基于深度學習的數(shù)控機床智能化研究進展

曹澤,劉福聰,閻兵

天津職業(yè)技術(shù)師范大學;天津市高端智能數(shù)控機床工程研究中心

1 引言

深度學習因具有強大的特征提取能力和降低人為提取特征值產(chǎn)生誤差的能力而被廣泛應用在圖像處理、語音識別、自然語言處理等領(lǐng)域。機床加工工藝誤差是影響機床加工精度的主要原因,誤差的數(shù)學模型難以統(tǒng)一,但隨著深度學習技術(shù)的發(fā)展,一種基于深度學習的機床圓軌跡誤差識別方法實現(xiàn)了智能溯因。該技術(shù)不但提高了識別正確率,而且在適用性和可靠性方面也有較強的表現(xiàn),為快速診斷機床誤差源提供了支持。眾多學者在數(shù)控機床的各個領(lǐng)域展開深度學習應用的相關(guān)研究,其中主要包括誤差補償、主軸診斷、刀具狀態(tài)檢測等內(nèi)容,所應用的方法大都是對卷積神經(jīng)網(wǎng)絡、長短時記憶網(wǎng)絡和深度神經(jīng)網(wǎng)絡等模型的拓展與開發(fā)。因為機床屬于多學科綜合產(chǎn)物,任何部位產(chǎn)生問題都會對機床的加工精度、加工效率產(chǎn)生影響,所以引入深度學習是必然趨勢。

2 深度學習技術(shù)

2.1 CNN卷積神經(jīng)網(wǎng)絡

CNN卷積神經(jīng)網(wǎng)絡[1]是一類包括卷積算法且具有深度結(jié)構(gòu)的前饋神經(jīng)網(wǎng)絡,是深度學習的代編算法之一。其基本結(jié)構(gòu)分為輸入、卷積層、池化層、全連接層和Softmax輸出(見圖1)。

圖1 卷積神經(jīng)網(wǎng)絡

卷積層中每一個神經(jīng)元都與前一層的局部感受域相連接,卷積核以特定的步長對輸入數(shù)據(jù)進行遍歷學習,從而實現(xiàn)權(quán)值共享,再通過卷積運算和非線性激活提取原始信號中不同層次的特征進行輸出映射,每個輸出映射可以是多個輸入映射的組合,其中,底層提取低級特征,高層提取高級特征。在卷積運算完成后輸出,再由激活函數(shù)進行運算,將運算結(jié)果傳送至池化層。池化層常見的池化方法為最大池化法和平均池化法,其中每個特征面都只對應前一卷積層的唯一特征面。通過池化層操作可以使特征提取擁有一定的自由性,同時降低輸入特征維度,減少參數(shù)數(shù)量,有效提高運算效率。全連接層對卷積層和池化層處理后的高信息特征進行整理綜合,根本上是利用線性方程所對應的特征面對輸入進行擬合,實現(xiàn)分類決策,再通過Softmax邏輯回歸對信息進行多分類處理,輸出預測的結(jié)果。

2.2 DNN深度神經(jīng)網(wǎng)絡

深度神經(jīng)網(wǎng)絡是深度學習的算法之一[2],其基本結(jié)構(gòu)按不同層的位置可以分為輸入層、隱藏層和輸出層。層與層之間采用全連接的連接方式,一般情況下第一層為輸入層,最后一層為輸出層,圖2為深度神經(jīng)網(wǎng)絡的結(jié)構(gòu)。深度神經(jīng)網(wǎng)絡是淺層神經(jīng)網(wǎng)絡的拓展,可以對復雜的非線性系統(tǒng)建模,其多出的層次為模型提供了更高的抽象層次,提高了模型的能力。

圖2 深度神經(jīng)網(wǎng)絡

2.3 LSTM長短時記憶網(wǎng)絡

長短時記憶網(wǎng)絡[3]是一種全互聯(lián)的循環(huán)式神經(jīng)網(wǎng)絡,神經(jīng)元之間有反饋鏈接,能夠動態(tài)記憶歷史信息,在學習新信息的同時長時間保留歷史信息,其結(jié)構(gòu)見圖3。

圖3 長短時記憶網(wǎng)絡

如圖所示,每一個LSTM隱含層含有一個記憶單元,分別由輸入門、輸出門、遺忘門和記憶單元四部分組成。通過以上門控單元來控制歷史信息對當前信息的影響程度,使得網(wǎng)絡模型能夠長時間留存并傳遞信息。

3 深度學習在數(shù)控機床誤差檢測與補償方面的應用

隨著機械加工技術(shù)的發(fā)展,對數(shù)控機床所加工零部件的精度要求也越來越高,熱誤差、幾何誤差、運動誤差等都是影響復雜零件加工精度的因素。因此,建立對數(shù)控機床誤差的檢測模型和設計數(shù)控機床誤差補償系統(tǒng),是提高機床加工精度和穩(wěn)定性不可規(guī)避的問題。應用傳統(tǒng)方法進行數(shù)控機床誤差檢測和誤差補償時采用的算法主要有三種:模糊度檢測、信息識別方法和PID控制算法,但是這些方法都有適應性不好、可靠性不高的缺點。引入深度學習提高了誤差檢測模型的適應性和可靠性。

3.1 數(shù)控機床熱誤差檢測與補償

數(shù)控機床中熱誤差所造成的加工誤差有35%～65%,淺層網(wǎng)絡對建立大量監(jiān)測信號與熱誤差之間的映射模型存在一定難度,并且存在適應性和可靠性差的問題。隨著深度學習的發(fā)展,閆文[4]通過電流時域信號與溫度信號進行融合共同構(gòu)成表征信號的方法,構(gòu)建了CNN-DAE深度學習模型,彌補了DAE受限于樣本數(shù)量而導致特征提取能力低的問題。杜柳青等[5,6]通過深度信念網(wǎng)絡對主軸在徑向和軸向方向的熱誤差進行預測,將預測均方根誤差降低到2.2μm,并采用了基于注意力機制的數(shù)控機床熱誤差預測方法,將數(shù)據(jù)轉(zhuǎn)化為圖像作為模型的輸入,充分發(fā)揮深度學習挖掘圖像特征的能力,顯著提高了AM-CNN模型的預測精度和泛化能力。胡杰[7]在深度學習的基礎上引入混沌演化的內(nèi)容構(gòu)建了熱誤差預測模型,通過CE-CNN-GRU預測模型實現(xiàn)熱誤差的預測。張睿[8]通過基于堆疊RBM深度神經(jīng)網(wǎng)絡和GPHA優(yōu)化的BP神經(jīng)網(wǎng)絡構(gòu)建了熱誤差預測和補償模型。王承輝[9]采用SAE-GA-BP熱誤差建模方法,利用模糊聚類算法和黑色關(guān)聯(lián)度分析法選取溫度變量的熱敏感點,通過SAE深度自編碼器選取輸入樣本中的特征值,將BP神經(jīng)網(wǎng)絡參數(shù)通過遺傳算法進行尋優(yōu),顯著提高了模型預測精度。為了解決不同工況下預測精度差異大的問題,李仁杰[10]利用卷積神經(jīng)網(wǎng)絡和長短時記憶網(wǎng)絡建立具有兩條支路的熱誤差預測模型(AM-CNN-LSTM),其中,CNN對圖像化的溫度數(shù)據(jù)進行處理,LSTM對時間序列溫度數(shù)據(jù)進行處理,提升了模型高維數(shù)據(jù)的提取能力,并通過注意力機制對特征進行重要性重構(gòu),提升了熱誤差預測模型的穩(wěn)定性和泛化性。房芳[11]則基于熱圖像的數(shù)控機床主軸熱誤差魯棒建模技術(shù),通過卷積神經(jīng)網(wǎng)絡使誤差檢測模型在不同溫度下均保持80%以上的識別準確率。以上深度學習的拓展應用增強了熱誤差檢測模型的適用性和可靠性,均不同程度提高了識別準確率和計算效率。

3.2 數(shù)控機床幾何誤差和運動誤差檢測與補償

隨著復雜零件制造對數(shù)控機床的加工精度要求越來越高,幾何誤差和運動誤差對數(shù)控機床的可靠性以和穩(wěn)定性有重要的影響。Aguado S.等[12]利用激光干涉儀測量立式加工中心的空間誤差,通過空間誤差模型對機床的所有幾何誤差源進行自動辨識。李寧[13]設計了基于深度強化學習的數(shù)控機床幾何誤差標定與補償系統(tǒng),采用應力分布特征重組的方法進行了數(shù)控機床的輸出載荷計算和結(jié)構(gòu)力學參數(shù)評估,根據(jù)深度學習并依據(jù)約束平面、回轉(zhuǎn)平面的正交特性得到待加工曲面的的曲率優(yōu)化參數(shù)解析矩陣,實現(xiàn)機床的幾何標定與補償,提高了誤差標定精度和控制精度。余永維等[14]基于深度學習框架的運動誤差溯因方法,結(jié)合RPN、R-CNN并共享一個深度卷積神經(jīng)網(wǎng)絡特征提取層來合成深度學習識別系統(tǒng),成功將實際樣本的溯因準確率提升到96%,該方法解決了對大量數(shù)據(jù)處理時傳統(tǒng)數(shù)學模型處理數(shù)據(jù)時間長且準確率低的問題,為數(shù)控機床的精度研究領(lǐng)域提供了一種新的方法和設計思路。

4 深度學習在主軸診斷上的應用

國家的制造水平可以通過數(shù)控機床的技術(shù)水平體現(xiàn),數(shù)控機床的發(fā)展對國家經(jīng)濟、科技、軍事有深遠意義。電主軸作為數(shù)控機床的關(guān)鍵部位,其優(yōu)劣程度直接影響機床的加工精度,傳統(tǒng)診斷方法需要人為提取特征,因此不可避免地導致診斷結(jié)果較差,而引入深度學習能夠解決人為因素導致的故障診斷精度低的問題,在提高診斷效率、提升檢測精度、剩余壽命預測方面應用較多。

4.1 針對樣本量的主軸故障診斷

在數(shù)控機床故障診斷時首先需要對采集的數(shù)據(jù)進行處理,數(shù)據(jù)過多或不足都是故障診斷產(chǎn)生誤差的原因。為了解決故障診斷中標記樣本量小的問題,陳勇等[15]和鄭嘉偉[16]提出基于多傳感器的遷移學習的故障診斷方法和基于CCGAN-DCNN膨脹卷積膠囊網(wǎng)絡的主軸診斷方法,通過對卷積神經(jīng)網(wǎng)絡采用目標類替換輸出層的方法和最優(yōu)網(wǎng)絡提取底層特征的方法,對更高層次的神經(jīng)網(wǎng)絡進行微調(diào),從而提高訓練效率和預測精度,實現(xiàn)樣本量較少情況下的機床主軸狀態(tài)診斷。針對從大量數(shù)據(jù)中難以準確提取敏感特征值這一問題,王強[17]采用智能主軸自主感知方法,通過多傳感器解決了單一傳感器表征能力單一、偶然性高的問題,采用基于LSTM的信息建模方法提高了感知的準確性,并通過貝葉斯理論提高了診斷的置信度,該方法為數(shù)控機床上的智能機器自主感知問題提供了有效的理論依據(jù)。劉啟等[18]通過無監(jiān)督方法對機床狀態(tài)進行聚類,將對大量數(shù)據(jù)進行標記的問題轉(zhuǎn)換為對多類數(shù)據(jù)進行標記的問題,降低了工作人員標記診斷數(shù)據(jù)所花費的時間。以上深度學習模型的應用解決了因樣本數(shù)量少導致的診斷準確率低和數(shù)據(jù)量過高導致的診斷效率低的問題,為解決故障診斷中的數(shù)據(jù)量問題提供了理論參考。

4.2 主軸狀態(tài)檢測模型優(yōu)化

電主軸是數(shù)控機床的關(guān)鍵部件,當電主軸出現(xiàn)故障時會影響機床整體運行的安全性和可靠性。相較于深度學習模型,傳統(tǒng)的故障檢測模型檢測精度和效率低,因此開展基于深度學習的電主軸故障診斷研究具有重要意義。韓婷[19]通過振動信號融合蟻群優(yōu)化CNN的方法和基于小波包改進的蟻群優(yōu)化深度卷積神經(jīng)網(wǎng)絡故障診斷法,分別實現(xiàn)多工況下軸承單一故障狀態(tài)以及復合故障狀態(tài)的診斷和識別。王海龍[20]則通過EEMD和VMD同卷積神經(jīng)網(wǎng)絡結(jié)合方法,即發(fā)揮EEMD與VMD處理非線性、非平穩(wěn)信號的優(yōu)勢,又發(fā)揮卷積神經(jīng)網(wǎng)絡在故障特征提取時的強大能力,實現(xiàn)了端到端的數(shù)控機床軸承診斷技術(shù)。王偉平等[21]從數(shù)據(jù)分析入手,設計了基于注意力機制的全局縱向大分類和局部橫向細粒度區(qū)間兩個維度的研究框架,通過門循環(huán)邏輯單元和殘差神經(jīng)網(wǎng)絡的手段量化辨識主軸系統(tǒng)的整體故障,提高了故障診斷的有效性和準確性。優(yōu)化后的深度學習模型解決了傳統(tǒng)模型檢測精度和檢測效率低的問題,提高了不同工況下的故障診斷精度。

4.3 主軸壽命預測

數(shù)控機床的智能化水平隨著科技的發(fā)展不斷提高,雖然故障診斷技術(shù)已日趨成熟,但是智能預警技術(shù)仍有待提高。為準確描述電主軸不同工況下的動態(tài)特性,Ritou M.等[22]通過電磁勵磁裝置獲得電主軸的頻率響應函數(shù),并對高速電主軸的不同故障模式進行了建模和辨識。Neugebauer R.等[23]強調(diào)預防性維護的重要性,設計了電主軸狀態(tài)檢測系統(tǒng),對電主軸的不同位置分別進行監(jiān)測。為預測主軸軸承的剩余使用壽命并提前給出預警信號,提高系統(tǒng)的智能水平,避免因軸承損壞造成的經(jīng)濟損失,孫鑫[24]設計了一種改進網(wǎng)絡損失函數(shù)的深度學習方法,通過降噪自編碼器信號預處理和多尺度卷積神經(jīng)網(wǎng)絡來預測軸承剩余使用壽命,將軸承原始振動信號由自編碼器進行編碼,編碼結(jié)果經(jīng)過淺層特征提取模塊、深層特征提取模塊、數(shù)據(jù)融合模塊和輸出模塊處理,輸出軸承剩余壽命的預測值。該方法通過軸承剩余壽命的檢測實現(xiàn)了智能故障預警,在降低軸承損壞導致經(jīng)濟損失的同時,提高了數(shù)控機床的生產(chǎn)效率。

5 深度學習在數(shù)控刀具的應用

刀具是數(shù)控機床的重要組成部分,機床在工作過程中,隨著時間的推移刀具會逐漸磨損,當?shù)毒吣p達到一定程度會降低生產(chǎn)效率和加工精度,嚴重影響數(shù)控機床的正常工作,所以對刀具磨損狀態(tài)進行檢測及剩余壽命預測是不可忽視的環(huán)節(jié)。

5.1 多源信號刀具狀態(tài)檢測

數(shù)控機床在加工過程中刀具狀態(tài)檢測會受信號干擾而導致結(jié)果不準確,因此國內(nèi)外學者對刀具磨損狀態(tài)檢測進行了多項研究,樊志剛[25]設計了基于一維殘差神經(jīng)網(wǎng)絡的刀具磨損狀態(tài)檢測模型,該模型將加工過程中刀具產(chǎn)生的振動信號作為信號源,利用小波包技術(shù)提取信號頻段能量,確立刀具磨損的特征值,再通過1-D CNN模型進行預測,實現(xiàn)刀具磨損狀態(tài)的識別。李廣[26]使用CNN卷積神經(jīng)網(wǎng)絡建立主軸電機電流信號與刀具正常狀態(tài)和崩刃的映射關(guān)系,并采用遷移學習方法實現(xiàn)了刀具磨損狀態(tài)預測。楊國葳[27]和郝佰田[28]采用主軸電流信號,通過卷積神經(jīng)網(wǎng)絡和自編碼器進行刀具磨損狀態(tài)特征信息的深層次挖掘。雖然這些方法都可以高效準確地檢測刀具狀態(tài),但均基于某一種信號進行研究。隨著機器學習的進一步發(fā)展,深度學習因其強大的特征提取能力和模式識別能力,在多源信號刀具狀態(tài)檢測方面表現(xiàn)出明顯的優(yōu)點。尹晨等[29]通過數(shù)控代碼觸發(fā)的方式采集多源信號,建立了基于卷積神經(jīng)網(wǎng)絡的1-D CNN診斷模型,實現(xiàn)刀具狀態(tài)檢測,檢測精度高達99.81%。胡媛媛[30]基于多源信號,利用D-S證據(jù)理論的深度置信網(wǎng)絡DBN與卷積神經(jīng)網(wǎng)絡CNN相結(jié)合的方法,獲得刀具磨損狀態(tài)特征和混淆矩陣,從而實現(xiàn)對刀具健康狀態(tài)的預警。徐衛(wèi)曉等[31]通過多傳感器采集多源信號的方法,利用CNN卷積神經(jīng)網(wǎng)絡對高維復雜數(shù)據(jù)處理的優(yōu)勢,解決了BPNN和RBFNN模型訓練過程中容易陷入局部最小值的問題,提高了對刀具磨損狀態(tài)的識別率。雖然多源信號的刀具狀態(tài)檢測在檢測精度和檢測效率方面都有提升,但是多源信號的采集裝置價格較高,所以如何降低成本仍是需要研究的問題。

5.2 刀具狀態(tài)檢測模型優(yōu)化

深度學習的二次開發(fā)模型在刀具磨損狀態(tài)預測準確率和預測速度方面較傳統(tǒng)的預測模型也有很大提升。董江磊[32]基于CSSAE的銑刀磨損狀態(tài)評估方法,將卷積神經(jīng)網(wǎng)絡的數(shù)據(jù)壓縮能力和堆棧稀疏自編碼器的高精度特點相結(jié)合,構(gòu)建了卷積堆棧稀疏自編碼器,在提升算法模型訓練速度的同時提高測試精度。張新建[33]則采用帶有動量的隨機梯度下降算法對傳統(tǒng)卷積神經(jīng)網(wǎng)絡進行改進,使模型處理高曲率、小但一致的梯度和帶噪聲的梯度的能力增加。這些方法對優(yōu)化刀具狀態(tài)的檢測模型都提供了理論參考,但是數(shù)控刀具狀態(tài)檢測還受很多外部因素影響,如訓練樣本不充足、刀具狀態(tài)實時監(jiān)測困難以及刀具加工對象數(shù)量不確定等都會導致刀具磨損預測效果差。針對這些問題,吳志元[34]將少量數(shù)據(jù)輸入深度卷積生成對抗網(wǎng)絡和域?qū)惯w移網(wǎng)絡,擴充樣本數(shù)量并減少訓練集與測試機特征之間的差異,建立了基于深度特征聯(lián)合匹配的刀具磨損識別方法,解決了訓練樣本不足時刀具狀態(tài)預測不準確的問題。華家玘[35]建立了基于張量深度自編碼器的刀具磨損量計算模型,實現(xiàn)刀具狀態(tài)的實時準確檢測。針對加工對象質(zhì)量、數(shù)量不確定的問題,王永[36]則利用壓縮感知與加噪處理實現(xiàn)樣本數(shù)據(jù)的重構(gòu)和增加,利用卷積神經(jīng)網(wǎng)絡實現(xiàn)刀具磨損臨界狀態(tài)的識別,之后利用Dropout方法改進堆棧稀疏自編碼器,并結(jié)合改進D-S證據(jù)理論構(gòu)建了刀具狀態(tài)識別模型,解決了傳統(tǒng)檢測模型精度低和過擬合問題。

5.3 刀具壽命預測

在數(shù)控機床的銑削過程中,刀具的磨損退化不可避免,而一旦發(fā)生刀具失效,工件的表面加工質(zhì)量會達不到要求,從而導致加工效率低下,磨損嚴重時甚至會造成機床損壞。針對該問題,葉禮倫[37]將注意力機制集成到長短時記憶網(wǎng)絡中,建立特征與道具剩余壽命之間的映射關(guān)系模型,構(gòu)建了基于退化趨勢的刀具剩余壽命檢測模型。王強[38]則通過改進長短時記憶網(wǎng)絡建立MLSTM長短時記憶網(wǎng)絡模型,對網(wǎng)絡結(jié)構(gòu)和門結(jié)構(gòu)進行優(yōu)化,保留了細胞狀態(tài)cell用來記錄長時間信息,將遺忘門、輸入門和輸出門用在隱藏層來控制短時間的信息傳遞和記錄,并將前一時刻的細胞狀態(tài)融入當前時刻的輸入,該方法不僅可以合理控制信息流,還簡化了網(wǎng)絡模型。相較于傳統(tǒng)的LSTM長短時記憶網(wǎng)絡,葉禮倫[37]和王強[38]所提出的方法均提高了識別效率和識別精度,實現(xiàn)了刀具壽命的預測。

6 深度學習的其他應用

6.1 數(shù)控機床術(shù)語識別和發(fā)展趨勢預測

數(shù)控機床作為裝備制造業(yè)母機,可以反映出國家裝備制造業(yè)的發(fā)展水平,因此數(shù)控機床領(lǐng)域的新興技術(shù)研究對國家制造業(yè)的發(fā)展具有重大意義。張立[39]引入網(wǎng)絡分析與深度學習并建立了數(shù)控機床領(lǐng)域新興技術(shù)識別方法,實現(xiàn)數(shù)控機床新興技術(shù)的識別和發(fā)展趨勢的預測,為技術(shù)研究提供了參考方案。針對檢測技術(shù)中術(shù)語難以挖掘、抽取難度大、缺乏術(shù)語標簽等問題,尹力[40]根據(jù)命名實體識別技術(shù),通過構(gòu)建Bi-LSTM雙向長短時記憶網(wǎng)絡模型,解決了傳統(tǒng)LSTM模型只能保存前向文本特征而無法對后向文本特征進行儲存的缺點。該模型不僅可以準確有效地識別出機床領(lǐng)域?qū)I(yè)術(shù)語,還可以對高頻非術(shù)語詞串進行過濾,通過詞移距離技術(shù)計算文檔的相似度,利用K均值聚類算法對術(shù)語進行類別劃分,識別出的結(jié)果以術(shù)語形式呈現(xiàn),準確率高,易讀性強。

6.2 數(shù)控機床技術(shù)差距預測

數(shù)控機床技術(shù)傳統(tǒng)研究方法大部分還停留在定性研究階段,容易產(chǎn)生主觀偏誤性,少部分定量研究則是基于單一維度的指標,只得到宏觀的研究結(jié)果,缺乏對具體技術(shù)差距內(nèi)容的描述。近年來,隨著深度學習的發(fā)展,基于多源數(shù)據(jù)挖掘的方法開始得到廣泛應用,但由于這些方法對數(shù)據(jù)關(guān)聯(lián)融合的語義信息重視程度不高,所以難以深入理解復雜情況下的技術(shù)創(chuàng)新。伍思遠[41]通過改進BP算法建立數(shù)控機床領(lǐng)域技術(shù)差距的預測模型,該模型可以輔助機床領(lǐng)域研究人員完成對機床領(lǐng)域技術(shù)差距的客觀認識。在技術(shù)機會分析方面,褚恒[42]提出一種復合型技術(shù)機會分析方法,通過構(gòu)建技術(shù)知識圖譜解決了缺乏專家知識有效嵌入的問題;利用聯(lián)合專利分類的語義和共現(xiàn)信息構(gòu)建了CPC共現(xiàn)網(wǎng)絡,結(jié)合神經(jīng)網(wǎng)絡與鏈路預測方法挖掘網(wǎng)絡中可能存在的技術(shù)機會,解決了“信息維度單一”的問題;通過搭建能夠挖掘?qū)＠g隱式融合關(guān)聯(lián)的深度神經(jīng)網(wǎng)絡模型,解決了“技術(shù)機會界定規(guī)則單一”以及“技術(shù)機會可解讀機會具體性差”的問題,為未來數(shù)控機床的技術(shù)發(fā)展戰(zhàn)略制定提供了決策支持。

6.3 數(shù)控機床能耗預測

制造業(yè)是我國國民經(jīng)濟的重要組成部分,巨大產(chǎn)值的背后是巨量的能源資源利用,因此,如何提高機床能源利用率成為實現(xiàn)制造過程節(jié)能減排的關(guān)鍵問題。Newman T.等[43]提出一種針對工藝規(guī)劃的能耗降低理論框架,從機床控制軟件方面重新設計CNC機床和控制器,實現(xiàn)機床能耗降低;Newman T.等[44]還提出一些分配規(guī)則來實現(xiàn)機床狀態(tài)控制策略的選擇,以降低機床能耗;魏鋒[45]引入深度學習的內(nèi)容建立了機械加工車間能耗預測模型,通過深度置信網(wǎng)絡避免了神經(jīng)網(wǎng)絡隱含層數(shù)量較低而導致訓練精度差的問題,實現(xiàn)對能耗的預測,為建立降低能耗方案提供了理論基礎。為了降低機床等待過程的能耗,張朝陽等[46]提出基于遷移學習的數(shù)控機床節(jié)能控制決策方法,通過融合深度置信網(wǎng)絡與遷移學習的機床節(jié)能決策方法解決了加工過程中數(shù)據(jù)多樣性與復雜性導致的預測準確率低的問題,將機床的決策誤差降低到3.2%,機床等待過程中的總能耗降低了52.5%。

7 結(jié)語

近幾年有關(guān)深度學習和數(shù)控機床的文獻數(shù)量相對較少,其主要原因是目前深度學習仍存在很多問題,如理論知識有待完善、內(nèi)部特征運算無法用機床領(lǐng)域術(shù)語進行解釋等,這導致很多知識無法充分融合,其次深度學習需要大量樣本進行計算,對數(shù)據(jù)采集過程、數(shù)據(jù)處理能力和計算機的要求相對較高。這些都限制了深度學習在數(shù)控機床方面的應用,但是隨著5G技術(shù)的發(fā)展,云計算、大數(shù)據(jù)等技術(shù)的應用并且與深度學習相互融合使得深度學習的優(yōu)勢愈發(fā)明顯。由此很多學者在不同的知識領(lǐng)域展開了對深度學習的應用研究,并且在各自領(lǐng)域都通過深度學習的應用取得了一些研究成果,如機床的誤差溯源、主軸診斷、刀具磨損等研究表明,深度學習模型優(yōu)于傳統(tǒng)模型的特征提取。綜上,深度學習的應用已經(jīng)成為機床行業(yè)發(fā)展壯大的重要手段和趨勢之一,深度學習理論不斷完善,其應用不斷拓展,必將提高我國高端裝備制造業(yè)的創(chuàng)新能力,加快數(shù)控機床走向智能化的速度和質(zhì)量。