王舒瑋，薛敏杰

(1.山西大同大學(xué)機(jī)電工程學(xué)院，山西大同 037000；2.內(nèi)蒙古北方重工業(yè)集團(tuán)有限公司試驗(yàn)基地，內(nèi)蒙古包頭 010400)

0 前言

數(shù)控機(jī)床是最典型的機(jī)電設(shè)備，其主要特點(diǎn)是靈活性好、效率高、精度高、產(chǎn)品質(zhì)量穩(wěn)定。數(shù)控機(jī)床涵蓋自動(dòng)控制技術(shù)、機(jī)械制造技術(shù)、計(jì)算機(jī)技術(shù)和測(cè)試技術(shù)等，在現(xiàn)代機(jī)械工業(yè)中發(fā)揮著重要作用[1]。由于數(shù)控機(jī)床是一種復(fù)雜的機(jī)械結(jié)構(gòu)，發(fā)生故障的可能性隨著機(jī)床的復(fù)雜性而增加，降低數(shù)控機(jī)床的可靠性。因此在實(shí)際加工中，有些故障需要盡早避免，以確保數(shù)控機(jī)床的加工精度和穩(wěn)定性。

傳統(tǒng)的數(shù)控機(jī)床故障預(yù)測(cè)的實(shí)現(xiàn)都是基于豐富的實(shí)驗(yàn)數(shù)據(jù)，通常需要大量的故障信息才能準(zhǔn)確預(yù)測(cè)，使得預(yù)測(cè)難度加大[2]。由于數(shù)控機(jī)床在全國(guó)應(yīng)用范圍較為廣泛，收集故障信息數(shù)據(jù)需要大量的時(shí)間和財(cái)力，同時(shí)隨著數(shù)控機(jī)床更新?lián)Q代頻率的增加，很難創(chuàng)建大數(shù)據(jù)庫(kù)[3]。在數(shù)據(jù)匱乏的情況下，準(zhǔn)確預(yù)測(cè)數(shù)控機(jī)床故障是目前需要研究的重點(diǎn)[4]。

目前，遺傳算法優(yōu)化長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)廣泛應(yīng)用于各個(gè)領(lǐng)域，但將它應(yīng)用于數(shù)控機(jī)床故障診斷還未做深度研究。本文作者采用遺傳算法(Genetic Algorithm，GA)優(yōu)化長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)(Long Short Term Memory，LSTM)的超參數(shù)，并構(gòu)建預(yù)測(cè)數(shù)控機(jī)床故障的網(wǎng)絡(luò)模型預(yù)測(cè)機(jī)床故障，并獲得最小預(yù)測(cè)誤差。

1 數(shù)控機(jī)床故障分析

在研究數(shù)控機(jī)床的可靠性之前，有必要收集故障數(shù)據(jù)。獲取數(shù)據(jù)的先決條件是：(1)真實(shí)性，即記錄出現(xiàn)故障的時(shí)間和表現(xiàn)方式；(2)連續(xù)性，即故障數(shù)據(jù)記錄必須持續(xù)，出現(xiàn)的任何故障都需要記錄；(3)完整性，應(yīng)清楚記錄關(guān)于機(jī)床的使用狀態(tài)、工作環(huán)境、維護(hù)時(shí)長(zhǎng)和方法等基本信息。

在特定的條件和時(shí)間內(nèi)，數(shù)控機(jī)床的某些性能指標(biāo)無(wú)法保持在特定范圍以及數(shù)控機(jī)床在特定條件下和特定時(shí)間對(duì)人、環(huán)境、能源、材料等的影響超過(guò)允許范圍等[5]，都可視為出現(xiàn)故障，數(shù)控機(jī)床無(wú)法按時(shí)完成規(guī)定條件下的任務(wù)。根據(jù)數(shù)控機(jī)床故障的各種原因，可分為相關(guān)故障和非相關(guān)故障。由產(chǎn)品本身缺陷引起的相關(guān)故障，包括零件損壞和零件在生命周期內(nèi)磨損引起的故障。非相關(guān)故障是指無(wú)特定條件或其他外在因素(如人為因素導(dǎo)致的操作錯(cuò)誤或安裝錯(cuò)誤)而導(dǎo)致的故障[6]。

數(shù)控機(jī)床是一種復(fù)雜的機(jī)械結(jié)構(gòu)，其故障受到許多因素的影響。根據(jù)觸發(fā)因素的特點(diǎn)，故障類(lèi)型可分為突然發(fā)生型和漸進(jìn)發(fā)生型。突然發(fā)生型故障是由于機(jī)械變形、加工零件損壞或故障，加工設(shè)備失去某些功能等。這種類(lèi)型的故障可能會(huì)導(dǎo)致機(jī)床停止，如主軸停止旋轉(zhuǎn)、固定裝置無(wú)法打開(kāi)或關(guān)閉操作等[7]。這種情況往往規(guī)律性較差，故障預(yù)測(cè)無(wú)法解決。而漸進(jìn)式故障是隨著機(jī)床零件長(zhǎng)時(shí)間工作、老化和逐漸磨損等導(dǎo)致的故障。由于機(jī)床運(yùn)行時(shí)間和加工量的積累，數(shù)控機(jī)床的精度會(huì)降低。通常此類(lèi)故障不會(huì)導(dǎo)致機(jī)床突然停止，但會(huì)影響加工零件的質(zhì)量，導(dǎo)致加工精度不足、噪聲振動(dòng)增加或磨損嚴(yán)重等[8]。這種故障隱藏在實(shí)時(shí)加工狀態(tài)中，也是文中研究的重點(diǎn)內(nèi)容。

整理收集的10部數(shù)控機(jī)床一年內(nèi)出現(xiàn)的故障數(shù)據(jù)，由于數(shù)據(jù)量大，先對(duì)它進(jìn)行預(yù)處理。不討論并刪除因操作人員或維護(hù)人員操作不當(dāng)和其他非相關(guān)問(wèn)題而導(dǎo)致的人為因素。劃分和整理相關(guān)故障數(shù)據(jù)共有100組。

數(shù)控機(jī)床的故障可根據(jù)子系統(tǒng)分為3種類(lèi)型：數(shù)控系統(tǒng)的故障、電氣系統(tǒng)的故障和機(jī)床機(jī)械部件故障[9]。數(shù)控和電氣系統(tǒng)通常具有內(nèi)部自我診斷功能，并通過(guò)成熟的報(bào)警代碼進(jìn)行維護(hù)，不需要考慮故障預(yù)測(cè)。文中重點(diǎn)研究機(jī)床機(jī)械部件故障。

為了更好地了解機(jī)床機(jī)械部件故障，根據(jù)出現(xiàn)故障的功能部件分布情況進(jìn)行劃分和分析。以現(xiàn)有開(kāi)放式數(shù)控系統(tǒng)S-100M實(shí)驗(yàn)平臺(tái)為例，首先，根據(jù)功能類(lèi)型，除數(shù)控系統(tǒng)和電氣系統(tǒng)外，數(shù)控車(chē)床按照主次又分為6個(gè)子系統(tǒng)：主軸系統(tǒng)、進(jìn)給系統(tǒng)、刀架系統(tǒng)、液壓系統(tǒng)、伺服裝置、其他輔助系統(tǒng)[10]。為直觀體現(xiàn)發(fā)生故障的部件，各子系統(tǒng)發(fā)生故障的概率如圖1所示。

圖1 系統(tǒng)故障統(tǒng)計(jì)Fig.1 System fault statistics

由圖1可知：除數(shù)控系統(tǒng)和電氣系統(tǒng)外，主軸系統(tǒng)、進(jìn)給系統(tǒng)出現(xiàn)故障的次數(shù)較多，且這2個(gè)系統(tǒng)對(duì)加工誤差影響也較多，也是文中實(shí)現(xiàn)預(yù)測(cè)的重要部分。

2 長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)介紹

長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)的特點(diǎn)在于以細(xì)胞狀態(tài)為模型特征，可選擇性地保留一些狀態(tài)，遺忘一些狀態(tài)，負(fù)責(zé)在任何時(shí)間段“保存”數(shù)據(jù)。由于存在細(xì)胞結(jié)構(gòu)，無(wú)論分類(lèi)或預(yù)測(cè)，LSTM都是一個(gè)非常適合處理時(shí)間序列數(shù)據(jù)的模型[11]。此外，與之前的模型相比，LSTM可以從信息中獲取長(zhǎng)距離數(shù)據(jù)，因此在長(zhǎng)序列中表現(xiàn)更好。

LSTM內(nèi)存單元中有輸入門(mén)、遺忘門(mén)和輸出門(mén)3個(gè)門(mén)。其中的任何一個(gè)都可以被視為傳統(tǒng)的人工神經(jīng)元，通過(guò)激活功能來(lái)計(jì)算總權(quán)重。當(dāng)模型處理數(shù)據(jù)信息時(shí)，由輸入門(mén)判斷哪些數(shù)據(jù)需要存入存儲(chǔ)單元；進(jìn)入存儲(chǔ)單元的數(shù)據(jù)由遺忘門(mén)選擇滿足需求的即為有用數(shù)據(jù)，其余數(shù)據(jù)刪除；有用數(shù)據(jù)經(jīng)過(guò)處理后將最終數(shù)據(jù)傳遞至輸出門(mén)，得到最終輸出值[12]。LSTM的內(nèi)部結(jié)構(gòu)如圖2所示。

圖2 LSTM的內(nèi)部結(jié)構(gòu)Fig.2 Internal structure of LSTM

輸入門(mén)的功能是有選擇地在細(xì)胞狀態(tài)中記錄和識(shí)別新信息，并存儲(chǔ)在細(xì)胞狀態(tài)中。輸入門(mén)以σ層和tanh層的形式存在。σ層決定更新值，tanh層生成新的內(nèi)存，并添加有關(guān)刪除屬性等其他信息。公式如下：

it=σ(Wi×[xt，ht-1]+bi)

(1)

(2)

ot=σ(Wo×[xt,ht-1]+bo)

(3)

ht=ot×tanh(Ct)

(4)

式中：Wo代表權(quán)重；bo代表偏置；ht為隱藏層最終輸出。

遺忘門(mén)的任務(wù)是有選擇地過(guò)濾細(xì)胞狀態(tài)的信息，并選擇性地遺忘[13]。通過(guò)接收前一單元的輸出Ct-1并選擇保留或遺忘Ct-1的部分，公式如下：

ft=σ(Wf×[xt，ht-1]+bf)

(5)

(6)

式中：xt是t時(shí)刻神經(jīng)元的輸入；ht是神經(jīng)元的輸出；Wf代表權(quán)重；bf代表偏置；σ是神經(jīng)元sigmoid激活函數(shù)；ft是遺忘門(mén)的結(jié)果。

LSTM的一大優(yōu)勢(shì)在于考慮了對(duì)時(shí)間特征連續(xù)事件的依賴性。LSTM使用專用的單元取代傳統(tǒng)的神經(jīng)元[14]。在LSTM中，內(nèi)存塊包含輸入和輸出等特定元素，允許LSTM更新和監(jiān)視每塊中的信息流。使用輸入、輸出和遺忘門(mén)不斷更新預(yù)測(cè)，這種能力使得LSTM在短期內(nèi)對(duì)機(jī)床故障預(yù)測(cè)相對(duì)有用。

3 GA-LSTM預(yù)測(cè)模型

3.1 模型構(gòu)建

由于LSTM模型中有許多超參數(shù)需要手動(dòng)調(diào)整，例如隱藏層中的神經(jīng)元數(shù)量、初始學(xué)習(xí)率、最大迭代次數(shù)、最小處理量和時(shí)間步長(zhǎng)等，這些超參數(shù)對(duì)預(yù)測(cè)結(jié)果有一定影響[15]。找到最佳超參數(shù)是文中需要解決的問(wèn)題。遺傳算法是一種仿生優(yōu)化算法，能夠模擬生物體的進(jìn)化。它用于改善超參數(shù)，并使用從種群持續(xù)遺傳進(jìn)化過(guò)程中發(fā)展的一組具有最佳能力的參數(shù)模型，在此組參數(shù)框架內(nèi)獲得模型的最優(yōu)結(jié)果。因此，遺傳算法被添加到優(yōu)化LSTM模型標(biāo)準(zhǔn)中，以創(chuàng)建GA-LSTM預(yù)測(cè)模型。文中提出的GA-LSTM模型(見(jiàn)圖3)由以下四部分組成：

圖3 GA-LSTM預(yù)測(cè)模型流程Fig.3 Flow of GA-LSTM prediction model

(1)輸入層。將劃分后不同時(shí)刻的傳感器數(shù)據(jù)xt傳入到LSTM網(wǎng)絡(luò)中，以獲得預(yù)處理后的傳感器數(shù)據(jù)集。例如經(jīng)過(guò)清理、標(biāo)準(zhǔn)化等操作，消除數(shù)據(jù)之間的關(guān)系，降低復(fù)雜性與機(jī)床故障關(guān)聯(lián)最小的數(shù)據(jù)計(jì)算。

(2)LSTM層。進(jìn)入輸入層的數(shù)據(jù)輸入到LSTM網(wǎng)絡(luò)中進(jìn)行權(quán)重W和偏置b處理，以提取數(shù)據(jù)時(shí)間屬性。將xt-1輸出層數(shù)據(jù)傳遞到當(dāng)前xt層作為輸入，得出ht，然后再將輸出數(shù)據(jù)作為xt+1層輸入，此時(shí)xt+1層即為第二個(gè)LSTM層的輸入。xt-1接收到數(shù)據(jù)以獲得隱藏的ht輸出層進(jìn)入下一步長(zhǎng)；為了確定輸入和輸出之間的邏輯關(guān)系，采用多層LSTM層提取隱藏在時(shí)間數(shù)據(jù)中的時(shí)間特征[16]。最后，LSTM網(wǎng)絡(luò)層的輸出值即可通過(guò)多層處理獲得。

(3)GA層。為了實(shí)現(xiàn)優(yōu)化，提高預(yù)測(cè)準(zhǔn)確性，利用GA遺傳算法的特性，最終確定LSTM模型各層實(shí)際參數(shù)。

(4)輸出層。輸入數(shù)據(jù)與數(shù)控機(jī)床故障之間的關(guān)系是LSTM網(wǎng)絡(luò)的主要關(guān)聯(lián)。從LSTM層獲得結(jié)果傳遞到全連接層，并根據(jù)加權(quán)求和轉(zhuǎn)換為輸出層進(jìn)行判斷，獲得機(jī)床輸出狀態(tài)。

3.2 預(yù)測(cè)思路

文中提出的GA-LSTM模型中，為了及時(shí)提取隱藏信息，應(yīng)考慮增加LSTM層的深度。一方面，可以通過(guò)深化LSTM層來(lái)識(shí)別復(fù)雜環(huán)境中的故障樣本，從而創(chuàng)建堆疊LSTM網(wǎng)絡(luò)[17]。另一方面，為了提高可預(yù)測(cè)性，可以增加總聯(lián)接層的層數(shù)并調(diào)整神經(jīng)元的數(shù)量。

通過(guò)修改和設(shè)計(jì)結(jié)合遺傳算法的LSTM神經(jīng)網(wǎng)絡(luò)，其模型的超參數(shù)可實(shí)現(xiàn)優(yōu)化。該模型用于訓(xùn)練和預(yù)測(cè)數(shù)據(jù)，最終獲得數(shù)控機(jī)床故障的預(yù)測(cè)值。具體模型和預(yù)測(cè)思路如下：

(1)拆分和處理數(shù)據(jù)集。文中選擇數(shù)控機(jī)床中常見(jiàn)故障的數(shù)據(jù)進(jìn)行訓(xùn)練，使用常見(jiàn)故障中較容易出現(xiàn)的故障數(shù)據(jù)進(jìn)行驗(yàn)證，測(cè)試大概率出現(xiàn)的故障數(shù)據(jù)。同時(shí)，數(shù)據(jù)集已標(biāo)準(zhǔn)化。

(2)設(shè)計(jì)LSTM結(jié)構(gòu)模型。文中設(shè)計(jì)的LSTM模型的網(wǎng)絡(luò)結(jié)構(gòu)包括隱藏層數(shù)量、學(xué)習(xí)速度和迭代次數(shù)等，以構(gòu)建多變量、多維單步LSTM神經(jīng)網(wǎng)絡(luò)模型。

(3)遺傳算法改善模型參數(shù)。針對(duì)LSTM模型超參數(shù)例如隱藏層中的神經(jīng)元數(shù)量、初始學(xué)習(xí)速度、最大迭代次數(shù)、最小批處理量、時(shí)間等參數(shù)進(jìn)行調(diào)節(jié)，獲得最佳的超參數(shù)組。

(4)使用最佳GA-LSTM模型對(duì)訓(xùn)練集進(jìn)行訓(xùn)練以獲得最終模型。

(5)使用最終模型進(jìn)行預(yù)測(cè)測(cè)試，獲得數(shù)控機(jī)床故障的較高準(zhǔn)確性預(yù)測(cè)。

4 實(shí)驗(yàn)測(cè)試過(guò)程與結(jié)果討論

基于上述GA-LSTM模型的預(yù)測(cè)步驟，分析已有的開(kāi)放式數(shù)控系統(tǒng)S-100M實(shí)驗(yàn)平臺(tái)在2017-2022年選取的故障數(shù)據(jù)，整理出150組樣本數(shù)據(jù)，選取其中70%的數(shù)據(jù)作為訓(xùn)練集、30%的數(shù)據(jù)作為測(cè)試集。 由于直線插補(bǔ)是數(shù)控加工中最基礎(chǔ)的運(yùn)行過(guò)程，且刀具切削運(yùn)行較為穩(wěn)定。因此，文中僅預(yù)測(cè)數(shù)控系統(tǒng)加工直線插補(bǔ)運(yùn)行過(guò)程中出現(xiàn)誤差的可能，運(yùn)行過(guò)程如圖4所示。若選定其他工況(如圓弧插補(bǔ)等)，還需考慮實(shí)行曲線軌跡走刀時(shí)，切削加速度波動(dòng)、曲率半徑大小、走刀狀態(tài)是否穩(wěn)定等因素對(duì)模型的預(yù)測(cè)結(jié)果的影響，在后續(xù)實(shí)驗(yàn)中進(jìn)一步研究。

圖4 加工路徑Fig.4 Processing path

在MATLAB軟件中設(shè)置相應(yīng)程序代碼，設(shè)置時(shí)間步長(zhǎng)為1，隱藏層節(jié)點(diǎn)為200，輸出層神經(jīng)元個(gè)數(shù)定為1，求解器設(shè)置為′adam′并進(jìn)行50輪訓(xùn)練。學(xué)習(xí)率為0.01。圖5分別顯示BP、LSTM、GA-LSTM 3種模型的預(yù)測(cè)狀態(tài)對(duì)比。

圖5 BP(a)、LSTM(b)、GA-LSTM(c)預(yù)測(cè)狀態(tài)對(duì)比Fig.5 Comparison of BP(a)，LSTM(b)and GA-LSTM(c)prediction states

將BP、LSTM、GA-LSTM 3種模型的預(yù)測(cè)狀態(tài)相關(guān)數(shù)據(jù)進(jìn)行對(duì)比，如表1所示。GA-LSTM預(yù)測(cè)模型相比其余常規(guī)預(yù)測(cè)方法的運(yùn)行時(shí)間有所減少，相對(duì)誤差明顯減小，預(yù)測(cè)誤差狀態(tài)更趨于真實(shí)值。

表1 3種模型均方誤差與預(yù)測(cè)誤差對(duì)比Tab.1 Comparison of mean squared error and prediction error of the three models

5 結(jié)論

綜上所述，數(shù)控機(jī)床故障預(yù)測(cè)是提高數(shù)控加工誤差精度的基礎(chǔ)。通過(guò)實(shí)驗(yàn)測(cè)試結(jié)果得出以下結(jié)論：

(1)通過(guò)分析數(shù)控機(jī)床常見(jiàn)故障類(lèi)型，對(duì)常見(jiàn)加工路徑過(guò)程進(jìn)行分析，建立了基于GA-LSTM的機(jī)床故障網(wǎng)絡(luò)預(yù)測(cè)模型，通過(guò)優(yōu)化隱藏層節(jié)點(diǎn)、訓(xùn)練次數(shù)等超參數(shù)，實(shí)現(xiàn)了對(duì)數(shù)控機(jī)床故障的準(zhǔn)確預(yù)測(cè)。

(2)相比其余常規(guī)預(yù)測(cè)方法，GA-LSTM預(yù)測(cè)模型運(yùn)行時(shí)間有所減少，預(yù)測(cè)誤差狀態(tài)更趨于真實(shí)值。

(3)文中所提出的GA-LSTM模型用于預(yù)測(cè)數(shù)控機(jī)床故障時(shí)具有一定可行性。