基于注意力機(jī)制的數(shù)控車床主軸故障診斷方法

摘 要：為規(guī)范主軸運(yùn)行，對其運(yùn)行中的故障進(jìn)行辨識與精準(zhǔn)診斷，需要引進(jìn)注意力機(jī)制，本文以某數(shù)控車床為例，對主軸故障診斷方法進(jìn)行設(shè)計(jì)研究。按照預(yù)設(shè)的、精確的時間間隔，對主軸的各種性能參數(shù)進(jìn)行連續(xù)、重復(fù)記錄，對數(shù)控車床主軸運(yùn)行數(shù)據(jù)進(jìn)行采樣與編碼。引進(jìn)注意力機(jī)制，利用其中的RNN或LSTM序列模型，對編碼后的主軸運(yùn)行數(shù)據(jù)進(jìn)行訓(xùn)練與特征提取。通過訓(xùn)練好的深度學(xué)習(xí)模型，對數(shù)控車床主軸運(yùn)行中的深度信號進(jìn)行辨識與故障診斷。對比試驗(yàn)結(jié)果證明：設(shè)計(jì)的方法應(yīng)用效果良好，按照規(guī)范應(yīng)用此方法進(jìn)行車床主軸故障診斷，可以對其運(yùn)行中故障現(xiàn)象進(jìn)行精準(zhǔn)辨識。

關(guān)鍵詞：注意力機(jī)制；特征提取；數(shù)據(jù)編碼；故障診斷；主軸；數(shù)控車床

中圖分類號：TH 13 " 文獻(xiàn)標(biāo)志碼：A

在對產(chǎn)品質(zhì)量要求日益嚴(yán)格的情況下，對設(shè)備故障特征提取和診斷進(jìn)行研究顯得尤為重要。鄧宇翔等[1]通過非接觸的方式，利用激光束照射主軸表面，并測量反射光的多普勒頻移，對主軸振動狀態(tài)進(jìn)行高精度測量。但該方法對測量環(huán)境要求較高，例如光線、溫度等因素都可能影響測量精度。同時，對某些復(fù)雜的故障模式來說，該方法可能難以準(zhǔn)確識別，需要結(jié)合其他診斷技術(shù)進(jìn)行綜合判斷。曹康棲等[2]利用小波包分解（WPD）對主軸振動信號進(jìn)行多尺度分析，提取豐富的故障特征，通過t-分布隨機(jī)鄰域嵌入（tSNE）對高維特征進(jìn)行降維處理，便于后續(xù)分類器識別，使用支持向量機(jī)（SVM）作為分類器，對降維后的特征進(jìn)行故障分類。但WPD提取故障特征時，對復(fù)雜的非線性故障的分析能力可能受到限制。同時，tSNE在降維過程中可能丟失部分重要信息，影響后續(xù)分類的準(zhǔn)確性。

為解決現(xiàn)有方法存在的不足，本文將引進(jìn)注意力機(jī)制，以某數(shù)控車床為例，對主軸故障診斷方法進(jìn)行設(shè)計(jì)研究。旨在通過此次研究，提高故障診斷的準(zhǔn)確性，降低生產(chǎn)過程中的故障率，保證生產(chǎn)效率和產(chǎn)品質(zhì)量。

1 數(shù)控車床主軸運(yùn)行數(shù)據(jù)采樣與編碼

為滿足數(shù)控車床主軸故障診斷方法的設(shè)計(jì)需求，在研究前，需要對主軸運(yùn)行數(shù)據(jù)進(jìn)行采樣。此過程是指按照預(yù)設(shè)、精確的時間間隔，對主軸的各種性能參數(shù)進(jìn)行連續(xù)、重復(fù)記錄，通過這種方式，捕獲主軸在運(yùn)行過程中的實(shí)時狀態(tài)。

在數(shù)控車床主軸的數(shù)據(jù)采樣過程中，需要根據(jù)具體的應(yīng)用需求、主軸的運(yùn)行特性以及傳感器的性能決定采樣頻率。如果采樣頻率過低，就可能會導(dǎo)致一些重要的信息被遺漏或失真，從而影響后續(xù)的數(shù)據(jù)分析和故障診斷的準(zhǔn)確性[3-4]。反之，如果采樣頻率過高，雖然能夠獲得更詳細(xì)的數(shù)據(jù)，但也會增加數(shù)據(jù)處理的復(fù)雜性和計(jì)算成本。為了在采樣數(shù)據(jù)中無失真地恢復(fù)原始信號，采樣頻率f必須大于或等于信號中最高頻率fmax的兩倍。

為了確定fmax的數(shù)值，需要考慮主軸的轉(zhuǎn)速、刀具的振動頻率以及其他可能的動態(tài)特性。在本研究中，數(shù)控車床主軸的最高轉(zhuǎn)速為 6000r/min，對應(yīng)的基頻（即每轉(zhuǎn)一圈的頻率）的計(jì)算過程如公式（1）所示。

（1）

采用公式（1）計(jì)算得出，采樣頻率至少為1000Hz。

按照預(yù)設(shè)的頻率進(jìn)行數(shù)據(jù)采樣，按照時序?qū)Σ杉臉颖緮?shù)據(jù)進(jìn)行編碼，引進(jìn)ADC模數(shù)轉(zhuǎn)換器，對輸入的模擬信號進(jìn)行采集，即在特定的時間間隔內(nèi)捕獲信號的瞬時值，采樣得到的模擬信號值需要轉(zhuǎn)換為離散的數(shù)字級別。ADC會根據(jù)預(yù)設(shè)的量化級別確定每個采樣值的數(shù)字[5]。在量化過程中會產(chǎn)生量化誤差，但可以通過增加ADC的位數(shù)縮小誤差。量化誤差的計(jì)算過程如公式（2）所示。

（2）

式中：Vref為ADC的參考電壓，即ADC能夠測量的最大電壓值；Q為量化級別。

在實(shí)際應(yīng)用中，選擇ADC的位數(shù)時需要權(quán)衡分辨率和量化誤差。增加位數(shù)可以提高分辨率并縮小量化誤差，但同時也會增加成本和復(fù)雜性。因此，需要根據(jù)具體的應(yīng)用需求來選擇合適的ADC位數(shù)。

當(dāng)選擇ADC的位數(shù)時，需要考慮信號的動態(tài)范圍、ADC的檢測分辨率。在本研究中，采集的信號動態(tài)為0V～5V，系統(tǒng)噪聲水平為10mV，應(yīng)用需要能夠檢測到1mV的變化。因此，可以采用以下方式來推算所需的ADC位數(shù)：動態(tài)范圍= 5V-0V = 5V；所需的量化級別=動態(tài)范圍/需要的分辨率= 5V / 1mV = 5000；所需的ADC位數(shù) = log2（5000）≈12.3。

由于ADC的位數(shù)必須是整數(shù)，因此，選擇一個13位的ADC。

在此基礎(chǔ)上，將量化后的數(shù)字級別被轉(zhuǎn)換為二進(jìn)制或其他數(shù)字格式的代碼。按照上述方式，完成數(shù)控車床主軸運(yùn)行數(shù)據(jù)采樣與編碼。

2 基于注意力機(jī)制的主軸運(yùn)行數(shù)據(jù)訓(xùn)練與特征提取

在上述內(nèi)容的基礎(chǔ)上，引進(jìn)注意力機(jī)制，對編碼后的主軸運(yùn)行數(shù)據(jù)進(jìn)行訓(xùn)練與特征提取。用注意力機(jī)制中的RNN或LSTM序列模型訓(xùn)練編碼數(shù)據(jù)。將編碼后的數(shù)據(jù)劃分為適當(dāng)?shù)男蛄虚L度，并將其作為RNN或LSTM序列模型的輸入，在模型輸出層上集成注意力機(jī)制，允許模型為序列中的不同部分分配不同的權(quán)重[6]。根據(jù)任務(wù)類型（本次的任務(wù)為提取主軸編碼序列數(shù)據(jù)中的特征信息），添加適當(dāng)?shù)妮敵鰧?，并選擇合適的激活函數(shù)，將輸入序列（即編碼后的主軸運(yùn)行數(shù)據(jù)）傳遞給RNN或LSTM層，得到每個時間步的隱藏狀態(tài)序列如公式（3）所示。

ht=tanh（ω1ht-1+ω2xt+bh） （3）

式中：ht為隱藏狀態(tài)數(shù)據(jù)序列；xt為時間步t的輸入；ht-1為前一個時間步的隱藏狀態(tài)；ω1和ω2為權(quán)重；bh為偏置項(xiàng)。在此基礎(chǔ)上，根據(jù)注意力機(jī)制計(jì)算注意力得分，并使用Softmax函數(shù)將其轉(zhuǎn)換為注意力權(quán)重，將上下文向量傳遞給輸出層，得到模型的預(yù)測輸出，如公式（4）所示。

yt=Softmax（ω3ht+by） （4）

式中：ω3為權(quán)重；by為輸出層的偏置項(xiàng)。

如果數(shù)據(jù)量過大，那么可重復(fù)前向傳播、計(jì)算損失和反向傳播的過程，通過多個迭代周期訓(xùn)練數(shù)據(jù)。在每個迭代周期中，模型會處理整個訓(xùn)練數(shù)據(jù)集或其中的一部分。采用上述方式，完成基于注意力機(jī)制的主軸運(yùn)行數(shù)據(jù)訓(xùn)練與特征提取。

3 深度信號辨識與故障診斷

在完成上述內(nèi)容設(shè)計(jì)后，通過訓(xùn)練好的深度學(xué)習(xí)模型，對數(shù)控車床主軸運(yùn)行中深度信號進(jìn)行辨識與故障診斷。利用現(xiàn)有的主軸運(yùn)行特征，訓(xùn)練一個分類器，用于識別主軸在運(yùn)行中的不同故障模式。通常情況下，可以在深度學(xué)習(xí)模型的頂部添加一個全連接層（也稱為密集層或線性層）[7]。全連接層的輸出結(jié)果yq如公式（5）所示。

yq=ωz+b （5）

式中：ω為權(quán)重；z為LSTM輸出的特征量；b為全連接層的偏置項(xiàng)。利用分類器中的Softmax函數(shù)，將模型的輸出轉(zhuǎn)換為深度信號概率分布，其中，每個信號的分布對應(yīng)一個特定的故障類別。給定輸入數(shù)據(jù)，模型輸出一個向量，計(jì)算輸入數(shù)據(jù)為對應(yīng)故障類別的概率如公式（6）所示。

（6）

在本文的研究中，主要針對數(shù)控車床主軸的不平衡、軸承損壞、傳動帶松弛3類故障進(jìn)行診斷。因此，q=1，2，3，信號樣本的線性輸出為[2，1，?1]，則Softmax激活后的概率為P=≈[0.665，0.241，0.094]。如果真實(shí)標(biāo)簽為[1，0，0]（表示第一個類別為真實(shí)故障），則計(jì)算損失函數(shù)值如公式（7）所示。

L=-1×ln（0.665）≈0.405 （7）

在訓(xùn)練過程中，模型會通過反向傳播算法調(diào)整權(quán)重和偏置，最小化損失函數(shù)。

在完成故障分類器訓(xùn)練后，可以對新的主軸運(yùn)行數(shù)據(jù)進(jìn)行故障預(yù)測和診斷。在此過程中，選擇概率分布最高的類別作為故障診斷結(jié)果，從而對主軸的故障診斷與故障類別進(jìn)行辨識。

4 對比試驗(yàn)

在完成上述內(nèi)容設(shè)計(jì)后，選擇某數(shù)控生產(chǎn)單位作為本次研究的試點(diǎn)，應(yīng)用本文設(shè)計(jì)的方法，對數(shù)控車床在運(yùn)行中的主軸故障進(jìn)行診斷。為保證試驗(yàn)結(jié)果的客觀性，對主軸運(yùn)行中的設(shè)計(jì)參數(shù)進(jìn)行分析，相關(guān)內(nèi)容見表1。

在掌握上述內(nèi)容的基礎(chǔ)上，搭建主軸故障測試與診斷平臺，主要儀器設(shè)備選型見表2。

在完成上述準(zhǔn)備工作后，引進(jìn)文獻(xiàn)[1]中的基于激光多普勒振動譜的診斷方法、文獻(xiàn)[2]中的基于WPD-tSNE-SVM的診斷方法，將其作為對照組方法，一同與本文方法應(yīng)用進(jìn)行數(shù)控車床主軸故障診斷。

在診斷過程中，可按照表3進(jìn)行測試數(shù)據(jù)的采樣。

當(dāng)已知數(shù)控車床主軸運(yùn)行采樣數(shù)據(jù)中存在異常數(shù)據(jù)時，將主軸運(yùn)行中的振動頻率作為診斷其故障的關(guān)鍵指標(biāo)。其結(jié)果如圖1、圖2所示。

振動頻率的異常變化往往與主軸的故障狀態(tài)直接相關(guān)，已知主軸在無故障條件下，其運(yùn)行時的振動頻率應(yīng)小于20Hz，當(dāng)振動頻率≥20Hz時，說明主軸可能存在不平衡、軸承損壞、傳動帶松弛等問題。以此為依據(jù)，對3種方法的監(jiān)測結(jié)果進(jìn)行分析。

由圖1可以看出，應(yīng)用本文設(shè)計(jì)的方法進(jìn)行主軸故障診斷，該方法精準(zhǔn)辨識主軸運(yùn)行過程中存在振動頻率大于20Hz的現(xiàn)象，說明主軸運(yùn)行存在故障，與已知條件一致。

由圖2可以看出，應(yīng)用文獻(xiàn)[1]方法進(jìn)行主軸故障診斷，該方法無法辨識主軸運(yùn)行過程中存在振動頻率大于20Hz的現(xiàn)象，診斷為主軸無故障，與已知條件存在差異。

由圖3可以看出，應(yīng)用文獻(xiàn)[2]方法進(jìn)行主軸故障診斷，該方法可以辨識主軸運(yùn)行過程中存在振動頻率大于20Hz的現(xiàn)象，但診斷結(jié)果中存在中斷，無法將最終結(jié)果作為故障診斷的依據(jù)。

上述內(nèi)容可以證明，本文設(shè)計(jì)的基于注意力機(jī)制的診斷方法應(yīng)用效果良好，按照規(guī)范，應(yīng)用此方法進(jìn)行車床主軸故障診斷，可以對運(yùn)行中故障現(xiàn)象進(jìn)行精準(zhǔn)辨識。

5 結(jié)語

主軸故障類型多樣，例如主軸發(fā)熱、主軸強(qiáng)力切削時停轉(zhuǎn)、主軸工作時噪聲過大、刀具無法夾緊等，每種故障都需要特定的診斷方法和處理措施?，F(xiàn)有的大部分方法處理大量復(fù)雜故障數(shù)據(jù)時往往效率低下，難以滿足現(xiàn)代制造業(yè)對故障診斷的實(shí)時性和準(zhǔn)確性的要求。因此，本文引進(jìn)注意力機(jī)制，以某數(shù)控車床為例，通過主軸運(yùn)行數(shù)據(jù)采樣與編碼、主軸運(yùn)行數(shù)據(jù)訓(xùn)練與特征提取、深度信號辨識與故障診斷，對主軸故障診斷方法進(jìn)行設(shè)計(jì)研究。注意力機(jī)制是一種模擬人類注意力過程的機(jī)器學(xué)習(xí)技術(shù)，處理大量信息時可以關(guān)注重要部分，忽略不相關(guān)信息，從而提高工作的效率和準(zhǔn)確性。采用這種方式，可以為數(shù)控機(jī)床的數(shù)字化建設(shè)提供支持，推動制造業(yè)的轉(zhuǎn)型升級和高質(zhì)量發(fā)展。

參考文獻(xiàn)

[1] 鄧宇翔， 李正紅. 基于激光多普勒振動譜的數(shù)控機(jī)床主軸故障在線診斷[J]. 機(jī)械設(shè)計(jì)與制造工程， 2024， 53 （4）： 61-66.

[2] 曹康棲， 李燦. 基于WPD-tSNE-SVM方法的電站機(jī)組主軸故障診斷分析[J]. 機(jī)械制造與自動化， 2023， 52 （6）： 226-228.

[3] 張朝剛， 侍中樓， 李敏. 基于多狀態(tài)時間序列預(yù)測學(xué)習(xí)的超精密機(jī)床主軸故障診斷仿真[J]. 吉林大學(xué)學(xué)報(bào)（工學(xué)版）， 2023， 53 （11）： 3056-3061.

[4] 王壽元， 李積元， 郎永存， 等. 基于PSO優(yōu)化SVM數(shù)控機(jī)床主軸系統(tǒng)故障診斷的研究[J]. 組合機(jī)床與自動化加工技術(shù)， 2023 （9）： 151-155，159.

[5] 趙恒喆， 楊曉英， 石巖， 等. 基于XGBoost-LSTM的數(shù)控機(jī)床主軸軸承故障預(yù)測方法研究[J]. 現(xiàn)代制造工程， 2023 （8）： 155-160.

[6] 王偉平， 王琦， 于洋， 等. 采用PCA/D-S方法及FUKL融合算法的主軸系統(tǒng)弱故障動態(tài)判別與辨識[J]. 振動工程學(xué)報(bào)， 2022， 35 （3）： 771-782.

[7] 宋思瑜， 林正文， 趙薇， 等. 基于Stacking集成學(xué)習(xí)的風(fēng)機(jī)主軸止推軸承故障預(yù)警研究[J]. 電力大數(shù)據(jù)， 2023， 26 （6）： 68-79.