層h1可用W1;α1>來(lái)表示。輸入完成后，則穩(wěn)定好第一層，作為基準(zhǔn)使用。該層具有固定數(shù)值的權(quán)重和偏移量，在該層的基礎(chǔ)上，再輸入第二層，然后將第二層的RBM數(shù)據(jù)模型疊放在第一層上，開(kāi)始對(duì)第二層進(jìn)行數(shù)據(jù)訓(xùn)練，然后將第三層疊放在第二層上，再將第四層疊放在第三層上，依次類推。直到放置完最后一層RBM數(shù)據(jù)模型。然后對(duì)每層的RBM數(shù)據(jù)模型進(jìn)行計(jì)算，然后利用函數(shù)公式計(jì)算RBM數(shù)據(jù)模型中的各個(gè)元素。計(jì)算方法見(jiàn)式(1)，

圖3 新型DBN深度學(xué)習(xí)算法模型

(1)

通過(guò)式(1)的計(jì)算，然后將輸出RBM數(shù)據(jù)模型的數(shù)據(jù)信息輸入至BP神經(jīng)網(wǎng)絡(luò)模型的輸入端。在調(diào)整RBM算法模型時(shí)，還可以進(jìn)一步訓(xùn)練RBM模型的顯示層，通過(guò)這種方式，能夠?qū)︼@性神經(jīng)元和具有分類標(biāo)簽的神經(jīng)元進(jìn)行數(shù)據(jù)訓(xùn)練。最后一層的RBM算法模型hl+1層的數(shù)據(jù)參數(shù)可以用Wl+1;αl+1>表示，輸出的數(shù)據(jù)信息可以表示為式(2)：

hl+1=αl+(Wl)Tx

(2)

整個(gè)RBM算法模型完成后，則輸出的網(wǎng)絡(luò)數(shù)據(jù)結(jié)合可以為W1,W2,…,Wc;α1,α2,…,αc>。

RBM算法模型訓(xùn)練完畢后，則可以將輸出信息輸入至BP神經(jīng)網(wǎng)絡(luò)算法模型中，通過(guò)加速計(jì)算后，則可以提高整個(gè)算法模型的速度，通過(guò)初始化BP 網(wǎng)絡(luò)權(quán)值參數(shù)[11]，再啟動(dòng)BP神經(jīng)網(wǎng)絡(luò)算法模型對(duì)調(diào)整后的權(quán)值參數(shù)進(jìn)行局部搜索，進(jìn)而實(shí)現(xiàn)機(jī)械加工數(shù)據(jù)的計(jì)算，訓(xùn)練時(shí)間快，收斂時(shí)間短。

下面對(duì)上述算法進(jìn)行驗(yàn)證。

3 試驗(yàn)結(jié)果與分析

在試驗(yàn)時(shí)，采用的計(jì)算機(jī)為Microsoft Windows 2019，64位，采用的開(kāi)發(fā)工具為Visual Studio 2019，OpenCV 3.0。計(jì)算機(jī)硬件環(huán)境為CPU：Inter(R)Core(TM)i7；主頻為2.59 GHz；內(nèi)存32G，通過(guò)MATLAB軟件進(jìn)行仿真。假設(shè)在某機(jī)械加工廠獲取加工數(shù)據(jù)信息。通過(guò)將獲取的數(shù)據(jù)信息進(jìn)行初始化后，將未采用加速器的深度置信網(wǎng)絡(luò)機(jī)械加工數(shù)據(jù)方法與采用本研究的算法的機(jī)械加工數(shù)據(jù)方法進(jìn)行對(duì)比分析，觀察新型算法模型的技術(shù)優(yōu)勢(shì)[12]。其中實(shí)驗(yàn)室環(huán)境下的構(gòu)建示意圖如圖4所示。其中,新型DBN深度學(xué)習(xí)算法模型的參數(shù)如表3所示。

圖4 試驗(yàn)設(shè)備及環(huán)境

表3 新型DBN深度學(xué)習(xí)算法模型參數(shù)信息表

為了驗(yàn)證深度置信網(wǎng)絡(luò)模型的技術(shù)優(yōu)越性，分別在加工數(shù)據(jù)中選擇4組不同的數(shù)據(jù)樣本，其中第一組數(shù)據(jù)樣本為50萬(wàn)個(gè)數(shù)據(jù)，第二組數(shù)據(jù)樣本中有80萬(wàn)個(gè)數(shù)據(jù)，第三組數(shù)據(jù)樣本中有100萬(wàn)個(gè)數(shù)據(jù)，第四組數(shù)據(jù)樣本中有150萬(wàn)個(gè)數(shù)據(jù)樣本。通過(guò)設(shè)置不同的數(shù)據(jù)樣本，以使誤差數(shù)據(jù)計(jì)算的更為透徹。然后采用文獻(xiàn)[1]、文獻(xiàn)[2]、文獻(xiàn)[3]以及在本研究中未采用加速器的深度置信網(wǎng)絡(luò)與本研究的方法進(jìn)行對(duì)比分析，則訓(xùn)練的數(shù)據(jù)信息如表4所示。

通過(guò)上述數(shù)據(jù)計(jì)算，分別在樣本數(shù)據(jù)信息中人工設(shè)置幾種故障數(shù)據(jù)，假設(shè)故障數(shù)據(jù)的數(shù)量為1000個(gè)。則識(shí)別出的故障數(shù)據(jù)集信息如表5所示。

通過(guò)上述計(jì)算，從數(shù)據(jù)上可以看到，本文研究的方法識(shí)別時(shí)間小，識(shí)別數(shù)量多。下面再通過(guò)誤差進(jìn)行計(jì)算，誤差計(jì)算式為式(3)，

表4 數(shù)據(jù)訓(xùn)練信息表

表5 故障數(shù)據(jù)集信息

(3)

圖5為通過(guò)將對(duì)比文獻(xiàn)[1]、對(duì)比文獻(xiàn)[2]和對(duì)比文獻(xiàn)[3]與本研究的方法進(jìn)行誤差對(duì)分析。通過(guò)曲線圖可以看到，本研究的方法誤差最小。

圖5 誤差對(duì)比曲線圖

4 總結(jié)

針對(duì)機(jī)械加工過(guò)程中存在的故障情況，本研究采用一種具有加工功能的故障誤差診斷方法，通過(guò)設(shè)計(jì)具有加速器的深度置信網(wǎng)絡(luò)模型，在中央控制器的控制下，實(shí)現(xiàn)數(shù)據(jù)控制單元、通信交互單元、存儲(chǔ)器的控制，通過(guò)構(gòu)建深度置信網(wǎng)絡(luò)，實(shí)現(xiàn)層次的疊加和累計(jì)，最終通過(guò)BP神經(jīng)網(wǎng)絡(luò)模型實(shí)現(xiàn)機(jī)械加工故障診斷的輸出。本研究的方法誤差低，速度快，改變了傳統(tǒng)模式的計(jì)算方法，在一定程度上具有技術(shù)進(jìn)步性。但是本研究仍舊存在一些不足，比如，在何時(shí)啟動(dòng)加速程序，啟動(dòng)多久等問(wèn)題，這些遺留問(wèn)題需要進(jìn)一步的研究和探討。