劉思辰, 楊飛然, 楊 軍

(1.中國(guó)科學(xué)院噪聲與振動(dòng)重點(diǎn)實(shí)驗(yàn)室(聲學(xué)研究所),北京 100190;2.中國(guó)科學(xué)院大學(xué),北京 100049)

在切削銑削等加工場(chǎng)景，刀具的狀態(tài)及其磨損程度是影響工件質(zhì)量的關(guān)鍵因子，也是加工過(guò)程中主要關(guān)注的對(duì)象。刀具的健康維護(hù)是保證產(chǎn)品加工精度的重要因素之一，刀具失效可能造成工件表面粗糙度和尺寸精度的下降，或造成更嚴(yán)重的工件報(bào)廢甚至機(jī)床受損。刀具的有效管理可以提高生產(chǎn)效益、降低運(yùn)維成本，但采取過(guò)度的保護(hù)策略又會(huì)造成刀具剩余壽命以及不必要的換刀停機(jī)時(shí)間浪費(fèi)。精準(zhǔn)預(yù)測(cè)刀具的剩余壽命，將有效地優(yōu)化工作流程安排且最大限度的利用刀具。

刀具使用壽命是指一把新刀從投入切削到報(bào)廢為止的總的實(shí)際切削時(shí)間，其剩余壽命的預(yù)測(cè)方法可以分為基于物理模型的方法和基于數(shù)據(jù)驅(qū)動(dòng)的方法兩類[1]?；谖锢砟Ｐ偷姆椒ㄒ话闶窃噲D建立刀具剩余壽命與切削速度、切削深度以及進(jìn)給量等加工參數(shù)之間的顯式數(shù)學(xué)模型[2]。計(jì)算出刀具在各種切削條件下的理論切削壽命，在實(shí)際使用時(shí)分別計(jì)算各加工條件的實(shí)際切削時(shí)間，從而求得刀具的剩余磨損率，當(dāng)?shù)毒叩竭_(dá)磨鈍標(biāo)準(zhǔn)時(shí)進(jìn)行換刀處理。但鑒于刀具磨損過(guò)程的不確定性與復(fù)雜性，非線性的退化過(guò)程通常很難建立出精確的物理退化模型[3]，也很難使用在線測(cè)量的數(shù)據(jù)對(duì)模型進(jìn)行更新。

基于數(shù)據(jù)驅(qū)動(dòng)的方法又可主要分為基于機(jī)器學(xué)習(xí)的方法與深度學(xué)習(xí)方法兩種。與基于物理模型方法類似的，機(jī)器學(xué)習(xí)方法可通過(guò)采集包含刀具直徑、齒數(shù)、切削速度與進(jìn)給量等在內(nèi)的刀具加工參數(shù)為樣本，以剩余工作時(shí)間為標(biāo)簽，利用機(jī)器學(xué)習(xí)的方法如支持向量機(jī)[4]、貝葉斯網(wǎng)絡(luò)[5]和人工神經(jīng)網(wǎng)絡(luò)[6]等進(jìn)行模型構(gòu)建，可以避免顯式建立物理模型的困難?；跈C(jī)器學(xué)習(xí)的方法更多的依賴數(shù)據(jù)，降低了對(duì)刀具加工過(guò)程中的磨損機(jī)理的探究，可以更容易的構(gòu)建出剩余使用壽命模型。

深度學(xué)習(xí)方法作為機(jī)器學(xué)習(xí)方法中的另一個(gè)分支，主要通過(guò)物理傳感器測(cè)量與刀具狀況緊密相關(guān)的參量，如振動(dòng)[7]、主軸功率[8]、聲發(fā)射[9-10]、電流[11-12]等信號(hào)構(gòu)建監(jiān)測(cè)數(shù)據(jù)集，再使用基于深度神經(jīng)網(wǎng)絡(luò)的方法估計(jì)刀具剩余使用壽命[13]。如Ren等提出了一種從振動(dòng)信號(hào)中提取時(shí)頻特征與小波系數(shù)進(jìn)行訓(xùn)練的方法。Drouillet等采集不同轉(zhuǎn)速下立式銑刀加工時(shí)的主軸功率信號(hào)，通過(guò)神經(jīng)網(wǎng)絡(luò)進(jìn)行剩余壽命預(yù)測(cè)系統(tǒng)的構(gòu)建。Olufayo等采集銑削工件時(shí)的聲發(fā)射信號(hào)，利用小波變換方法提取特征作為神經(jīng)網(wǎng)絡(luò)的輸入進(jìn)行訓(xùn)練。其中也有一些采用多傳感器信息進(jìn)行預(yù)測(cè)的方法，例如張鍇鋒[14]對(duì)主機(jī)電流、切削聲與聲發(fā)射信號(hào)各自進(jìn)行特征提取與選擇，將多傳感器信息融合后利用神經(jīng)網(wǎng)絡(luò)進(jìn)行建模。此外，多種深度神經(jīng)網(wǎng)絡(luò)模型如自動(dòng)編碼器、循環(huán)神經(jīng)網(wǎng)絡(luò)[15-16]以及卷積神經(jīng)網(wǎng)絡(luò)[17]等模型都已在剩余壽命預(yù)測(cè)問題上得到成功應(yīng)用。

本文設(shè)計(jì)了一個(gè)基于多傳感器信息融合的深度神經(jīng)網(wǎng)絡(luò)模型。首先聯(lián)合利用振動(dòng)、電流、以及PLC控制器數(shù)據(jù)進(jìn)行預(yù)處理，在利用時(shí)間序列分析等方法進(jìn)行時(shí)頻域特征提取后應(yīng)用多幀聯(lián)合及mix-up方法進(jìn)行數(shù)據(jù)增強(qiáng)。輸入網(wǎng)絡(luò)進(jìn)行訓(xùn)練后，對(duì)網(wǎng)絡(luò)的初步預(yù)測(cè)結(jié)果進(jìn)行中值濾波得到最終預(yù)測(cè)值。試驗(yàn)證實(shí)，多模態(tài)數(shù)據(jù)聯(lián)合、數(shù)據(jù)增強(qiáng)與后處理方法的引入均可顯著提升系統(tǒng)的預(yù)測(cè)精度。

1 多模態(tài)數(shù)據(jù)介紹

刀具的壽命預(yù)測(cè)主要是通過(guò)在加工機(jī)床的主要部件上安裝不同類型的傳感器，對(duì)多模態(tài)信號(hào)進(jìn)行預(yù)處理與特征提取后，尋找特征與刀具磨損量之間的映射關(guān)系[18-19]。根據(jù)信息物理融合系統(tǒng)(cyber physical system, CPS)框架采集外置傳感器(Sensor)信號(hào)和控制器(programmable logic controller，PLC)信號(hào)，收集加工過(guò)程中的傳感器數(shù)據(jù)和工況信息，以壽命預(yù)測(cè)為目標(biāo)建立診斷模型，實(shí)現(xiàn)刀具磨損狀態(tài)的在線監(jiān)測(cè)。在如圖1所示的主軸端面處的XYZ三個(gè)方向上布放加速度傳感器，以25 600 Hz的頻率進(jìn)行振動(dòng)數(shù)據(jù)采集。除振動(dòng)數(shù)據(jù)外，傳感器數(shù)據(jù)還包括與振動(dòng)數(shù)據(jù)進(jìn)行同步、同頻率采集的電流數(shù)據(jù)。而控制器數(shù)據(jù)將以33 Hz為頻率對(duì)刀具的三維空間坐標(biāo)、加工過(guò)程中的主軸負(fù)載與測(cè)量的絕對(duì)時(shí)間進(jìn)行實(shí)時(shí)采集記錄。

(a) 振動(dòng)傳感器布置于主軸靠近端面處

(b) 振動(dòng)方向XYZ的說(shuō)明圖1 傳感器布放示意圖Fig.1 Sensor layout diagram

文中使用的數(shù)據(jù)來(lái)源于第二屆工業(yè)大數(shù)據(jù)創(chuàng)新競(jìng)賽，在富士康的真實(shí)加工現(xiàn)場(chǎng)中對(duì)CNC數(shù)控機(jī)床的實(shí)際加工數(shù)據(jù)進(jìn)行采集。包括三把相同規(guī)格的全新刀具A,B,C，在采用同種加工工藝進(jìn)行正常加工時(shí)，從全新到壽命終止的全生命周期數(shù)據(jù)。由于全生命周期的傳感器數(shù)據(jù)量極大，在實(shí)際工業(yè)現(xiàn)場(chǎng)部署應(yīng)用時(shí)也難以保證可以按照固定的間隔進(jìn)行均勻采樣。競(jìng)賽方設(shè)置以五分鐘為一個(gè)階段，在各階段中隨機(jī)選取一分鐘的加工片段進(jìn)行數(shù)據(jù)采集，等價(jià)于在標(biāo)簽中添加了噪聲，可增強(qiáng)模型在實(shí)際應(yīng)用場(chǎng)景中的適應(yīng)能力。試驗(yàn)證明該方法可以在覆蓋刀具全生命周期變化的基礎(chǔ)上降低采集與處理負(fù)擔(dān)，以刀具A為例，試驗(yàn)采集的具體數(shù)據(jù)內(nèi)容如表1所示。

表1 刀具A的具體數(shù)據(jù)內(nèi)容Tab.1 Specific data content of tool A

2 基于DNN的壽命預(yù)測(cè)方法框架

本文提出的基于DNN深度神經(jīng)網(wǎng)絡(luò)的壽命預(yù)測(cè)方法可分為如圖2所示的數(shù)據(jù)預(yù)處理、特征提取、數(shù)據(jù)增強(qiáng)與模型訓(xùn)練四部分。在傳感器獲取原始的振動(dòng)、電流與PLC信號(hào)后，首先聯(lián)合各物理傳感器信息，進(jìn)行初步的數(shù)據(jù)清洗[20]；綜合考慮皮爾遜相關(guān)系數(shù)與模型最終預(yù)測(cè)性能進(jìn)行特征的提取與篩選，在劃分訓(xùn)練集與測(cè)試集后將訓(xùn)練集數(shù)據(jù)進(jìn)行數(shù)據(jù)增強(qiáng)處理并輸入DNN網(wǎng)絡(luò)中進(jìn)行訓(xùn)練，再對(duì)初步預(yù)測(cè)結(jié)果進(jìn)行中值濾波等操作以減輕噪聲干擾后完成刀具壽命的預(yù)測(cè)。

圖2 技術(shù)框架Fig.2 Technical framework

2.1 預(yù)處理

在實(shí)際的工業(yè)現(xiàn)場(chǎng)中，物理傳感器采集到的各種信號(hào)中包含大量干擾，刀具的磨損退化導(dǎo)致信號(hào)產(chǎn)生的變化量往往淹沒在噪聲當(dāng)中，難以分辨。工業(yè)大數(shù)據(jù)的3B特性(Bad Quanlity質(zhì)量差、Broken碎片化、Below the Surface隱匿性)為深入分析數(shù)據(jù)的內(nèi)在機(jī)理帶來(lái)了相當(dāng)?shù)奶魬?zhàn)[21]。在數(shù)據(jù)的預(yù)處理階段，首先可視化各物理傳感器所采集到的數(shù)據(jù)，根據(jù)數(shù)據(jù)的具體問題采用針對(duì)性的預(yù)處理方法。就本文的試驗(yàn)設(shè)置而言，我們發(fā)現(xiàn)y方向傳感器導(dǎo)線接頭松動(dòng)導(dǎo)致信號(hào)時(shí)斷時(shí)續(xù)，異常情況較多。鑒于Y方向振動(dòng)應(yīng)與X方向振動(dòng)具有一定的相關(guān)性，本文不再考慮Y方向的振動(dòng)數(shù)據(jù)，僅對(duì)第一相電流current，X與Z方向的振動(dòng)數(shù)據(jù)進(jìn)行處理。

預(yù)處理階段的具體流程如圖3所示。首先聯(lián)合控制器數(shù)據(jù)中的刀具坐標(biāo)，繪制刀具測(cè)量各段數(shù)據(jù)時(shí)的移動(dòng)軌跡，刪除數(shù)據(jù)集中刀具并未進(jìn)行加工的空文件；然后合并剩余文件后去除數(shù)據(jù)中的異常值；再利用PLC數(shù)據(jù)中的主軸負(fù)載信號(hào)輔助篩選數(shù)據(jù)集中的靜音段，人工選擇刪去部分靜音段，選定合適的幀長(zhǎng)，對(duì)刀具的所有數(shù)據(jù)進(jìn)行分幀；最后，根據(jù)現(xiàn)有的若干樣本，生成對(duì)應(yīng)的標(biāo)簽文件。

圖3 數(shù)據(jù)預(yù)處理階段流程圖Fig.3 Data preprocessing stage flow chart

在標(biāo)簽類型的選取方面，由于相同規(guī)格的刀具其工作壽命也未必一致，簡(jiǎn)單的以剩余的工作分鐘數(shù)作為標(biāo)簽無(wú)法直觀反映出刀具磨損狀態(tài)。所以這里提出“磨損比”概念，用剩余壽命除以該刀的總壽命作為數(shù)據(jù)的標(biāo)簽，更能實(shí)際的表征刀具的磨損狀態(tài)。由于現(xiàn)有的數(shù)據(jù)測(cè)量時(shí)間只有大致范圍如1～5 min, 6～10 min等，這里將時(shí)間設(shè)為范圍中值，如：3 min、8 min等以此類推以減少標(biāo)簽含噪的影響，對(duì)應(yīng)樣本生成標(biāo)簽文件。表2為以兩把相同規(guī)格的，工作壽命分別為240 min與185 min的刀具為例的標(biāo)簽設(shè)置情況。由此，任務(wù)就演變?yōu)榻鉀Q一個(gè)在含噪的數(shù)據(jù)標(biāo)簽中進(jìn)行0～1之間的“磨損比”預(yù)測(cè)的回歸問題。

表2 標(biāo)簽的選取Tab.2 Label setting

2.2 特征提取

特征提取的目的是在保證足夠反映原始信號(hào)信息的前提下，在時(shí)頻域?qū)︻A(yù)處理后的信號(hào)進(jìn)行適當(dāng)?shù)淖儞Q，從不同的角度觀測(cè)信號(hào)以便更加直觀的觀察刀具磨損趨勢(shì)與特征之間的映射關(guān)系。本文采用時(shí)頻域信號(hào)處理方法提取電流與振動(dòng)信號(hào)的均值、標(biāo)準(zhǔn)差、峰峰值、1/3倍頻程譜等指標(biāo)為特征。為進(jìn)一步描述刀具的磨損情況，提出將刀具磨損類比于結(jié)構(gòu)的損傷，參考結(jié)構(gòu)損傷分析方法，使用時(shí)間序列分析，計(jì)算振動(dòng)信號(hào)的30階AR系數(shù)作為特征。各類信號(hào)的特征定義如表3所示。

在實(shí)際的工業(yè)現(xiàn)場(chǎng)中采用多種工況進(jìn)行加工時(shí)需要計(jì)算各加工條件的實(shí)際切削時(shí)間，根據(jù)各加工條件下的理論切削壽命轉(zhuǎn)化為磨損率，在應(yīng)用時(shí)多有不便。通過(guò)對(duì)控制器數(shù)據(jù)中刀具移動(dòng)的路徑與主軸負(fù)載進(jìn)行聯(lián)合觀察，可以發(fā)現(xiàn)刀具的加工路徑與負(fù)載的變化模式非常復(fù)雜，也即本文數(shù)據(jù)在采集過(guò)程中并沒有限制固定的加工工況。根據(jù)機(jī)床的加工機(jī)理，我們認(rèn)為控制器數(shù)據(jù)中的主軸負(fù)載可以在一定程度體現(xiàn)加工過(guò)程的切削力或切削深度等影響刀具磨損趨勢(shì)的參量，是“加工強(qiáng)度”或“磨損趨勢(shì)”的集中體現(xiàn)。

表3 特征的定義Tab.3 Definition of feature

因此，將刀具各文件中主軸負(fù)載的均值作為特征之一引入，可以彌補(bǔ)不確定的工況對(duì)壽命預(yù)測(cè)帶來(lái)的影響。主軸負(fù)載均值特征的計(jì)算公式如下

fload=1M∑Mi=1p(i), M=Fs-PLC·NFs-Sensor

(1)

式中：p(i)表示主軸負(fù)載信號(hào)；Fs-PLC與Fs-Sensor分別表示控制器與傳感器數(shù)據(jù)的采樣頻率；M表示主軸負(fù)載信號(hào)對(duì)應(yīng)的幀長(zhǎng)。本文提出將電流與振動(dòng)傳感器采集到的信號(hào)進(jìn)行聯(lián)合，分別對(duì)數(shù)據(jù)集中的電流、與各方向的振動(dòng)信號(hào)進(jìn)行特征提取，然后與控制器信號(hào)中的平均負(fù)載進(jìn)行聯(lián)合，共同構(gòu)成樣本集合W。

2.3 數(shù)據(jù)增強(qiáng)

為了深入挖掘數(shù)據(jù)信息，在輸入到網(wǎng)絡(luò)中進(jìn)行訓(xùn)練之前，對(duì)將提取到的特征先進(jìn)行數(shù)據(jù)增強(qiáng)。為了更好的利用樣本間的趨勢(shì)性變化信息與前后幀間的關(guān)系，在提取各樣本特征后，不是將數(shù)據(jù)隨機(jī)打亂，而是按時(shí)間順序?qū)颖緮?shù)據(jù)多幀聯(lián)合[22]后輸入網(wǎng)絡(luò)。除此之外，對(duì)訓(xùn)練集數(shù)據(jù)采用如式(2)所示的mix-up方法[23]對(duì)數(shù)據(jù)進(jìn)行增強(qiáng)，將成對(duì)的樣本及其標(biāo)簽進(jìn)行凸組合后，輸入神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。

(2)

式中：λ～Beta(α,α),α∈(0,∞),λ∈[0,1]，(wi,yi)與(wj,yj)是從樣本集合W中隨機(jī)選擇的兩對(duì)樣本，超參數(shù)α通過(guò)λ間接控制著樣本間的插值強(qiáng)度。

對(duì)于分類問題而言，mix-up方法為類與類之間提供了更加平滑的過(guò)渡線。與之類似地，對(duì)于回歸問題，mix-up方法可以令模型在處理各樣本之間的區(qū)域時(shí)表現(xiàn)為一種線性關(guān)系，這種線性建?？梢詼p少模型在預(yù)測(cè)未見數(shù)據(jù)時(shí)的不確定性。針對(duì)本文的壽命預(yù)測(cè)問題，現(xiàn)有數(shù)據(jù)的標(biāo)簽較為離散，并未均勻的覆蓋待預(yù)測(cè)的0～1區(qū)間。假定在相鄰樣本之間，刀具剩余壽命的變化呈線性趨勢(shì)。利用mix-up方法，在每個(gè)小批量樣本輸入到網(wǎng)絡(luò)前，對(duì)該批量樣本的特征與標(biāo)簽進(jìn)行同樣的線性組合，豐富數(shù)據(jù)集的多樣性，提高系統(tǒng)泛化能力。

2.4 深度神經(jīng)網(wǎng)絡(luò)與后處理

相較于傳統(tǒng)的預(yù)測(cè)方法而言，深度神經(jīng)網(wǎng)絡(luò)在處理非線性、大數(shù)據(jù)量時(shí)體現(xiàn)出的能力與優(yōu)勢(shì)，隨著工業(yè)大數(shù)據(jù)的爆炸式發(fā)展態(tài)勢(shì)越來(lái)越凸顯[24]。神經(jīng)網(wǎng)絡(luò)通過(guò)梯度下降法來(lái)求解滿足設(shè)定的目標(biāo)函數(shù)，其誤差反饋能力為建立刀具壽命預(yù)測(cè)模型提供了理論保證。本文使用具有四個(gè)隱含層的全連接神經(jīng)網(wǎng)絡(luò)[25]作為預(yù)測(cè)模型，由淺至深的各隱含層節(jié)點(diǎn)數(shù)分別設(shè)定為1 024,1 024,512,512個(gè)。各層均使用ReLU[26]作為激活函數(shù)，訓(xùn)練網(wǎng)絡(luò)的連接權(quán)值與閾值實(shí)現(xiàn)從輸入到輸出的非線性映射。在訓(xùn)練階段，計(jì)算網(wǎng)絡(luò)預(yù)測(cè)值與標(biāo)簽之間的平均絕對(duì)誤差(mean absolute error, MAE)，以此為模型訓(xùn)練的代價(jià)函數(shù)，選用Adam(adaptive momentum)梯度下降算法[27]將誤差進(jìn)行反向傳播迭代優(yōu)化。為減輕網(wǎng)絡(luò)過(guò)擬合程度，在模型輸入的第一層與第二層添加系數(shù)為0.02的L2正則化，并使用Dropout層[27]，對(duì)學(xué)習(xí)到中間表示以0.2的比率進(jìn)行隨機(jī)丟棄，從而減輕網(wǎng)絡(luò)對(duì)特定維度的依賴，提升預(yù)測(cè)的泛化性能。Batch大小設(shè)定為256，模型共計(jì)訓(xùn)練200個(gè)epoch完全收斂。系統(tǒng)具體框架如圖4所示。

圖4 網(wǎng)絡(luò)結(jié)構(gòu)框架Fig.4 Network architecture framework

由于工業(yè)現(xiàn)場(chǎng)存在著大量未知干擾，樣本本身也包含了許多噪聲，將特征集輸入到網(wǎng)絡(luò)中進(jìn)行預(yù)測(cè)時(shí)初步的預(yù)測(cè)結(jié)果波動(dòng)較大，本文采用后處理技術(shù)對(duì)初步結(jié)果進(jìn)行處理。中值濾波是一種可有效抑制噪聲的非線性平滑技術(shù)，其原理是在一段序列上某點(diǎn)的值用該點(diǎn)的一個(gè)鄰域上的中值來(lái)代替，從而消除孤立噪聲點(diǎn)。在模型對(duì)測(cè)試數(shù)據(jù)進(jìn)行初步預(yù)測(cè)后，對(duì)初步預(yù)測(cè)結(jié)果進(jìn)行中值濾波或均值濾波等操作，可以有效抑制噪聲影響，使預(yù)測(cè)更加準(zhǔn)確。

總結(jié)而言，在電流、振動(dòng)傳感器采集到原始信號(hào)后，首先由預(yù)處理部分進(jìn)行初步的數(shù)據(jù)清洗，去除空文件與異常值，得到連續(xù)有界的可用數(shù)據(jù)，然后參考皮爾遜相關(guān)系數(shù)對(duì)樣本中可提取的多種特征進(jìn)行篩選。本文選擇了信號(hào)的均值、方差、峰峰值、1/3倍頻程與30階AR系數(shù)為特征，將各傳感器提取到的特征進(jìn)行融合之外還引入PLC信號(hào)中的主軸負(fù)載均值作為特征之一。在輸入全連接網(wǎng)絡(luò)進(jìn)行訓(xùn)練前，將訓(xùn)練集數(shù)據(jù)進(jìn)行多幀聯(lián)合與mix-up數(shù)據(jù)增強(qiáng)以豐富數(shù)據(jù)，在對(duì)網(wǎng)絡(luò)輸出的初步結(jié)果進(jìn)行中值濾波后處理得到刀具磨損比的最終預(yù)測(cè)結(jié)果。

3 試驗(yàn)設(shè)置與結(jié)果分析

鑒于傳感器信號(hào)的能量更多的分布在低頻，所以將數(shù)據(jù)降采樣到8 000 Hz并以500 ms幀長(zhǎng)，250 ms幀移對(duì)三把刀具數(shù)據(jù)進(jìn)行分幀，共得到15 000個(gè)可用的總樣本。保持樣本順序固定，對(duì)樣本進(jìn)行等間距采樣分為5份，其中4份做訓(xùn)練，1份為測(cè)試。為驗(yàn)證本文提出的多傳感器融合與數(shù)據(jù)增強(qiáng)以及后處理模塊的有效性，首先探究使用各個(gè)單一物理傳感器的數(shù)據(jù)進(jìn)行預(yù)測(cè)時(shí)的性能，與三個(gè)傳感器融合以及添加PLC信息的全融合情況進(jìn)行比較，其預(yù)測(cè)結(jié)果如表4所示。

表4 各物理傳感器的預(yù)測(cè)結(jié)果Tab.4 Predict result of each sensor

由表4中的結(jié)果可以看出，電流數(shù)據(jù)中蘊(yùn)含的信息量最為有限，僅使用電流數(shù)據(jù)進(jìn)行預(yù)測(cè)時(shí)，平均誤差高達(dá)21.709 min。由圖4可知，X方向?yàn)榈毒哌M(jìn)行切削時(shí)的前進(jìn)方向，根據(jù)加工機(jī)理推測(cè)，X方向振動(dòng)數(shù)據(jù)相對(duì)于Z方向應(yīng)包含了更大信息量。而表中結(jié)果也顯示，僅使用X方向振動(dòng)數(shù)據(jù)的預(yù)測(cè)結(jié)果也的確較Z方向的結(jié)果更為準(zhǔn)確，其平均誤差分別為6.991 min與9.314 min。將三個(gè)傳感器數(shù)據(jù)融合后，系統(tǒng)預(yù)測(cè)平均誤差降低至6.021 min，而PLC信息的引入進(jìn)一步提升了系統(tǒng)預(yù)測(cè)性能，平均誤差降低至5.036 min。相對(duì)僅使用X方向振動(dòng)而言，誤差降低了27.96%。這也驗(yàn)證了在算力充足的前提下，采用添加PLC信息的全融合方法進(jìn)行訓(xùn)練可以得到更為精確的預(yù)測(cè)結(jié)果。

為了驗(yàn)證數(shù)據(jù)增強(qiáng)模塊與后處理模塊對(duì)刀具壽命預(yù)測(cè)的提升效果，我們?cè)诓捎锰砑覲LC信息的全融合數(shù)據(jù)的基礎(chǔ)上，分別進(jìn)行數(shù)據(jù)增強(qiáng)模塊與后處理模塊的引入前后的性能對(duì)比。圖5展示了基礎(chǔ)模型、添加后處理模塊、數(shù)據(jù)增強(qiáng)模塊與完整模型的性能對(duì)比。圖6展現(xiàn)了添加數(shù)據(jù)增強(qiáng)模塊系統(tǒng)的預(yù)測(cè)值及其濾波后的對(duì)比情況，具體的試驗(yàn)結(jié)果如表5所示。

表5 增加數(shù)據(jù)增強(qiáng)與后處理模塊的預(yù)測(cè)結(jié)果Tab.5 Predict result of the basic model with data argument and post treatment module

由圖5消融試驗(yàn)結(jié)果對(duì)比可知，在基礎(chǔ)模型上增加數(shù)據(jù)增強(qiáng)模塊或后處理模塊可以大幅降低預(yù)測(cè)的平均誤差，二者結(jié)合使用時(shí)性能最優(yōu)。從圖6中后處理模塊引入前后的預(yù)測(cè)結(jié)果對(duì)比可知，采用中值濾波的方式對(duì)預(yù)測(cè)結(jié)果進(jìn)行后處理的方法濾除了模型初步預(yù)測(cè)結(jié)果中存在的噪聲，得到的預(yù)測(cè)曲線更為穩(wěn)定平滑，將基礎(chǔ)模型的預(yù)測(cè)誤差降低了26.17%。而數(shù)據(jù)增強(qiáng)模塊更好的考慮了樣本的上下文信息，并通過(guò)mix-up方法豐富了離散的數(shù)據(jù)集合，將基礎(chǔ)模型的預(yù)測(cè)誤差降低了31.65%。當(dāng)使用兼?zhèn)鋽?shù)據(jù)增強(qiáng)與后處理模塊的完整模型進(jìn)行預(yù)測(cè)時(shí)，基礎(chǔ)模型的平均誤差由5.036 min降低到了2.539 min，誤差相對(duì)降低了49.58%，模型的預(yù)測(cè)值與刀具“磨損比”的真實(shí)值非常接近，得到了對(duì)比試驗(yàn)中的最佳結(jié)果。

圖5 各類模型的性能對(duì)比圖Fig.5 Performance comparison of different models

圖6 有數(shù)據(jù)增強(qiáng)模塊的系統(tǒng)預(yù)測(cè)值Fig.6 Result with data enhancement

然而在實(shí)際加工場(chǎng)景中，刀具剩余壽命的預(yù)測(cè)延遲(預(yù)測(cè)剩余壽命大于實(shí)際壽命)的危害一般大于預(yù)測(cè)提前(預(yù)測(cè)剩余壽命小于實(shí)際壽命)。所以這里定義一個(gè)對(duì)預(yù)測(cè)延遲與預(yù)測(cè)提前施加不同懲罰系數(shù)的Score評(píng)價(jià)指標(biāo)，其定義如下

Err=yreal-ypredict

(2)

(3)

式中：yreal為實(shí)際剩余壽命;ypredict為預(yù)測(cè)剩余壽命。對(duì)于絕對(duì)值相同的誤差而言，過(guò)晚預(yù)測(cè)得分更低，相當(dāng)于用更大的懲罰系數(shù)對(duì)過(guò)晚預(yù)測(cè)進(jìn)行了懲罰，Score評(píng)價(jià)指標(biāo)曲線如圖7所示。

圖7 未見刀具D的預(yù)測(cè)結(jié)果Fig.7 Predict result of unseen tool D

為驗(yàn)證本文所提出算法的有效性，采用相同的傳感器布放與數(shù)據(jù)形式，在模型完全未見的一把同規(guī)格刀具D上進(jìn)行50 min數(shù)據(jù)采集，同樣的每五分鐘采集一分鐘，獲得10個(gè)文件。在已知數(shù)據(jù)采集時(shí)間區(qū)段的基礎(chǔ)上，可以利用本文算法，分別采用MAE指標(biāo)與Score指標(biāo)進(jìn)行訓(xùn)練，得到的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)出刀具磨損率，再根據(jù)磨損率定義即可求得刀具的總壽命以及剩余工作壽命。其中刀具D的實(shí)際壽命為127 min，采集時(shí)間區(qū)段為30～80 min區(qū)段。具體試驗(yàn)結(jié)果如表6所示，本文所提出的方法的預(yù)測(cè)結(jié)果如圖8所示。

表6 未見刀具D的試驗(yàn)結(jié)果Tab.6 Predict result of unseen tool D

圖8 未見刀具D的預(yù)測(cè)結(jié)果Fig.8 Predict result of unseen tool D

由上述試驗(yàn)結(jié)果可知，本文提出的算法在未見數(shù)據(jù)刀具D上仍可取得較高的預(yù)測(cè)精度。對(duì)網(wǎng)絡(luò)輸出的初步結(jié)果進(jìn)行中值濾波后，采用MAE指標(biāo)訓(xùn)練的模型預(yù)測(cè)誤差為3.861 min，采用Score指標(biāo)的模型預(yù)測(cè)誤差為2.654 min，預(yù)測(cè)磨損率與實(shí)際磨損率基本一致。此外，與采用MAE指標(biāo)訓(xùn)練的模型相比，采用Score指標(biāo)訓(xùn)練的模型發(fā)生預(yù)測(cè)延遲的情況大大減少，更符合實(shí)際應(yīng)用的需要。

需要特別說(shuō)明的是，上述三個(gè)試驗(yàn)證明進(jìn)行多傳感器信息融合有助于模型預(yù)測(cè)，數(shù)據(jù)增強(qiáng)與后處理模塊的引入可以顯著提升預(yù)測(cè)精度，本文提出的刀具壽命預(yù)測(cè)方法在未見數(shù)據(jù)上也取得了較為準(zhǔn)確的結(jié)果，提出的方法在數(shù)據(jù)集上具有一定的普適性。但嚴(yán)格來(lái)說(shuō)，本文并未針對(duì)各種復(fù)雜的加工工況進(jìn)行獨(dú)立試驗(yàn)，而且當(dāng)前的測(cè)試數(shù)據(jù)較為有限，所提出方法的普適性的邊界仍有待后續(xù)工作的進(jìn)一步驗(yàn)證。

4 結(jié) 論

本文提出了一種基于多傳感器融合的刀具壽命預(yù)測(cè)方法，可以充分挖掘振動(dòng)、電流與控制器數(shù)據(jù)中的信息，較為準(zhǔn)確的預(yù)測(cè)出刀具的剩余壽命。該方法采用深度神經(jīng)網(wǎng)絡(luò)模型，提取各類信號(hào)的均值、標(biāo)準(zhǔn)差、峰峰值與三分之一倍頻程等時(shí)頻域特征，將刀具的磨損類比于結(jié)構(gòu)的損傷，引入AR系數(shù)作為特征之一，將主軸負(fù)載的均值引入以便彌補(bǔ)加工工況不確定的影響。為更好的利用樣本間的趨勢(shì)信息并提升系統(tǒng)泛化性能，將多幀數(shù)據(jù)聯(lián)合進(jìn)行mix-up數(shù)據(jù)增強(qiáng)后再輸入神經(jīng)網(wǎng)絡(luò)，同時(shí)采用中值濾波后處理方法降低初步預(yù)測(cè)結(jié)果的波動(dòng)與噪聲。試驗(yàn)驗(yàn)證了多傳感器信息融合、數(shù)據(jù)增強(qiáng)模塊與中值濾波對(duì)系統(tǒng)性能的提升，說(shuō)明該方法可以較為準(zhǔn)確的預(yù)測(cè)出刀具的剩余壽命。

致謝本文數(shù)據(jù)來(lái)源于由工業(yè)和信息化部指導(dǎo)的“賦能與賦智”第二屆工業(yè)大數(shù)據(jù)創(chuàng)新競(jìng)賽[29]，本文提出的算法在本次大賽中獲得第一名。感謝主辦方為數(shù)據(jù)采集及說(shuō)明所做的工作。