基于深度學(xué)習(xí)模型的伺服壓機(jī)壓裝結(jié)果預(yù)測(cè)研究

王 亮 王清亮 陳巖霞

（北京天瑪智控科技股份有限公司，北京 100013）

在機(jī)械加工制造領(lǐng)域，隨著設(shè)備自動(dòng)化、數(shù)字化、網(wǎng)絡(luò)化的發(fā)展，各種智能感知設(shè)備產(chǎn)生海量的工藝設(shè)備、生產(chǎn)過程和運(yùn)行管理數(shù)據(jù)，這些蘊(yùn)含豐富信息的數(shù)據(jù)共同構(gòu)成了制造大數(shù)據(jù)或工業(yè)大數(shù)據(jù)。面對(duì)大數(shù)據(jù)，以深度學(xué)習(xí)為代表的人工智能技術(shù)從基于邏輯推理和概率統(tǒng)計(jì)的傳統(tǒng)范式向大數(shù)據(jù)驅(qū)動(dòng)的新范式轉(zhuǎn)變，通過解析多源異構(gòu)動(dòng)態(tài)數(shù)據(jù)中隱含的復(fù)雜結(jié)構(gòu)特征來處理異常運(yùn)行狀況的不確定性和模糊性，為研究工業(yè)大數(shù)據(jù)條件下異常工況診斷與自優(yōu)化系統(tǒng)奠定了基礎(chǔ)[1]。

電磁先導(dǎo)閥是電液控制系統(tǒng)的核心元件。為了完成閥體上某些深孔的加工，需要對(duì)工藝孔進(jìn)行疏通或者聯(lián)絡(luò)，但是工藝孔在實(shí)際使用中需要完全堵死，利用漲開式堵頭（以下簡稱漲堵）進(jìn)行密封。礦用液壓閥塊裝配專機(jī)采用伺服壓機(jī)將漲堵壓入工藝孔內(nèi)。裝配過程中，由于漲堵與工藝孔的配合精度和裝配環(huán)境等問題，依據(jù)伺服壓機(jī)的壓力位移曲線特征判斷產(chǎn)品是否合格存在較大的誤判率，導(dǎo)致生產(chǎn)上的浪費(fèi)?；诖?，首先采集液壓閥塊碼值、壓制過程實(shí)時(shí)壓力和行程數(shù)據(jù)、產(chǎn)品檢測(cè)結(jié)果數(shù)據(jù)，建立液壓閥塊數(shù)據(jù)庫。其次，讀取數(shù)據(jù)庫數(shù)據(jù)，采用深度學(xué)習(xí)的方法，訓(xùn)練并建立壓制過程數(shù)學(xué)模型。最后，將生產(chǎn)時(shí)伺服壓機(jī)的實(shí)時(shí)壓力和行程數(shù)據(jù)代入模型，通過計(jì)算判斷產(chǎn)品是否合格。本控制算法投入使用后，對(duì)于判斷加工產(chǎn)品是否合格的正確率由原來的87%提高到94%。后期隨著數(shù)據(jù)的累積和訓(xùn)練模型的成熟，能夠繼續(xù)提高判斷的正確率，減少生產(chǎn)浪費(fèi)。

1 系統(tǒng)架構(gòu)

礦用液壓閥塊裝配專機(jī)工作流程，如圖1 所示。

圖1 產(chǎn)品加工流程圖

六軸機(jī)器人從工位1 夾取液壓閥塊送至工位2，工位2 讀碼器讀取液壓閥塊碼值后，再由六軸機(jī)器人將液壓閥塊放置到工位3。工位3 的四軸機(jī)器人抓取漲堵，放入液壓閥塊工藝孔內(nèi)。六軸機(jī)器人將液壓閥塊放置在工位4，工位4 伺服壓機(jī)將漲堵壓入液壓閥塊工藝孔內(nèi)，完成液壓閥塊加工。最后，六軸機(jī)器人將合格品放入工位5，不合格品放入工位6。

系統(tǒng)控制系統(tǒng)架構(gòu)如圖2 所示，控制層包括數(shù)據(jù)采集與監(jiān)視控制（Supervisory Control And Data Acquisition，SCADA）、可編程邏輯控制器（Programmable Logic Controller，PLC）和搭載深度學(xué)習(xí)模型的工控機(jī)。PLC 負(fù)責(zé)設(shè)備動(dòng)作時(shí)序控制和數(shù)據(jù)采集，與工控機(jī)和SCADA 系統(tǒng)通信。SCADA 系統(tǒng)存儲(chǔ)液壓閥塊碼值、壓裝過程實(shí)時(shí)壓力和行程數(shù)據(jù)、液壓閥塊檢測(cè)結(jié)果數(shù)據(jù)，生成并輸出液壓閥塊合格品表格和不合格品表格。工控機(jī)讀取SCADA 系統(tǒng)液壓閥塊信息，使用合格品與不合格品數(shù)據(jù)表格訓(xùn)練并建立伺服壓機(jī)壓裝過程深度學(xué)習(xí)模型。設(shè)備生產(chǎn)時(shí)，工控機(jī)接收PLC 傳送的伺服壓機(jī)實(shí)時(shí)壓力和行程數(shù)據(jù)，將數(shù)據(jù)代入深度學(xué)習(xí)模型運(yùn)算后，輸出產(chǎn)品是否合格的判斷結(jié)果，并傳送給PLC。

圖2 控制系統(tǒng)架構(gòu)

2 數(shù)據(jù)采集

2.1 壓裝過程建模數(shù)據(jù)采集

壓裝過程建模數(shù)據(jù)采集包括以下4 個(gè)步驟。第一，液壓閥塊碼值。六軸機(jī)器人先從工位1 夾取液壓閥塊放置在工位2，再由PLC 觸發(fā)工位2 讀碼器，讀取液壓閥塊碼值并存入內(nèi)部存儲(chǔ)器，液壓閥塊與碼值一一對(duì)應(yīng)。第二，壓裝過程數(shù)據(jù)采集。液壓閥塊在工位3 放堵完成后，六軸機(jī)器人將其移至工位4，PLC啟動(dòng)伺服壓機(jī)。伺服壓機(jī)反饋實(shí)時(shí)壓力、行程數(shù)據(jù)給PLC，PLC 根據(jù)實(shí)時(shí)數(shù)據(jù)判斷伺服壓機(jī)是否接觸到漲堵。當(dāng)判斷伺服壓機(jī)接觸到漲堵時(shí)，PLC 啟動(dòng)循環(huán)中斷程序，周期記錄壓力、行程數(shù)據(jù)，并存儲(chǔ)于內(nèi)部寄存器。第三，檢測(cè)結(jié)果數(shù)據(jù)采集。在檢測(cè)工位，由人工或液壓檢測(cè)臺(tái)對(duì)液壓閥塊進(jìn)行檢測(cè)[2]。人工檢測(cè)先掃碼液壓閥塊編碼，再測(cè)量漲堵深度，觀察判斷漲堵是否漲開，最后手動(dòng)將檢測(cè)結(jié)果輸入SCADA 系統(tǒng)。自動(dòng)檢測(cè)到液壓閥塊經(jīng)后續(xù)工位裝入先導(dǎo)閥后，對(duì)先導(dǎo)閥進(jìn)行上壓測(cè)試。在檢測(cè)工位，PLC 讀取液壓閥塊碼值和檢測(cè)結(jié)果數(shù)據(jù)，傳輸給SCADA 系統(tǒng)儲(chǔ)存。第四，SCADA 系統(tǒng)數(shù)據(jù)采集。SCADA 系統(tǒng)依據(jù)液壓閥塊碼值、伺服壓機(jī)實(shí)時(shí)壓力和行程數(shù)據(jù)以及檢測(cè)結(jié)果數(shù)據(jù)，輸出合格品數(shù)據(jù)表和不合格品數(shù)據(jù)表。深度學(xué)習(xí)個(gè)人計(jì)算機(jī)（Personal Computer，PC）與SCADA 系統(tǒng)通信，讀取表格數(shù)。

2.2 設(shè)備生產(chǎn)時(shí)壓力和行程數(shù)據(jù)采集

設(shè)備生產(chǎn)時(shí)，工控機(jī)與PLC 通信。壓裝完成后，PLC 將采集到的壓裝過程實(shí)時(shí)壓力和行程數(shù)據(jù)打包傳輸給工控機(jī)，工控機(jī)調(diào)用訓(xùn)練好的深度學(xué)習(xí)數(shù)學(xué)模型，代入實(shí)時(shí)壓力行程數(shù)據(jù)，得出液壓閥塊壓裝的預(yù)測(cè)結(jié)果并反饋給PLC。

3 壓裝過程建模

3.1 數(shù)據(jù)處理

SCADA 系統(tǒng)以液壓閥塊碼值為索引建立產(chǎn)品記錄，包括液壓閥塊碼值、實(shí)時(shí)壓力和行程（6 組采樣點(diǎn)）、是否合格判斷結(jié)果[3]，多條記錄組成產(chǎn)品數(shù)據(jù)庫。在工控機(jī)上，人工啟動(dòng)深度學(xué)習(xí)訓(xùn)練模型時(shí)，工控機(jī)向SCADA 系統(tǒng)發(fā)送數(shù)據(jù)請(qǐng)求指令。SCADA 系統(tǒng)輸出合格品表和不合格品表給工控機(jī)，工控機(jī)先對(duì)收到數(shù)據(jù)進(jìn)行數(shù)據(jù)處理，流程如圖3 所示。

圖3 數(shù)據(jù)處理過程

由于不合格件記錄數(shù)量較少，為增加深度學(xué)習(xí)模型的廣泛適用性，在觀察合格件的壓力及行程數(shù)據(jù)后發(fā)現(xiàn)，兩者數(shù)據(jù)大體呈現(xiàn)正比關(guān)系，于是將幾組數(shù)據(jù)順序打亂，作為不合格數(shù)據(jù)的組成部分之一，增加不合格件的樣本數(shù)量[4]。打亂方法為使用Python 內(nèi)置Shuffle 隨機(jī)打亂功能，將壓力及行程的數(shù)據(jù)隨機(jī)匹配作為不合格數(shù)據(jù)。對(duì)于液壓閥孔深度不一致、倒角不一致以及有毛刺的情況進(jìn)行測(cè)試并采集數(shù)據(jù)，歸為不合格數(shù)據(jù)樣本。本次訓(xùn)練模型采用數(shù)據(jù)記錄包括合格數(shù)據(jù)145 組，不合格數(shù)據(jù)31 組，組成三維矩陣[176，6，2]。其中，“176”為總的采集數(shù)據(jù)組數(shù)量，“6”為每組記錄采樣數(shù)，“2”為壓力及行程數(shù)據(jù)。輸入結(jié)果數(shù)據(jù)矩陣為[176，1]，其中“1”為檢測(cè)結(jié)果。

為保證深度學(xué)習(xí)模型訓(xùn)練過擬合，同時(shí)避免訓(xùn)練集特有的特征情況出現(xiàn)，在訓(xùn)練前將所有合格數(shù)據(jù)和不合格數(shù)據(jù)組及其結(jié)果次序打亂，并按照140 組為訓(xùn)練集、36 組為驗(yàn)證集進(jìn)行區(qū)分。在訓(xùn)練完成后，有額外65 組未參加訓(xùn)練的數(shù)據(jù)作為測(cè)試集，驗(yàn)證深度學(xué)習(xí)訓(xùn)練模型的結(jié)果。

3.2 深度學(xué)習(xí)模型搭建與訓(xùn)練

由于合格品數(shù)據(jù)的關(guān)系特征呈相對(duì)正比關(guān)系，選擇全連接層（Dense 層）作為模型的主題結(jié)構(gòu)。增加拉平層（Flatten 層），拉平二維數(shù)據(jù)簡化模型訓(xùn)練過程，并根據(jù)數(shù)據(jù)的數(shù)量及矩陣的尺寸調(diào)整層數(shù)內(nèi)參數(shù)數(shù)量，進(jìn)而確定深度學(xué)習(xí)模型。根據(jù)訓(xùn)練數(shù)據(jù)得出最終的深度學(xué)習(xí)模型，如圖4 所示。

圖4 深度學(xué)習(xí)模型架構(gòu)

此模型總計(jì)302 209 個(gè)參數(shù)，訓(xùn)練完成后總計(jì)訓(xùn)練參數(shù)為302 209 個(gè)，未訓(xùn)練參數(shù)為0 個(gè)。由于輸出結(jié)果為1 或者0，選用二元交叉熵函數(shù)作為損失函數(shù)。由于過程數(shù)據(jù)較為分散，優(yōu)化算法選用Adam。一次訓(xùn)練所選取的樣本數(shù)為32，總計(jì)訓(xùn)練次數(shù)為5 000 次。完成5 000 次訓(xùn)練后的模型訓(xùn)練集成功率為97.43%，驗(yàn)證集成功率為97.22%。深度模型訓(xùn)練集和驗(yàn)證集的準(zhǔn)確性及損失過程圖，如圖5 ～圖8 所示。

圖5 訓(xùn)練集準(zhǔn)確性過程圖

圖6 訓(xùn)練集損失過程圖

圖7 驗(yàn)證集準(zhǔn)確性過程圖

圖8 驗(yàn)證集損失過程圖

在深度學(xué)習(xí)模型訓(xùn)練完成后，使用65 組數(shù)據(jù)作為測(cè)試集數(shù)據(jù)對(duì)模型進(jìn)行測(cè)試。測(cè)試集中合格品數(shù)量為40 組，不合格品數(shù)量為25 組，模型預(yù)測(cè)成功率為93.85%，合格品誤檢率為2.50%，不合格誤檢率為16.00%。由測(cè)試集可以看出，不合格品誤檢率遠(yuǎn)高于合格品誤檢率，其原因在于不合格品的樣本數(shù)量少。此外，從模型可以看出，在3 500 次訓(xùn)練后，其準(zhǔn)確率及損失函數(shù)逐漸趨于穩(wěn)定。但是由于采集數(shù)據(jù)的數(shù)量限制，測(cè)試集的數(shù)據(jù)僅為36 組，準(zhǔn)確率變化較大。而且數(shù)據(jù)中合格數(shù)據(jù)和不合格數(shù)據(jù)比例為145 ∶31，不合格數(shù)據(jù)占比較低，導(dǎo)致模型在判定不合格情況的成功率上具有不確定性。

3.3 深度學(xué)習(xí)模型應(yīng)用與改進(jìn)

為解決模型健壯性差、應(yīng)用面窄的問題，同時(shí)提高模型預(yù)判的準(zhǔn)確率，增加自適應(yīng)性控制系統(tǒng)架構(gòu)[5]。模型自適應(yīng)系統(tǒng)，如圖9 所示。

圖9 模型自適應(yīng)系統(tǒng)

礦用液壓閥塊加工專機(jī)連續(xù)生產(chǎn)時(shí)，完成加工的產(chǎn)品經(jīng)深度學(xué)習(xí)模型判斷，理論上分為合格品和不合格品。這兩類產(chǎn)品再次進(jìn)入檢測(cè)工位，經(jīng)檢測(cè)后得出實(shí)際的合格品與不合格品，并將檢測(cè)結(jié)果數(shù)據(jù)傳送給SCADA 系統(tǒng)，SCADA 系統(tǒng)更正預(yù)測(cè)錯(cuò)誤數(shù)據(jù)，建立新的訓(xùn)練數(shù)據(jù)組。當(dāng)新數(shù)據(jù)組達(dá)到500 組，且合格品與不合格品的比例為3 ∶2 時(shí)，將新舊數(shù)據(jù)庫進(jìn)行整合。SCADA 調(diào)用工控機(jī)中的深度學(xué)習(xí)模型訓(xùn)練程序重新訓(xùn)練模型，如果訓(xùn)練集和驗(yàn)證集的成功率高于產(chǎn)線合格率（99%）的要求，則使用新訓(xùn)練模型代替原模型完成模型自適應(yīng)更新。

4 結(jié)語

將深度學(xué)習(xí)理論應(yīng)用于處理礦用液壓閥塊加工專機(jī)大數(shù)據(jù)，經(jīng)過對(duì)伺服壓機(jī)壓制過程的數(shù)據(jù)采樣、建模、模型自適應(yīng)等環(huán)節(jié)，建立基于深度學(xué)習(xí)的壓制過程數(shù)學(xué)模型，用于判讀產(chǎn)品壓裝結(jié)果是否合格。在實(shí)際應(yīng)用過程中，隨著訓(xùn)練模型樣本的增加，模型輸出正確率在94%以上。深度學(xué)習(xí)原理可應(yīng)用于處理單機(jī)設(shè)備數(shù)據(jù)，也可用于其他無明顯線性及邏輯回歸關(guān)系的預(yù)測(cè)性問題的建模預(yù)測(cè)。在工業(yè)大數(shù)據(jù)時(shí)代背景下，深度學(xué)習(xí)原理將被應(yīng)用于智能產(chǎn)線，助力產(chǎn)線由自動(dòng)化向智能化轉(zhuǎn)型。