面向數(shù)字加工監(jiān)控的邊云工藝協(xié)同遷移

曹新城，姚 斌，賀王鵬，陳彬強(qiáng)，卿 濤

(1.廈門大學(xué) 航空航天學(xué)院，福建 廈門 361005；2.西安電子科技大學(xué) 空間科學(xué)與技術(shù)學(xué)院，陜西 西安 710071)

智能制造作為制造業(yè)的高階發(fā)展形態(tài)，已成為我國(guó)制造業(yè)轉(zhuǎn)型升級(jí)的重要突破口[1-2]。在數(shù)字化制造裝備中，傳感網(wǎng)絡(luò)逐漸完備，信息采集的維度和密度不斷提升，作為智能制造系統(tǒng)的核心板塊，裝備運(yùn)維進(jìn)入大數(shù)據(jù)時(shí)代[3]。由于環(huán)境開(kāi)放、工藝多變、機(jī)理復(fù)雜等技術(shù)瓶頸，裝備運(yùn)維很大程度上仍然依靠從業(yè)者的主觀決策。從工業(yè)大數(shù)據(jù)中挖掘隱含知識(shí)，建立監(jiān)測(cè)數(shù)據(jù)向運(yùn)維決策的映射模型，實(shí)現(xiàn)裝備智能運(yùn)維，成為智能制造實(shí)踐推廣的研究熱點(diǎn)[4]。

人工智能的快速發(fā)展為數(shù)據(jù)驅(qū)動(dòng)的裝備智能運(yùn)維提供了技術(shù)支撐。支持向量機(jī)[5]、隨機(jī)森林[6]等機(jī)器學(xué)習(xí)算法能夠基于數(shù)據(jù)樣本對(duì)裝備退化過(guò)程進(jìn)行建模，相比于閾值判定更具預(yù)先性和非線性。隨著監(jiān)測(cè)信息的維度不斷增加，深度學(xué)習(xí)技術(shù)提取隱含特征的優(yōu)勢(shì)更加凸顯。自動(dòng)編碼機(jī)以及卷積編碼機(jī)以其無(wú)需標(biāo)簽監(jiān)督的優(yōu)勢(shì)在深度特征工程中得到廣泛認(rèn)可，結(jié)合淺層的模式識(shí)別網(wǎng)絡(luò)實(shí)現(xiàn)了成功應(yīng)用[7]。深度卷積網(wǎng)絡(luò)以其稀疏的網(wǎng)絡(luò)鏈接大幅度降低了深度模型對(duì)計(jì)算資源的需求，在處理振動(dòng)、噪聲等高采樣頻率的數(shù)據(jù)時(shí)表現(xiàn)出特別的優(yōu)勢(shì)[8]。深度學(xué)習(xí)技術(shù)與先進(jìn)信號(hào)處理技術(shù)的融合實(shí)現(xiàn)了更高的時(shí)效性，能夠在噪聲環(huán)境下實(shí)現(xiàn)可靠的設(shè)備健康評(píng)估[9]。深度學(xué)習(xí)技術(shù)在設(shè)備智能運(yùn)維的應(yīng)用層出不窮[10-12]，但大都基于充足的實(shí)驗(yàn)數(shù)據(jù)，樣本集需要覆蓋監(jiān)測(cè)對(duì)象各種可能的故障模式。然而，制造現(xiàn)場(chǎng)難以允許設(shè)備在故障狀態(tài)下運(yùn)行，故障狀態(tài)的數(shù)據(jù)樣本難以獲取。另一方面，歷史數(shù)據(jù)不能反映裝備在新工藝方案下的退化模式。綜合以上客觀因素，能夠用于訓(xùn)練智能運(yùn)維模型的工業(yè)數(shù)據(jù)是稀缺的。歷史數(shù)據(jù)知識(shí)在新工藝方案下的可靠應(yīng)用成為裝備智能運(yùn)維的技術(shù)關(guān)鍵。

遷移學(xué)習(xí)正是將已存有的知識(shí)應(yīng)用于不同但相似場(chǎng)景的人工智能方法，已經(jīng)在圖像識(shí)別[13]、自然語(yǔ)言處理[14]、文本識(shí)別[15]等領(lǐng)域成功應(yīng)用?；跉v史數(shù)據(jù)訓(xùn)練的智能運(yùn)維模型在新的運(yùn)行環(huán)境下直接應(yīng)用，必然會(huì)導(dǎo)致設(shè)備健康評(píng)估偏差，使用現(xiàn)場(chǎng)采集的少量數(shù)據(jù)樣本微調(diào)模型的部分參數(shù)，能夠提升準(zhǔn)確率并縮短訓(xùn)練數(shù)據(jù)準(zhǔn)備周期[16]。配合適當(dāng)?shù)臄?shù)據(jù)預(yù)處理方法，甚至可以將機(jī)器視覺(jué)領(lǐng)域的知識(shí)遷移應(yīng)用于機(jī)械設(shè)備故障診斷，解決訓(xùn)練數(shù)據(jù)不足的問(wèn)題[17-18]?；谔卣髦貥?gòu)表示的深度遷移學(xué)習(xí)具備更強(qiáng)的跨領(lǐng)域能力，被應(yīng)用于不同工藝方案間[19]、不同運(yùn)行環(huán)境間[20]的知識(shí)遷移。這些案例表明，遷移學(xué)習(xí)能夠顯著提升智能運(yùn)維模型對(duì)實(shí)際應(yīng)用條件的適應(yīng)性。但是，遷移學(xué)習(xí)在實(shí)際應(yīng)用于制造產(chǎn)線時(shí)卻面臨計(jì)算資源難題。監(jiān)測(cè)信號(hào)的維度和采樣頻率不斷提升，為了避免數(shù)據(jù)傳輸時(shí)延和丟包風(fēng)險(xiǎn)，設(shè)備運(yùn)維系統(tǒng)往往采用邊緣計(jì)算的模式。但是邊緣設(shè)備的計(jì)算能力有限，難以支撐深度模型的遷移學(xué)習(xí)。云計(jì)算與邊緣計(jì)算各自的優(yōu)勢(shì)與不足已經(jīng)引起物聯(lián)網(wǎng)和計(jì)算服務(wù)領(lǐng)域的注意，云邊協(xié)同計(jì)算逐漸得到研究者的關(guān)注[21-23]。因此，開(kāi)發(fā)一種新型的遷移學(xué)習(xí)實(shí)施范式，提升模型的進(jìn)化速度，是遷移學(xué)習(xí)落實(shí)于裝備智能運(yùn)維的關(guān)鍵。

為了提升智能運(yùn)維模型對(duì)工藝調(diào)整的響應(yīng)速度，文中提出了一種邊云協(xié)同的工藝知識(shí)遷移方法。首先，提出了一種并行多尺度深度卷積網(wǎng)絡(luò)(Parallel Multi-scale Convolutional Neural Network，PMsCNN)，從云端歷史數(shù)據(jù)中提取跨工藝的裝備健康評(píng)估知識(shí)，建立云端設(shè)備運(yùn)維基準(zhǔn)模型；然后，提出了一種考慮樣本類別不均衡的改進(jìn)型最大均值差異，驅(qū)動(dòng)PMsCNN依據(jù)新工藝方案下的無(wú)標(biāo)簽樣本開(kāi)展遷移學(xué)習(xí)；最后，將進(jìn)化后適應(yīng)新工藝方案的PMsCNN部署應(yīng)用到邊緣設(shè)備實(shí)施在線智能運(yùn)維。

1 工藝知識(shí)遷移問(wèn)題描述

在離散型智能制造系統(tǒng)中，由于裝備結(jié)構(gòu)的復(fù)雜性，難以建立描述其退化過(guò)程的物理模型。深度學(xué)習(xí)通過(guò)端到端的訓(xùn)練構(gòu)建監(jiān)測(cè)數(shù)據(jù)與設(shè)備健康狀態(tài)的隱式模型成為可行的替代方案。假設(shè)X={x1，x2，…，xm}為原始監(jiān)測(cè)數(shù)據(jù)的樣本空間，服從邊緣概率分布P(x)，對(duì)應(yīng)的設(shè)備狀態(tài)標(biāo)簽為{y1，y2，…，ym}。使用深度學(xué)習(xí)技術(shù)對(duì)設(shè)備健康監(jiān)測(cè)問(wèn)題進(jìn)行建模，即

(1)

(2)

通過(guò)誤差反向傳播逐層優(yōu)化模型參數(shù)，最終獲得準(zhǔn)確的g(·)和f(·)，實(shí)現(xiàn)設(shè)備健康狀態(tài)的可靠識(shí)別。

式(2)中的E[·]表示統(tǒng)計(jì)預(yù)測(cè)標(biāo)簽與真實(shí)標(biāo)簽的誤差期望。g(·)和f(·)中的結(jié)構(gòu)參數(shù)即為歷史數(shù)據(jù)中提取出的隱含裝備運(yùn)維知識(shí)。然而，離散型制造裝備需要執(zhí)行不同的工藝方案，導(dǎo)致數(shù)據(jù)樣本的分布發(fā)生變化。如果使用既有的g(·)提取深度特征，則f(·)的判別準(zhǔn)確率必然下降。在新的工藝方案下采集數(shù)據(jù)重新訓(xùn)練深度模型需要冗長(zhǎng)的準(zhǔn)備時(shí)間，在小批量定制化的智能制造中更難以收集到充足的樣本。因此，設(shè)備運(yùn)維知識(shí)的跨工藝遷移復(fù)用成為設(shè)備智能運(yùn)維實(shí)踐應(yīng)用的關(guān)鍵瓶頸。

(3)

其中，θg表示深度特征映射g(·)中的全部參數(shù)，d(·，·)為估計(jì)兩個(gè)樣本分布差異的度量函數(shù)。

2 基于邊云工藝協(xié)同遷移的設(shè)備智能運(yùn)維

2.1 邊云協(xié)同工藝知識(shí)遷移方法

當(dāng)新的工藝方案投入生產(chǎn)，既有的設(shè)備智能運(yùn)維模型失效，需要開(kāi)展DTL推進(jìn)模型的適應(yīng)性進(jìn)化。為了兼顧設(shè)備智能運(yùn)維對(duì)邊緣現(xiàn)場(chǎng)計(jì)算的需求和DTL對(duì)云端計(jì)算資源的需求，提出一種邊云協(xié)同遷移復(fù)用工藝知識(shí)的智能監(jiān)控模型，框架如圖1所示。所提方法的核心功能載體是一個(gè)并行多尺度卷積神經(jīng)網(wǎng)絡(luò)PMsCNN，在監(jiān)督學(xué)習(xí)-知識(shí)遷移-服役應(yīng)用的循環(huán)中不斷學(xué)習(xí)進(jìn)化。

首先，PMsCNN利用云端充足的計(jì)算資源，在歷史數(shù)據(jù)的人工標(biāo)簽的監(jiān)督下開(kāi)展學(xué)習(xí)，構(gòu)建監(jiān)測(cè)數(shù)據(jù)向設(shè)備健康狀態(tài)的深度映射，實(shí)現(xiàn)設(shè)備智能運(yùn)維知識(shí)的抽象提取。歷史數(shù)據(jù)樣本來(lái)自多樣化的工藝方案，使得所構(gòu)建的智能運(yùn)維基準(zhǔn)面對(duì)新的工藝方案具備一定的泛化能力，為遷移進(jìn)化奠定基礎(chǔ)。然后，訓(xùn)練好的PMsCNN部署應(yīng)用到邊緣端。傳感網(wǎng)絡(luò)將實(shí)時(shí)采集的監(jiān)測(cè)數(shù)據(jù)就近傳輸給邊緣計(jì)算設(shè)備，PMsCNN在設(shè)備現(xiàn)場(chǎng)開(kāi)展分析推理，識(shí)別設(shè)備及其關(guān)鍵零部件的健康狀態(tài)，給出運(yùn)維建議。同時(shí)，監(jiān)測(cè)數(shù)據(jù)在邊緣端暫存打包后上傳云端服務(wù)器，并記錄PMsCNN識(shí)別的狀態(tài)標(biāo)簽。再次，當(dāng)新的工藝方案應(yīng)用于生產(chǎn)，既有的PMsCNN失效而停止使用。監(jiān)測(cè)數(shù)據(jù)樣本在邊緣端暫存，由設(shè)備操作人員設(shè)定標(biāo)簽后上傳云端。PMsCNN在云端利用新工藝方案下有限的數(shù)據(jù)樣本和充足的歷史數(shù)據(jù)樣本開(kāi)展工藝方案間的遷移學(xué)習(xí)。使用改進(jìn)型最大均值差異驅(qū)動(dòng)深度特征映射優(yōu)化調(diào)整，使新工藝方案下的數(shù)據(jù)樣本與歷史數(shù)據(jù)樣本在深度空間對(duì)齊分布，實(shí)現(xiàn)PMsCNN的進(jìn)化演進(jìn)。最后，遷移學(xué)習(xí)完成后的PMsCNN重新下載到邊緣端設(shè)備開(kāi)展運(yùn)維服務(wù)，實(shí)時(shí)評(píng)估設(shè)備及其關(guān)鍵零部件的健康狀態(tài)和服役性能，給出運(yùn)維建議。在服役的同時(shí)，可以利用邊緣數(shù)據(jù)庫(kù)暫存的數(shù)據(jù)樣本對(duì)PMsCNN中少量的參數(shù)進(jìn)行微調(diào)優(yōu)化，以適應(yīng)監(jiān)測(cè)對(duì)象零部件更換產(chǎn)生的差異。

圖1 面向裝備智能運(yùn)維的邊云協(xié)同工藝知識(shí)遷移方法框架

2.2 并行多尺度卷積網(wǎng)絡(luò)PMsCNN

智能制造對(duì)加工精度的要求越來(lái)越高，數(shù)字化裝備對(duì)零部件的性能退化也越來(lái)越敏感。高采樣率地監(jiān)測(cè)振動(dòng)、噪聲、電流等信號(hào)的方案應(yīng)用越來(lái)越廣泛，對(duì)監(jiān)測(cè)模型的計(jì)算效率也提出更高的要求。為此，文中提出一種基于空洞卷積運(yùn)算的并行多尺度卷積網(wǎng)絡(luò)PMsCNN，用以執(zhí)行深度特征提取與模式識(shí)別任務(wù)。PMsCNN的架構(gòu)如圖2所示，包括深度特征提取器(Deep Feature Extractor，DFE)和多層感知分類器(MuLtilayer Perceptual Classifier，MLPC)。DEF由4個(gè)串聯(lián)的卷積模塊組成，其中前兩個(gè)卷積模塊使用空洞卷積并聯(lián)組成的并行多尺度卷積模塊，用以融合淺層特征圖中的多尺度特征。特征提取器輸出的二維特征圖經(jīng)攤平操作成為一維特征向量后輸入MLPC，MLPC由兩個(gè)全連接層組成。

圖2 并行多尺度卷積網(wǎng)絡(luò)

卷積運(yùn)算已被證明是從圖像、語(yǔ)音等密集數(shù)據(jù)樣本中提取深度特征的有效工具。卷積核共享減少了模型參數(shù)，特征圖降采樣實(shí)現(xiàn)了不同尺寸的感受野。但是，降采樣會(huì)導(dǎo)致小尺度特征的丟失。另一方面，原始輸入中不同尺度的特征被分隔在不同的層中，阻礙了模型學(xué)習(xí)不同尺度特征之間的關(guān)聯(lián)?？斩此惴╗24]為不同尺度特征的同層融合提供了思路。向卷積核中插入空洞，在不增加計(jì)算量的前提下擴(kuò)張了卷積核的感受野，從而提取更大尺度的特征。文獻(xiàn)[25-26]從神經(jīng)網(wǎng)絡(luò)原理方面論證了稀疏卷積的可行性，F(xiàn)isher成功將稀疏卷積應(yīng)用于多尺度特征的融合[27]。結(jié)合振動(dòng)、噪聲等高采樣率監(jiān)測(cè)信號(hào)的特點(diǎn)，文中并行配置稀疏卷積層構(gòu)建并行多尺度卷積模塊，如圖3所示。

圖3 并行多尺度卷積模塊

所使用的并行多尺度卷積模塊由4種不同膨脹率的稀疏卷積核并聯(lián)組成，提取特征圖中不同尺度的特征并融合。膨脹率改變了卷積核的感受野，為了使不同尺度的特征圖保持相同的尺寸，對(duì)輸入特征圖采取鏡像擴(kuò)充策略，使輸出特征圖與輸入特征圖保持相同的尺寸。不同膨脹率的卷積核分別作為輸出特征圖的不同通道，然后使用1×1卷積核降維融合不同尺度的特征圖，并進(jìn)行池化降采樣。1×1卷積和池化分別從不同的維度縮小特征圖的尺寸，減少計(jì)算，提升模型非線性擬合能力。

2.3 改進(jìn)型分布差異損失函數(shù)

(4)

(5)

制造現(xiàn)場(chǎng)不允許裝備或零部件在性能退化的狀態(tài)下長(zhǎng)期運(yùn)行，采集到的數(shù)據(jù)樣本大部分處于健康或退化初期，不同種類的樣本數(shù)量嚴(yán)重不均衡。為此，提出一種改進(jìn)型最大均值差異，借助PMsCNN在為新工藝方案預(yù)測(cè)的軟標(biāo)簽進(jìn)行修正，克服數(shù)據(jù)不均衡造成的干擾。

(6)

(7)

(8)

式(5)對(duì)所有的樣本進(jìn)行無(wú)差別的統(tǒng)計(jì)，急劇磨損階段的樣本對(duì)全局的影響將被淡化，使得遷移進(jìn)化后的PMsCNN不能準(zhǔn)確地識(shí)別急劇退化的樣本。

由式(6)可知，提出的改進(jìn)型MMD由兩項(xiàng)組成，第1項(xiàng)是經(jīng)典的MMD，第2次項(xiàng)是使用目標(biāo)域樣本預(yù)測(cè)標(biāo)簽估計(jì)的同類樣本MMD的平均值。如式(8)所定義，類內(nèi)MMD估計(jì)在式(5)的基礎(chǔ)上為各項(xiàng)添加了權(quán)重系數(shù)，是為兩個(gè)樣本各自歸屬于類別c的概率之積。只有當(dāng)這兩個(gè)樣本同屬于類別c時(shí)，才會(huì)對(duì)hc(Z1，Z2)產(chǎn)生影響，因而∑hc(Z1，Z2)統(tǒng)計(jì)的是第c類樣本的分布差異。

2.4 多任務(wù)的遷移學(xué)習(xí)策略

(9)

(10)

(11)

其中，α和β是調(diào)節(jié)模型學(xué)習(xí)過(guò)程的權(quán)重系數(shù)，可以隨著訓(xùn)練迭代而調(diào)整。在訓(xùn)練過(guò)程中，首先將源域樣本輸入模型，根據(jù)輸出結(jié)果和真實(shí)標(biāo)簽計(jì)算損失L2；然后將目標(biāo)域樣本輸入模型，使用式(10)估計(jì)偽標(biāo)簽向量計(jì)算損失L3；再根據(jù)源域的深度特征向量和目標(biāo)域的深度特征向量計(jì)算損失L1；最后根據(jù)式(11)計(jì)算綜合損失，進(jìn)而使用誤差反向傳遞算法更新模型參數(shù)。

3 精密零部件的邊云協(xié)同監(jiān)控實(shí)驗(yàn)

為了評(píng)估所提出的邊云協(xié)同工藝知識(shí)遷移方法在工業(yè)應(yīng)用中的先進(jìn)性，以精密切削刀具的智能運(yùn)維為案例開(kāi)展實(shí)驗(yàn)研究。在航空制造、燃?xì)廨啓C(jī)等領(lǐng)域，刀具磨損退化，崩刃破損難以預(yù)測(cè)，嚴(yán)重影響加工質(zhì)量和生產(chǎn)連續(xù)性[30]。刀具智能運(yùn)維成為切削加工產(chǎn)線降本提效的關(guān)鍵手段[31-32]，但是刀具性能相關(guān)信號(hào)首要受工藝參數(shù)的影響，工藝知識(shí)遷移對(duì)于可靠的刀具智能運(yùn)維尤為重要。

開(kāi)展模具鋼快速銑削實(shí)驗(yàn)，設(shè)置多種不同的工藝方案，使用振動(dòng)傳感器采集主軸的振動(dòng)信號(hào)。首先，對(duì)部分工藝方案下的數(shù)據(jù)樣本進(jìn)行人工標(biāo)注訓(xùn)練PMsCNN基準(zhǔn)模型；然后，采集新工藝方案下少量的數(shù)據(jù)樣本，在云端開(kāi)展遷移學(xué)習(xí)；最后，使用遷移進(jìn)化后的PMsCNN在新工藝方案下執(zhí)行下刀具服役狀態(tài)在線評(píng)估，實(shí)現(xiàn)維護(hù)預(yù)警。

3.1 實(shí)驗(yàn)設(shè)置

銑削實(shí)驗(yàn)在一臺(tái)立式三軸加工中心上開(kāi)展，采用某國(guó)產(chǎn)品牌的機(jī)夾式快速進(jìn)給銑刀，4片刀片等角分布，側(cè)刃最大直徑為25 mm。工件材料為退火的Cr12模具鋼，銑削過(guò)程使用微量噴霧潤(rùn)滑。使用加速度傳感器采集主軸振動(dòng)信號(hào)，采樣頻率為25.6 kHz。每銑削完一個(gè)平面，就使用工具顯微鏡測(cè)量后刀面的磨損量。實(shí)驗(yàn)現(xiàn)場(chǎng)如圖4所示。

圖4 Cr12模具鋼快速進(jìn)給銑削刀具狀態(tài)監(jiān)測(cè)實(shí)驗(yàn)現(xiàn)場(chǎng)

使用不同的切削工藝參數(shù)開(kāi)展實(shí)驗(yàn)，如表1所示。每組工藝參數(shù)下試驗(yàn)10組刀片，當(dāng)其中一個(gè)刀片出現(xiàn)嚴(yán)重破損后停止實(shí)驗(yàn)，更換刀片重新進(jìn)行試驗(yàn)。

表1 快速進(jìn)給銑削工藝參數(shù)表

3.2 基于雙樹(shù)復(fù)小波的數(shù)據(jù)預(yù)處理

隨著刀具逐漸磨損，刀具與工件材料的交互作用發(fā)生變化，刀刃鈍化致使切入沖擊模糊化，后刀面與工件的摩擦加劇，產(chǎn)生更多的振動(dòng)雜波。為了獲得完整的主軸振動(dòng)信息，采用25.6 kHz的采樣頻率進(jìn)行高頻率采樣，但是深度學(xué)習(xí)模型直接處理高采樣率的時(shí)序樣本會(huì)導(dǎo)致計(jì)算爆炸。為此，使用雙樹(shù)復(fù)小波包分解對(duì)數(shù)據(jù)進(jìn)行預(yù)處理，預(yù)處理過(guò)程如下：

步驟1 對(duì)時(shí)間長(zhǎng)度為1 s原始振動(dòng)信號(hào)片段進(jìn)行雙樹(shù)復(fù)小波包分解，分解層數(shù)設(shè)為4。重構(gòu)獲得8個(gè)帶寬為1.6 kHz的子信號(hào)。

步驟2 對(duì)子信號(hào)進(jìn)行希爾伯特包絡(luò)解調(diào)，得到瞬時(shí)包絡(luò)幅值曲線。

步驟3 對(duì)子信號(hào)的包絡(luò)幅值曲線進(jìn)行快速傅里葉分解，得到子信號(hào)的包絡(luò)解調(diào)譜。

步驟4 取子信號(hào)包絡(luò)解調(diào)譜[1，256]Hz頻段的幅值數(shù)據(jù)，并聯(lián)組成單一時(shí)刻的初級(jí)刀具狀態(tài)數(shù)據(jù)。

步驟5 以當(dāng)前時(shí)刻為基準(zhǔn)向后追溯歷史，每隔1 min提取1個(gè)單一時(shí)刻初級(jí)刀具狀態(tài)數(shù)據(jù)。如此，從每5 min的原始監(jiān)測(cè)數(shù)據(jù)中提取一個(gè)刀具狀態(tài)二維數(shù)據(jù)樣本，尺寸為40×256。

數(shù)字實(shí)驗(yàn)在一臺(tái)配備Intel Core i7中央處理器的臺(tái)式計(jì)算機(jī)上開(kāi)展。實(shí)驗(yàn)表明，處理一個(gè)數(shù)據(jù)樣本的平均時(shí)耗約為1.3 s，基本滿足工業(yè)現(xiàn)場(chǎng)的時(shí)效性要求。二維樣本的第1個(gè)維度代表了不同的共振頻段和采樣時(shí)間，第2個(gè)維度為包絡(luò)解調(diào)譜的頻率坐標(biāo)。相應(yīng)地，PMsCNN只對(duì)第2個(gè)維度使用了稀疏卷積。

3.3 PMsCNN工藝知識(shí)遷移性能分析

將刀具的全壽命分為穩(wěn)定磨損、急劇磨損和破損失效3個(gè)階段。以a、b、c為歷史工藝方案，以d為新工藝方案開(kāi)展DTL試驗(yàn)。圖5展示了新工藝方案樣本的分類精度和改進(jìn)型MMD兩個(gè)觀測(cè)指標(biāo)的變化過(guò)程，反映了模型的學(xué)習(xí)過(guò)程。

圖5 PMsCNN的深度遷移學(xué)習(xí)過(guò)程

在實(shí)驗(yàn)中，d工藝方案下的真實(shí)銑刀磨損標(biāo)簽不參與訓(xùn)練，但是被用于在每次迭代后檢驗(yàn)?zāi)Ｐ驮谛鹿に嚪桨赶碌淖R(shí)別準(zhǔn)確率，如圖中淺灰色曲線所示，對(duì)應(yīng)右側(cè)縱軸。圖中深黑曲線展示了改進(jìn)型MMD指標(biāo)的變化過(guò)程。值得注意的是，改進(jìn)型MMD指標(biāo)在訓(xùn)練初始階段波動(dòng)劇烈，并明顯上升。筆者分析，這是因?yàn)槟繕?biāo)域偽標(biāo)簽聚類問(wèn)題的優(yōu)化難度明顯低于樣本分布深度對(duì)齊問(wèn)題。在訓(xùn)練的初始階段，新工藝數(shù)據(jù)樣本在深度空間逐漸聚類，相比于初始的隨機(jī)分布狀態(tài)，新工藝數(shù)據(jù)與歷史數(shù)據(jù)的分布差異進(jìn)一步擴(kuò)大。而后，特征映射g(·)在MMD損失的約束下進(jìn)化調(diào)整，使得新工藝數(shù)據(jù)與歷史數(shù)據(jù)的深度特征分布差異逐漸縮小，相應(yīng)的新工藝數(shù)據(jù)樣本的識(shí)別準(zhǔn)確率也開(kāi)始上升，最終達(dá)到了約92%。

圖6 不同工藝方案組合下所提方法在新工藝方案下實(shí)現(xiàn)的識(shí)別準(zhǔn)確率

文中設(shè)置了6個(gè)不同的任務(wù)，測(cè)試所提方法的有效性。每個(gè)任務(wù)的歷史數(shù)據(jù)不同，PMsCNN應(yīng)用的新工藝方案也不同。文中所提算法在不同任務(wù)中實(shí)現(xiàn)的準(zhǔn)確率如圖6所示。其中柱狀圖展示了6折交叉實(shí)驗(yàn)的平均準(zhǔn)確率，誤差棒展示了最佳成績(jī)和最差成績(jī)。作為參考，使用新工藝方案下的數(shù)據(jù)重新訓(xùn)練PMsCNN。不論應(yīng)用場(chǎng)景是單一工藝方案還是多個(gè)工藝方案的組合，PMsCNN都實(shí)現(xiàn)了90%以上的準(zhǔn)確率。但是，既有模型直接應(yīng)用于新工藝方案時(shí)精度嚴(yán)重下降?；趩我粴v史數(shù)據(jù)訓(xùn)練的模型退化更為嚴(yán)重，如c→d和b→d兩個(gè)任務(wù)。這表明用于訓(xùn)練深度模型的數(shù)據(jù)應(yīng)該盡量增廣。數(shù)據(jù)多樣性越高，學(xué)習(xí)到的知識(shí)的泛化性能越好。進(jìn)一步對(duì)比這兩種組合，b→d的識(shí)別準(zhǔn)確率更低一些，c和d的差異在于每齒進(jìn)給量不同，b和d的主軸轉(zhuǎn)速以及徑向切削深度都不同。因而b和d的工藝差別更大，知識(shí)遷移的難度也更大。

表2列舉了所提工藝知識(shí)遷移方法在不同任務(wù)中實(shí)現(xiàn)的準(zhǔn)確率提升，其中第1行是基于歷史數(shù)據(jù)訓(xùn)練的PMsCNN直接應(yīng)用于新工藝方案時(shí)實(shí)現(xiàn)的最佳準(zhǔn)確率；第file:///C:/Users/Administrator/Desktop/%E6%95%B0%E6%8D%AE%E5%8A%A0%E5%B7%A5/XDKD202206/XDKD202206.ebook/images/2da9bb2c771d8ea61996cfe403bf09370.jpg2行是遷移學(xué)習(xí)后PMsCNN在新工藝方案下實(shí)現(xiàn)的最佳準(zhǔn)確率。在a/b/c→d和b/c/d→a兩個(gè)任務(wù)中，源域數(shù)據(jù)更豐富，在新工藝方案下的識(shí)別準(zhǔn)確率達(dá)到了約92%。在后4個(gè)任務(wù)中，新工藝方案與歷史工藝方案相差較大，PMsCNN直接應(yīng)用的效果很差，所提出的工藝知識(shí)遷移方法使PMsCNN的準(zhǔn)確率提升了20%以上。

表2 工藝知識(shí)遷移對(duì)PMsCNN識(shí)別準(zhǔn)確率的提升 %

使用t-SNE算法對(duì)判別器的第1個(gè)全連接層輸出的深度特征進(jìn)行降維，并使用三維散點(diǎn)圖進(jìn)行可視化，如圖7所示。對(duì)比圖7(b)和圖7(a)可見(jiàn)，模型經(jīng)過(guò)預(yù)訓(xùn)練之后，在源域提取的深度特征聚類非常緊密，類簇之間距離充足，在真實(shí)標(biāo)簽的監(jiān)督下，可以實(shí)現(xiàn)很高的分類準(zhǔn)確率。但是當(dāng)預(yù)訓(xùn)練模型直接應(yīng)用于目標(biāo)域，深度特征變得散亂，空間分布也出現(xiàn)明顯偏移，導(dǎo)致預(yù)訓(xùn)練分類器性能下降。對(duì)比圖7(d)和圖7(c)，經(jīng)過(guò)多任務(wù)深度域自適應(yīng)訓(xùn)練后，模型在兩個(gè)域提取的深度特征的分布差異明顯縮小，基于源域訓(xùn)練的分類器在目標(biāo)域也就能實(shí)現(xiàn)更準(zhǔn)確的分類。

圖7 工藝知識(shí)遷移深度特征可視化

3.4 與現(xiàn)有方法對(duì)比分析

為進(jìn)一步驗(yàn)證所提方法的優(yōu)越性，這一節(jié)開(kāi)展與現(xiàn)有遷移學(xué)習(xí)方法的對(duì)比研究。PENG等提出了一種基于生成對(duì)抗網(wǎng)絡(luò)的參數(shù)遷移學(xué)習(xí)(Parameter Transfer Learning，PTL)方法，在缺乏故障狀態(tài)數(shù)據(jù)樣本的條件下，提升設(shè)備狀態(tài)評(píng)估準(zhǔn)確率[33]。XU等提出了一種遷移成分分析(Transfer Component Analysis，TCA)方法，遷移應(yīng)用基于歷史數(shù)據(jù)的特征提取模型，在新工況下監(jiān)測(cè)設(shè)備狀態(tài)[34]。WANG等提出了一種概率遷移因子分析(Probabilistic Transfer Factor Analysis，PTFA)方法，在多樣化的運(yùn)行工況間尋找折中的特征空間[35]。CAO等提出了一種多任務(wù)學(xué)習(xí)網(wǎng)絡(luò)(Multi-Task Networks，MTN)，遷移應(yīng)用既有特征提取器，從未標(biāo)注的新工況數(shù)據(jù)樣本中提取深度特征[36]。李聰波等推薦了一種領(lǐng)域自適應(yīng)的稀疏編碼機(jī)(Domain-Adaptive Sparse AutoEncoder，DASAE)，將基于實(shí)驗(yàn)室數(shù)據(jù)訓(xùn)練的模型遷移應(yīng)用于實(shí)際生產(chǎn)，預(yù)警裝備故障[20]。

表3 不同知識(shí)遷移方法監(jiān)測(cè)設(shè)備健康狀態(tài)的性能 %

表3列舉了各遷移學(xué)習(xí)方法在新工藝方案下識(shí)別銑刀磨損狀態(tài)的平均準(zhǔn)確率。相比于既有模型直接應(yīng)用，各種遷移學(xué)習(xí)方法都實(shí)現(xiàn)了明顯的提升。TCA和FTFA兩種基于遷移成分分析的方法性能較差，但是在a/b/c→d和b/c/d→a兩個(gè)歷史數(shù)據(jù)豐富的任務(wù)中也實(shí)現(xiàn)了85%以上的識(shí)別準(zhǔn)確率。這兩種方法在本案例中實(shí)現(xiàn)的測(cè)試準(zhǔn)確率低于文獻(xiàn)記錄，可能原因有二：一是相比于軸承和齒輪故障診斷，銑削過(guò)程產(chǎn)生的振動(dòng)噪聲更為復(fù)雜，工藝參數(shù)對(duì)設(shè)備狀態(tài)的影響也更嚴(yán)重；二是這兩種方法并沒(méi)有針對(duì)數(shù)據(jù)不均衡提出相應(yīng)策略，本案例中破損失效樣本顯著少于正常磨損樣本，遷移成分分析算法性能下降。PTL方法針對(duì)數(shù)據(jù)不均衡問(wèn)題提出了一種鑒別器稀疏優(yōu)化策略，在任務(wù)a/b/c→d中準(zhǔn)確率達(dá)到了約90%。MTN應(yīng)用經(jīng)典MMD在深度特征空間縮小歷史數(shù)據(jù)和新工藝數(shù)據(jù)的分布差異，在難度最高的任務(wù)b→d中也實(shí)現(xiàn)了80%以上的準(zhǔn)確率，體現(xiàn)了深度分布對(duì)齊這一方法的優(yōu)越性。文中提出了一種改進(jìn)型的MMD，面對(duì)不均衡樣本的正則化能力更強(qiáng)，更有效地驅(qū)動(dòng)特征提取器優(yōu)化調(diào)整，實(shí)現(xiàn)了最高的識(shí)別準(zhǔn)確率。

綜合以上實(shí)驗(yàn)結(jié)果分析，證明了工藝知識(shí)遷移對(duì)于設(shè)備狀態(tài)監(jiān)測(cè)的重要性，驗(yàn)證了文中所提方法利用新工藝條件下有限且不均衡的數(shù)據(jù)樣本優(yōu)化調(diào)整深度模型，開(kāi)展邊云協(xié)同工藝知識(shí)遷移的先進(jìn)性。

4 結(jié)束語(yǔ)

針對(duì)多變的工藝方案使裝備智能運(yùn)維模型應(yīng)用性能退化的難題，文中提出了一種云邊協(xié)同的工藝知識(shí)遷移方法。搭建了一種PMsCNN深度模型，并提出多任務(wù)訓(xùn)練方法，在無(wú)監(jiān)督的條件下構(gòu)建適應(yīng)新工藝方案的深度特征提取器，縮小新數(shù)據(jù)樣本與歷史數(shù)據(jù)樣本在深度空間的分布差異，提升設(shè)備零部件服役性能的識(shí)別準(zhǔn)確率。論文的主要結(jié)論如下：① 使用不同膨脹率的稀疏卷積運(yùn)算，并行多尺度卷積神經(jīng)網(wǎng)絡(luò)可以有效融合特征圖中不同尺度的特征，實(shí)現(xiàn)零部件運(yùn)行狀態(tài)的可靠識(shí)別；② 所提出的改進(jìn)型最大均值差異在不均衡的數(shù)據(jù)集上仍然有效，能夠驅(qū)動(dòng)特征提取器的迭代優(yōu)化，在深度特征空間消除不同工藝方案的樣本的分布差異；③ 基于歷史數(shù)據(jù)的監(jiān)督學(xué)習(xí)維持了判別器的識(shí)別精度，偽標(biāo)簽學(xué)習(xí)提升了新數(shù)據(jù)樣本的深度特征的聚類可分度；④ 實(shí)驗(yàn)結(jié)果表明，所提出的云邊協(xié)同工藝知識(shí)遷移方法可以使PMsCNN在新工藝方案下的識(shí)別準(zhǔn)確率提升20%以上。另外，歷史數(shù)據(jù)的工藝方案越多，識(shí)別準(zhǔn)確率越高，所提方法應(yīng)用于實(shí)際生產(chǎn)時(shí)仍應(yīng)廣泛的積累數(shù)據(jù)。