基于深度学习的数控机床智能化研究进展

曹泽,刘福聪,阎兵

天津职业技术师范大学;天津市高端智能数控机床工程研究中心

深度学习因具有强大的特征提取能力和降低人为提取特征值产生误差的能力而被广泛应用在图像处理、语音识别、自然语言处理等领域。机床加工工艺误差是影响机床加工精度的主要原因,误差的数学模型难以统一,但随着深度学习技术的发展,一种基于深度学习的机床圆轨迹误差识别方法实现了智能溯因。该技术不但提高了识别正确率,而且在适用性和可靠性方面也有较强的表现,为快速诊断机床误差源提供了支持。众多学者在数控机床的各个领域展开深度学习应用的相关研究,其中主要包括误差补偿、主轴诊断、刀具状态检测等内容,所应用的方法大都是对卷积神经网络、长短时记忆网络和深度神经网络等模型的拓展与开发。因为机床属于多学科综合产物,任何部位产生问题都会对机床的加工精度、加工效率产生影响,所以引入深度学习是必然趋势。

2.1 CNN卷积神经网络

CNN卷积神经网络[1]是一类包括卷积算法且具有深度结构的前馈神经网络,是深度学习的代编算法之一。其基本结构分为输入、卷积层、池化层、全连接层和Softmax输出(见图1)。

图1 卷积神经网络

卷积层中每一个神经元都与前一层的局部感受域相连接,卷积核以特定的步长对输入数据进行遍历学习,从而实现权值共享,再通过卷积运算和非线性激活提取原始信号中不同层次的特征进行输出映射,每个输出映射可以是多个输入映射的组合,其中,底层提取低级特征,高层提取高级特征。在卷积运算完成后输出,再由激活函数进行运算,将运算结果传送至池化层。池化层常见的池化方法为最大池化法和平均池化法,其中每个特征面都只对应前一卷积层的唯一特征面。通过池化层操作可以使特征提取拥有一定的自由性,同时降低输入特征维度,减少参数数量,有效提高运算效率。全连接层对卷积层和池化层处理后的高信息特征进行整理综合,根本上是利用线性方程所对应的特征面对输入进行拟合,实现分类决策,再通过Softmax逻辑回归对信息进行多分类处理,输出预测的结果。

2.2 DNN深度神经网络

深度神经网络是深度学习的算法之一[2],其基本结构按不同层的位置可以分为输入层、隐藏层和输出层。层与层之间采用全连接的连接方式,一般情况下第一层为输入层,最后一层为输出层,图2为深度神经网络的结构。深度神经网络是浅层神经网络的拓展,可以对复杂的非线性系统建模,其多出的层次为模型提供了更高的抽象层次,提高了模型的能力。

图2 深度神经网络

2.3 LSTM长短时记忆网络

长短时记忆网络[3]是一种全互联的循环式神经网络,神经元之间有反馈链接,能够动态记忆历史信息,在学习新信息的同时长时间保留历史信息,其结构见图3。

图3 长短时记忆网络

如图所示,每一个LSTM隐含层含有一个记忆单元,分别由输入门、输出门、遗忘门和记忆单元四部分组成。通过以上门控单元来控制历史信息对当前信息的影响程度,使得网络模型能够长时间留存并传递信息。

随着机械加工技术的发展,对数控机床所加工零部件的精度要求也越来越高,热误差、几何误差、运动误差等都是影响复杂零件加工精度的因素。因此,建立对数控机床误差的检测模型和设计数控机床误差补偿系统,是提高机床加工精度和稳定性不可规避的问题。应用传统方法进行数控机床误差检测和误差补偿时采用的算法主要有三种:模糊度检测、信息识别方法和PID控制算法,但是这些方法都有适应性不好、可靠性不高的缺点。引入深度学习提高了误差检测模型的适应性和可靠性。

3.1 数控机床热误差检测与补偿

数控机床中热误差所造成的加工误差有35%～65%,浅层网络对建立大量监测信号与热误差之间的映射模型存在一定难度,并且存在适应性和可靠性差的问题。随着深度学习的发展,闫文[4]通过电流时域信号与温度信号进行融合共同构成表征信号的方法,构建了CNN-DAE深度学习模型,弥补了DAE受限于样本数量而导致特征提取能力低的问题。杜柳青等[5,6]通过深度信念网络对主轴在径向和轴向方向的热误差进行预测,将预测均方根误差降低到2.2μm,并采用了基于注意力机制的数控机床热误差预测方法,将数据转化为图像作为模型的输入,充分发挥深度学习挖掘图像特征的能力,显著提高了AM-CNN模型的预测精度和泛化能力。胡杰[7]在深度学习的基础上引入混沌演化的内容构建了热误差预测模型,通过CE-CNN-GRU预测模型实现热误差的预测。张睿[8]通过基于堆叠RBM深度神经网络和GPHA优化的BP神经网络构建了热误差预测和补偿模型。王承辉[9]采用SAE-GA-BP热误差建模方法,利用模糊聚类算法和黑色关联度分析法选取温度变量的热敏感点,通过SAE深度自编码器选取输入样本中的特征值,将BP神经网络参数通过遗传算法进行寻优,显著提高了模型预测精度。为了解决不同工况下预测精度差异大的问题,李仁杰[10]利用卷积神经网络和长短时记忆网络建立具有两条支路的热误差预测模型(AM-CNN-LSTM),其中,CNN对图像化的温度数据进行处理,LSTM对时间序列温度数据进行处理,提升了模型高维数据的提取能力,并通过注意力机制对特征进行重要性重构,提升了热误差预测模型的稳定性和泛化性。房芳[11]则基于热图像的数控机床主轴热误差鲁棒建模技术,通过卷积神经网络使误差检测模型在不同温度下均保持80%以上的识别准确率。以上深度学习的拓展应用增强了热误差检测模型的适用性和可靠性,均不同程度提高了识别准确率和计算效率。

3.2 数控机床几何误差和运动误差检测与补偿

随着复杂零件制造对数控机床的加工精度要求越来越高,几何误差和运动误差对数控机床的可靠性以和稳定性有重要的影响。Aguado S.等[12]利用激光干涉仪测量立式加工中心的空间误差,通过空间误差模型对机床的所有几何误差源进行自动辨识。李宁[13]设计了基于深度强化学习的数控机床几何误差标定与补偿系统,采用应力分布特征重组的方法进行了数控机床的输出载荷计算和结构力学参数评估,根据深度学习并依据约束平面、回转平面的正交特性得到待加工曲面的的曲率优化参数解析矩阵,实现机床的几何标定与补偿,提高了误差标定精度和控制精度。余永维等[14]基于深度学习框架的运动误差溯因方法,结合RPN、R-CNN并共享一个深度卷积神经网络特征提取层来合成深度学习识别系统,成功将实际样本的溯因准确率提升到96%,该方法解决了对大量数据处理时传统数学模型处理数据时间长且准确率低的问题,为数控机床的精度研究领域提供了一种新的方法和设计思路。

国家的制造水平可以通过数控机床的技术水平体现,数控机床的发展对国家经济、科技、军事有深远意义。电主轴作为数控机床的关键部位,其优劣程度直接影响机床的加工精度,传统诊断方法需要人为提取特征,因此不可避免地导致诊断结果较差,而引入深度学习能够解决人为因素导致的故障诊断精度低的问题,在提高诊断效率、提升检测精度、剩余寿命预测方面应用较多。

4.1 针对样本量的主轴故障诊断

在数控机床故障诊断时首先需要对采集的数据进行处理,数据过多或不足都是故障诊断产生误差的原因。为了解决故障诊断中标记样本量小的问题,陈勇等[15]和郑嘉伟[16]提出基于多传感器的迁移学习的故障诊断方法和基于CCGAN-DCNN膨胀卷积胶囊网络的主轴诊断方法,通过对卷积神经网络采用目标类替换输出层的方法和最优网络提取底层特征的方法,对更高层次的神经网络进行微调,从而提高训练效率和预测精度,实现样本量较少情况下的机床主轴状态诊断。针对从大量数据中难以准确提取敏感特征值这一问题,王强[17]采用智能主轴自主感知方法,通过多传感器解决了单一传感器表征能力单一、偶然性高的问题,采用基于LSTM的信息建模方法提高了感知的准确性,并通过贝叶斯理论提高了诊断的置信度,该方法为数控机床上的智能机器自主感知问题提供了有效的理论依据。刘启等[18]通过无监督方法对机床状态进行聚类,将对大量数据进行标记的问题转换为对多类数据进行标记的问题,降低了工作人员标记诊断数据所花费的时间。以上深度学习模型的应用解决了因样本数量少导致的诊断准确率低和数据量过高导致的诊断效率低的问题,为解决故障诊断中的数据量问题提供了理论参考。

4.2 主轴状态检测模型优化

电主轴是数控机床的关键部件,当电主轴出现故障时会影响机床整体运行的安全性和可靠性。相较于深度学习模型,传统的故障检测模型检测精度和效率低,因此开展基于深度学习的电主轴故障诊断研究具有重要意义。韩婷[19]通过振动信号融合蚁群优化CNN的方法和基于小波包改进的蚁群优化深度卷积神经网络故障诊断法,分别实现多工况下轴承单一故障状态以及复合故障状态的诊断和识别。王海龙[20]则通过EEMD和VMD同卷积神经网络结合方法,即发挥EEMD与VMD处理非线性、非平稳信号的优势,又发挥卷积神经网络在故障特征提取时的强大能力,实现了端到端的数控机床轴承诊断技术。王伟平等[21]从数据分析入手,设计了基于注意力机制的全局纵向大分类和局部横向细粒度区间两个维度的研究框架,通过门循环逻辑单元和残差神经网络的手段量化辨识主轴系统的整体故障,提高了故障诊断的有效性和准确性。优化后的深度学习模型解决了传统模型检测精度和检测效率低的问题,提高了不同工况下的故障诊断精度。

4.3 主轴寿命预测

数控机床的智能化水平随着科技的发展不断提高,虽然故障诊断技术已日趋成熟,但是智能预警技术仍有待提高。为准确描述电主轴不同工况下的动态特性,Ritou M.等[22]通过电磁励磁装置获得电主轴的频率响应函数,并对高速电主轴的不同故障模式进行了建模和辨识。Neugebauer R.等[23]强调预防性维护的重要性,设计了电主轴状态检测系统,对电主轴的不同位置分别进行监测。为预测主轴轴承的剩余使用寿命并提前给出预警信号,提高系统的智能水平,避免因轴承损坏造成的经济损失,孙鑫[24]设计了一种改进网络损失函数的深度学习方法,通过降噪自编码器信号预处理和多尺度卷积神经网络来预测轴承剩余使用寿命,将轴承原始振动信号由自编码器进行编码,编码结果经过浅层特征提取模块、深层特征提取模块、数据融合模块和输出模块处理,输出轴承剩余寿命的预测值。该方法通过轴承剩余寿命的检测实现了智能故障预警,在降低轴承损坏导致经济损失的同时,提高了数控机床的生产效率。

刀具是数控机床的重要组成部分,机床在工作过程中,随着时间的推移刀具会逐渐磨损,当刀具磨损达到一定程度会降低生产效率和加工精度,严重影响数控机床的正常工作,所以对刀具磨损状态进行检测及剩余寿命预测是不可忽视的环节。

5.1 多源信号刀具状态检测

数控机床在加工过程中刀具状态检测会受信号干扰而导致结果不准确,因此国内外学者对刀具磨损状态检测进行了多项研究,樊志刚[25]设计了基于一维残差神经网络的刀具磨损状态检测模型,该模型将加工过程中刀具产生的振动信号作为信号源,利用小波包技术提取信号频段能量,确立刀具磨损的特征值,再通过1-D CNN模型进行预测,实现刀具磨损状态的识别。李广[26]使用CNN卷积神经网络建立主轴电机电流信号与刀具正常状态和崩刃的映射关系,并采用迁移学习方法实现了刀具磨损状态预测。杨国葳[27]和郝佰田[28]采用主轴电流信号,通过卷积神经网络和自编码器进行刀具磨损状态特征信息的深层次挖掘。虽然这些方法都可以高效准确地检测刀具状态,但均基于某一种信号进行研究。随着机器学习的进一步发展,深度学习因其强大的特征提取能力和模式识别能力,在多源信号刀具状态检测方面表现出明显的优点。尹晨等[29]通过数控代码触发的方式采集多源信号,建立了基于卷积神经网络的1-D CNN诊断模型,实现刀具状态检测,检测精度高达99.81%。胡媛媛[30]基于多源信号,利用D-S证据理论的深度置信网络DBN与卷积神经网络CNN相结合的方法,获得刀具磨损状态特征和混淆矩阵,从而实现对刀具健康状态的预警。徐卫晓等[31]通过多传感器采集多源信号的方法,利用CNN卷积神经网络对高维复杂数据处理的优势,解决了BPNN和RBFNN模型训练过程中容易陷入局部最小值的问题,提高了对刀具磨损状态的识别率。虽然多源信号的刀具状态检测在检测精度和检测效率方面都有提升,但是多源信号的采集装置价格较高,所以如何降低成本仍是需要研究的问题。

5.2 刀具状态检测模型优化

深度学习的二次开发模型在刀具磨损状态预测准确率和预测速度方面较传统的预测模型也有很大提升。董江磊[32]基于CSSAE的铣刀磨损状态评估方法,将卷积神经网络的数据压缩能力和堆栈稀疏自编码器的高精度特点相结合,构建了卷积堆栈稀疏自编码器,在提升算法模型训练速度的同时提高测试精度。张新建[33]则采用带有动量的随机梯度下降算法对传统卷积神经网络进行改进,使模型处理高曲率、小但一致的梯度和带噪声的梯度的能力增加。这些方法对优化刀具状态的检测模型都提供了理论参考,但是数控刀具状态检测还受很多外部因素影响,如训练样本不充足、刀具状态实时监测困难以及刀具加工对象数量不确定等都会导致刀具磨损预测效果差。针对这些问题,吴志元[34]将少量数据输入深度卷积生成对抗网络和域对抗迁移网络,扩充样本数量并减少训练集与测试机特征之间的差异,建立了基于深度特征联合匹配的刀具磨损识别方法,解决了训练样本不足时刀具状态预测不准确的问题。华家玘[35]建立了基于张量深度自编码器的刀具磨损量计算模型,实现刀具状态的实时准确检测。针对加工对象质量、数量不确定的问题,王永[36]则利用压缩感知与加噪处理实现样本数据的重构和增加,利用卷积神经网络实现刀具磨损临界状态的识别,之后利用Dropout方法改进堆栈稀疏自编码器,并结合改进D-S证据理论构建了刀具状态识别模型,解决了传统检测模型精度低和过拟合问题。

5.3 刀具寿命预测

在数控机床的铣削过程中,刀具的磨损退化不可避免,而一旦发生刀具失效,工件的表面加工质量会达不到要求,从而导致加工效率低下,磨损严重时甚至会造成机床损坏。针对该问题,叶礼伦[37]将注意力机制集成到长短时记忆网络中,建立特征与道具剩余寿命之间的映射关系模型,构建了基于退化趋势的刀具剩余寿命检测模型。王强[38]则通过改进长短时记忆网络建立MLSTM长短时记忆网络模型,对网络结构和门结构进行优化,保留了细胞状态cell用来记录长时间信息,将遗忘门、输入门和输出门用在隐藏层来控制短时间的信息传递和记录,并将前一时刻的细胞状态融入当前时刻的输入,该方法不仅可以合理控制信息流,还简化了网络模型。相较于传统的LSTM长短时记忆网络,叶礼伦[37]和王强[38]所提出的方法均提高了识别效率和识别精度,实现了刀具寿命的预测。

6.1 数控机床术语识别和发展趋势预测

数控机床作为装备制造业母机,可以反映出国家装备制造业的发展水平,因此数控机床领域的新兴技术研究对国家制造业的发展具有重大意义。张立[39]引入网络分析与深度学习并建立了数控机床领域新兴技术识别方法,实现数控机床新兴技术的识别和发展趋势的预测,为技术研究提供了参考方案。针对检测技术中术语难以挖掘、抽取难度大、缺乏术语标签等问题,尹力[40]根据命名实体识别技术,通过构建Bi-LSTM双向长短时记忆网络模型,解决了传统LSTM模型只能保存前向文本特征而无法对后向文本特征进行储存的缺点。该模型不仅可以准确有效地识别出机床领域专业术语,还可以对高频非术语词串进行过滤,通过词移距离技术计算文档的相似度,利用K均值聚类算法对术语进行类别划分,识别出的结果以术语形式呈现,准确率高,易读性强。

6.2 数控机床技术差距预测

数控机床技术传统研究方法大部分还停留在定性研究阶段,容易产生主观偏误性,少部分定量研究则是基于单一维度的指标,只得到宏观的研究结果,缺乏对具体技术差距内容的描述。近年来,随着深度学习的发展,基于多源数据挖掘的方法开始得到广泛应用,但由于这些方法对数据关联融合的语义信息重视程度不高,所以难以深入理解复杂情况下的技术创新。伍思远[41]通过改进BP算法建立数控机床领域技术差距的预测模型,该模型可以辅助机床领域研究人员完成对机床领域技术差距的客观认识。在技术机会分析方面,褚恒[42]提出一种复合型技术机会分析方法,通过构建技术知识图谱解决了缺乏专家知识有效嵌入的问题;利用联合专利分类的语义和共现信息构建了CPC共现网络,结合神经网络与链路预测方法挖掘网络中可能存在的技术机会,解决了“信息维度单一”的问题;通过搭建能够挖掘专利之间隐式融合关联的深度神经网络模型,解决了“技术机会界定规则单一”以及“技术机会可解读机会具体性差”的问题,为未来数控机床的技术发展战略制定提供了决策支持。

6.3 数控机床能耗预测

制造业是我国国民经济的重要组成部分,巨大产值的背后是巨量的能源资源利用,因此,如何提高机床能源利用率成为实现制造过程节能减排的关键问题。Newman T.等[43]提出一种针对工艺规划的能耗降低理论框架,从机床控制软件方面重新设计CNC机床和控制器,实现机床能耗降低;Newman T.等[44]还提出一些分配规则来实现机床状态控制策略的选择,以降低机床能耗;魏锋[45]引入深度学习的内容建立了机械加工车间能耗预测模型,通过深度置信网络避免了神经网络隐含层数量较低而导致训练精度差的问题,实现对能耗的预测,为建立降低能耗方案提供了理论基础。为了降低机床等待过程的能耗,张朝阳等[46]提出基于迁移学习的数控机床节能控制决策方法,通过融合深度置信网络与迁移学习的机床节能决策方法解决了加工过程中数据多样性与复杂性导致的预测准确率低的问题,将机床的决策误差降低到3.2%,机床等待过程中的总能耗降低了52.5%。

近几年有关深度学习和数控机床的文献数量相对较少,其主要原因是目前深度学习仍存在很多问题,如理论知识有待完善、内部特征运算无法用机床领域术语进行解释等,这导致很多知识无法充分融合,其次深度学习需要大量样本进行计算,对数据采集过程、数据处理能力和计算机的要求相对较高。这些都限制了深度学习在数控机床方面的应用,但是随着5G技术的发展,云计算、大数据等技术的应用并且与深度学习相互融合使得深度学习的优势愈发明显。由此很多学者在不同的知识领域展开了对深度学习的应用研究,并且在各自领域都通过深度学习的应用取得了一些研究成果,如机床的误差溯源、主轴诊断、刀具磨损等研究表明,深度学习模型优于传统模型的特征提取。综上,深度学习的应用已经成为机床行业发展壮大的重要手段和趋势之一,深度学习理论不断完善,其应用不断拓展,必将提高我国高端装备制造业的创新能力,加快数控机床走向智能化的速度和质量。

猜你喜欢 数控机床刀具机床 机床展会中国设备工程(2022年12期)2022-07-11数控机床的节能应用制造技术与机床(2019年12期)2020-01-06无织构刀具与织构刀具铣削性能对比研究制造技术与机床(2019年11期)2019-12-042019，中国机床变中求进制造技术与机床(2019年2期)2019-03-06高档数控机床数据采集应用制造技术与机床(2018年12期)2018-12-23数控机床电气系统的故障诊断与维修电子制作(2018年10期)2018-08-04切削刀具刃口形貌对刀具使用寿命的影响制造技术与机床(2017年7期)2018-01-19基于通用机床的100%低地板有轨电车轮对旋修制造技术与机床(2017年11期)2017-12-18机床挤刀装置的控制及应用制造技术与机床(2017年9期)2017-11-27PLC在数控机床中应用电子制作(2017年20期)2017-04-26