王 妍，胡小鋒

(上海交通大學(xué)機(jī)械與動(dòng)力工程學(xué)院，上海 200240)

0 引言

在工件加工過程中，精加工刀具直接與工件接觸，其過度磨損將導(dǎo)致工件表面質(zhì)量惡化，甚至?xí)?dǎo)致零件報(bào)廢，造成嚴(yán)重經(jīng)濟(jì)損失。因此，需要監(jiān)控刀具在加工過程中的狀態(tài)，判斷刀具剩余壽命(remaining useful life,RUL)，在保證工件表面加工質(zhì)量的前提下進(jìn)行合理換刀，提高加工效率，降低加工成本。通過傳感器采集過程監(jiān)控信號(hào)監(jiān)測(cè)刀具狀態(tài)，運(yùn)用深度學(xué)習(xí)方法構(gòu)建監(jiān)控信號(hào)與刀具剩余壽命間的映射關(guān)系，是一種較為廣泛的刀具剩余壽命預(yù)測(cè)方法。然而，工件加工過程中由于刀具屬性變化、切削參數(shù)調(diào)整等因素，刀具的性能衰退規(guī)律呈現(xiàn)出不同趨勢(shì)[1]，基于歷史數(shù)據(jù)訓(xùn)練的剩余壽命預(yù)測(cè)模型對(duì)新性能衰退規(guī)律的刀具樣本預(yù)測(cè)準(zhǔn)確率較差。因此，有必要研究刀具剩余壽命預(yù)測(cè)模型參數(shù)更新方法，改善新性能衰退規(guī)律刀具的剩余壽命預(yù)測(cè)準(zhǔn)確度。

遷移學(xué)習(xí)利用數(shù)據(jù)或模型間的相似性，將舊領(lǐng)域?qū)W習(xí)過的模型和知識(shí)應(yīng)用于新的領(lǐng)域[2]，深度遷移學(xué)習(xí)則利用深度網(wǎng)絡(luò)完成遷移任務(wù)。近年來深度遷移學(xué)習(xí)逐漸應(yīng)用于故障診斷與磨損、壽命預(yù)測(cè)領(lǐng)域。GUO等[3]提出一種深度卷積遷移學(xué)習(xí)網(wǎng)絡(luò)進(jìn)行軸承故障診斷方法，首先利用卷積神經(jīng)網(wǎng)絡(luò)提取原始振動(dòng)數(shù)據(jù)特征，對(duì)振動(dòng)數(shù)據(jù)進(jìn)行分類；然后采用分布差異度量進(jìn)行領(lǐng)域自適應(yīng)，調(diào)整模型參數(shù)，從而應(yīng)用于目標(biāo)領(lǐng)域軸承的故障診斷。LU等[4]重新定義深度神經(jīng)網(wǎng)絡(luò)(deep neural networks,DNN)中的目標(biāo)函數(shù)，采用最大均值差異(maximum mean discrepancy,MMD)減少源域和目標(biāo)域樣本的分布差異，提高了故障診斷的能力。SUN等[5]提出一種基于稀疏編碼器的深度遷移學(xué)習(xí)網(wǎng)絡(luò)，采用稀疏編碼器建立監(jiān)測(cè)數(shù)據(jù)與刀具剩余壽命之間的關(guān)系，并采用KL散度作為衡量標(biāo)準(zhǔn)調(diào)整模型參數(shù)，以提高刀具剩余壽命預(yù)測(cè)的準(zhǔn)確性。蔡偉立等[6]采用動(dòng)態(tài)對(duì)抗域方法，利用新工藝下的少量目標(biāo)域樣本對(duì)源域模型進(jìn)行參數(shù)調(diào)整，提高了刀具剩余壽命預(yù)測(cè)的準(zhǔn)確性。曾德貴等[7]構(gòu)建深度學(xué)習(xí)模型提取機(jī)械故障特征，并采用遷移學(xué)習(xí)方法將實(shí)驗(yàn)數(shù)據(jù)用于機(jī)械故障特征大數(shù)據(jù)的訓(xùn)練與測(cè)試，提高了對(duì)機(jī)械故障點(diǎn)的診斷精度。王心剛等[8]采用域?qū)棺赃m應(yīng)網(wǎng)絡(luò)降低不同工況下軸承數(shù)據(jù)的分布差異，以提高不同工況下軸承剩余壽命的預(yù)測(cè)準(zhǔn)確性。

本文提出一種基于深度遷移學(xué)習(xí)的刀具剩余壽命預(yù)測(cè)方法，提高刀具剩余壽命預(yù)測(cè)的準(zhǔn)確性。首先采用歷史性能衰退模式的刀具過程監(jiān)控?cái)?shù)據(jù)構(gòu)建基于長短時(shí)記憶網(wǎng)絡(luò)(long short-term memory,LSTM)的刀具剩余壽命預(yù)測(cè)模型；然后，通過深度領(lǐng)域自適應(yīng)方法，在模型中引入自適應(yīng)層進(jìn)行歷史刀具過程監(jiān)控信號(hào)特征到目標(biāo)刀具過程監(jiān)控信號(hào)特征的自適應(yīng)，以調(diào)整刀具剩余壽命預(yù)測(cè)模型參數(shù)。

1 數(shù)據(jù)分布自適應(yīng)的深度遷移學(xué)習(xí)方法

1.1 基于LSTM的刀具剩余壽命預(yù)測(cè)模型

刀具剩余壽命預(yù)測(cè)模型以加工過程監(jiān)控信號(hào)作為輸入，由LSTM特征提取器和非線性回歸器組成，輸出刀具的剩余壽命值，如圖1所示。

圖1 刀具剩余壽命預(yù)測(cè)模型

(1)

(2)

(3)

(4)

(5)

式中，i為第i個(gè)LSTM單元；UF、UI、UO、U為輸入權(quán)重；WF、WI、WO、W為循環(huán)權(quán)重矩陣；bF、bI、bO、b為偏置項(xiàng)；σ為Sigmoid函數(shù)；tanh為雙曲正切函數(shù)。

LSTM特征提取器由3層LSTM層組成，每層節(jié)點(diǎn)數(shù)為256，為防止模型過擬合，每層LSTM層后連接1層Dropout層，通過LSTM特征提取器提取的過程監(jiān)控信號(hào)特征h(t)輸入非線性回歸器，以預(yù)測(cè)刀具剩余壽命值。非線性回歸器由3層全連接層組成，其中前2層全連接成分別以線性整流函數(shù)relu、雙曲正切函數(shù)tanh作為激活函數(shù)，節(jié)點(diǎn)數(shù)分別為128、64，最后輸出層則無激活函數(shù)。

1.2 基于CORAL的深度領(lǐng)域自適應(yīng)

基于CORAL損失的深度領(lǐng)域自適應(yīng)方法[10-11]通過在基于深度神經(jīng)網(wǎng)絡(luò)的刀具剩余壽命預(yù)測(cè)模型中引入自適應(yīng)層，以開發(fā)適應(yīng)目標(biāo)類別刀具數(shù)據(jù)所要求的剩余壽命預(yù)測(cè)模型。深度領(lǐng)域自適應(yīng)框架如圖2所示。

圖2 深度領(lǐng)域自適應(yīng)框架

(1)利用源領(lǐng)域數(shù)據(jù)，即歷史性能衰退規(guī)律刀具的過程監(jiān)控信號(hào)訓(xùn)練刀具剩余壽命預(yù)測(cè)模型，模型中LSTM特征提取器記為LSTMs，非線性回歸器記為非線性回歸器s，采用SGD優(yōu)化器進(jìn)行訓(xùn)練，訓(xùn)練的損失函數(shù)為平均絕對(duì)誤差。

(6)

(2)目標(biāo)領(lǐng)域模型中LSTM特征提取器記為LSTMt，非線性回歸器記為非線性回歸器t，初始狀態(tài)下目標(biāo)域模型共享源域模型的參數(shù)。在模型特征提取器后加入自適應(yīng)層，采用CORAL損失函數(shù)度量源域、目標(biāo)域由特征提取器提取的特征的距離。

CORAL損失是源域、目標(biāo)域特征的二階統(tǒng)計(jì)量(協(xié)方差)之間的距離。源域特征DS={xi},x∈Rd和目標(biāo)域特征DT={ui},u∈Rd的CORAL損失為：

(7)

(8)

(9)

式中，nS、nT分別為源域數(shù)據(jù)和目標(biāo)域數(shù)據(jù)的數(shù)據(jù)量；1是所有元素都等于1的列向量。

在模型更新過程中，最小化源域訓(xùn)練損失本身很可能導(dǎo)致源域的過擬合，目標(biāo)域的性能降低；而僅僅最小化CORAL損失可能導(dǎo)致模型預(yù)測(cè)能力下降。因此，結(jié)合源域訓(xùn)練損失和兩領(lǐng)域間的CORAL損失在目標(biāo)域模型上進(jìn)行聯(lián)合訓(xùn)練，更新目標(biāo)域LSTM特征提取器的參數(shù)。

(10)

式中，t表示深度網(wǎng)絡(luò)中CORAL損失層的數(shù)量；λ是在源域上權(quán)衡自適應(yīng)和訓(xùn)練精度的權(quán)重。

1.3 基于深度網(wǎng)絡(luò)的預(yù)訓(xùn)練-微調(diào)方法

若目標(biāo)類別刀具數(shù)據(jù)中含有少量有標(biāo)簽數(shù)據(jù)，則通過預(yù)訓(xùn)練-微調(diào)方法，通過目標(biāo)類別內(nèi)的帶標(biāo)簽數(shù)據(jù)調(diào)整刀具剩余壽命預(yù)測(cè)模型。預(yù)訓(xùn)練-微調(diào)方法是指從源域和目標(biāo)域中找到共享的模型參數(shù)信息，以實(shí)現(xiàn)遷移的方法。

圖3 預(yù)訓(xùn)練-微調(diào)方法

預(yù)訓(xùn)練-微調(diào)方法對(duì)刀具剩余壽命預(yù)測(cè)模型進(jìn)行調(diào)整的過程如圖3所示。在微調(diào)過程中，固定目標(biāo)刀具類別剩余壽命預(yù)測(cè)模型中自適應(yīng)調(diào)整后的LSTMt的參數(shù)，以目標(biāo)域刀具中帶有標(biāo)簽的過程監(jiān)控信號(hào)為輸入，微調(diào)模型中的非線性回歸器t。微調(diào)過程采用SGD優(yōu)化器進(jìn)行訓(xùn)練，平均絕對(duì)誤差為損失函數(shù)。

2 應(yīng)用實(shí)例

2.1 實(shí)驗(yàn)數(shù)據(jù)

圖4 轉(zhuǎn)子輪槽精加工刀具過程監(jiān)控信號(hào)

本文實(shí)驗(yàn)采用汽輪機(jī)轉(zhuǎn)子輪槽加工過程監(jiān)控?cái)?shù)據(jù)進(jìn)行分析，實(shí)驗(yàn)平臺(tái)由某汽輪機(jī)廠提供。實(shí)驗(yàn)利用聲發(fā)射傳感器監(jiān)控轉(zhuǎn)子輪槽銑刀的加工過程，共采集了15把刀具的過程監(jiān)控信號(hào)，并以AEwin軟件輸出相應(yīng)的特征。AEwin輸出的AE信號(hào)具有14個(gè)維度特征，分別為幅值(amplitude,A)、能量(energy,E)、均方根值(root mean square value,RMS)、平均信號(hào)電平(average signal level,ASL)、上升時(shí)間(rise time,RT)、峰值計(jì)數(shù)(counts to peak,CTP)、平均頻率(average frequency,AF)、反算頻率(reverberation frequency,RF)、初始頻率(initiation frequency,IF)、信號(hào)強(qiáng)度(signal strength,SS)、絕對(duì)能量(absolute energy,AbE)、計(jì)數(shù)(count,C)、持續(xù)時(shí)間(last time,LT)等，為綜合考慮多特征對(duì)信號(hào)波動(dòng)趨勢(shì)的影響，將各個(gè)維度的特征采用1主成分分析[19](principal components analysis,PCA)方法降維，降維后選擇累計(jì)方差貢獻(xiàn)率最高的第一維數(shù)據(jù)進(jìn)行分析，標(biāo)記為PCA1，如圖4所示。

本文采用基于u-shapelets的時(shí)間序列聚類方法[12]將15條刀具過程監(jiān)控信號(hào)聚類，將刀具聚為5類，分別為U1={2,3,4,6,7,8,11}、U2={12,13,14,15}、U3={1}、U4={5}、U5={10}。本文采用分段壽命[13]作為刀具剩余壽命，將刀具性能的衰退分為兩個(gè)階段，前期性能變化較為平穩(wěn)，即刀具加工槽數(shù)增加，刀具剩余壽命均為最大剩余壽命值，后期刀具性能衰退加劇，即刀具加工槽數(shù)加1，刀具剩余壽命值減1，直至刀具剩余壽命為0，設(shè)置最大剩余壽命為5[1]。

2.2 實(shí)驗(yàn)結(jié)果分析

以樣本數(shù)量較多的類別U1為源域數(shù)據(jù)，訓(xùn)練刀具剩余壽命預(yù)測(cè)模型，以U2作為目標(biāo)域數(shù)據(jù)進(jìn)行實(shí)驗(yàn)分析，選取12號(hào)刀具的過程監(jiān)控信號(hào)作為模型微調(diào)時(shí)的有標(biāo)簽數(shù)據(jù)，對(duì)13、14、15號(hào)刀具進(jìn)行剩余壽命預(yù)測(cè)，實(shí)驗(yàn)結(jié)果如圖5所示，其中，圖5a為13號(hào)刀具預(yù)測(cè)結(jié)果，圖5b為14號(hào)刀具預(yù)測(cè)結(jié)果，圖5c為15號(hào)刀具預(yù)測(cè)結(jié)果。圖中虛線為刀具剩余壽命理論值，點(diǎn)劃線為未遷移的源域模型對(duì)目標(biāo)域測(cè)試刀具的預(yù)測(cè)效果，實(shí)線為遷移后的模型對(duì)測(cè)試刀具剩余壽命預(yù)測(cè)值。12、13、14號(hào)刀具在最后一條槽加工結(jié)束時(shí)，源域模型的剩余壽命預(yù)測(cè)結(jié)果分別為1.41、1.33、1.05條槽，而此時(shí)刀具的實(shí)際剩余壽命已為0，若基于源域模型的預(yù)測(cè)結(jié)果再加工一條槽，則會(huì)導(dǎo)致?lián)Q刀不及時(shí)，造成刀具過度磨損而影響轉(zhuǎn)子輪槽表面質(zhì)量。而遷移后的模型對(duì)加工最后一條槽時(shí)的剩余壽命預(yù)測(cè)結(jié)果分別為0.27、0.23、0.018條槽，此時(shí)刀具剩余壽命不足0.5條槽，則可以根據(jù)預(yù)測(cè)結(jié)果進(jìn)行及時(shí)換刀，保證轉(zhuǎn)子輪槽表面的加工質(zhì)量。

(a) 刀具13剩余壽命預(yù)測(cè)結(jié)果 (b) 刀具14剩壽命預(yù)測(cè)結(jié)果 (c) 刀具15剩余壽命預(yù)測(cè)結(jié)果

(11)

(12)

3把測(cè)試刀具遷移前、后的剩余壽命預(yù)測(cè)結(jié)果如表1所示。遷移后刀具剩余壽命預(yù)測(cè)結(jié)果中3把刀具的MAE分別降低了0.385 6、0.283 4、0.210 4；RMSE分別降低了0.417 3、0.315 4、0.188 2；平均準(zhǔn)確率分別提高了11.2%、8.10%、5.79%。本文方法僅用1把帶標(biāo)簽的刀具數(shù)據(jù)即可對(duì)類別U2中刀具的預(yù)測(cè)平均準(zhǔn)確率提高至90%以上。

表1 類別2刀具剩余壽命預(yù)測(cè)結(jié)果

圖6 類別5刀具剩余壽命預(yù)測(cè)結(jié)果

對(duì)于僅有1個(gè)樣本，不包含其他有標(biāo)簽樣本的類別，如類別U5，以刀具10作為測(cè)試刀具，無法以目標(biāo)域中其他帶標(biāo)簽數(shù)據(jù)對(duì)模型進(jìn)行微調(diào)，則僅以類別U1訓(xùn)練源域刀具剩余壽命預(yù)測(cè)模型，僅對(duì)模型進(jìn)行深度領(lǐng)域自適應(yīng)，其預(yù)測(cè)結(jié)果如圖6所示。刀具10在最后一條槽加工結(jié)束時(shí)，源域模型的剩余壽命預(yù)測(cè)結(jié)果為0.06條槽，但在加工最后一條槽前，源域模型對(duì)剩余壽命的預(yù)測(cè)結(jié)果均小于實(shí)際剩余壽命0.5條槽以上，如加工第10條槽結(jié)束后，刀具剩余壽命預(yù)測(cè)結(jié)果為0.42，由于此時(shí)刀具剩余壽命不足0.5條槽，若繼續(xù)加工一條槽則可能會(huì)造成刀具過度磨損，因此會(huì)在此時(shí)提前換刀，從而導(dǎo)致輪槽銑刀利用率降低，影響轉(zhuǎn)子輪槽的加工效率。遷移后模型的剩余壽命預(yù)測(cè)結(jié)果則更加接近于刀具真實(shí)剩余壽命，可以充分利用刀具的剩余壽命，提高加工效率。

刀具10經(jīng)過遷移前、后的剩余壽命預(yù)測(cè)結(jié)果如表2所示?？梢钥闯?，遷移后的模型預(yù)測(cè)效果比未遷移時(shí)MAE值下降了0.420 7，RMSE值下降了0.460 4，平均準(zhǔn)確率上升了11.57%。在目標(biāo)類別數(shù)據(jù)沒有帶標(biāo)簽數(shù)據(jù)的情況下，僅通過對(duì)源域模型進(jìn)行領(lǐng)域深度自適應(yīng)，也可以提高目標(biāo)類別刀具剩余壽命預(yù)測(cè)的準(zhǔn)確性。

表2 類別5刀具剩余壽命預(yù)測(cè)結(jié)果

3 結(jié)論

本文提出一種基于數(shù)據(jù)分布自適應(yīng)的遷移學(xué)習(xí)方法，實(shí)現(xiàn)了在新的刀具性能衰退規(guī)律下快速構(gòu)建刀具剩余壽命預(yù)測(cè)模型，并提高刀具剩余壽命預(yù)測(cè)的準(zhǔn)確率。在刀具剩余壽命預(yù)測(cè)模型中對(duì)源域數(shù)據(jù)和新衰退模式下的數(shù)據(jù)進(jìn)行領(lǐng)域自適應(yīng)，以調(diào)整刀具剩余壽命預(yù)測(cè)模型的參數(shù)。以轉(zhuǎn)子輪槽銑刀加工過程為例進(jìn)行模型的深度領(lǐng)域自適應(yīng)遷移，遷移后的刀具剩余壽命預(yù)測(cè)模型相比歷史刀具剩余壽命預(yù)測(cè)模型的預(yù)測(cè)準(zhǔn)確率有了較大改善，以遷移后模型預(yù)測(cè)結(jié)果指導(dǎo)換刀，可以避免因源域模型預(yù)測(cè)不準(zhǔn)確而造成的提前換刀、換刀不及時(shí)的問題，從而提高刀具利用率，提升工件加工效率。