基于深度神經(jīng)網(wǎng)絡(luò)的切削刀具剩余壽命預(yù)測(cè)

劉勝輝　張人敬　張淑麗　馬超　張宏國(guó)

摘 要：為了更好的解決切削刀具剩余壽命難以準(zhǔn)確預(yù)測(cè)這一問(wèn)題，從監(jiān)控指標(biāo)選取、數(shù)據(jù)特征提取以及預(yù)測(cè)模型建立等方面進(jìn)行了深入的研究。首先，選取切削力和切削振動(dòng)兩項(xiàng)信號(hào)作為初始數(shù)據(jù)，兩者可有效反映刀具的工作狀態(tài)，為分析刀具磨損過(guò)程提供數(shù)據(jù)支持。其次，使用小波包分析方法進(jìn)行數(shù)據(jù)降噪，實(shí)現(xiàn)特征提取，得到監(jiān)控?cái)?shù)據(jù)的熵值化結(jié)果。然后，將該結(jié)果作為預(yù)測(cè)模型的輸入，訓(xùn)練和測(cè)試深度神經(jīng)網(wǎng)絡(luò)，建立刀具剩余壽命預(yù)測(cè)模型。最后，使用實(shí)際加工數(shù)據(jù)對(duì)該預(yù)測(cè)方法進(jìn)行驗(yàn)證實(shí)驗(yàn)，驗(yàn)證結(jié)果表明該模型能有效的預(yù)測(cè)剩余壽命。

關(guān)鍵詞：深度神經(jīng)網(wǎng)絡(luò); 切削刀具; 特征提取; 刀具剩余壽命預(yù)測(cè)

DOI：10.15938/j.jhust.2019.03.001

中圖分類號(hào)： TP301

文獻(xiàn)標(biāo)志碼： A

文章編號(hào)： 1007-2683（2019）03-0001-08

Abstract：In order to better solve the problem that the remaining life of cutting tool is difficult to predict accurately， this paper studies three aspects of the selection of monitoring indexes， the extraction of data features and the establishing of prediction models. Firstly， Cutting force and vibration frequency were selected as the indirect monitoring indexes of cutting tool. These two indexes can accurately reflect the state of cutting tool， and also can solve the problem that the selecting the direct monitoring indexes causes， the wear analysis results of cutting tool being too subjective in the traditional state monitoring method. Secondly， feature extraction is carried out by using wavelet packet analysis， and then the entropy values of the monitoring data are obtained. They are taken as the input data. Thirdly， the input data are used as the training data and testing data of the prediction model based on Deep Neural Network （DNN）. Finally， the simulation experiments of the prediction method are carried out by using the real data of the workshop. The results show that the model can effectively predict the useful life.

Keywords：deep neural network; cutting force; feature extraction; prediction of remaining useful life

0 引 言

關(guān)鍵設(shè)備作為制造企業(yè)中承擔(dān)關(guān)鍵工序加工任務(wù)的設(shè)備，其在負(fù)荷大小、資源競(jìng)爭(zhēng)程度、生產(chǎn)成本以及加工調(diào)度優(yōu)先級(jí)等多個(gè)生產(chǎn)指標(biāo)上都遠(yuǎn)優(yōu)于其他生產(chǎn)設(shè)備[1]，在企業(yè)生產(chǎn)運(yùn)營(yíng)中起著決定性作用。一旦其出現(xiàn)設(shè)備故障、甚至宕機(jī)，將給制造企業(yè)帶來(lái)不可估量的經(jīng)濟(jì)損失[2]。因此，如何保障其長(zhǎng)期處于高效率的運(yùn)行是制造企業(yè)車間生產(chǎn)管理者亟需解決的關(guān)鍵問(wèn)題。

在制造企業(yè)車間生產(chǎn)中，刀具作為關(guān)鍵設(shè)備的基礎(chǔ)組件，它的狀態(tài)直接影響著關(guān)鍵設(shè)備的性能。在實(shí)際的車間生產(chǎn)中，刀具的狀態(tài)常受到各種因素的影響，例如，機(jī)械磨損、化學(xué)磨損、破碎、崩刃、粘結(jié)以及變形等。為了保證切削設(shè)備高效率地運(yùn)行，準(zhǔn)確的評(píng)估其刀具的狀態(tài)就變得尤為重要。目前，研究者多通過(guò)刀具的狀態(tài)來(lái)預(yù)測(cè)刀具的剩余壽命。而隨著加工技術(shù)不斷發(fā)展與工業(yè)4.0時(shí)代的到來(lái)，加工過(guò)程正向著智能化發(fā)展，越來(lái)越多的智能加工技術(shù)應(yīng)用到其中，這也為監(jiān)控刀具狀態(tài)提供了技術(shù)支持[3]。

在實(shí)際生產(chǎn)中，對(duì)切削刀具進(jìn)行剩余壽命預(yù)測(cè)可以幫助車間生產(chǎn)管理者提早發(fā)現(xiàn)刀具的問(wèn)題，針對(duì)問(wèn)題采取相應(yīng)的措施，避免刀具在生產(chǎn)過(guò)程中失效，避免切削設(shè)備的故障。從而有效提高企業(yè)生產(chǎn)效率、降低生產(chǎn)成本及保證產(chǎn)品質(zhì)量。B.M.Karmer提出：在提高計(jì)算機(jī)集成制造系統(tǒng)的生產(chǎn)效率中，最重要的技術(shù)之一就是準(zhǔn)確估計(jì)刀具的剩余壽命[4]。

目前，在剩余壽命預(yù)測(cè)這一研究領(lǐng)域中已經(jīng)出現(xiàn)了不少有價(jià)值的研究成果。例如，楊志波等人通過(guò)運(yùn)用粒子濾波近似推理算法對(duì)鉆頭進(jìn)行剩余壽命的預(yù)測(cè)，建立了基于動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)的設(shè)備剩余壽命預(yù)測(cè)框架模型，取得了較為良好的效果[5]。任淑紅等人通過(guò)分析發(fā)動(dòng)機(jī)性能退化過(guò)程，利用貝葉斯更新方法以及免疫粒子群優(yōu)化算法建立了航空發(fā)動(dòng)機(jī)剩余壽命組合預(yù)測(cè)模型[6]。奚立峰等人針對(duì)球軸承剩余壽命預(yù)測(cè)問(wèn)題，基于自組織映射和反向傳播兩種神經(jīng)網(wǎng)絡(luò)，提出了一套新的預(yù)測(cè)球軸承剩余壽命的方法體系，結(jié)果證明，該方案遠(yuǎn)優(yōu)于業(yè)界常用的L10壽命估計(jì)[7]。趙敏等人通過(guò)監(jiān)測(cè)絲杠性能在不同條件下的變化趨勢(shì)，利用多變量灰色模型建立絲杠壽命與切削三要素、信號(hào)特征值的非線性映射關(guān)系，構(gòu)建了基于多變量灰色模型的絲杠壽命預(yù)測(cè)模型[8]。

但針對(duì)刀具的剩余壽命預(yù)測(cè)的研究尚處于發(fā)展階段。劉銳等人提出基于BP神經(jīng)網(wǎng)絡(luò)的刀具磨損量檢測(cè)和剩余壽命預(yù)測(cè)的方法，用銑削力信號(hào)提取的特征向量作為神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)進(jìn)行訓(xùn)練和測(cè)試，取得了不錯(cuò)的效果[9]。徐玲等人設(shè)計(jì)了可進(jìn)化的神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法，采用遺傳算法訓(xùn)練反向傳播神經(jīng)網(wǎng)絡(luò)的方式進(jìn)行實(shí)現(xiàn)。同時(shí)優(yōu)化刀具切削參數(shù)的選擇，得到了較高精度的刀具壽命預(yù)測(cè)結(jié)果[10]。雖然目前針對(duì)刀具的剩余壽命預(yù)測(cè)已經(jīng)出現(xiàn)了一些有價(jià)值的研究成果，但在監(jiān)控指標(biāo)選取、數(shù)據(jù)特征提取以及預(yù)測(cè)模型建立等多個(gè)方面，對(duì)刀具的剩余壽命預(yù)測(cè)問(wèn)題的研究均有必要繼續(xù)深入，以獲得更加合理、準(zhǔn)確、可靠的預(yù)測(cè)結(jié)果。

本文通過(guò)分析現(xiàn)階段的刀具狀態(tài)監(jiān)控技術(shù)，選取效果較為理想的刀具間接測(cè)量指標(biāo)，并利用信號(hào)分析處理后的小波熵值數(shù)據(jù)作為預(yù)測(cè)訓(xùn)練數(shù)據(jù)，不僅消弱了信號(hào)本身噪音的影響，還降低了不同信號(hào)間的差異性，使預(yù)測(cè)模型更加通用。采用的深度神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，是基于數(shù)據(jù)本身特點(diǎn)的預(yù)測(cè)模型，從數(shù)據(jù)中挖掘特征，并將這些特征與剩余壽命相關(guān)聯(lián)。通過(guò)大量真實(shí)數(shù)據(jù)對(duì)預(yù)測(cè)模型進(jìn)行訓(xùn)練，使其對(duì)壽命階段的劃分更加細(xì)化，預(yù)測(cè)更加準(zhǔn)確。最后，通過(guò)實(shí)驗(yàn)結(jié)果表明，建立的模型能夠較準(zhǔn)確預(yù)測(cè)刀具的剩余壽命，具有較高的工業(yè)推廣價(jià)值。

1 刀具剩余壽命預(yù)測(cè)方法

通過(guò)對(duì)刀具實(shí)時(shí)監(jiān)控方法、數(shù)據(jù)特征提取技術(shù)、深度神經(jīng)網(wǎng)絡(luò)的研究，提出一套針對(duì)刀具剩余壽命的預(yù)測(cè)方法，該方法主要分為四部分：數(shù)據(jù)構(gòu)建預(yù)處理、數(shù)據(jù)特征提取、狀態(tài)識(shí)別與壽命預(yù)測(cè)。

在數(shù)據(jù)構(gòu)建與預(yù)處理中通過(guò)小波包分解，對(duì)特征頻帶信號(hào)進(jìn)行熵值計(jì)算，采用小波時(shí)間熵、小波能量熵及小波奇異熵這三大指標(biāo)度量被分析數(shù)據(jù)的不確定性，實(shí)現(xiàn)對(duì)分解后復(fù)雜數(shù)據(jù)的定量描述。

數(shù)據(jù)特征提取是利用小波包分解的特性提取能反應(yīng)數(shù)據(jù)環(huán)境的特征頻帶信號(hào)，在此基礎(chǔ)上使用稀疏自編碼器對(duì)得到的熵值進(jìn)行標(biāo)簽化處理，通過(guò)稀疏自編碼器本身的特點(diǎn)及功能實(shí)現(xiàn)自動(dòng)化的特征提取，其采用車間生產(chǎn)過(guò)程中真實(shí)的刀具數(shù)據(jù)進(jìn)行訓(xùn)練得到。

狀態(tài)識(shí)別與壽命預(yù)測(cè)的主要功能是對(duì)輸入數(shù)據(jù)進(jìn)行分析。其核心是兩個(gè)并行的深度神經(jīng)網(wǎng)絡(luò)，該網(wǎng)絡(luò)的建立基于大量車間真實(shí)監(jiān)測(cè)數(shù)據(jù)和N個(gè)具有隨機(jī)性的刀具磨損實(shí)驗(yàn)。網(wǎng)絡(luò)建立過(guò)程如下：

步驟1：將實(shí)驗(yàn)數(shù)據(jù)分為訓(xùn)練數(shù)據(jù)集T和驗(yàn)證（預(yù)測(cè)）數(shù)據(jù)集V兩部分儲(chǔ)存到磨損數(shù)據(jù)庫(kù)中。

步驟2：將數(shù)據(jù)集中的數(shù)據(jù)進(jìn)行小波包分解，得到6維的熵值存儲(chǔ)到原集合中。

步驟3：通過(guò)N中的數(shù)據(jù)訓(xùn)練深度網(wǎng)絡(luò)中的“稀疏自編碼器網(wǎng)絡(luò)”，使其能對(duì)刀具信號(hào)進(jìn)行識(shí)別。

步驟4：通過(guò)T中的數(shù)據(jù)訓(xùn)練由Logistic構(gòu)成的“狀態(tài)識(shí)別網(wǎng)絡(luò)”及由Softmax構(gòu)成的“壽命預(yù)測(cè)網(wǎng)絡(luò)”，使其能對(duì)刀具當(dāng)前狀態(tài)和剩余壽命進(jìn)行識(shí)別和預(yù)測(cè)。

步驟5：將“稀疏自編碼器網(wǎng)絡(luò)”分別與“狀態(tài)識(shí)別網(wǎng)絡(luò)”和“壽命預(yù)測(cè)網(wǎng)絡(luò)”相連接得到兩個(gè)并行深度神經(jīng)網(wǎng)絡(luò)。（后文給出該過(guò)程的具體實(shí)現(xiàn)方法）

預(yù)測(cè)方法如圖1所示。首先，采集切削刀具在相同的工件材料、刀具材料、切削參數(shù)下的不同磨損狀態(tài)的數(shù)據(jù)，并對(duì)采集的數(shù)據(jù)進(jìn)行預(yù)處理，通過(guò)小波包分解提取能反應(yīng)刀具狀態(tài)的特征頻帶信號(hào)，并對(duì)其進(jìn)行熵值化處理，得到小波時(shí)間熵、小波能量熵及小波奇異熵，組成神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)樣本集。

然后，通過(guò)由稀疏自編碼器對(duì)數(shù)據(jù)進(jìn)行特征提取，將特征提取后的數(shù)據(jù)輸入到狀態(tài)識(shí)別網(wǎng)絡(luò)和壽命預(yù)測(cè)網(wǎng)絡(luò)中，其會(huì)得到兩部分結(jié)果，即刀具當(dāng)前狀態(tài)和剩余壽命，將其合并后得到最終結(jié)果。

為解決傳統(tǒng)預(yù)測(cè)方法中因刀具處在急劇磨損狀態(tài)下無(wú)法準(zhǔn)確計(jì)算其壽命的問(wèn)題，本文對(duì)刀具所處狀態(tài)進(jìn)行了識(shí)別，若刀具當(dāng)前為急劇磨損狀態(tài)則使用通過(guò)急劇磨損狀態(tài)下刀具數(shù)據(jù)訓(xùn)練的預(yù)測(cè)網(wǎng)絡(luò)進(jìn)行壽命預(yù)測(cè)，進(jìn)一步提高預(yù)測(cè)的準(zhǔn)確性。

2 刀具磨損狀態(tài)監(jiān)控分析技術(shù)

2.1 刀具狀態(tài)監(jiān)控信號(hào)

刀具狀態(tài)監(jiān)控信號(hào)作為刀具切削狀態(tài)的體現(xiàn)，是判斷刀具磨損狀態(tài)的數(shù)據(jù)基礎(chǔ)，精準(zhǔn)的刀具狀態(tài)監(jiān)控信號(hào)能夠完整、充分的展示刀具的生產(chǎn)狀態(tài)。對(duì)刀具狀態(tài)進(jìn)行定量、定時(shí)地監(jiān)控采樣，分析刀具磨損情況和剩余壽命，對(duì)于提高生產(chǎn)效率有著重大的意義。傳統(tǒng)的刀具狀態(tài)監(jiān)控主要通過(guò)切削聲音、切削時(shí)間等直接測(cè)量指標(biāo)來(lái)綜合判斷刀具的生產(chǎn)狀態(tài)，導(dǎo)致刀具磨損分析過(guò)程存在主觀性過(guò)強(qiáng)的問(wèn)題[11]。

因此，本文從切削力、切削振動(dòng)、功率消耗、切削溫度、表面粗糙度等指標(biāo)著手，盡可能的還原真實(shí)刀具狀態(tài)。其中切削力與切削振動(dòng)兩項(xiàng)指標(biāo)，具有靈敏度高、響應(yīng)快等優(yōu)點(diǎn)，更符合刀具磨損狀態(tài)監(jiān)控的要求，所以選擇這兩項(xiàng)作為研究重點(diǎn)。本文通過(guò)控制變量的方法，盡可能的保證在同一時(shí)間段、同一環(huán)境下、相同參數(shù)與相同材料下采集這兩種信號(hào)。這兩個(gè)與刀具狀態(tài)密切相關(guān)的間接測(cè)量信號(hào)，即可以解決直接測(cè)量指標(biāo)主觀性過(guò)強(qiáng)的問(wèn)題，還可以克服單一監(jiān)控信號(hào)提供的特征出現(xiàn)扭曲和不完全的情況。在保證監(jiān)控分析可靠性和準(zhǔn)確性的基礎(chǔ)上，盡可能地降低監(jiān)控復(fù)雜度[12]。

2.2 小波熵磨損指標(biāo)

由于刀具磨損是切削熱、切削力等因素耦合作用的過(guò)程，使得刀具失效形式多樣，表現(xiàn)形式多樣，刀具磨損具有多特征，非線性特征強(qiáng)等特點(diǎn)。因此從復(fù)雜的刀具監(jiān)控信號(hào)中提取有用的信息，消除背景噪音對(duì)刀具磨損狀態(tài)帶來(lái)的影響顯得尤為重要。本文采用小波包分析方法實(shí)現(xiàn)刀具信號(hào)的特征提取，通過(guò)對(duì)信號(hào)進(jìn)行小波包分解，得到每一頻帶內(nèi)振動(dòng)信號(hào)的變化規(guī)律，并從中提取反應(yīng)信號(hào)環(huán)境的特征頻帶信號(hào)。

小波包分析方法作為小波分析方法的推廣，克服了小波分析在低頻段的時(shí)間分辨率較差，在高頻段的頻率分辨率較差的問(wèn)題，在時(shí)頻兩域都具有表征信號(hào)局部特征的能力，是一種窗口大小固定不變，但其形狀、時(shí)間窗、頻率窗都可改變的視頻局部化分析方法[13]。本文基于小波熵理論，根據(jù)信息不確定性、不規(guī)則程度以及復(fù)雜程度等三方面，選取小波時(shí)間熵，小波能量熵和小波奇異熵三種小波熵制定小波熵磨損指標(biāo)，實(shí)現(xiàn)對(duì)分解后復(fù)雜信號(hào)指標(biāo)的定量描述[14-16]。

通過(guò)對(duì)刀具切削力信號(hào)和刀具切削振動(dòng)信號(hào)進(jìn)行高低頻分離，利用上述三類小波熵值對(duì)非穩(wěn)態(tài)諧波部分進(jìn)行特征提取。使得在任何生產(chǎn)時(shí)刻，任意刀具信號(hào)都將對(duì)應(yīng)一組六個(gè)元素的向量，分別代表切削力信號(hào)和切削振動(dòng)信號(hào)的變化，該向量作為刀具切削特征的綜合體現(xiàn)可作為神經(jīng)網(wǎng)絡(luò)的重要輸入?yún)?shù)。

2.3 基于BSR指標(biāo)的刀具狀態(tài)識(shí)別

針對(duì)刀具指標(biāo)繁多且無(wú)法準(zhǔn)確體現(xiàn)刀具磨損趨勢(shì)的問(wèn)題，Qiu H等人提出了基于SOM神經(jīng)網(wǎng)絡(luò)的最小量化誤差（MQE）指標(biāo)[17]，該指標(biāo)可以反映出刀具所處的狀態(tài)，但其實(shí)現(xiàn)和運(yùn)用過(guò)程復(fù)雜，且其準(zhǔn)確度與訓(xùn)練數(shù)據(jù)的規(guī)模成正比。在實(shí)際訓(xùn)練環(huán)境中，往往很難判斷設(shè)備是否真正處在正常階段，且實(shí)際情況是正常狀態(tài)指標(biāo)中夾雜著很多非正常狀態(tài)的噪點(diǎn)，這些干擾會(huì)使得該模型的基準(zhǔn)值產(chǎn)生誤差。并且MQE指標(biāo)作為通用狀態(tài)指標(biāo)，并沒(méi)有針對(duì)刀具數(shù)據(jù)進(jìn)行相關(guān)優(yōu)化。

為更好的對(duì)刀具狀態(tài)進(jìn)行識(shí)別，本文借鑒了MQE指標(biāo)的理論和方法，在其基礎(chǔ)上簡(jiǎn)化磨損指標(biāo)，提出了針對(duì)刀具信號(hào)特點(diǎn)的新的高容錯(cuò)狀態(tài)識(shí)別指標(biāo)（bit tool state recognition，BSR），該指標(biāo)由深度神經(jīng)網(wǎng)絡(luò)計(jì)算得出，網(wǎng)絡(luò)的輸入為經(jīng)過(guò)熵值化處理的切削力和切削振動(dòng)兩項(xiàng)數(shù)據(jù)，通過(guò)網(wǎng)絡(luò)內(nèi)的稀疏自編碼器對(duì)輸入進(jìn)行自編碼，得到一維的輸出結(jié)果。

BSR=fsa（x1，x2，x3，x4，x5，x6）

其中，函數(shù)fsa是激活函數(shù)為ReLU的稀疏自編碼器，輸入{x1，x2，x3}為切削力信號(hào)在某一時(shí)刻的三維熵值，{x4，x5，x6}為切削振動(dòng)在此刻的三維熵值，函數(shù)輸出的結(jié)果即為該時(shí)刻的BSR指標(biāo)。與此同時(shí)，人為的根據(jù)加工精度及表面粗糙度等因素對(duì)輸入數(shù)據(jù)的刀具狀態(tài)進(jìn)行標(biāo)簽化處理，得到正常磨損狀態(tài)刀具樣本與急劇磨損狀態(tài)樣本，使用該樣本對(duì)網(wǎng)絡(luò)內(nèi)的Logistic分類器進(jìn)行訓(xùn)練，使其可以識(shí)別刀具的狀態(tài)，如圖2所示。

通過(guò)BSR指標(biāo)的計(jì)算，可以將刀具的磨損周期劃分為正常磨損和急劇磨損兩個(gè)階段，如圖3所示。刀具在正產(chǎn)磨損下的狀態(tài)數(shù)據(jù)與急劇磨損下的狀態(tài)數(shù)據(jù)有著明顯不同，為得到針對(duì)性更強(qiáng)的預(yù)測(cè)模型以提高預(yù)測(cè)的準(zhǔn)確性。將兩個(gè)狀態(tài)下的刀具數(shù)據(jù)進(jìn)行分別提取，訓(xùn)練兩個(gè)不同狀態(tài)下的神經(jīng)網(wǎng)絡(luò)是十分必要的。因此，本文通過(guò)分析BSR值的變化，確定刀具是否處的磨損狀態(tài)，從而產(chǎn)生了兩段式的剩余壽命預(yù)測(cè)方法，該方法可有效縮短預(yù)測(cè)模型訓(xùn)練過(guò)程中的數(shù)據(jù)捕獲時(shí)間，并提高預(yù)測(cè)結(jié)果的準(zhǔn)確率。

同時(shí)為避免無(wú)關(guān)因素產(chǎn)生的波動(dòng)，對(duì)預(yù)測(cè)結(jié)果造成干擾，對(duì)BSR指標(biāo)的判斷過(guò)程增加了緩沖機(jī)制，當(dāng)BSR數(shù)值進(jìn)入急劇磨損區(qū)間時(shí)，并不會(huì)立即判定刀具進(jìn)入急劇磨損狀態(tài)，而是根據(jù)緩沖階段結(jié)束后的BSR數(shù)值進(jìn)行判斷，有效的提高了BSR指標(biāo)容錯(cuò)性。

3 基于深度神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)模型

針對(duì)刀具剩余壽命預(yù)測(cè)問(wèn)題存在時(shí)序性、唯一性以及復(fù)雜性等特點(diǎn)，本文在參考多種神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)算法的基礎(chǔ)上，建立了基于深度神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)模型。該預(yù)測(cè)模型充分考慮到刀具磨損信號(hào)的變化特點(diǎn)，針對(duì)刀具在不同磨損狀態(tài)下，其狀態(tài)數(shù)據(jù)非線性增強(qiáng)的問(wèn)題，本文采用多網(wǎng)絡(luò)相結(jié)合的方式進(jìn)行組合預(yù)測(cè)，進(jìn)一步提升刀具狀態(tài)預(yù)測(cè)的準(zhǔn)確性。該模型由兩個(gè)并行的深度神經(jīng)網(wǎng)絡(luò)構(gòu)成，其主要包含3個(gè)部分，分別是稀疏自編碼器網(wǎng)絡(luò)和用于壽命預(yù)測(cè)的Softmax子網(wǎng)絡(luò)及用于狀態(tài)識(shí)別Logistic子網(wǎng)絡(luò)。該模型訓(xùn)練及預(yù)測(cè)過(guò)程如圖4所示。

3.1 深度神經(jīng)網(wǎng)絡(luò)

深度神經(jīng)網(wǎng)絡(luò)簡(jiǎn)單來(lái)說(shuō)即含有多個(gè)隱藏層的神經(jīng)網(wǎng)絡(luò)。相比傳統(tǒng)神經(jīng)網(wǎng)絡(luò)，深度神經(jīng)網(wǎng)絡(luò)的特點(diǎn)是善于從無(wú)標(biāo)簽數(shù)據(jù)中自我學(xué)習(xí)，得到網(wǎng)絡(luò)自己的數(shù)據(jù)標(biāo)識(shí)，一切結(jié)果皆有數(shù)據(jù)本身產(chǎn)生。本文的深度神經(jīng)網(wǎng)絡(luò)由經(jīng)過(guò)修改的稀疏自編碼器網(wǎng)絡(luò)和Softmax回歸分類器及Logistic回歸分類器組成，這其中稀疏自編碼器分別和兩個(gè)分類器相組合，實(shí)際上為兩個(gè)并行的深度網(wǎng)絡(luò)。

深度神經(jīng)網(wǎng)絡(luò)的構(gòu)建主要輸入內(nèi)容有：①車間樣本中刀具正常磨損狀態(tài)下的監(jiān)控?cái)?shù)據(jù)熵值集合HS;

②車間樣本中刀具急劇磨損狀態(tài)下的監(jiān)控?cái)?shù)據(jù)熵值集合FS;

③車間中個(gè)生命周期采樣點(diǎn)個(gè)數(shù)N;

④實(shí)驗(yàn)樣本中刀具正常磨損狀態(tài)下的數(shù)據(jù)熵值集合THS;

⑤實(shí)驗(yàn)樣本中刀具急劇磨損狀態(tài)下的監(jiān)控?cái)?shù)據(jù)熵值集合TFS;

⑥實(shí)驗(yàn)樣本中采樣時(shí)刻t時(shí)刀具實(shí)際剩余壽命集合Tt;

⑦實(shí)驗(yàn)中采樣點(diǎn)總個(gè)數(shù)NT。

最重輸出：

深度神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型SASMSL;

3.1.1 稀疏自編碼器子網(wǎng)絡(luò)構(gòu)建

該網(wǎng)絡(luò)可以用無(wú)標(biāo)簽數(shù)據(jù)進(jìn)行訓(xùn)練，其主要功能是對(duì)監(jiān)測(cè)數(shù)據(jù)進(jìn)行自動(dòng)編碼和分類，找到數(shù)據(jù)本身的特點(diǎn)，并根據(jù)此特點(diǎn)對(duì)數(shù)據(jù)進(jìn)行標(biāo)簽化處理。

其構(gòu)建過(guò)程如下：

1）將集合HS和FS合并，根據(jù)實(shí)際車間情況，共取3臺(tái)設(shè)備上的120個(gè)刀具在1個(gè)生命周期內(nèi)的監(jiān)測(cè)數(shù)據(jù)，其熵值數(shù)據(jù)矩陣：

3.2 數(shù)據(jù)合并與輸出處理

通過(guò)以上步驟即可生成預(yù)測(cè)模型SASMSL，其主要包含網(wǎng)絡(luò)Fsasm和Fsasl兩部分，F(xiàn)sasm主要功能是通過(guò)實(shí)時(shí)的監(jiān)測(cè)數(shù)據(jù)，對(duì)刀具的剩余壽命進(jìn)行預(yù)測(cè);而Fsasl對(duì)刀具所處階段進(jìn)行劃分，輔助Fsasm網(wǎng)絡(luò)進(jìn)行壽命預(yù)測(cè)。

首先，根據(jù)上文中BSR指標(biāo)的特點(diǎn)，對(duì)Fsasl網(wǎng)絡(luò)的輸出進(jìn)行處理。增加狀態(tài)緩沖區(qū)，即當(dāng)監(jiān)控?cái)?shù)據(jù)進(jìn)入急劇磨損區(qū)間時(shí)，不會(huì)立即將刀具置為急劇磨損狀態(tài)，而是以刀具離開(kāi)緩沖區(qū)時(shí)的狀態(tài)為準(zhǔn)，這有效減少了外界干擾所帶來(lái)的影響，而當(dāng)?shù)毒咭坏┨幱诩眲∧p期，即使其數(shù)據(jù)由于隨機(jī)因素等原因，表現(xiàn)的和正常磨損狀態(tài)相同，但由于其進(jìn)入緩沖區(qū)時(shí)的狀態(tài)為急劇磨損，模型也不會(huì)將其置于正常狀態(tài)。

其次，根據(jù)Fsasl網(wǎng)絡(luò)輸出的不同刀具狀態(tài)，選擇不同的預(yù)測(cè)網(wǎng)絡(luò)進(jìn)行壽命預(yù)測(cè)，當(dāng)所處狀態(tài)為正常磨損時(shí)，使用通過(guò)THS集合訓(xùn)練的 Fsasm網(wǎng)絡(luò)進(jìn)行預(yù)測(cè)，當(dāng)所處狀態(tài)為急劇磨損時(shí)，使用通過(guò)TFS集合訓(xùn)練的 Fsasm網(wǎng)絡(luò)進(jìn)行預(yù)測(cè)。

最后，將刀具狀態(tài)和刀具壽命兩部分預(yù)測(cè)結(jié)果，進(jìn)行整理合并，得到最終的輸出結(jié)果，用戶可以根據(jù)結(jié)果自行判斷是否需要更換刀具等操作。

4 案例驗(yàn)證

參照上一節(jié)中深度神經(jīng)網(wǎng)絡(luò)的建立和訓(xùn)練過(guò)程，采用實(shí)際車間中的歷史數(shù)據(jù)作為訓(xùn)練樣本，樣本以設(shè)備為單位，共取3組具體內(nèi)容如下：

組1樣本所用的刀具為XF8型重型硬質(zhì)合金車刀，涂層類型為復(fù)合涂層;工件材料為加氫筒節(jié)鍛造毛坯[18]。樣本具體參數(shù)樣例：刀具幾何參數(shù)γ0/°=15、α0/°=4、εr/°=90、λs/°=0，切削速度分別為20/（m/min）、30/（m/min）、40/（m/min）、50/（m/min），切削深度ap/mm=20，進(jìn)給量f/（mm/r）=2.0。

組2樣本所用的刀具為自制切削TCMC120408;工件材料為45鋼（HB180）[19]。樣本具體參數(shù)樣例：刀具幾何參數(shù)γ0/°=5、α0/°=7、rε/mm=0.8，切削速度為80～138/（m/min），進(jìn)給量為0.2～0.3 mm/r，切削深度ap/mm=2.5。

組3樣本所用的刀具為環(huán)形銑刀，尺寸為D12r3;涂層類型為TiSiN;工件材料為淬硬鋼，長(zhǎng)×寬×高為60mm×100mm×80mm，硬度為45HRC、51HRC、61HRC;切削方式為順銑[20]。樣本具體參數(shù)樣例：刀具參數(shù)第一后角8°、第二后角13°、螺旋角30°、齒數(shù)2、刀具直徑12mm、主切削刃半徑3mm，切削速度為120/（m/min），切削寬度ae/mm=0.4，軸向切深ap/mm=0.2，每齒進(jìn)給量f/（mm/z）=0.15。

為減小篇幅不一一列舉每組具體加工參數(shù)。其中每個(gè)樣本的取樣區(qū)間為刀具的一個(gè)生命周期，考慮到刀具磨損的連續(xù)性和漸進(jìn)性，系統(tǒng)每10s采集一次數(shù)據(jù)，每組包含了切削設(shè)備上所有刀具的加工數(shù)據(jù)，每組數(shù)據(jù)中隨機(jī)選取一部分樣本作為測(cè)試數(shù)據(jù)，其余為訓(xùn)練數(shù)據(jù)。具體數(shù)據(jù)如表1所示。

在訓(xùn)練完畢后使用測(cè)試樣本對(duì)并行深度神經(jīng)網(wǎng)絡(luò)進(jìn)行測(cè)試，3組共15個(gè)樣本，其中進(jìn)入急劇磨損狀態(tài)的有9例，模型識(shí)別的結(jié)果與實(shí)際相同。壽命預(yù)測(cè)結(jié)果根據(jù)不同組別稍有差異，驗(yàn)證實(shí)驗(yàn)分別在加工開(kāi)始1分鐘后和剛進(jìn)入急劇磨損狀態(tài)時(shí)對(duì)刀具進(jìn)行壽命預(yù)測(cè)，結(jié)果如圖5所示。

根據(jù)實(shí)驗(yàn)數(shù)據(jù)計(jì)算得到其在正常磨損階段的壽命預(yù)測(cè)準(zhǔn)確度為87.8%，全部磨損階段的壽命預(yù)測(cè)精度為78.3%，其中狀態(tài)預(yù)測(cè)準(zhǔn)確度為96.75%。

為了更好地展現(xiàn)所提模型的優(yōu)勢(shì)，對(duì)不同的預(yù)測(cè)模型的預(yù)測(cè)能力進(jìn)行了研究，實(shí)驗(yàn)中將預(yù)測(cè)模型SASMSL與BP、SVM分類器、單Softmax分類器進(jìn)行了比較，其中還加深了BP神經(jīng)網(wǎng)絡(luò)的深度，采用雙隱藏層BP（300～100）神經(jīng)網(wǎng)絡(luò)，與文中算法實(shí)現(xiàn)的深度神經(jīng)網(wǎng)絡(luò)進(jìn)行綜合對(duì)比。比較結(jié)果一同展示在表2中，表中試驗(yàn)結(jié)果都是由10次隨機(jī)試驗(yàn)所得結(jié)果取平均值而得。從表中數(shù)據(jù)可以看出基于深度神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)模型能準(zhǔn)確的對(duì)剩余壽命進(jìn)行預(yù)測(cè)，并且預(yù)測(cè)效果整體上比其他神經(jīng)網(wǎng)絡(luò)好，而且表中數(shù)據(jù)也顯示，BP神經(jīng)網(wǎng)絡(luò)中神經(jīng)元數(shù)量越多，其準(zhǔn)確率不一定越高，也可能會(huì)導(dǎo)致過(guò)擬合。

5 結(jié) 論

針對(duì)切削刀具的剩余壽命預(yù)測(cè)問(wèn)題，建立了并行深度神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，一方面利用小波包分解及稀疏自編碼對(duì)特征提取的優(yōu)勢(shì)，實(shí)現(xiàn)對(duì)刀具信號(hào)標(biāo)簽化處理;另一方面采用Logistic回歸模型，實(shí)現(xiàn)對(duì)刀具磨損階段的劃分;采用Softmax回歸模型，在磨損階段預(yù)測(cè)的輔助下實(shí)現(xiàn)刀具剩余壽命預(yù)測(cè)。

提出的基于深度神經(jīng)網(wǎng)絡(luò)刀具剩余壽命預(yù)測(cè)方法，相比傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)方法，具有更強(qiáng)的優(yōu)化能力，能夠?qū)W習(xí)到數(shù)據(jù)深層次的特征，訓(xùn)練數(shù)據(jù)的獲取難度也更低。同時(shí)，還提出了新的刀具狀態(tài)度量指標(biāo)BSR，其通過(guò)使用深度神經(jīng)網(wǎng)絡(luò)計(jì)算得出，該網(wǎng)絡(luò)訓(xùn)練成本低，不需要大量的“標(biāo)簽化”數(shù)據(jù)即可訓(xùn)練。BSR指標(biāo)將刀具的生命周期劃分為正常磨損和急劇磨損兩個(gè)階段，通過(guò)計(jì)算BSR數(shù)值可以有效的識(shí)別刀具所處階段，針對(duì)不同階段使用不同的預(yù)測(cè)網(wǎng)絡(luò)進(jìn)行壽命預(yù)測(cè)。提高了預(yù)測(cè)模型的針對(duì)性，充分運(yùn)用了不同狀態(tài)下的數(shù)據(jù)特征，有效的提高了非線性特征較強(qiáng)的急劇磨損狀態(tài)下的預(yù)測(cè)精度。

最后，通過(guò)在切削設(shè)備上進(jìn)行驗(yàn)證實(shí)驗(yàn)，驗(yàn)證了該預(yù)測(cè)模型在刀具剩余壽命預(yù)測(cè)過(guò)程中的正確性和準(zhǔn)確性，也為此模型在其他領(lǐng)域中的剩余壽命預(yù)測(cè)問(wèn)題提供了參考。

參 考 文 獻(xiàn)：

[1] 謝規(guī)良， 孫樹(shù)棟， 劉冉， 等. 基于關(guān)鍵設(shè)備的計(jì)劃調(diào)度模型與應(yīng)用[J]. 航空制造技術(shù)， 2003（5）：37.

[2] 李海清， 涂海寧， 劉建勝， 等. 制造執(zhí)行系統(tǒng)中基于狀態(tài)的關(guān)鍵設(shè)備預(yù)防性維護(hù)研究[J]. 機(jī)械設(shè)計(jì)與制造， 2006， 12（7）： 178.

[3] 劉獻(xiàn)禮，劉強(qiáng)，岳彩旭， 等. 切削過(guò)程中的智能技術(shù)[J/OL]. 機(jī)械工程學(xué)報(bào)， 2017（6）： 1.

[4] KRAMER B. M.， VONTURKOVICH B. F. A Comprehensive Tool Wear Model[J]. Cirp AnnalsManufacturing Technology， 1986， 35（1）：67.

[5] 楊志波， 董明. 動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)在設(shè)備剩余壽命預(yù)測(cè)中的應(yīng)用研究[J]. 計(jì)算機(jī)集成制造系統(tǒng)， 2007， 13（9）： 178.

[6] 任淑紅， 左洪福. 基于性能衰退的航空發(fā)動(dòng)機(jī)剩余壽命組合預(yù)測(cè)方法[J]. 機(jī)械科學(xué)與技術(shù)， 2011， 30（1）： 23.

[7] 奚立峰， 黃潤(rùn)青， 李興林， 等. 基于神經(jīng)網(wǎng)絡(luò)的球軸承剩余壽命預(yù)測(cè)[J]. 機(jī)械工程學(xué)報(bào)， 2007， 43（10）： 137.

[8] 趙敏， 高宏力， 許明恒， 等. 多變量灰色模型在滾珠絲杠剩余壽命預(yù)測(cè)中的應(yīng)用[J]. 計(jì)算機(jī)集成制造系統(tǒng)， 2011， 17（4）： 846.

[9] 劉銳， 王玫， 陳勇. 銑刀磨損量檢測(cè)和剩余壽命預(yù)測(cè)方法研究[J]. 現(xiàn)代制造工程， 2010（6）： 102.

[10]徐玲， 楊丹， 王時(shí)龍， 等. 基于進(jìn)化神經(jīng)網(wǎng)絡(luò)的刀具壽命預(yù)測(cè)[J]. 計(jì)算機(jī)集成制造系統(tǒng)， 2008， 14（1）： 167.

[11]劉宇， 汪惠芬， 劉庭煜. 一種基于多特征和支持向量機(jī)的刀具磨損狀態(tài)識(shí)別技術(shù)[J]. 制造業(yè)自動(dòng)化， 2016， 38（5）： 132.

[12]李威霖. 車銑刀具磨損狀態(tài)監(jiān)測(cè)及預(yù)測(cè)關(guān)鍵技術(shù)研究[D]. 成都：西南交通大學(xué)，2013.

[13]周喜壽. 基于小波包分析和BP神經(jīng)網(wǎng)絡(luò)的車牌識(shí)別算法的研究[D]. 成都：西南交通大學(xué)，2010.

[14]王登， 苗奪謙， 王睿智. 一種新的基于小波包分解的EEG特征抽取與識(shí)別方法研究[J]. 電子學(xué)報(bào)， 2013， 41（1）： 193.

[15]何正友， 蔡玉梅， 錢清泉. 小波熵理論及其在電力系統(tǒng)故障檢測(cè)中的應(yīng)用研究[J]. 中國(guó)電機(jī)工程學(xué)報(bào)， 2005， 25（5）： 38.

[16]張華榮. 基于小波熵的變形信號(hào)分析方法研究[D]. 淄博：山東理工大學(xué)，2012.

[17]QIU H， LEE J， LIN J， et al. Robust Performance Degradation Assessment Methods for Enhanced Rolling Element Bearings Prognostics[J]. Advanced Engineering Informatics， 2003，17（4）：127.

[18]劉獻(xiàn)禮，劉銘，何耿煌， 等. 重型切削過(guò)程硬質(zhì)合金刀片的沖擊破損行為[J]. 機(jī)械工程學(xué)報(bào)，2014，50（23）：175.

[19]何耿煌，吳沖滸，劉獻(xiàn)禮， 等. 可轉(zhuǎn)位刀片斷屑槽斷屑性能及其槽構(gòu)技術(shù)研究[J]. 哈爾濱理工大學(xué)學(xué)報(bào)，2015，20（3）：13.

[20]袁帥. 環(huán)形銑刀銑削拼接淬硬鋼模具切削性能研究[D].哈爾濱：哈爾濱理工大學(xué)，2017.

（編輯：關(guān) 毅）