基于功率信息的機(jī)床稼動(dòng)率智能監(jiān)測(cè)與評(píng)估方法

何凱，曹華軍，李洪丞，陳二恒，朱林全，邢鑌*,

基于功率信息的機(jī)床稼動(dòng)率智能監(jiān)測(cè)與評(píng)估方法

何凱1，曹華軍1，李洪丞2，陳二恒1，朱林全3，邢鑌*,3

（1.重慶大學(xué) 機(jī)械傳動(dòng)國(guó)家重點(diǎn)實(shí)驗(yàn)室，重慶 400044；2.重慶郵電大學(xué) 先進(jìn)制造工程學(xué)院，重慶 400065；3 重慶大數(shù)據(jù)創(chuàng)新中心有限公司，重慶 400707）

現(xiàn)有基于PLC的稼動(dòng)率評(píng)估存在成本高、通用性差等問(wèn)題，同時(shí)，對(duì)于部分無(wú)PLC控制器的設(shè)備無(wú)法進(jìn)行在線監(jiān)測(cè)與評(píng)估。本論文基于設(shè)備功率曲線特征提出一種機(jī)床稼動(dòng)率監(jiān)控與評(píng)估方法，在分析常見加工設(shè)備功率曲線與運(yùn)行狀態(tài)關(guān)系的基礎(chǔ)上，采用卷積神經(jīng)網(wǎng)絡(luò)算法對(duì)實(shí)時(shí)采集的功率曲線信息進(jìn)行識(shí)別與分析，獲取設(shè)備運(yùn)行狀態(tài)和工件信息，從而確定稼動(dòng)率評(píng)估模型參數(shù)，實(shí)現(xiàn)對(duì)稼動(dòng)率的實(shí)時(shí)監(jiān)測(cè)與評(píng)估。最后，以滾齒、銑削、車削工藝設(shè)備為例，驗(yàn)證了該方法的可行性和實(shí)用性，對(duì)生產(chǎn)過(guò)程中的設(shè)備管理、生產(chǎn)管理具有重要支持作用。

功率曲線；稼動(dòng)率；狀態(tài)識(shí)別；在線監(jiān)測(cè)

目前，制造業(yè)面臨著行業(yè)內(nèi)部競(jìng)爭(zhēng)激烈、勞動(dòng)力成本上升等嚴(yán)峻問(wèn)題，促使制造企業(yè)充分挖掘生產(chǎn)設(shè)備節(jié)能降本的潛力。生產(chǎn)設(shè)備作為企業(yè)生產(chǎn)的基礎(chǔ)，決定了生產(chǎn)制造的基本能力，設(shè)備故障、設(shè)備利用率低下等普遍問(wèn)題影響了制造企業(yè)的產(chǎn)品品質(zhì)與生產(chǎn)效率。同時(shí)，關(guān)鍵設(shè)備由于故障導(dǎo)致的停產(chǎn)，會(huì)影響上下游生產(chǎn)的正常進(jìn)行，降低了企業(yè)的經(jīng)濟(jì)效益。稼動(dòng)率（Overall Equipment Efficiency，OEE）作為衡量設(shè)備生產(chǎn)效率與產(chǎn)品性能的綜合指標(biāo)，表征了設(shè)備的生產(chǎn)能力。稼動(dòng)率的在線監(jiān)測(cè)，有利于實(shí)現(xiàn)設(shè)備運(yùn)行效率與產(chǎn)品性能的穩(wěn)定上升，對(duì)制造業(yè)穩(wěn)定發(fā)展具有重要意義。

目前對(duì)設(shè)備稼動(dòng)率的監(jiān)測(cè)方式主要是通過(guò)從設(shè)備開放數(shù)控系統(tǒng)中獲取時(shí)間、產(chǎn)品等參數(shù)信息。Lenka Landryova等[1]基于SCADA/HMI（For Supervisory Control and Data Collection）平臺(tái)提出了生產(chǎn)過(guò)程中的OEE監(jiān)測(cè)方法。Ilenia Zennaro等[2]對(duì)OEE、維修時(shí)間（Time to Repair，TTR）和故障時(shí)間（Time to Failure，TTF）數(shù)據(jù)進(jìn)行了描述和統(tǒng)計(jì)分析，并分析了對(duì)生產(chǎn)線效率的影響。尚文利[3]提出了基于制造執(zhí)行系統(tǒng)技術(shù)的設(shè)備稼動(dòng)率應(yīng)用框架體系。不同機(jī)床的數(shù)控系統(tǒng)差異性較大，同時(shí)，受開放端口權(quán)限的影響，導(dǎo)致從數(shù)控系統(tǒng)中獲取相關(guān)參數(shù)信息度增加，過(guò)程成本上升，因此該方法不具備通用性。

由機(jī)床的總功率信息獲取稼動(dòng)率的相關(guān)參數(shù)則可忽略數(shù)控系統(tǒng)之間的差異，能夠減少車間實(shí)施成本，降低獲取相關(guān)參數(shù)信息的難度。目前已有相關(guān)文獻(xiàn)利用機(jī)床的功率信息來(lái)識(shí)別機(jī)床運(yùn)行狀態(tài)。對(duì)非線性和非平穩(wěn)的功率信息，其特征提取主要是對(duì)功率信息的時(shí)域及頻域特征進(jìn)行提取，這類統(tǒng)計(jì)分析方法因其簡(jiǎn)單直觀而受到廣泛應(yīng)用，例如，王超等[4]基于功率信息和統(tǒng)計(jì)分析提出了一種數(shù)控機(jī)床運(yùn)行能耗狀態(tài)判別方法，實(shí)現(xiàn)了數(shù)控機(jī)床運(yùn)行狀態(tài)能耗在線判別；劉飛等[5]通過(guò)對(duì)參考功率曲線形狀特征上的定性比較和時(shí)間過(guò)程上的定量比較實(shí)現(xiàn)了對(duì)大型工件加工進(jìn)度狀態(tài)信息的自動(dòng)采集。然而，由于功率信息的不連續(xù)性，僅提取其時(shí)域及頻域特征不能表達(dá)出數(shù)據(jù)所包含的信息，于是有采用時(shí)頻聯(lián)合的分析方法來(lái)提取相關(guān)特征，然后采用機(jī)器學(xué)習(xí)的方法建立分類器并對(duì)所提取的特征分類以達(dá)到識(shí)別機(jī)床運(yùn)行狀態(tài)的目的。chen-yang cheng等[6]利用經(jīng)驗(yàn)?zāi)B(tài)分解（Empirical Mode Decomposition，EMD）及離散傅里葉（Discrete Fourier Transform，DFT）方法對(duì)機(jī)床電流信息進(jìn)行特征提取，采用主成分分析（Principal Components Analysis，PCA）對(duì)特征進(jìn)行分類達(dá)到運(yùn)行狀態(tài)識(shí)別的目的。Eoin O'Driscoll等[7]利用主成分分析對(duì)功率信息特征進(jìn)行提取，并通過(guò)采用K-NN近鄰方法（K-Nearest Neighbor）進(jìn)行特征分類實(shí)現(xiàn)了機(jī)床運(yùn)行狀態(tài)的推斷。Zheng等[8]基于功率信息提出一種機(jī)床運(yùn)行狀態(tài)識(shí)別方法，通過(guò)建立運(yùn)行狀態(tài)與功率曲線在時(shí)頻域上的關(guān)系，構(gòu)建功率特征模型實(shí)現(xiàn)了對(duì)機(jī)床運(yùn)行狀態(tài)的在線識(shí)別。

上述機(jī)器學(xué)習(xí)方法識(shí)別準(zhǔn)確度很大程度上取決于提取的特征，經(jīng)過(guò)人工選擇和提取的特征具有局限性，可以解決特定的問(wèn)題，但無(wú)法推廣到其他加工單元，導(dǎo)致現(xiàn)有研究多是針對(duì)單一類別的生產(chǎn)設(shè)備，缺乏通用性的識(shí)別方案。另外，現(xiàn)有的特征選取過(guò)程依賴研究人員的專業(yè)經(jīng)驗(yàn)，通常會(huì)產(chǎn)生學(xué)習(xí)深度不夠、識(shí)別模型的準(zhǔn)確性較低等問(wèn)題。針對(duì)以上缺陷和限制，本文基于機(jī)床設(shè)備智能化管理云平臺(tái)，建立設(shè)備稼動(dòng)率評(píng)估模型，將特征提取與分類合二為一，確保原始信息的完整性，為狀態(tài)識(shí)別提供新思路，解決當(dāng)前通過(guò)功率曲線進(jìn)行稼動(dòng)率監(jiān)測(cè)相關(guān)研究通用性不足的問(wèn)題。通過(guò)對(duì)加工車間設(shè)備稼動(dòng)率進(jìn)行評(píng)估與監(jiān)測(cè)，充分挖掘設(shè)備運(yùn)行功率等多維數(shù)據(jù)的潛能，為生產(chǎn)管理、決策提供數(shù)據(jù)支持。

1 機(jī)床功率曲線特征分析

本文選取滾齒機(jī)、銑床、車床三種機(jī)床的實(shí)際加工過(guò)程為例對(duì)其功率曲線進(jìn)行分析，如圖1所示。

tms.機(jī)床啟動(dòng)時(shí)間；tacc.主軸加速時(shí)間；tdt.停機(jī)時(shí)間；tst.待機(jī)時(shí)間；tac.空載時(shí)間；tpc.加工時(shí)間；tdec.機(jī)床制動(dòng)時(shí)間；Pu.輸入功率；Pau.輔助功率；Pst.待機(jī)功率；Pad.負(fù)載功率；Pc.切削功率。

三種工藝的加工過(guò)程大致相同，首先機(jī)床啟動(dòng)，該過(guò)程時(shí)間短、功率幅值變化大，識(shí)別特性高。然后機(jī)床進(jìn)入待機(jī)狀態(tài)，該狀態(tài)下機(jī)床的功率值由其本身的性能所決定，與外界影響因素?zé)o關(guān)，其功率在某區(qū)間內(nèi)上下波動(dòng)。之后，機(jī)床主軸啟動(dòng)，刀具或工作臺(tái)空轉(zhuǎn)，機(jī)床功率值處于短期平穩(wěn)，隨后機(jī)床開始走刀，工件加工開始，此時(shí)機(jī)床切削功率包括空載功率、輔助系統(tǒng)功率、切削功率、附加載荷功率等。待工件加工完成后刀具退出，機(jī)床進(jìn)入空載狀態(tài)，隨后主軸減速，取出工件。這些加工過(guò)程中通常對(duì)應(yīng)啟動(dòng)、待機(jī)、空載、加工、停機(jī)五種狀態(tài)，其功率曲線反映出不同加工狀態(tài)下的功率特征及能耗特性。

對(duì)上述滾齒、銑削、車削三種典型的工藝功率曲線特征比較分析：由機(jī)床的固有屬性來(lái)看，同一工藝中不同運(yùn)行狀態(tài)所要求激活的機(jī)床部件不一致，對(duì)應(yīng)功率幅值也不同；不同工藝中相同運(yùn)行狀態(tài)下的功率幅值因機(jī)床的固有屬性不一致其也不相同，即機(jī)床的功率幅值因其固有屬性而存在不一致性。從時(shí)間維度來(lái)看，三種工藝在加工過(guò)程中都具有波動(dòng)的電力需求，但運(yùn)行狀態(tài)種類基本相同，即不同的機(jī)床在加工過(guò)程中具備模式一致性。機(jī)床在加工過(guò)程中各部件協(xié)同完成所需動(dòng)作，因加工工藝要求各異，不同運(yùn)行狀態(tài)的持續(xù)時(shí)間具有不確定性。由圖1，不同設(shè)備在加工過(guò)程中的能量消耗規(guī)律較復(fù)雜，這為設(shè)備運(yùn)行狀態(tài)的識(shí)別增添了難度，但是在運(yùn)行過(guò)程中各個(gè)狀態(tài)相對(duì)穩(wěn)定，對(duì)應(yīng)各狀態(tài)的功率較穩(wěn)定，這又為提出通用化的識(shí)別方案提供了可能。

本文考慮設(shè)備的加工特性以及企業(yè)實(shí)際生產(chǎn)情況，機(jī)床啟動(dòng)時(shí)間t、主軸加速時(shí)間t及制動(dòng)時(shí)間t等狀態(tài)持續(xù)時(shí)間較短，且對(duì)應(yīng)狀態(tài)的功率變化大，能量消耗較少，對(duì)監(jiān)測(cè)稼動(dòng)率的影響較小，可以忽略，所以本文對(duì)機(jī)床啟動(dòng)狀態(tài)、主軸加速及制動(dòng)狀態(tài)不再加以分析，僅對(duì)設(shè)備的待機(jī)、空載和加工三種狀態(tài)進(jìn)行識(shí)別，并統(tǒng)計(jì)三種狀態(tài)的持續(xù)時(shí)間以此實(shí)現(xiàn)設(shè)備稼動(dòng)率的評(píng)估與監(jiān)測(cè)。

2 設(shè)備稼動(dòng)率評(píng)估模型

設(shè)備稼動(dòng)率作為評(píng)價(jià)指標(biāo)的優(yōu)勢(shì)在于它將制造過(guò)程中的不同影響因素集中到了單一的標(biāo)準(zhǔn)上，其集成了設(shè)備利用率、生產(chǎn)效率和質(zhì)量效率，因此設(shè)備稼動(dòng)率是時(shí)間稼動(dòng)率、性能稼動(dòng)率和產(chǎn)品合格率的函數(shù)[9]。企業(yè)在提高設(shè)備稼動(dòng)率的同時(shí)，不僅可以降低成本、提升競(jìng)爭(zhēng)力[10]，還可以在同等資源情況下，解析待工停產(chǎn)原因，減少設(shè)備停產(chǎn)待工時(shí)間，從而對(duì)設(shè)備停機(jī)損失、換裝損失、穩(wěn)定生產(chǎn)次品損失、調(diào)試生產(chǎn)次品損失等進(jìn)行識(shí)別。進(jìn)而對(duì)設(shè)備進(jìn)行有效管控，降低經(jīng)濟(jì)損失，提高生產(chǎn)能力[11-12]。

時(shí)間稼動(dòng)率作為表征非計(jì)劃停工損失的指標(biāo)，其度量了設(shè)備由于故障、安裝調(diào)試及其他原因?qū)е峦C(jī)致使其無(wú)法運(yùn)行的總時(shí)間[11-12]，反映了由設(shè)備故障、原料短缺、質(zhì)量問(wèn)題等造成的生產(chǎn)線非計(jì)劃（非預(yù)期）停工，詳細(xì)計(jì)算方法為：

性能稼動(dòng)率作為表征生產(chǎn)速度損失的指標(biāo)，測(cè)量的是實(shí)際運(yùn)行速度和理論運(yùn)行速度的比值[11-12]，反映了因設(shè)備磨損、材料問(wèn)題、人員失誤等任何導(dǎo)致生產(chǎn)不能以最大速度運(yùn)行的因素，詳細(xì)計(jì)算方式如式（2）所示。

產(chǎn)品合格率作為表征質(zhì)量方面損失的指標(biāo)，其反映的是機(jī)床在生產(chǎn)過(guò)程中的質(zhì)量損失（因質(zhì)量缺陷而拒收產(chǎn)品）[11-12]，詳細(xì)計(jì)算方法如式（3）所示。

由此可知，設(shè)備稼動(dòng)率的計(jì)算需要獲取實(shí)際運(yùn)轉(zhuǎn)時(shí)間、總加工產(chǎn)品數(shù)等關(guān)鍵參數(shù)。因此，本文提出基于卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN）的機(jī)床運(yùn)行狀態(tài)識(shí)別通用性方法，以得到這些關(guān)鍵參數(shù)。圖1中功率特征曲線其實(shí)質(zhì)就是隨時(shí)間變化的向量，為了讓CNN能夠更直接地學(xué)習(xí)到功率曲線的特征，直接對(duì)功率信號(hào)的特征進(jìn)行提取。以使CNN自動(dòng)提取有利于分類的特征，使得研究人員能夠避免人為選擇特征的主觀性與不確定性，更加注重優(yōu)化網(wǎng)絡(luò)架構(gòu)與參數(shù)。設(shè)備稼動(dòng)率評(píng)估方法流程如圖2所示。

圖2 設(shè)備稼動(dòng)率評(píng)估方法

2.1 數(shù)據(jù)獲取及預(yù)處理

本文基于已搭建好的智能化管理云平臺(tái)，提取機(jī)床加工過(guò)程中一個(gè)加工班次的功率信息及對(duì)應(yīng)時(shí)間戳，采用滑動(dòng)平均方法對(duì)功率信息進(jìn)行濾波。對(duì)機(jī)床設(shè)備待機(jī)、空載、加工狀態(tài)下的功率信息進(jìn)行切片，生成功率信息組、、，并將各功率信息組進(jìn)行簽名，構(gòu)成卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練所需數(shù)據(jù)集。值得注意的是，該數(shù)據(jù)集中不同簽名的功率信息組數(shù)量不同，但每個(gè)功率信息組的長(zhǎng)度一致。將數(shù)據(jù)集打亂順序，隨機(jī)選取70%作為訓(xùn)練集，剩余30%作為測(cè)試集。

2.2 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)確定

本文建立的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)包含一個(gè)輸入層、三個(gè)卷積層、三個(gè)池化層、一個(gè)全連接層，以及一個(gè)輸出層。功率信息通過(guò)第一個(gè)卷積層后變?yōu)橐唤M特征圖，然后在池化層進(jìn)行最大池化降采樣，重復(fù)上述操作，最后一個(gè)池化層的特征圖與全連接層相連，經(jīng)激活函數(shù)后，傳遞到輸出層。訓(xùn)練過(guò)程中初步設(shè)置卷積核為1×5，學(xué)習(xí)率為0.01，衰減方式為Fixed。具體如下。

（1）卷積層

首先，本文通過(guò)篩選和實(shí)驗(yàn)設(shè)計(jì)卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，再通過(guò)試錯(cuò)法選取最優(yōu)結(jié)構(gòu)與參數(shù)。卷積得到的結(jié)果經(jīng)激活函數(shù)后，作為神經(jīng)元的特征值輸出。常用的激活函數(shù)有S型函數(shù)（Sigmoid）、雙曲正切（tanh）、線性整流函數(shù)（Relu）等，如圖3所示。其中Sigmoid函數(shù)適用于二分類問(wèn)題，tanh函數(shù)在導(dǎo)數(shù)接近0時(shí)會(huì)造成梯度彌散現(xiàn)象，而Relu函數(shù)在數(shù)值大于0時(shí)導(dǎo)數(shù)為1，不會(huì)造成彌散現(xiàn)象。因此，本文選擇Relu函數(shù)作為激活函數(shù)。

圖3 常用激活函數(shù)圖像

卷積時(shí)一般要加上偏置項(xiàng)，對(duì)于功率信息，采用卷積核進(jìn)行卷積，偏置項(xiàng)為，輸出為的卷積運(yùn)算可簡(jiǎn)化為：

式中：為激活函數(shù)Relu。

（2）池化層

對(duì)由卷積層得到的特征值，需進(jìn)行池化操作。常用的池化有平均值池化、隨機(jī)池化、最大值池化等。最大池化層采用特征圖中最大激活值來(lái)代表這一區(qū)域，可減少模型參數(shù)數(shù)量，有效避免過(guò)擬合問(wèn)題。且對(duì)于具有周期性的功率信息來(lái)說(shuō)，可獲得與位置無(wú)關(guān)的特征，因此選擇最大池化方法。該層特征值由卷積層中的池化層計(jì)算過(guò)程為：

式中：為權(quán)重；為偏置項(xiàng)；sum為求和；x為第個(gè)功率數(shù)據(jù)。

（3）輸出層

輸出層是對(duì)CNN模型提取出的特征向量進(jìn)行分類識(shí)別后的最終結(jié)果。根據(jù)實(shí)際分類任務(wù)可選擇合適的分類方法，常用分類方法有多項(xiàng)式邏輯回歸、Softmax分類器、支持向量機(jī)等。本文選擇Softmax函數(shù)，以適應(yīng)多分類問(wèn)題。

2.3 模型構(gòu)建

（1）正向傳輸

正向傳輸即卷積神經(jīng)網(wǎng)絡(luò)計(jì)算每個(gè)神經(jīng)元的輸入，中間的運(yùn)算過(guò)程包括卷積核的卷積運(yùn)算和Relu函數(shù)的激活處理過(guò)程，則單個(gè)神經(jīng)元的特征值輸出可表示為：

對(duì)于本文需要處理的功率信息，其卷積后的輸出可表示為：

式中：為輸入數(shù)據(jù)；為卷積核。

（2）損失函數(shù)

卷積神經(jīng)網(wǎng)絡(luò)的輸出結(jié)果與目標(biāo)的一致性由損失函數(shù)評(píng)價(jià)，在本文所搭建的卷積神經(jīng)網(wǎng)絡(luò)中，采用交叉熵?fù)p失函數(shù)作為目標(biāo)函數(shù)，為：

式中：為假設(shè)的卷積神經(jīng)網(wǎng)絡(luò)Softmax實(shí)際輸出值；為目標(biāo)分布的向量；為數(shù)據(jù)總量。

（3）反向傳播

反向傳播用來(lái)學(xué)習(xí)所搭建卷積神經(jīng)網(wǎng)絡(luò)的權(quán)值，一般采用梯度下降來(lái)最小化網(wǎng)絡(luò)輸出值與目標(biāo)值之間的誤差，每經(jīng)過(guò)一次反向傳播，則有：

3 案例研究

為驗(yàn)證上述方法的可行性和實(shí)用性，將此方法應(yīng)用于重慶某加工企業(yè)實(shí)際生產(chǎn)加工中并進(jìn)行測(cè)試。涉及設(shè)備有滾齒機(jī)YDE3152CNC、銑床Vcenter-1026、車床VT-26/20，相應(yīng)產(chǎn)品為滾齒機(jī)加工齒輪、銑床銑端面、車床加工軸，如圖4所示。本文所關(guān)聯(lián)的云平臺(tái)其功率信息由功率傳感器（臺(tái)達(dá)DPM-C520）采集后經(jīng)智能采集模塊無(wú)線傳輸至云平臺(tái)（圖5），采樣周期為1 s，云平臺(tái)數(shù)據(jù)存儲(chǔ)采用SQL server數(shù)據(jù)庫(kù)。

圖4 滾齒、銑削、車削三種加工工藝及其生產(chǎn)零件

圖5 智能采集模塊與功率傳感器

本文以實(shí)際生產(chǎn)中的零件加工過(guò)程為例，由云平臺(tái)提取滾齒、銑削、車削連續(xù)加工8 h的功率信息，部分功率曲線特征如圖6所示。在完整的加工過(guò)程中，包含了生產(chǎn)啟動(dòng)、工件加工、生產(chǎn)準(zhǔn)備、生產(chǎn)停頓、生產(chǎn)停止的過(guò)程，并以此為周期構(gòu)成加工班次的功率曲線特征，其中生產(chǎn)啟動(dòng)包括原料準(zhǔn)備、熱機(jī)等操作，生產(chǎn)準(zhǔn)備主要為收取加工件、放置毛坯件，生產(chǎn)停頓即停止工件加工但機(jī)床保持待機(jī)狀態(tài)，生產(chǎn)停止即設(shè)備停機(jī)。對(duì)提取的功率信息，本文需識(shí)別加工過(guò)程中的三種運(yùn)行狀態(tài)（待機(jī)、空載、加工），并對(duì)待機(jī)時(shí)間t、空載時(shí)間t、加工時(shí)間t進(jìn)行統(tǒng)計(jì)，并根據(jù)第2節(jié)所提設(shè)備稼動(dòng)率評(píng)估方法對(duì)三種加工工藝的設(shè)備稼動(dòng)率分別進(jìn)行計(jì)算。

對(duì)滾齒（Y3152CNC6）、銑削（Vcenter- 1026）和車削（VT-26/20）的功率信息進(jìn)行模型訓(xùn)練，從而得到各自的CNN識(shí)別模型。然后以加工班次為周期從云平臺(tái)實(shí)時(shí)提取滾齒、銑削、車削三種加工的功率信息，對(duì)各功率信息進(jìn)行預(yù)處理，建立相應(yīng)數(shù)據(jù)集，并對(duì)數(shù)據(jù)集進(jìn)行切片，分別輸入至CNN識(shí)別模型，識(shí)別出該切片代表的運(yùn)行狀態(tài)，并記錄其持續(xù)時(shí)間，如表1所示。

由云平臺(tái)提取其所記錄的三類加工機(jī)床的理論加工周期及不合格產(chǎn)品數(shù)，計(jì)劃加工時(shí)間即為加工班次時(shí)間，由式（11）～（13）計(jì)算的設(shè)備稼動(dòng)率及各指標(biāo)如表2所示。

表1 滾齒、銑削、車削運(yùn)行狀態(tài)時(shí)間參數(shù)

圖6 滾齒、銑削、車削一個(gè)加工班次功率曲線特征圖部分截取

表2 設(shè)備稼動(dòng)率及其指標(biāo)

由表2可知，加工齒輪的設(shè)備稼動(dòng)率達(dá)到86.46%，涉及的三個(gè)指標(biāo)均反映出在該加工班次中滾齒機(jī)設(shè)備運(yùn)行良好；銑削加工的稼動(dòng)率中性能稼動(dòng)率較低，由上可知其在運(yùn)行過(guò)程中待機(jī)時(shí)間過(guò)長(zhǎng)，反映出該臺(tái)設(shè)備在生產(chǎn)速度上受損，分析原因?yàn)槠湓喜蛔?、工人離崗待機(jī)；車床的稼動(dòng)率指標(biāo)中時(shí)間稼動(dòng)率較低，反映出該設(shè)備出現(xiàn)了非計(jì)劃停機(jī)，排查故障，發(fā)現(xiàn)該設(shè)備由于未進(jìn)行設(shè)備預(yù)防性維護(hù)，內(nèi)部機(jī)油未達(dá)到最低液位，導(dǎo)致停機(jī)70 min以檢修設(shè)備。

4 結(jié)論

本文提出了一種基于功率曲線特征的設(shè)備稼動(dòng)率在線監(jiān)測(cè)方法，并將卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用于機(jī)床功率信息的分析來(lái)實(shí)現(xiàn)運(yùn)行狀態(tài)的識(shí)別，從而得到計(jì)算時(shí)間稼動(dòng)率、性能稼動(dòng)率以及產(chǎn)品合格率的參數(shù)信息。同時(shí)，以滾齒、銑削、車削三種典型的加工工藝為例開展實(shí)驗(yàn)，對(duì)所提出的基于功率曲線特征的設(shè)備稼動(dòng)率在線監(jiān)測(cè)方法進(jìn)行了驗(yàn)證。結(jié)果表明，該方法能有效識(shí)別機(jī)床加工過(guò)程中的運(yùn)行狀態(tài)，實(shí)現(xiàn)機(jī)床稼動(dòng)率的在線監(jiān)測(cè)，并能根據(jù)機(jī)床稼動(dòng)率反映生產(chǎn)過(guò)程中的問(wèn)題，從而驗(yàn)證了所提方法的可行性與通用性。

[1]Landryová L.，Zolotová I. OEE Monitoring for Production Processes Based on SCADA/HMI Platform[J]. Advances in Production Management Systems，2007（246）：189-196.

[2]Zennaro I. Battini， D. Sgarbossa，et al. Micro downtime: Data collection, analysis and impact on OEE in bottling lines the San Benedetto case study[J]. International Journal of Quality & Reliability Management，2018，35（4）：965-995.

[3]尚文利，史海波，李丕祥. 設(shè)備綜合效能的應(yīng)用框架體系研究[J]. 中國(guó)機(jī)械工程，2006（S2）：167-170，269.

[4]王超，劉飛，庹軍波. 一種數(shù)控切削機(jī)床運(yùn)行能耗狀態(tài)在線判別方法[J]. 中國(guó)機(jī)械工程，2017，28（13）：1620-1627.

[5]劉飛，劉軍，何彥. 基于參考功率曲線的大型工件加工進(jìn)度狀態(tài)信息的自動(dòng)采集新方法[J]. 機(jī)械工程學(xué)報(bào)，2009，45（10）：111-117.

[6] Chen-Yang Cheng. A novel approach of information visualization for machine operation states in industrial 4.0[J]. Computers & Industrial Engineering，2018（125）：563-573.

[7]Eoin O'Driscoll，Kevin Kelly，Garret E. O'Donnell. Intelligent energy based status identification as a platform for improvement of machine tool efficiency and effectiveness[J]. Journal of Cleaner Production，2015（105）：184-195.

[8]Zheng Jiajia，Zeng Yuan，Gu Zhenyu. Operation state online recognition method for Machine tool based on Power feature model[C]. 中國(guó)自動(dòng)化學(xué)會(huì)控制理論專業(yè)委員會(huì)：第37屆中國(guó)控制會(huì)議論文集（E），2018：4.

[9]Pardeep Gupta，Sachit Vardhan. Optimizing OEE, productivity and production cost for improving sales volume in an automobile industry through TPM: a case study[J]. International Journal of Production Research，2016，54（10）：2976-2988.

[10] Kurscheidt Netto R.J.，Santos E.A.P.，de Freitas Rocha Loures E.，et al. Using Overall Equipment Effectiveness (OEE) to Predict Shutdown Maintenance[M]. Engineering Systems and Networks. Springer，Cham，2017：13-21.

[11]P. Muchiri，L. Pintelon. Performance measurement using overall equipment effectiveness (OEE): literature review and practical application discussion[J]. International Journal of Production Research，2008，46（13）：3517-3535.

[12]Jonsson P.，Lesshammar M. Evaluation and improvement of manufacturing performance measurement systems - the role of OEE[J]. International Journal of Operations & Production Management，1999，19（1）：55-78.

Monitoring and Evaluation of OEE of Machine Tool based on Power Curve Feature

HE Kai1，CAO Huajun1，LI Hongcheng2，CHEN Erheng1，ZHU Linquan3，XING Bin3

( 1.State Key Laboratory of Mechanical Transmission, Chongqing University, Chongqing 400044, China;2.The College of Advanced Manufacturing Engineering,Chongqing University of Posts and Telecommunications, Chongqing, 400065, China; 3.Chongqing Big Data Innovation Center Co., Ltd., Chongqing 400707, China )

This paper is to explore the problems of high cost and poor universality in the monitoring of Overall Equipment Efficiency (OEE) based on PLC-data, especially in the circumstances of the absence of PLC controller. The paper proposes a kind of non-invasive OEE monitoring and evaluation method of machine tools based on the power curve characteristics. Based on the analysis of the relationship of common processing equipment power curve and the running status, real-time power curve information is identified and analyzed by using convolutional neural network algorithm. Equipment running status and workpiece information are obtained. As a result, the OEE evaluation model parameter is determined and the real-time monitoring and assessment for OEE is realized. Finally, taking equipment of hobbing, milling and turning as examples, the feasibility and practicability of the method is verified. This model plays an important role in supporting the equipment management and production management.

power curve；OEE；status recognition；online monitoring

TH164

A

10.3969/j.issn.1006-0316.2021.05.008

1006-0316 (2021) 05-0052-09

2020-11-12

重慶市技術(shù)創(chuàng)新與應(yīng)用示范項(xiàng)目（Z20200343）；重慶工業(yè)大數(shù)據(jù)創(chuàng)新中心聯(lián)合科研項(xiàng)目（H20200743）

何凱（1994－），男，重慶人，碩士研究生，主要研究方向?yàn)橹悄苤圃欤徊苋A軍（1978－），男，江西余干人，博士，教授、博士生導(dǎo)師，主要研究方向?yàn)榫G色制造系統(tǒng)理論；李洪丞（1986－），男，河南駐馬店人，博士，副教授、碩士生導(dǎo)師，主要研究方向?yàn)榫G色制造工藝與裝備、智能制造系統(tǒng)；陳二恒（1989－），男，陜西渭南人，博士研究生，主要研究方向?yàn)橹悄苤圃?；朱林全?995－），男，四川南充人，碩士，主要研究方向?yàn)橹悄苤圃臁?/p>

邢鑌（1962－），男，法國(guó)巴黎人，博士，教授級(jí)高級(jí)工程師，主要研究方向?yàn)橹悄苤圃臁?shù)據(jù)處理和工業(yè)數(shù)字仿真，E-mail：13678429939@163.com。