基于功率信息的機(jī)床設(shè)備綜合效率智能識(shí)別方法

何 凱，李洪丞，曹華軍，陳二恒，黃弟勝

(1.重慶大學(xué) 機(jī)械傳動(dòng)國家重點(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)

機(jī)床作為工業(yè)母機(jī)，在制造業(yè)中被廣泛使用。目前中國機(jī)械制造業(yè)擁有機(jī)床約700多萬臺(tái)，其數(shù)量居世界第一[1]，但機(jī)床存在能耗高、效率低等問題，以每臺(tái)機(jī)床的平均功率為10 kW為例，其總功率約為7 000萬 kW，是世界上最大的水電站三峽電站總?cè)萘康?倍多[2]。同時(shí)，大量研究表明：機(jī)床在加工過程中其能量利用率通常低于30%[3]，其中有很大一部分能源用于設(shè)備待機(jī)、空載等非增值活動(dòng)。因此，需要關(guān)注設(shè)備的利用效率，對(duì)設(shè)備運(yùn)行狀態(tài)、設(shè)備性能進(jìn)行分析，從而提高設(shè)備綜合效率，實(shí)現(xiàn)設(shè)備在生產(chǎn)過程中節(jié)約能源，降低企業(yè)成本的目標(biāo)。

設(shè)備綜合效率是衡量生產(chǎn)設(shè)備運(yùn)行狀況的關(guān)鍵指標(biāo)，是分析制造系統(tǒng)效率的有效方法。目前針對(duì)設(shè)備綜合效率已有大量研究，王霆宇等[4]利用人工方式對(duì)所需數(shù)據(jù)進(jìn)行采集，并對(duì)設(shè)備綜合效率進(jìn)行分析，以某汽車零部件制造企業(yè)為例，對(duì)其生產(chǎn)設(shè)備進(jìn)行設(shè)備損失評(píng)估；吳鑫森[5]通過機(jī)床可編程邏輯控制器(PLC, programmable logic controller)獲取設(shè)備綜合效率所需數(shù)據(jù)，并開發(fā)了對(duì)應(yīng)的機(jī)床設(shè)備生產(chǎn)管理系統(tǒng)；Posteuca等[6]采用機(jī)床PLC獲取設(shè)備綜合效率所需數(shù)據(jù)，并以加工成本為目標(biāo)提出了可持續(xù)改進(jìn)的設(shè)備有效性評(píng)估方法。然而，上述研究主要基于機(jī)床控制系統(tǒng)的PLC數(shù)據(jù)或人工采集的生產(chǎn)信息對(duì)設(shè)備綜合效率進(jìn)行識(shí)別，其中通過PLC采集數(shù)據(jù)的方式常受制于異構(gòu)設(shè)備及其控制系統(tǒng)，其可行性取決于設(shè)備生產(chǎn)商的授權(quán)開放程度，故應(yīng)用范圍受限；而采用人工采集方式則存在數(shù)據(jù)誤報(bào)、錯(cuò)漏以及采集成本高等問題。針對(duì)上述問題需要提出一種不受設(shè)備類型、操作系統(tǒng)約束的方法，以實(shí)現(xiàn)設(shè)備運(yùn)行狀及設(shè)備綜合效率的智能識(shí)別與監(jiān)測(cè)。

功率信息作為反映設(shè)備運(yùn)行狀態(tài)的關(guān)鍵指數(shù)，具有采集簡便、信息量大的特點(diǎn)，被廣泛用于分析機(jī)床加工過程中的運(yùn)行狀態(tài)[7]。Deshpande等[8]基于機(jī)床功率信息，量化了機(jī)床在不同運(yùn)行狀態(tài)下的持續(xù)時(shí)間，通過智能傳感器對(duì)機(jī)床的停機(jī)、待機(jī)、加工等狀態(tài)進(jìn)行判定，并對(duì)機(jī)床能耗成本進(jìn)行了分析，但該研究對(duì)機(jī)床狀態(tài)的識(shí)別采用侵入式方式，存在識(shí)別狀態(tài)單一的問題；Chiotellis等[9]開發(fā)了基于功率信息來識(shí)別數(shù)控銑床運(yùn)行狀態(tài)的應(yīng)用程序，該程序運(yùn)用特定狀態(tài)功率閾值和動(dòng)態(tài)時(shí)間扭曲相似度方法實(shí)現(xiàn)，因此其閾值選擇對(duì)運(yùn)行狀態(tài)識(shí)別的準(zhǔn)確度非常關(guān)鍵，而該閾值由專家經(jīng)驗(yàn)知識(shí)確定，受人為因素影響較大。Zheng等[10]通過建立設(shè)備運(yùn)行狀態(tài)與功率曲線的關(guān)系，提取機(jī)床功率信息的時(shí)域特征，建立功率特征模型，實(shí)現(xiàn)了對(duì)機(jī)床運(yùn)行狀態(tài)在線識(shí)別；O’Driscoll等[11]通過采用非侵入式智能傳感器，在機(jī)床電能輸入端獲取功率信息，并提取其時(shí)域特征識(shí)別機(jī)床運(yùn)行狀態(tài)。然而，功率信息不僅具有時(shí)域特征，而且具有頻域特征，信號(hào)的時(shí)頻域特性是其固定的表現(xiàn)形式，文獻(xiàn)[10-11]僅對(duì)功率信息的時(shí)域特性進(jìn)行分析，只能表征信息的形狀變化。因此，得到的統(tǒng)計(jì)值并不能對(duì)功率信息進(jìn)行全面反應(yīng)，將影響狀態(tài)識(shí)別的準(zhǔn)確性。

綜上，筆者提出一種基于功率信息的設(shè)備綜合效率智能識(shí)別方法。該方法綜合考慮功率信息的時(shí)域和頻域特性，基于主成分分析法與最近鄰算法對(duì)設(shè)備運(yùn)行狀態(tài)持續(xù)時(shí)間及加工件數(shù)進(jìn)行量化，并集成制造企業(yè)生產(chǎn)過程執(zhí)行系統(tǒng)(MES, manufacturing execution system)實(shí)現(xiàn)設(shè)備綜合效率識(shí)別。該方法通過功率信息直接獲取設(shè)備綜合效率關(guān)鍵參數(shù)，可減少因獲取控制系統(tǒng)授權(quán)而產(chǎn)生的成本，同時(shí)對(duì)功率信息的獲取采用非侵入式方法，其移植簡便，具有普適性，并基于采集的功率信息采用監(jiān)督學(xué)習(xí)方法可準(zhǔn)確對(duì)運(yùn)行狀態(tài)、加工件數(shù)等進(jìn)行識(shí)別。

1 設(shè)備綜合效率監(jiān)測(cè)指標(biāo)

設(shè)備綜合效率由Nakajima[12]首次提出，用于定義降低設(shè)備效率的損失，該損失可分為六大類，如圖1所示。設(shè)備綜合效率確定了生產(chǎn)時(shí)間中實(shí)際增值生產(chǎn)的百分比，有助于確定生產(chǎn)過程中的損失以及其他間接的隱性成本[13]。其優(yōu)勢(shì)在于將生產(chǎn)過程中的不同影響因素集中于單一的標(biāo)準(zhǔn)上，是設(shè)備時(shí)間稼動(dòng)率、性能稼動(dòng)率、產(chǎn)品合格率3個(gè)指標(biāo)的函數(shù)[14]。

如圖1所示，時(shí)間稼動(dòng)率用于體現(xiàn)生產(chǎn)過程中設(shè)備由于故障、操作異常、加工產(chǎn)品切換等原因造成的計(jì)劃外停機(jī)及設(shè)備安裝、調(diào)試所造成的損失，其主要評(píng)估設(shè)備的使用和生產(chǎn)效率，表征停機(jī)損失對(duì)設(shè)備效能的影響。性能稼動(dòng)率用于體現(xiàn)設(shè)備在生產(chǎn)過程中的整體性能情況，主要表征速度損失對(duì)設(shè)備效能的影響。產(chǎn)品合格率則是加工產(chǎn)品合格數(shù)與總加工產(chǎn)品數(shù)的比值，主要表征生產(chǎn)過程中質(zhì)量損失對(duì)設(shè)備效能的影響。

圖1 設(shè)備綜合效率指標(biāo)及其反映的損失Fig. 1 Indicators of overall equipment effectiveness and the loss reflected

綜上，設(shè)備綜合效率是一種簡單實(shí)用的管理工具，可通過簡單指標(biāo)對(duì)實(shí)際生產(chǎn)過程中的復(fù)雜問題進(jìn)行簡化闡述。設(shè)備綜合效率使得識(shí)別機(jī)床生產(chǎn)過程中的相關(guān)問題更加容易，可對(duì)機(jī)床運(yùn)行狀況及其生產(chǎn)產(chǎn)品的質(zhì)量進(jìn)行有效跟蹤，不僅可以幫助管理者直觀地發(fā)現(xiàn)生產(chǎn)中存在的六大損失，及時(shí)發(fā)現(xiàn)故障并降低故障成本，而且可提供結(jié)構(gòu)化的設(shè)備生產(chǎn)狀況信息，將損失類型與實(shí)際情況相結(jié)合，有側(cè)重地對(duì)最重要的損失環(huán)節(jié)進(jìn)行改善。因此，對(duì)設(shè)備綜合效率的智能識(shí)別可對(duì)當(dāng)前生產(chǎn)效率進(jìn)行衡量，使生產(chǎn)決策朝著最有利于產(chǎn)品質(zhì)量和經(jīng)濟(jì)能源效益的方向進(jìn)行，從而挖掘出最大的生產(chǎn)潛力，最大化提高資源和設(shè)備的利用率。

2 設(shè)備綜合效率智能識(shí)別方法

設(shè)備綜合效率計(jì)算涉及的關(guān)鍵參數(shù)有實(shí)際運(yùn)行時(shí)間、計(jì)劃運(yùn)行時(shí)間、理論加工周期、加工件數(shù)與不合格件數(shù)。其中，理論加工周期一般與生產(chǎn)流程、設(shè)備工藝參數(shù)有關(guān)，計(jì)劃運(yùn)行時(shí)間為車間計(jì)劃的班次時(shí)間，不合格件數(shù)由自檢員進(jìn)行統(tǒng)計(jì)，這些參數(shù)可通過MES系統(tǒng)直接獲取，因此，獲取實(shí)際運(yùn)行時(shí)間與加工件數(shù)是文中設(shè)備綜合效率智能識(shí)別方法的核心內(nèi)容。其中實(shí)際運(yùn)行時(shí)間通過識(shí)別機(jī)床運(yùn)行狀態(tài)量化，加工件數(shù)根據(jù)加工時(shí)間段內(nèi)距離匹配識(shí)別。具體步驟如圖2所示。

圖2 設(shè)備綜合效率智能識(shí)別方法邏輯框圖Fig. 2 Flow chart of the intelligent identification approach for OEE

2.1 數(shù)據(jù)預(yù)處理

在采用功率傳感器獲取功率信息時(shí)，功率信息會(huì)摻雜其他設(shè)備造成的干擾信號(hào)，因此，其采集的信息中含有較大成分的尖峰毛刺噪聲，會(huì)影響智能識(shí)別結(jié)果的準(zhǔn)確性，故需要采取濾波措施對(duì)功率信息進(jìn)行預(yù)處理，減少噪聲的干擾[15]。常用的預(yù)處理方法有移動(dòng)平均值濾波、限幅濾波、小波變換等。相比移動(dòng)平均值濾波和限幅濾波，小波變換在處理含噪信息時(shí)具有效率較高、計(jì)算量較小、不易失真的特點(diǎn)，且具有良好的時(shí)頻特性，能在有效消除高頻隨機(jī)噪聲的同時(shí)最大限度保留采集信號(hào)的原始特征[16]。因此，文中采用小波變換對(duì)機(jī)床采集的功率信息進(jìn)行預(yù)處理。其采集的原始功率信息由f(k)表示，包含有效信號(hào)a(t)和噪聲信號(hào)d(t)，為

f(k)=a(t)+d(t)。

(1)

小波變換濾波的基本思路：首先選擇合適的小波基對(duì)輸入數(shù)據(jù)進(jìn)行分解，然后對(duì)高頻系數(shù)進(jìn)行處理，最后重構(gòu)高頻系數(shù)與低頻系數(shù)得到濾波之后的有效數(shù)據(jù)。其濾波過程如圖3所示。

圖3 小波變換去噪過程Fig. 3 The process of wavelet denoising

圖4 小波變換分解與重構(gòu)示意圖Fig. 4 Schematic diagram of decomposition and reconstruction for wavelet transform

圖5 功率信息預(yù)處理前后對(duì)比圖Fig. 5 Comparison of power information before and after pre-processing

(2)

(3)

2.2 實(shí)際運(yùn)行時(shí)間獲取

通過采用監(jiān)督學(xué)習(xí)方法對(duì)運(yùn)行狀態(tài)進(jìn)行識(shí)別，以量化機(jī)床加工過程中的實(shí)際運(yùn)行時(shí)間。首先對(duì)訓(xùn)練數(shù)據(jù)進(jìn)行切塊標(biāo)記，提取其時(shí)頻域特征，得到設(shè)備運(yùn)行狀態(tài)的特征向量，構(gòu)建特征向量矩陣，接著將特征向量進(jìn)行標(biāo)準(zhǔn)化處理并降維，建立狀態(tài)匹配庫。然后將測(cè)試數(shù)據(jù)進(jìn)行分析與處理，采用最近鄰算法進(jìn)行分類，以識(shí)別其表征的運(yùn)行狀態(tài)。最后量化運(yùn)行狀態(tài)持續(xù)時(shí)間，計(jì)算時(shí)間稼動(dòng)率。

2.2.1 特征向量構(gòu)建

根據(jù)文獻(xiàn)[10-12]及機(jī)床功率特性，文中基于功率信息的時(shí)域分析，提取均方根、絕對(duì)均值、標(biāo)準(zhǔn)差、波形峰值、波峰因素、波形因素、峰度等時(shí)域特征指標(biāo)；基于功率信息的頻域分析，提取重心頻率、均方頻率、均方根頻率及頻率方差等功率譜特征；基于時(shí)頻域分析，功率信息經(jīng)過小波變換與重構(gòu)后，提取其能量特征，作為所構(gòu)建特征向量的時(shí)頻域特征指標(biāo)。文中選取的特征值如表1所示，則所建立的特征向量為

表1 特征向量關(guān)鍵參數(shù)

X=(Prms,Pavg,Pstd,Pmax,Pcf,Pff,Pkur,PRMSF,PVF,PFC,PEd1,PEd2,PEd3)T。

(4)

2.2.2 特征提取

訓(xùn)練數(shù)據(jù)建立的特征向量矩陣n×13維，記作Ω，其傳遞的信息能夠?qū)\(yùn)行狀態(tài)全面、準(zhǔn)確地表征。雖然多維特征為運(yùn)行狀態(tài)識(shí)別提供了豐富全面的信息，但也會(huì)影響數(shù)據(jù)處理速度以及分類的準(zhǔn)確性；若對(duì)特征向量中特征值進(jìn)行單個(gè)分析，則會(huì)丟失向量整體所代表的信息。因此，有必要降低特征向量的維度。由于不同的特征值其單位與尺度不同，為消除這種差異帶來的影響，文中在降維之前利用式(5)對(duì)特征向量進(jìn)行標(biāo)準(zhǔn)化。

(5)

目前常用的降維算法主要有主成分分析法、線性判別分析法、t分布隨機(jī)鄰域嵌入法等。主成分分析法的降維過程可用線性變換表示，這為后續(xù)運(yùn)行狀態(tài)識(shí)別提供基礎(chǔ)，且可以實(shí)現(xiàn)在低維空間盡可能多地保存原有數(shù)據(jù)信息。因此，為了在降低數(shù)據(jù)維數(shù)的同時(shí)保持?jǐn)?shù)據(jù)的差異性與局部結(jié)構(gòu)，文中采用主成分分析法對(duì)特征向量降維，將高維數(shù)據(jù)以低維表征。主成分分析法的核心思想即矩陣的主成分是其協(xié)方差矩陣的特征向量，核心步驟是獲取協(xié)方差矩陣的特征值與特征向量。獲取的低維數(shù)據(jù)其維數(shù)由前k個(gè)主成分累計(jì)貢獻(xiàn)值決定，文中選取的貢獻(xiàn)率為90%。主成分分析算法流程如圖6所示，其中U為矩陣Ω的協(xié)方差矩陣，S則是協(xié)方差矩陣特征值的平方根。在對(duì)訓(xùn)練數(shù)據(jù)降維后，保存協(xié)方差矩陣U，以此矩陣對(duì)及測(cè)試數(shù)據(jù)進(jìn)行降維。

圖6 主成分分析算法流程圖Fig. 6 Flow chart of principal component analysis algorithm

2.2.3 運(yùn)行時(shí)間獲取

(6)

采用距離加權(quán)投票法對(duì)未知樣本進(jìn)行類別判定，其原理為

(7)

實(shí)現(xiàn)測(cè)試數(shù)據(jù)狀態(tài)識(shí)別的具體過程如下：通過實(shí)驗(yàn)獲取已知狀態(tài)的功率數(shù)據(jù)，將其作為訓(xùn)練數(shù)據(jù)并為其中的每類狀態(tài)設(shè)置標(biāo)簽“s”、“i”、“c”、“d”。其中待機(jī)狀態(tài)標(biāo)記為“s”，空載狀態(tài)標(biāo)記為“i”，切削狀態(tài)標(biāo)記為“c”，停機(jī)狀態(tài)標(biāo)記為“d”。然后對(duì)標(biāo)記數(shù)據(jù)進(jìn)行特性分析與特征提取，構(gòu)建狀態(tài)匹配庫，并將其作為后續(xù)狀態(tài)分類的依據(jù)。對(duì)實(shí)時(shí)采集的未知狀態(tài)功率數(shù)據(jù)，首先判斷功率值是否為0，從而對(duì)“d”類狀態(tài)進(jìn)行識(shí)別。對(duì)測(cè)試數(shù)據(jù)進(jìn)行與訓(xùn)練數(shù)據(jù)相同的處理，得到能夠反映加工狀態(tài)的特征向量，依據(jù)狀態(tài)匹配庫，利用最近鄰算法對(duì)得到的特征向量進(jìn)行狀態(tài)識(shí)別，詳細(xì)過程為：計(jì)算出與未知數(shù)據(jù)最近的“s”、“i”、“c”類狀態(tài)的個(gè)數(shù)，依據(jù)加權(quán)投票法確定未知數(shù)據(jù)狀態(tài)。由于狀態(tài)持續(xù)時(shí)間與采集的功率信息序列長度成正比，故在識(shí)別運(yùn)行狀態(tài)之后，可由序列長度對(duì)各狀態(tài)持續(xù)時(shí)間進(jìn)行量化，其時(shí)間稼動(dòng)率為

(8)

式中：A為時(shí)間稼動(dòng)率；Tac為實(shí)際運(yùn)行時(shí)間；Tpl為計(jì)劃運(yùn)行時(shí)間。

2.3 加工件數(shù)獲取

文中在量化運(yùn)行狀態(tài)持續(xù)時(shí)間的基礎(chǔ)上，對(duì)相應(yīng)加工時(shí)間段內(nèi)的功率信息進(jìn)行分析，建立加工周期特征向量，利用馬氏距離對(duì)形成的特征向量進(jìn)行匹配，以獲取加工件數(shù)，其流程如圖7所示。

圖7 加工件數(shù)識(shí)別方法Fig. 7 Identification method of the quantity of processing

算法過程如下：首先對(duì)訓(xùn)練數(shù)據(jù)中完整加工周期的功率信息進(jìn)行特征提取，得到n個(gè)可代表完整加工周期的特征模板向量P={p1,p2, …,p13}，對(duì)其進(jìn)行標(biāo)記。對(duì)n個(gè)模板向量兩兩之間采用馬氏距離進(jìn)行匹配，獲得n(n-1)/2個(gè)距離，可表示如{δ1,δ2, …,δn(n-1)/2}，選擇其中的最大值δmax作為閾值。然后采用滑動(dòng)移窗方式對(duì)測(cè)試數(shù)據(jù)進(jìn)行特征提取，建立加工周期特征向量C={c1,c2, …,c13}。最后采用馬氏距離對(duì)已知標(biāo)簽的特征向量P和未知標(biāo)簽的特征向量C進(jìn)行匹配，得到距離δ。若δ≤δmax，則判定匹配成功，否則匹配不成功。匹配成功即表示設(shè)備成功加工一件產(chǎn)品，并完成加工件數(shù)進(jìn)行累計(jì)，然后以該次加工周期作為間隔進(jìn)行移窗，繼續(xù)進(jìn)行匹配；匹配不成功即該窗口的功率信息不是完整或相似的加工周期，以默認(rèn)移窗間隔移窗，繼續(xù)驗(yàn)證匹配。循環(huán)以上步驟，直到完成加工時(shí)間段內(nèi)所有功率數(shù)據(jù)分析。為保證未知樣本數(shù)據(jù)完整地體現(xiàn)產(chǎn)品加工周期，默認(rèn)移窗間隔設(shè)置為10，其窗口大小取該臺(tái)設(shè)備的理論加工周期。對(duì)加工件數(shù)進(jìn)行統(tǒng)計(jì)之后，結(jié)合MES系統(tǒng)獲取的機(jī)床生產(chǎn)信息，由式(9)與式(10)對(duì)性能稼動(dòng)率與產(chǎn)品合格率進(jìn)行計(jì)算。

(9)

(10)

式中：P為性能稼動(dòng)率；Ct為理論加工周期；Np為加工件數(shù)；Q為產(chǎn)品合格率；Nd為不合格產(chǎn)品數(shù)。

3 應(yīng)用案例

為驗(yàn)證提出方法的有效性和可行性，以銑削加工為例，采用BVH800立式加工中心，通過智能采集終端獲取加工過程中的功率信息及生產(chǎn)信息，并對(duì)其功率信息進(jìn)行分析，其主要步驟如下：首先對(duì)功率信息及機(jī)床生產(chǎn)信息獲取方式進(jìn)行描述。然后，對(duì)銑削加工過程中的功率曲線進(jìn)行分析。最后，運(yùn)用所提出的方法識(shí)別設(shè)備綜合效率，并與試驗(yàn)所得設(shè)備綜合效率進(jìn)行比較分析。

3.1 信息獲取

為實(shí)現(xiàn)立式加工中心的功率信息獲取，搭建了設(shè)備綜合效率監(jiān)測(cè)系統(tǒng)。實(shí)驗(yàn)所需功率信息通過在機(jī)床電能輸入端安裝功率傳感器獲取，功率傳感器型號(hào)為Siemens PAC3200，采樣頻率為40 Hz；機(jī)床參數(shù)信息及生產(chǎn)信息由監(jiān)測(cè)系統(tǒng)集成MES系統(tǒng)獲取。其中立式加工中心參數(shù)信息如圖8(a)所示,功率傳感器及采集終端如圖8(b)所示，加工零件及圖紙如圖8(c)所示。

圖8 BVH800機(jī)床參數(shù)、采集終端及加工零件Fig. 8 Machine parameters, acquisition terminals and processing parts of BVH800

3.2 功率曲線分析

通過對(duì)采集的功率信息進(jìn)行分析，其功率曲線特征如圖9所示，BVH800立式加工中心啟動(dòng)之后到完整加工結(jié)束，其功率幅值波動(dòng)較大，具備較高識(shí)別特性。當(dāng)啟動(dòng)之后即進(jìn)入待機(jī)狀態(tài)，待機(jī)下的功率幅值基本保持穩(wěn)定，這是因?yàn)樵摖顟B(tài)下機(jī)床的功率值由其本身性能所決定，而與外界影響因素?zé)o關(guān)，此時(shí)機(jī)床功率為待機(jī)功率Pst。之后機(jī)床主軸啟動(dòng)，刀具空轉(zhuǎn)，機(jī)床功率處于短期平穩(wěn)。隨后機(jī)床開始走刀，對(duì)工件銑削時(shí)，其消耗功率較平穩(wěn)，此時(shí)機(jī)床切削功率包括空載功率Pu、輔助系統(tǒng)功率Pau、切削功率Pc、附加載荷功率Pad等。加工完成后，機(jī)床主軸減速并進(jìn)入待機(jī)狀態(tài)。該過程即為一個(gè)工件的完整加工周期。

圖9 銑削加工過程功率曲線特征Fig. 9 Characteristics of power curve in milling process

從功率信息的時(shí)間維度與幅值維度來看，整個(gè)加工過程主要包括啟動(dòng)、待機(jī)、主軸加減速、空載、切削、停機(jī)狀態(tài)。其功率幅值變化大，加工周期性強(qiáng)，為文中的研究奠定了基礎(chǔ)。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tms、主軸加速時(shí)間tacc及減速時(shí)間tecc持續(xù)時(shí)間較短，對(duì)識(shí)別與監(jiān)測(cè)設(shè)備綜合效率的主要目的影響較小，因此文中主要對(duì)待機(jī)、空載、切削、停機(jī)4種狀態(tài)進(jìn)行識(shí)別，并量化其持續(xù)時(shí)間。

3.3 設(shè)備綜合效率智能識(shí)別

3.3.1 數(shù)據(jù)訓(xùn)練

為驗(yàn)證所提設(shè)備綜合效率智能識(shí)別方法，采集訓(xùn)練數(shù)據(jù)與測(cè)試數(shù)據(jù)，訓(xùn)練數(shù)據(jù)用于建立狀態(tài)匹配庫，測(cè)試數(shù)據(jù)用于驗(yàn)證所提方法。其中訓(xùn)練數(shù)據(jù)已知狀態(tài)，且包含多個(gè)完整加工周期的待機(jī)、空載 、切削、停機(jī)狀態(tài)下數(shù)據(jù)，并對(duì)這4類數(shù)據(jù)分別設(shè)置標(biāo)簽為“s”、“i”、“c”、“d”；測(cè)試數(shù)據(jù)為未知狀態(tài)的數(shù)據(jù)，對(duì)其不進(jìn)行任何標(biāo)記。

首先，對(duì)上述訓(xùn)練數(shù)據(jù)進(jìn)行預(yù)處理。然后對(duì)數(shù)據(jù)功率特性進(jìn)行分析，提取其時(shí)頻域特征，建立特征向量X，由此構(gòu)建帶有標(biāo)簽的可表征運(yùn)行狀態(tài)的特征向量矩陣Ω。利用主成分分析法對(duì)該矩陣進(jìn)行特征提取，則可獲得狀態(tài)匹配庫及該降維過程的協(xié)方差矩陣U。在特征向量矩陣降維過程中，其主成分的累計(jì)方差貢獻(xiàn)值如圖10所示。由圖可知，當(dāng)降到2維時(shí)，選擇最重要的2個(gè)成分已能夠表達(dá)出原始特征91.60%的信息，因此文中選擇將特征降到2維。對(duì)訓(xùn)練數(shù)據(jù)降維的可視化如圖11所示，由圖可知3類狀態(tài)具有較明確的邊界線，具有良好的降維效果。

圖10 主成分累計(jì)方差貢獻(xiàn)值Fig. 10 Principal component cumulative variance contribution value

圖11 訓(xùn)練數(shù)據(jù)降維后效果Fig.11 The effect of dimension reduction of training data

隨后利用交叉驗(yàn)證法對(duì)狀態(tài)匹配庫進(jìn)行分析，以確定最近鄰算法分類中的k值，得到的分類誤差曲線如圖12。由圖可知當(dāng)k值由0不斷增大時(shí)，誤差率先降低，在k=4時(shí)，其誤差率達(dá)到最小，之后誤差率逐步上升，由于k值取偶數(shù)時(shí)不利于分類，因此文中k值選擇3。

圖12 不同k值下分類算法的誤差率曲線Fig. 12 The profile of error for classification algorithm under different k values

3.3.2 結(jié)果分析

對(duì)測(cè)試數(shù)據(jù)進(jìn)行預(yù)處理，依據(jù)訓(xùn)練數(shù)據(jù)中獲取的協(xié)方差矩陣對(duì)其進(jìn)行特征提取，并根據(jù)狀態(tài)匹配庫，采用KNN算法對(duì)測(cè)試數(shù)據(jù)進(jìn)行狀態(tài)識(shí)別，量化運(yùn)行狀態(tài)持續(xù)時(shí)間，采用馬氏距離對(duì)加工時(shí)間段內(nèi)功率數(shù)據(jù)進(jìn)行匹配，得到的相關(guān)參數(shù)信息如表2。由于在對(duì)功率信息進(jìn)行提取時(shí)，部分待機(jī)信息與主軸加減速信息混合到一起進(jìn)行分析，導(dǎo)致誤將主軸加減速識(shí)別為待機(jī)狀態(tài)，故智能識(shí)別方法量化的待機(jī)時(shí)間比實(shí)驗(yàn)記錄的長；而停機(jī)狀態(tài)時(shí)間的減少則是由于在提出的方法中，將機(jī)床啟動(dòng)與停機(jī)時(shí)的功率突變值誤與停機(jī)數(shù)據(jù)混合到一起，在對(duì)其分析時(shí)，判斷為待機(jī)狀態(tài)；切削時(shí)間不同則是由于將換刀過程的功率信息誤判為空載信息；工件數(shù)量不同則是由于算法誤差導(dǎo)致。

表2 設(shè)備綜合效率識(shí)別關(guān)鍵參數(shù)

結(jié)合表2參數(shù)與MES系統(tǒng)獲取的機(jī)床生產(chǎn)信息，依據(jù)式(8)～式(10)，得到的設(shè)備綜合效率及其指標(biāo)理論值與實(shí)際值如表3，其中由MES系統(tǒng)獲取的計(jì)劃運(yùn)行時(shí)間為30 min，理論加工周期為1.5 min/件，不合格產(chǎn)品數(shù)為1件。綜合分析各指標(biāo)及設(shè)備運(yùn)行狀態(tài)持續(xù)時(shí)間，得出文中所提出方法與實(shí)際中的誤差如下：時(shí)間稼動(dòng)率誤差為1.13%，性能稼動(dòng)率誤差為4.38%，產(chǎn)品合格率誤差為0.37%，設(shè)備綜合效率誤差為4.99%。

表3 設(shè)備綜合效率指標(biāo)

4 結(jié)束語

針對(duì)現(xiàn)有方法在獲取設(shè)備綜合效率指標(biāo)時(shí)存在難度大、成本高、普適性差的問題，筆者提出一種設(shè)備綜合效率智能識(shí)別方法。該方法通過提取時(shí)頻域特征，采用主成分分析法和最近鄰算法，對(duì)功率信息進(jìn)行綜合分析及處理。通過建立采樣周期特征向量、加工周期特征向量和狀態(tài)匹配庫，可實(shí)現(xiàn)對(duì)設(shè)備加工狀態(tài)的智能識(shí)別以及時(shí)間稼動(dòng)率、性能稼動(dòng)率與產(chǎn)品合格率指標(biāo)的計(jì)算，從而得到設(shè)備綜合效率。該方法通過對(duì)運(yùn)行狀態(tài)時(shí)間，設(shè)備綜合效率及其指標(biāo)進(jìn)行計(jì)算和分析，可綜合反映設(shè)備生產(chǎn)過程中的停機(jī)損失、速度損失、不良損失，為機(jī)械加工車間提供一種設(shè)備綜合效率非侵入式監(jiān)測(cè)與評(píng)估方法，降低了傳統(tǒng)方法的成本，提高了方法通用性。