基于云計(jì)算的刀具狀態(tài)監(jiān)測(cè)數(shù)字孿生系統(tǒng)研究*

□ 謝 楠 □ 寇 銳 □ 劉雪梅

1.同濟(jì)大學(xué) 中德工程學(xué)院 上海 2018042.同濟(jì)大學(xué) 機(jī)械與能源工程學(xué)院 上海 201804

1 研究背景

隨著制造技術(shù)的不斷發(fā)展,高端數(shù)控機(jī)床被應(yīng)用于包括汽車、航天零部件在內(nèi)的各種加工場(chǎng)合。刀具作為機(jī)床的重要組成部分,與零部件的形狀、尺寸、表面質(zhì)量等有緊密聯(lián)系,因此,刀具狀態(tài)監(jiān)測(cè)成為業(yè)內(nèi)研究的熱點(diǎn)[1]。對(duì)刀具狀態(tài)進(jìn)行可靠監(jiān)測(cè),可以降低廢品率,縮短機(jī)床停機(jī)時(shí)間,延長(zhǎng)機(jī)床使用壽命,同時(shí)還可以降低企業(yè)成本,提高生產(chǎn)效率[2]。

隨著傳感器技術(shù)、通信技術(shù)的發(fā)展,加工數(shù)據(jù)逐漸呈現(xiàn)出多源、異構(gòu)、量大的特點(diǎn),如何基于龐大復(fù)雜的時(shí)序數(shù)據(jù)精準(zhǔn)分析刀具狀態(tài),成為現(xiàn)階段的難題。數(shù)字孿生概念的提出和發(fā)展,搭建了物理世界和虛擬世界的橋梁,通過(guò)虛實(shí)交互、數(shù)據(jù)融合等,可以擴(kuò)展物理實(shí)體的能力[3]。當(dāng)前,數(shù)字孿生技術(shù)被廣泛應(yīng)用于生產(chǎn)制造、狀態(tài)監(jiān)測(cè)、健康管理等領(lǐng)域。

目前,刀具狀態(tài)監(jiān)測(cè)的主流方法是間接監(jiān)測(cè),采集加工過(guò)程中的振動(dòng)、電流、切削力、溫度等信號(hào),經(jīng)過(guò)數(shù)據(jù)處理和特征提取等,建立信號(hào)與刀具狀態(tài)間的映射關(guān)系[4]。

近幾年來(lái),為了提高對(duì)數(shù)據(jù)的分析處理能力,各類機(jī)器學(xué)習(xí)算法被相繼提出。機(jī)器學(xué)習(xí)算法由于強(qiáng)大的自我學(xué)習(xí)能力和識(shí)別能力,被廣泛應(yīng)用于各大領(lǐng)域[5],學(xué)者們同時(shí)開(kāi)始研究深度學(xué)習(xí)在加工狀態(tài)監(jiān)測(cè)方面的應(yīng)用。Huang Zhiwen等[6]提出了一種基于深度卷積神經(jīng)網(wǎng)絡(luò)多域特征融合的刀具磨損預(yù)測(cè)方法,提取多種傳感器信號(hào)作為刀具磨損狀態(tài)的健康指標(biāo),結(jié)果表明,這一方法具有較好的預(yù)測(cè)精度。Akusok等[7]提出了一種高性能極限學(xué)習(xí)機(jī)工具箱,給出了與傳統(tǒng)線性代數(shù)性能有關(guān)的極限學(xué)習(xí)機(jī)解決方案,為應(yīng)對(duì)眾多大數(shù)據(jù)的挑戰(zhàn)提供了堅(jiān)實(shí)的基礎(chǔ)。

云計(jì)算可以為深度學(xué)習(xí)提供良好的服務(wù)支持,為用戶提供虛擬化的資源池,使用戶通過(guò)鏡像獲得云平臺(tái)上較高的服務(wù)器配置和圖形處理能力,進(jìn)而利用云計(jì)算進(jìn)行復(fù)雜的計(jì)算、性能優(yōu)化、測(cè)試等工作[8]。筆者通過(guò)研究,提出基于云計(jì)算的刀具狀態(tài)監(jiān)測(cè)數(shù)字孿生系統(tǒng),在刀具狀態(tài)監(jiān)測(cè)中引入云平臺(tái)計(jì)算架構(gòu),構(gòu)建五維數(shù)字孿生模型,采用基于核主成分分析-極限學(xué)習(xí)機(jī)的刀具磨損狀態(tài)智能監(jiān)測(cè)算法,在保證監(jiān)測(cè)精度的同時(shí),有效提高刀具狀態(tài)監(jiān)測(cè)的速度。筆者在Unreal Engine系統(tǒng)中實(shí)體化數(shù)字模型,實(shí)現(xiàn)物理實(shí)體與虛擬模型的雙向交互、數(shù)據(jù)傳輸及控制。

2 系統(tǒng)架構(gòu)

在基于云計(jì)算的刀具狀態(tài)監(jiān)測(cè)數(shù)字孿生系統(tǒng)中,可以通過(guò)各種傳感器和數(shù)據(jù)處理方法對(duì)刀具狀態(tài)進(jìn)行評(píng)估,預(yù)測(cè)和驗(yàn)證刀具故障及剩余壽命,將傳統(tǒng)的計(jì)劃維護(hù)和事后維護(hù)轉(zhuǎn)變?yōu)轭A(yù)測(cè)性維護(hù)。

在孿生數(shù)據(jù)的驅(qū)動(dòng)下,物理過(guò)程與數(shù)字世界的同步映射及實(shí)時(shí)交互,可以提供精確的分析、預(yù)測(cè),并實(shí)現(xiàn)可視化呈現(xiàn)。

在系統(tǒng)中引入云計(jì)算架構(gòu),分為設(shè)備層、網(wǎng)絡(luò)層、數(shù)據(jù)層、應(yīng)用層,能夠合理適配預(yù)測(cè)性維護(hù)模型,實(shí)時(shí)進(jìn)行數(shù)據(jù)分析,傳輸和觸發(fā)預(yù)測(cè)性維護(hù)業(yè)務(wù)的響應(yīng)策略;同時(shí)可以提供低延時(shí)的網(wǎng)絡(luò)服務(wù)響應(yīng),減輕云端的負(fù)荷,提升處理效率,支持實(shí)時(shí)、動(dòng)態(tài)、智能、安全的服務(wù)計(jì)算,并支持云邊業(yè)務(wù)。

基于云計(jì)算的刀具狀態(tài)監(jiān)測(cè)數(shù)字孿生系統(tǒng)實(shí)質(zhì)上是五維數(shù)字孿生驅(qū)動(dòng)的刀具狀態(tài)監(jiān)測(cè)系統(tǒng),在三維數(shù)字孿生模型[9]的基礎(chǔ)上,增加了云平臺(tái)和云服務(wù),可以更加精準(zhǔn)、快速地反映刀具的實(shí)時(shí)狀態(tài),用于設(shè)計(jì)和優(yōu)化維護(hù)策略。

基于云計(jì)算的刀具狀態(tài)監(jiān)測(cè)數(shù)字孿生系統(tǒng)如圖1所示,主要包括基于云端的數(shù)字孿生平臺(tái)和基于邊緣側(cè)計(jì)算的物理設(shè)備數(shù)據(jù)采集和分析系統(tǒng)。系統(tǒng)中的變量包括加工裝備、加工設(shè)備虛擬模型、各種服務(wù)、云側(cè)數(shù)字孿生系統(tǒng),以及加工裝備、加工設(shè)備虛擬模型、各種服務(wù)、云端數(shù)字孿生平臺(tái)的數(shù)據(jù)交互。

▲圖1 基于云計(jì)算的刀具狀態(tài)監(jiān)測(cè)數(shù)字孿生系統(tǒng)

利用云端的軟件即服務(wù)(SaaS)層,連接數(shù)字孿生與生產(chǎn)制造數(shù)據(jù),構(gòu)建基于云端的數(shù)字孿生平臺(tái)系統(tǒng),提供設(shè)備狀態(tài)評(píng)估、預(yù)測(cè)維護(hù)、剩余使用壽命計(jì)算等服務(wù)。開(kāi)發(fā)數(shù)字化設(shè)備模型,用于實(shí)現(xiàn)數(shù)據(jù)記錄和存儲(chǔ)、設(shè)備狀態(tài)仿真和預(yù)測(cè),以及基于三維虛擬模型的決策優(yōu)化,相應(yīng)的數(shù)據(jù)庫(kù)、算法、模型、設(shè)備位于云端的平臺(tái)即服務(wù)(PaaS)層?；谠朴?jì)算的刀具狀態(tài)監(jiān)測(cè)數(shù)字孿生系統(tǒng)架構(gòu)如圖2所示。

3 刀具磨損狀態(tài)智能監(jiān)測(cè)算法

在基于云計(jì)算的刀具狀態(tài)監(jiān)測(cè)數(shù)字孿生系統(tǒng)中,為了提高數(shù)據(jù)的分析處理能力,提出一種基于核主成分分析-極限學(xué)習(xí)機(jī)的刀具磨損狀態(tài)智能監(jiān)測(cè)算法,用于軟件即服務(wù)層的狀態(tài)評(píng)估模塊。

▲圖2 基于云計(jì)算的刀具狀態(tài)監(jiān)測(cè)數(shù)字孿生系統(tǒng)架構(gòu)

這一刀具磨損狀態(tài)智能監(jiān)測(cè)算法流程如圖3所示。傳感器采集加工過(guò)程中的時(shí)序數(shù)據(jù),算法的輸入是三軸振動(dòng)數(shù)據(jù)和電流數(shù)據(jù),算法的輸出是刀具當(dāng)前的狀態(tài)。對(duì)數(shù)據(jù)進(jìn)行預(yù)處理,計(jì)算時(shí)域特征和頻域特征,得到振動(dòng)數(shù)據(jù)與電流數(shù)據(jù)的時(shí)頻域特征之后,利用核主成分分析[10]對(duì)時(shí)頻域特征進(jìn)行提取,去除冗余特征,在壓縮數(shù)據(jù)的同時(shí)盡可能保持原有數(shù)據(jù)的相關(guān)特征及信息,減小計(jì)算量。將提取得到的特征輸入極限學(xué)習(xí)機(jī)[11],進(jìn)行訓(xùn)練與測(cè)試,最終輸出刀具狀態(tài)。

核主成分分析的核心思想是先計(jì)算非線性數(shù)據(jù)在高維空間的映射,再利用主成分分析將高維特征映射到低維空間,從而實(shí)現(xiàn)高維特征提取。設(shè){x1,x2,…,xn}為樣本集中的N個(gè)樣本,其時(shí)頻域特征為D維,通過(guò)非線性映射函數(shù)φ,可以將原始特征映射到更高的K維特征空間,即:

φ:RD→RK,x→X

K維特征空間的協(xié)方差矩陣CK為:

(1)

矩陣CK的特征值λ和特征向量α滿足:

CKαi=λiαi

(2)

在特征空間中,任意一個(gè)向量都可以用空間樣本集線性表示,即存在一個(gè)列向量β=[β1,β2,…,βi]T,使特征向量αi滿足:

(3)

綜合求解以上各式,可得:

▲圖3 刀具磨損狀態(tài)智能監(jiān)測(cè)算法流程

Mβ=λiβ

(4)

M=[mij]N×N=φ(xi)Tφ(xj)=φ(X)Tφ(X)

(5)

式(5)為核矩陣,求解β的過(guò)程就是對(duì)原始數(shù)據(jù)降維的過(guò)程。

通過(guò)核主成分分析提取原始數(shù)據(jù)相關(guān)特征,作為極限學(xué)習(xí)機(jī)的輸入。極限學(xué)習(xí)機(jī)是一種前向傳播網(wǎng)絡(luò),通過(guò)隨機(jī)設(shè)定輸入層與隱含層、隱含層與隱含層間的連接權(quán)值,可以大大減小神經(jīng)網(wǎng)絡(luò)的計(jì)算量。隱含層與輸出層間的連接權(quán)值一次性確定,相較于傳統(tǒng)機(jī)器學(xué)習(xí),極限學(xué)習(xí)機(jī)的速度更快,并且能保持相當(dāng)高的準(zhǔn)確度。

4 試驗(yàn)研究

4.1 試驗(yàn)設(shè)計(jì)

試驗(yàn)在CJK0640數(shù)控車床上進(jìn)行,工件直徑為30 mm,長(zhǎng)為110 mm,材料為45號(hào)鋼。所使用的刀具為TNMG160404 NX2525硬質(zhì)合金刀具。試驗(yàn)中,利用CT1010SLFP加速度傳感器采集加工時(shí)工件與刀具徑向、軸向、切向三個(gè)方向的振動(dòng)信號(hào),采樣頻率為10 kHz。采用FLUKE 1735功率傳感器采集機(jī)床的功率信號(hào)和電流信號(hào),采樣頻率為10.24 kHz,實(shí)時(shí)傳輸數(shù)據(jù)至云端網(wǎng)絡(luò)。利用正交試驗(yàn)方法構(gòu)建不同的加工切削三要素組合情況,可以在保證試驗(yàn)效果的前提下有效減少試驗(yàn)組數(shù)。基于不同的切削情況,決定使用L9(34)正交表進(jìn)行試驗(yàn),試驗(yàn)參數(shù)組合見(jiàn)表1。

表1 試驗(yàn)參數(shù)組合

每次走刀后,利用AD4113數(shù)字顯微鏡觀察刀具的磨損情況,放大倍數(shù)為30倍,并根據(jù)刀具磨損量給出刀具的狀態(tài)。

加速度傳感器的安裝位置如圖4所示,刀具在顯微鏡下的磨損情況如圖5所示。

▲圖4 加速度傳感器安裝位置

▲圖5 刀具磨損情況

4.2 試驗(yàn)環(huán)境配置

刀具磨損狀態(tài)智能監(jiān)測(cè)算法模型利用Keras開(kāi)源框架搭建,采用TensorFlow-GPU進(jìn)行訓(xùn)練與測(cè)試。這一框架具有良好的可擴(kuò)展性,支持多操作系統(tǒng)下的多圖形處理器并行計(jì)算。模型通過(guò)Layer函數(shù)定義極限學(xué)習(xí)機(jī)的層結(jié)構(gòu),通過(guò)Initial函數(shù)初始化網(wǎng)絡(luò)結(jié)構(gòu)和權(quán)重,通過(guò)Train函數(shù)對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練并定義損失函數(shù),通過(guò)Predict函數(shù)實(shí)現(xiàn)最終刀具狀態(tài)的監(jiān)測(cè)。

孿生數(shù)據(jù)通過(guò)網(wǎng)絡(luò)傳輸至云端的數(shù)字孿生平臺(tái),使刀具的實(shí)時(shí)狀態(tài)在Unreal Engine系統(tǒng)中實(shí)體化,數(shù)字孿生平臺(tái)中展示車刀、工件與實(shí)際系統(tǒng)相同的運(yùn)動(dòng)狀態(tài),通過(guò)刀具磨損狀態(tài)智能監(jiān)測(cè)算法模型判別刀具的狀態(tài)。數(shù)字孿生平臺(tái)有刀具模型和工件模型,可以進(jìn)行運(yùn)動(dòng)過(guò)程的仿真。刀具模型通過(guò)Set Relative Location類實(shí)現(xiàn)X軸方向的相對(duì)位移,用于映射現(xiàn)實(shí)中刀具的運(yùn)動(dòng)。工件模型通過(guò)Set Relative Scale 3D類改變工件外圓三維比例,模擬現(xiàn)實(shí)中工件表面的切削情況。通過(guò)增加Timeline類、刀具運(yùn)動(dòng)對(duì)應(yīng)的Lerp類、工件變化對(duì)應(yīng)的Lerp類,保證兩個(gè)模型的運(yùn)動(dòng)在時(shí)間上的同步性,實(shí)現(xiàn)了刀具的進(jìn)給和切削。另外,數(shù)字孿生平臺(tái)借助Play/Stop Control類和Reset類,使用物理按鍵進(jìn)行啟停控制和復(fù)位控制等操作,實(shí)現(xiàn)了數(shù)字模型對(duì)物理模型的反向控制功能。數(shù)字孿生平臺(tái)中刀具運(yùn)行仿真如圖6所示,數(shù)字孿生平臺(tái)類圖如圖7所示。

4.3 試驗(yàn)分析

相同數(shù)據(jù)集下傳統(tǒng)極限學(xué)習(xí)機(jī)與刀具磨損狀態(tài)智能監(jiān)測(cè)算法的精度比較如圖8所示,響應(yīng)時(shí)間比較如圖9所示。

▲圖6 數(shù)字孿生平臺(tái)刀具運(yùn)行仿真

▲圖7 數(shù)字孿生平臺(tái)類圖

▲圖8 算法精度比較

▲圖9 算法響應(yīng)時(shí)間比較

傳統(tǒng)極限學(xué)習(xí)機(jī)的變量只有隱含層節(jié)點(diǎn)數(shù),屬于單一變量。刀具磨損狀態(tài)智能監(jiān)測(cè)算法中的變量有核主成分分析時(shí)的核主元數(shù)、高斯徑向基函數(shù)參數(shù)、隱含層節(jié)點(diǎn)數(shù)共三個(gè),因此需要進(jìn)行變量控制。由圖8、圖9可知,當(dāng)核主元數(shù)為20,高斯徑向基函數(shù)參數(shù)為0.000 1,隱含層節(jié)點(diǎn)數(shù)在10～35范圍內(nèi)時(shí),相比傳統(tǒng)極限學(xué)習(xí)機(jī),刀具磨損狀態(tài)智能監(jiān)測(cè)算法能夠在保持響應(yīng)時(shí)間短的前提下,達(dá)到較高的精度。當(dāng)核主元數(shù)為34時(shí),刀具磨損狀態(tài)智能監(jiān)測(cè)算法的精度可以達(dá)到96.957 8%,能夠有效監(jiān)測(cè)機(jī)床刀具狀態(tài)。

5 結(jié)束語(yǔ)

筆者提出了基于云計(jì)算的刀具狀態(tài)監(jiān)測(cè)數(shù)字孿生系統(tǒng),搭建了云端數(shù)字孿生平臺(tái),應(yīng)用核主成分分析和極限學(xué)習(xí)機(jī)實(shí)現(xiàn)了刀具磨損狀態(tài)智能預(yù)測(cè),同時(shí)達(dá)到了數(shù)字模型對(duì)物理模型的反向控制功能。筆者提出的系統(tǒng)在精度和運(yùn)行效率上均表現(xiàn)良好,具有推廣價(jià)值。