基于循環(huán)神經(jīng)網(wǎng)絡(luò)的數(shù)控機(jī)床故障診斷研究

林偉強(qiáng)

(廣州科技貿(mào)易職業(yè)學(xué)院管理學(xué)院，廣東廣州 511442)

0 前言

循環(huán)神經(jīng)網(wǎng)絡(luò)是滿足遞歸變化規(guī)律的神經(jīng)型應(yīng)用網(wǎng)絡(luò)，始終以序列數(shù)據(jù)作為輸入信息，可在序列演進(jìn)方向上，對(duì)所有數(shù)據(jù)參量進(jìn)行遞歸處理，且在整個(gè)運(yùn)算過程中，所有循環(huán)單元(節(jié)點(diǎn))都一直保持鏈?zhǔn)竭B接狀態(tài)。作為循環(huán)神經(jīng)網(wǎng)絡(luò)的內(nèi)在核心部分，RNN具備有向圖的所有應(yīng)用特質(zhì)，在展開時(shí)享有鏈?zhǔn)较噙B關(guān)系的元素被稱為節(jié)點(diǎn)或循環(huán)單元，可與前饋神經(jīng)網(wǎng)絡(luò)中的隱含層單元進(jìn)行類比。但不同的是，RNN可同時(shí)代表單個(gè)時(shí)間步循環(huán)單元與多個(gè)時(shí)間步循環(huán)單元，而隱含層單元不可以。在非監(jiān)督學(xué)習(xí)法則的作用下，循環(huán)神經(jīng)網(wǎng)絡(luò)可被用于監(jiān)督數(shù)控機(jī)床等大型制造類機(jī)械設(shè)備，并可根據(jù)“門”節(jié)點(diǎn)選取行為的不同，對(duì)不同故障類型進(jìn)行診斷與分析。

數(shù)控機(jī)床是裝有程序控制系統(tǒng)的自動(dòng)化機(jī)床，能夠按照一定邏輯讀寫具有控制編碼能力的程序，并對(duì)其進(jìn)行譯碼處理，再通過代碼化數(shù)字的形式輸入信息載體裝置中。數(shù)控機(jī)床故障診斷是一種新興的綜合診斷技術(shù)，通過采集電氣、機(jī)械部件特征信息，判斷它是否處于正常運(yùn)行狀態(tài)，其目的在于發(fā)現(xiàn)、分析、檢查機(jī)械設(shè)備的應(yīng)用故障行為，并對(duì)故障產(chǎn)生原因及故障類別進(jìn)行分析。因故障造成的數(shù)控機(jī)床停機(jī)會(huì)對(duì)制造類企業(yè)造成極大損失，且故障類型也十分復(fù)雜，故如何正確且迅速地進(jìn)行故障診斷是確保數(shù)控機(jī)床能夠長時(shí)間正常運(yùn)轉(zhuǎn)的核心問題。基于此,針對(duì)循環(huán)神經(jīng)網(wǎng)絡(luò)支持下的數(shù)控機(jī)床故障診斷技術(shù)展開研究。

1 基于循環(huán)神經(jīng)網(wǎng)絡(luò)的“門”判別結(jié)構(gòu)

循環(huán)神經(jīng)網(wǎng)絡(luò)中的“門”判別結(jié)構(gòu)以診斷預(yù)測框架作為搭建基礎(chǔ)，在完成機(jī)床故障數(shù)據(jù)預(yù)處理的同時(shí)，可實(shí)現(xiàn)對(duì)“門”網(wǎng)絡(luò)節(jié)點(diǎn)的提取，聯(lián)合上述處理環(huán)節(jié)，進(jìn)行如下研究。

1.1 診斷預(yù)測框架

基于“門”判別結(jié)構(gòu)型循環(huán)神經(jīng)網(wǎng)絡(luò)診斷預(yù)測框架類似于標(biāo)準(zhǔn)的線狀循環(huán)組織，在歷史信息記憶方面明顯優(yōu)于其他神經(jīng)網(wǎng)絡(luò)，對(duì)于數(shù)控機(jī)床的故障診斷來說，這種預(yù)測框架的信息記憶時(shí)間跨度更廣，也能適時(shí)忘記舊的故障信息。圖1所示為一個(gè)標(biāo)準(zhǔn)的循環(huán)神經(jīng)網(wǎng)絡(luò)診斷預(yù)測框架結(jié)構(gòu)。

圖1 診斷預(yù)測框架結(jié)構(gòu)

圖1中，實(shí)心圓點(diǎn)代表數(shù)控機(jī)床故障數(shù)據(jù)，在循環(huán)神經(jīng)網(wǎng)絡(luò)過渡層結(jié)構(gòu)中，可存儲(chǔ)大量的數(shù)控機(jī)床故障數(shù)據(jù)信息，且隨著隱含層網(wǎng)絡(luò)模型的建立，這些數(shù)據(jù)信息會(huì)自發(fā)向下傳輸，直至達(dá)到輸出層。循環(huán)神經(jīng)網(wǎng)絡(luò)輸入層負(fù)責(zé)記錄與數(shù)控機(jī)床故障診斷相關(guān)的序列文件，并可在包含層不同IP網(wǎng)絡(luò)地址的作用下，建立與過渡層故障數(shù)據(jù)信息的對(duì)應(yīng)關(guān)系。

1.2 機(jī)床故障數(shù)據(jù)的預(yù)處理

通過觀察數(shù)控機(jī)床故障診斷數(shù)據(jù)集發(fā)現(xiàn)，不同于傳統(tǒng)神經(jīng)網(wǎng)絡(luò)的信息收集方式，循環(huán)神經(jīng)網(wǎng)絡(luò)中每一條預(yù)處理軌跡上的數(shù)據(jù)分布均相對(duì)較為連續(xù)且密集，通常情況下，每隔2～3 s會(huì)記錄一個(gè)數(shù)控機(jī)床故障診斷數(shù)據(jù)所在的物理坐標(biāo)。鑒于這樣的真實(shí)情況，可采取等量代換的方式，將預(yù)處理軌跡上的數(shù)控機(jī)床故障診斷數(shù)據(jù)全部視為噪聲點(diǎn)。此方法不僅不會(huì)將異常數(shù)據(jù)信息從預(yù)處理軌跡中移除，還會(huì)適當(dāng)約束軌跡的整體走勢形態(tài)。規(guī)定、、、…、分別代表個(gè)不重合的數(shù)控機(jī)床故障診斷數(shù)據(jù)節(jié)點(diǎn)，在循環(huán)神經(jīng)網(wǎng)絡(luò)讀取規(guī)則為dist(∑)的情況下，可將分布軌跡上的機(jī)床故障數(shù)據(jù)預(yù)處理結(jié)果表示為

(1)

其中:數(shù)控機(jī)床故障診斷數(shù)據(jù)節(jié)點(diǎn)個(gè)數(shù)始終保持變動(dòng)狀態(tài);代表診斷數(shù)據(jù)節(jié)點(diǎn)個(gè)數(shù)取值為時(shí)循環(huán)神經(jīng)網(wǎng)絡(luò)所具有的信息處理權(quán)限值。

1.3 “門”網(wǎng)絡(luò)節(jié)點(diǎn)提取

(2)

式中：為循環(huán)神經(jīng)網(wǎng)絡(luò)“門”節(jié)點(diǎn)首次提取的數(shù)控機(jī)床故障診斷數(shù)據(jù)個(gè)數(shù)；alt為預(yù)處理軌跡中的故障信息判別條件。規(guī)定在循環(huán)神經(jīng)網(wǎng)絡(luò)中，滿足公式(2)的數(shù)值量關(guān)系恒成立，則聯(lián)立公式(1)，可將“門”網(wǎng)絡(luò)節(jié)點(diǎn)對(duì)于數(shù)控機(jī)床故障診斷數(shù)據(jù)的提取關(guān)系定義為

(3)

其中：、分別代表數(shù)控機(jī)床故障診斷數(shù)據(jù)在不同“門”網(wǎng)絡(luò)節(jié)點(diǎn)中的即時(shí)存儲(chǔ)量；′代表循環(huán)神經(jīng)網(wǎng)絡(luò)中的信息判別依據(jù)；代表與“門”網(wǎng)絡(luò)節(jié)點(diǎn)相關(guān)的冪次項(xiàng)提取權(quán)限值。

2 數(shù)控機(jī)床的結(jié)構(gòu)與工作原理

2.1 組成結(jié)構(gòu)

常見的數(shù)控機(jī)床通常由機(jī)床本體、檢測反饋系統(tǒng)、伺服系統(tǒng)、PLC、數(shù)控裝置、輸入/輸出設(shè)備等組成，其具體組成形式如圖2所示。

圖2 數(shù)控機(jī)床的結(jié)構(gòu)

(1)機(jī)床本體只包含各類機(jī)械零部件，如進(jìn)給運(yùn)動(dòng)執(zhí)行部件、主運(yùn)動(dòng)部件、支撐部件、潤滑、轉(zhuǎn)位、冷卻等多類型輔助應(yīng)用裝置。

(2)檢測反饋系統(tǒng)可通過檢測、比較的方式，確定數(shù)控機(jī)床的實(shí)際運(yùn)轉(zhuǎn)情況，并以此為條件，計(jì)算出準(zhǔn)確的偏差數(shù)值，在循環(huán)神經(jīng)網(wǎng)絡(luò)的作用下，制定并輸出糾正誤差指令，從而實(shí)現(xiàn)機(jī)床加工精度的提升。

(3)伺服系統(tǒng)是整個(gè)數(shù)控機(jī)床結(jié)構(gòu)中最主要的執(zhí)行部分，其主要功能是將與數(shù)控裝置相關(guān)的脈沖型信號(hào)轉(zhuǎn)換成可被機(jī)床運(yùn)動(dòng)部件直接利用的動(dòng)作行為，如直流伺服電機(jī)、交流伺服電機(jī)、步進(jìn)式電機(jī)等都屬于典型的驅(qū)動(dòng)電機(jī)。

(4)數(shù)控裝置可對(duì)收集到的狀態(tài)信號(hào)進(jìn)行處理，并將它以指令程序信號(hào)的形式傳輸至伺服進(jìn)給系統(tǒng)，從而使數(shù)控機(jī)床產(chǎn)生規(guī)定的運(yùn)動(dòng)行為。PLC也叫可編程控制器，可作為數(shù)控裝置開關(guān)，實(shí)現(xiàn)對(duì)相關(guān)執(zhí)行機(jī)構(gòu)邏輯順序的有效控制，通常情況下，它同時(shí)兼?zhèn)淅^電器、自動(dòng)對(duì)刀、主軸調(diào)速等多項(xiàng)執(zhí)行功能。為保證數(shù)控機(jī)床結(jié)構(gòu)體的實(shí)際工作能力，可按照公式(3)，對(duì)PLC設(shè)備的連接狀態(tài)進(jìn)行判別。

(4)

式中：代表數(shù)控機(jī)床主軸的最小轉(zhuǎn)速；、、…、分別代表個(gè)不同已連接設(shè)備的故障執(zhí)行系數(shù)，一般情況下，的實(shí)際取值受到已接入連接設(shè)備個(gè)數(shù)的直接影響；Δ代表機(jī)床電流在單位時(shí)間內(nèi)的實(shí)際變化量；、分別代表兩個(gè)不同的電量傳輸條件，、代表不同情況下的電量特征系數(shù)。

2.2 常見故障征兆及原因

(1)主軸系統(tǒng)故障

主軸系統(tǒng)是數(shù)控機(jī)床的重要組成部件之一，通常由主軸安裝、支撐、傳動(dòng)零部件等多個(gè)結(jié)構(gòu)體共同組成。該設(shè)備的質(zhì)量直接影響數(shù)控機(jī)床的實(shí)際加工能力，且主軸系統(tǒng)故障的發(fā)生極為普遍，約占數(shù)控機(jī)床總故障行為的22.53%，如電機(jī)不動(dòng)作、與軸進(jìn)給不匹配、轉(zhuǎn)速波動(dòng)、箱體噪聲大或發(fā)熱等。表1中列舉了CAK6150型數(shù)控車床主軸系統(tǒng)的故障征兆及其主要原因。

(2)電氣伺服系統(tǒng)故障

電氣伺服系統(tǒng)可控制數(shù)控機(jī)床設(shè)備位移，通常由位置檢測元件、交流/直流電機(jī)、傳動(dòng)機(jī)械部件組成。常見故障包括伺服軸竄動(dòng)、伺服電動(dòng)機(jī)不動(dòng)作、坐標(biāo)軸爬行或振動(dòng)等，主要原因包含參數(shù)設(shè)置不合理、電氣線路連接不良、電量負(fù)載過大等。當(dāng)數(shù)控機(jī)床伺服電量固定且不超過時(shí)，可將電氣伺服系統(tǒng)的故障判別式定義為

(5)

式中:為直流條件下的電機(jī)故障行為量；為交流條件下的電機(jī)故障行為量；、為2個(gè)不同的電子量伺服傳輸條件。

表1 數(shù)控車床主軸系統(tǒng)故障征兆及其原因

(3)液壓系統(tǒng)故障

(6)

3 數(shù)控機(jī)床故障診斷的實(shí)現(xiàn)

3.1 機(jī)床故障特征空間的模糊劃分

數(shù)控機(jī)床故障特征空間的模糊劃分對(duì)于循環(huán)神經(jīng)網(wǎng)絡(luò)至關(guān)重要，其原因在于故障特征空間的模糊劃分是模糊性診斷規(guī)則建立的基礎(chǔ)，并且能夠直接影響最終診斷方法的選擇。大體劃分流程可分為如下幾個(gè)步驟：

(1)從故障數(shù)據(jù)根節(jié)點(diǎn)+(代表根節(jié)點(diǎn)限定系數(shù)，代表葉節(jié)點(diǎn)限定系數(shù))開始，根節(jié)點(diǎn)可近似代表整個(gè)特征空間，若所有待診斷數(shù)控機(jī)床故障樣本屬于同一類，則說明根節(jié)點(diǎn)也是葉節(jié)點(diǎn)，即=，那么模糊劃分算法直接結(jié)束，否則繼續(xù)執(zhí)行下一步。

(2)如果故障數(shù)據(jù)節(jié)點(diǎn)不滿足葉節(jié)點(diǎn)判別條件，那么整個(gè)機(jī)床故障特征空間將產(chǎn)生兩個(gè)子節(jié)點(diǎn)。

(3)判斷所生成的子節(jié)點(diǎn)是否滿足葉節(jié)點(diǎn)判別條件，即判別是否具有與相等的能力，則在機(jī)床故障特征空間進(jìn)行取樣，并確定所有樣本是否屬于同一故障類別。若屬于則保留該節(jié)點(diǎn)；若不屬于則重復(fù)第(2)步；若=恒成立，則整個(gè)機(jī)床故障特征空間內(nèi)所有節(jié)點(diǎn)均為葉節(jié)點(diǎn)，模糊劃分算法結(jié)束。具體判別定義如公式(7)所示：

(7)

式中:為與數(shù)控機(jī)床故障特征空間相關(guān)的模糊性診斷數(shù)據(jù)定標(biāo)量。

3.2 故障診斷樣本的組織

在特征空間模糊劃分原則的作用下，數(shù)控機(jī)床故障診斷樣本基本可映射成一個(gè)獨(dú)立的5層前向網(wǎng)絡(luò)組織,如圖3所示。其中，第1層為輸入層，負(fù)責(zé)傳入數(shù)控機(jī)床故障樣本數(shù)據(jù)；第2層為模糊化層,可根據(jù)故障診斷數(shù)據(jù)樣本之間的模糊性規(guī)劃關(guān)系，確定下一次輸出節(jié)點(diǎn)所處的實(shí)際位置；第3層為規(guī)則層，可根據(jù)輸入機(jī)床故障樣本之間的乘積關(guān)系，確定輸出樣本與輸入樣本之間的可信度關(guān)系，如公式(8)所示。

(8)

其中:、分別代表與和相關(guān)的乘積運(yùn)算規(guī)則;+代表滿足當(dāng)前乘積規(guī)則的數(shù)控機(jī)床故障樣本數(shù)據(jù)。

第4層為清晰化層，它與規(guī)則層直接相連，負(fù)責(zé)檢測第+個(gè)輸入樣本的有效性。第5層為歸一化層，可在循環(huán)神經(jīng)網(wǎng)絡(luò)的作用下，解決與最終輸出診斷指令相關(guān)的故障數(shù)據(jù)樣本的函數(shù)逼近問題。

圖3 故障診斷樣本組織形式

3.3 規(guī)則可信度率統(tǒng)計(jì)與判別

數(shù)控機(jī)床故障樣本雖可直接用于制定后續(xù)的診斷指令，但由于各種因素的限制及影響，這些數(shù)據(jù)樣本極有可能存在錯(cuò)誤或不全面的地方，因此還需設(shè)置規(guī)則可信度率指標(biāo)，以用于對(duì)機(jī)床故障情況的準(zhǔn)確診斷。所謂規(guī)則可信度，包含數(shù)據(jù)診斷結(jié)果統(tǒng)計(jì)、診斷指令判別兩個(gè)方面，前者主要負(fù)責(zé)函數(shù)參量方面的評(píng)測，而后者則負(fù)責(zé)對(duì)數(shù)控機(jī)床故障類別的發(fā)生可行性進(jìn)行考核。

(1)規(guī)則可信度率統(tǒng)計(jì)。規(guī)定代表根節(jié)點(diǎn)處的數(shù)控機(jī)床故障行為指標(biāo)，代表葉節(jié)點(diǎn)處的數(shù)控機(jī)床故障行為指標(biāo)，聯(lián)立公式(8)，則有：

(9)

(2)規(guī)則可信度率判別。設(shè)定某固定時(shí)刻的故障診斷參數(shù)為′，聯(lián)立、及公式(8)，則有：

(10)

式中:為循環(huán)神經(jīng)網(wǎng)絡(luò)中數(shù)控機(jī)床故障樣本數(shù)據(jù)的響應(yīng)成功率；Δ為故障診斷指令的執(zhí)行時(shí)間。

規(guī)定循環(huán)神經(jīng)網(wǎng)絡(luò)始終保持良好的連接執(zhí)行狀態(tài)，在上述理論依據(jù)的支持下，完成數(shù)控機(jī)床故障診斷的研究。

4 診斷技術(shù)的應(yīng)用

基于循環(huán)神經(jīng)網(wǎng)絡(luò)的數(shù)控機(jī)床故障診斷數(shù)據(jù)完成訓(xùn)練處理之后，應(yīng)采取適當(dāng)量的檢驗(yàn)樣本數(shù)據(jù)對(duì)其進(jìn)行仿真實(shí)驗(yàn)。選取CAK6150型數(shù)控機(jī)床的4組常見故障征兆數(shù)據(jù)作為此次實(shí)驗(yàn)的檢驗(yàn)樣本，即水紋干擾故障()、刀架不動(dòng)作故障()、伺服電動(dòng)機(jī)不動(dòng)作故障()、主軸電機(jī)不動(dòng)作故障()構(gòu)成診斷檢測實(shí)驗(yàn)的樣本空間，具體樣本數(shù)據(jù)信息如表2所示。

表2 數(shù)控機(jī)床故障診斷的檢驗(yàn)數(shù)據(jù)樣本

根據(jù)表1的內(nèi)容建立驗(yàn)證數(shù)據(jù)樣本空間(by simulate_ data.dat)，并將它存儲(chǔ)至指定的網(wǎng)絡(luò)文件內(nèi)，建立循環(huán)型神經(jīng)數(shù)據(jù)矩陣，方便MATLAB檢測軟件對(duì)文件內(nèi)容及不同格式樣本數(shù)據(jù)的讀取。在MATLAB檢測窗口中輸入如下代碼：

%讀取數(shù)控機(jī)床故障數(shù)據(jù)文件

Simulate Data Convert=importdata(‘by simulate_ data.dat′);

Simulate Data=Simulate Data Convert;

%MATLAB的仿真實(shí)驗(yàn)

result=sim(net,Simulate Data);

表3所示為針對(duì)基于循環(huán)神經(jīng)網(wǎng)絡(luò)的數(shù)控機(jī)床故障診斷仿真結(jié)果，表中、、、為網(wǎng)絡(luò)應(yīng)用主機(jī)針對(duì)表2中數(shù)控機(jī)床故障診斷檢驗(yàn)數(shù)據(jù)樣本、、、給出的仿真結(jié)果(輸出值)；而、、、為與數(shù)控機(jī)床故障診斷檢驗(yàn)數(shù)據(jù)樣本、、、對(duì)應(yīng)的標(biāo)準(zhǔn)理論值。

表3 基于循環(huán)神經(jīng)網(wǎng)絡(luò)的數(shù)控機(jī)床故障診斷仿真結(jié)果

分析表3可知：所構(gòu)建的循環(huán)神經(jīng)網(wǎng)絡(luò)環(huán)境相對(duì)較理想，仿真結(jié)果～與標(biāo)準(zhǔn)輸出值～之間的物理差值水平較低，始終控制在0.001內(nèi)，且始終保持相對(duì)收斂的變化狀態(tài)，具備較高的參考價(jià)值。

圖4所示為數(shù)控機(jī)床故障診斷檢驗(yàn)數(shù)據(jù)樣本、、、在等長檢測時(shí)間內(nèi)的均值(出于公平性考慮，圖4中數(shù)據(jù)為11次數(shù)值記錄結(jié)果的平均值)。

圖4 數(shù)控機(jī)床故障診斷檢驗(yàn)數(shù)據(jù)樣本均值

將表3中記錄值與圖4中記錄值進(jìn)行對(duì)比，可知～與～、～與～間的差值均被控制在0.001之內(nèi)，且整個(gè)實(shí)驗(yàn)過程中，并無明顯特殊的樣本數(shù)值出現(xiàn)。綜上可認(rèn)為，基于循環(huán)神經(jīng)網(wǎng)絡(luò)的數(shù)控機(jī)床故障診斷仿真結(jié)果是可信的。

5 結(jié)束語

在循環(huán)神經(jīng)網(wǎng)絡(luò)的作用下，數(shù)控機(jī)床故障診斷技術(shù)借助“門”判別結(jié)構(gòu)，對(duì)機(jī)床設(shè)備的結(jié)構(gòu)及工作原理進(jìn)行深入研究。與此同時(shí)，聯(lián)合模糊性特征空間，完成對(duì)故障診斷樣本的組織，從而得到準(zhǔn)確的規(guī)則可信度率的統(tǒng)計(jì)與判別結(jié)果。仿真結(jié)果表明：隨著循環(huán)神經(jīng)網(wǎng)絡(luò)應(yīng)用環(huán)境的逐漸完善，CAK6150型數(shù)控機(jī)床故障輸出值與理論值間的差值始終能夠保持相對(duì)穩(wěn)定，可以較好地滿足實(shí)際應(yīng)用需求。