摘 要：深度學(xué)習(xí)作為一種具有強大數(shù)據(jù)處理和模式識別能力的人工智能方法，在機床狀態(tài)監(jiān)測方面具有廣闊的應(yīng)用前景。本文旨在研究基于深度學(xué)習(xí)的數(shù)控機床狀態(tài)監(jiān)測技術(shù)。首先，建立了數(shù)控機床狀態(tài)參數(shù)目標模型，分析了數(shù)控機床穩(wěn)態(tài)過程功率模型和加工過程效率模型。然后，提出了基于BP神經(jīng)網(wǎng)絡(luò)的數(shù)控機床狀態(tài)監(jiān)測模型。最后，通過實驗驗證算法在數(shù)控機床狀態(tài)監(jiān)測方面具有優(yōu)秀的性能和準確率。結(jié)果表明，深度學(xué)習(xí)算法能夠更好地處理復(fù)雜的機床狀態(tài)數(shù)據(jù)，并能夠自動學(xué)習(xí)和識別不同狀態(tài)之間的模式和特征。

關(guān)鍵詞：深度學(xué)習(xí) 數(shù)控機床 狀態(tài)監(jiān)測技術(shù) 穩(wěn)態(tài)過程功率模型 加工過程效率模型

0 引言

數(shù)控機床作為現(xiàn)代制造業(yè)中的重要設(shè)備，其穩(wěn)定性和可靠性對生產(chǎn)運行至關(guān)重要。然而，目前傳統(tǒng)的機床狀態(tài)監(jiān)測技術(shù)存在諸多局限，無法實現(xiàn)對機床狀態(tài)的實時監(jiān)測和準確評估。因此，引入新的技術(shù)和方法來解決這一問題具有重要意義[1]。另一方面，深度學(xué)習(xí)作為一種在機器學(xué)習(xí)領(lǐng)域備受關(guān)注的技術(shù)，具有強大的學(xué)習(xí)能力和數(shù)據(jù)處理能力。然而，在數(shù)控機床狀態(tài)監(jiān)測領(lǐng)域，深度學(xué)習(xí)的應(yīng)用還處于初級階段，尚未充分發(fā)揮其潛力[2]。通過對機床工作數(shù)據(jù)的分析和學(xué)習(xí)，可以實現(xiàn)對機床狀態(tài)的實時監(jiān)測、異常狀態(tài)識別、故障情況監(jiān)測以及機床壽命的預(yù)測和評估，為制造業(yè)的發(fā)展和生產(chǎn)效率的提高提供重要支持[3]。因此，深入研究基于深度學(xué)習(xí)的數(shù)控機床狀態(tài)監(jiān)測技術(shù)具有重要的現(xiàn)實意義和應(yīng)用前景。

1 數(shù)控機床狀態(tài)參數(shù)目標模型

1.1 數(shù)控機床穩(wěn)態(tài)過程功率模型

數(shù)控機床加工過程中，穩(wěn)態(tài)過程主要是指數(shù)控機床在對工件進行加工時，加工狀態(tài)持續(xù)進行、加工時加工功率保持規(guī)律性的穩(wěn)定變化的加工過程（簡稱穩(wěn)態(tài)過程）。在本文模型中，對于數(shù)控機床穩(wěn)態(tài)過程功率模型主要分為：輔助狀態(tài)功率模型、空切狀態(tài)功率模型、材料切削狀態(tài)功率模型[4]。

（1）輔助狀態(tài)功率模型：在數(shù)控機床的運行中，照明裝置、冷卻裝置、排屑裝置等產(chǎn)生的功率，一般會被稱為輔助功率。該部分功率主要是為機床在加工過程中起到輔助作用，并且是選擇性開啟的，不會伴隨著機床開啟而一直運行。除卻這些選擇性開啟的裝置產(chǎn)生的功率，機床在開啟后，維持機床正常運行，但實際機床不進行切削（包含空切）的狀態(tài)，稱為待機運行。

（2）空切狀態(tài)功率模型：在機床零件加工過程中，主軸開始旋轉(zhuǎn)后，刀具從初始位置至刀具觸碰到工件開始進行切削時，以及工件加工完成刀具快速遠離工件，到達安全位置程序停止，這些段過程為空切階段。該階段主要包含主軸旋轉(zhuǎn)、進給、快速進給、主軸旋轉(zhuǎn)加減速以及自動換刀的過程。其中主軸旋轉(zhuǎn)加減速以及自動換刀為瞬態(tài)過程。

（3）材料切削狀態(tài)功率模型：在數(shù)控機床加工過程中，當?shù)毒哂|碰到工件時，材料切削活動開始。其中材料切削功率中，也因具體的加工活動不同，分為恒材料切削功率與變材料切削功率。其中，在數(shù)控機床中恒材料切削功率主要是車外圓過程[5]；在數(shù)控機床中，變材料切削功率主要是車端面過程。材料切削狀態(tài)功率模型可以表示為：

恒材料切削功率：在數(shù)控機床中，恒材料切削功率主要是車外圓過程，車外圓過程的恒材料切削功率可以表示為：

（1）

其中，為車外圓切削功率，；、、、為系數(shù)；為切削速度，；為進給量，；為切削深度，。

變材料切削功率：車端面過程的變材料切削功率可以表示為：

（2）

其中，為車端面切削功率，；，分別為切削速度、初始切削速度，；為進給量，；為切削深度，；為主軸旋轉(zhuǎn)速度，；為刀具切入時間，為完全切削階段持續(xù)時間，為刀具切入階段持續(xù)時間，。

1.2 數(shù)控機床加工過程效率模型

在本文中建立的加工過程效率模型，其定義為：加工過程中單位時間內(nèi)材料去除體積，相較于傳統(tǒng)的材料去除率，本文所建立的加工過程效率模型考慮的是整個加工過程的效率，而不是單指數(shù)控機床的切削過程，二者所考慮的材料去除體積是相同的，而不相同在于時間的考慮，如圖1所示[6]。

該加工過程效率模型可以表示為：

（3）

其中，為加工過程效率，即為加工過程中單位時間內(nèi)材料去除體積，；為加工過程中需去除的總體積，；為加工過程時間，。當加工的零件、工藝確定時，需去除的總體積為確定值，其公式可以表達為：

（4）

其中，為加工過程中需去除的工件材料體積，；為工件直徑，；為切削深度，；為切削長度，。

1.3 數(shù)控機床加工過程參數(shù)

根據(jù)上述分析，對于固定的機床型號來說，本文的研究對象為數(shù)控機床 C2-6150HK/1a，數(shù)控機床加工過程的能耗變化不僅與時間參數(shù)有關(guān)，同時還與待機功率、機床空載功率、材料切削功率以及輔助階段功率有關(guān)。其中，待機功率、主軸轉(zhuǎn)速、材料屬性、刀具屬性、切削參數(shù)等是數(shù)控機床加工過程中的主要影響因素。由于待機階段、機床空轉(zhuǎn)階段的能耗值可直接測量且比較恒定，材料屬性和刀具屬性在實際加工中不會發(fā)生改變，在不考慮刀具磨損的情況下，影響數(shù)控機床加工能耗的主要為時間參數(shù)、主軸轉(zhuǎn)速和切削參數(shù)。故本文研究主要考慮數(shù)控機床切削加工能耗及相應(yīng)的切削參數(shù)：切削速度、切削深度和進給量。

2 基于BP神經(jīng)網(wǎng)絡(luò)的數(shù)控機床狀態(tài)監(jiān)測模型

2.1 BP神經(jīng)網(wǎng)絡(luò)原理及特點

人工神經(jīng)網(wǎng)絡(luò)利用仿生的方法，在生物神經(jīng)元工作過程的基礎(chǔ)上，通過模擬其過程，建立具有其結(jié)構(gòu)和特點的運算模型，圖2是人工神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)示意圖。它從信息處理角度對人腦神經(jīng)元網(wǎng)絡(luò)進行抽象，建立某種簡單模型，按不同的連接方式組成不同的網(wǎng)絡(luò)，它看似結(jié)構(gòu)簡單，卻由大量的節(jié)點（或稱神經(jīng)元）之間相互聯(lián)接構(gòu)成，每個節(jié)點代表一種特定的輸出函數(shù)，稱為激勵函數(shù)（activation function）。每兩個節(jié)點間的連接都代表一個對于通過該連接信號的加權(quán)值，稱之為權(quán)重，這相當于人工神經(jīng)網(wǎng)絡(luò)的記憶。網(wǎng)絡(luò)的輸出則依網(wǎng)絡(luò)的連接方式，權(quán)重值和激勵函數(shù)的不同而不同。

如圖2所示，BP網(wǎng)絡(luò)與感知器模型不同，傳遞函數(shù)必須是可微的，不能使用感知器網(wǎng)絡(luò)中的二值數(shù)。為具體說明BP網(wǎng)絡(luò)的學(xué)習(xí)過程，流程如下：

（1）輸入層結(jié)點數(shù)為，隱含層結(jié)點數(shù)為，輸出層結(jié)點數(shù)為；相應(yīng)各層結(jié)點的編號。

（2）表示輸入層與隱含層各結(jié)點之間的連接權(quán)重矩陣，表示隱含層各結(jié)點的閾值向量。

（3）表示輸入層的輸入，表示輸出層的期望輸出。

（4）輸入層的輸出為，隱含層的輸出為，輸出層的實際輸出為。

隱含層和輸出層的激勵函數(shù)采用Sigmoid函數(shù)：

式中：為神經(jīng)元收到的加權(quán)信號和。為神經(jīng)元的閾值。

隱含層第號結(jié)點的輸入和閾值分別為和，且：

2.2 BP神經(jīng)網(wǎng)絡(luò)狀態(tài)監(jiān)測模型

（1）BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)：torch庫中的nn.Module是torch庫中自帶的經(jīng)典神經(jīng)網(wǎng)絡(luò)架構(gòu)，本文搭建的神經(jīng)網(wǎng)絡(luò)通過繼承的方式構(gòu)建3層神經(jīng)網(wǎng)絡(luò)的基本架構(gòu)，再將切削速度、切削深度和進給量f作為自變量，機床的切削能耗為因變量，搭建出 BP 神經(jīng)網(wǎng)絡(luò)車削能耗預(yù)測模型，其中各層之間的激活函數(shù)采用可以修正線性單元的ReLU函數(shù)，ReLU函數(shù)相較于其他激活函數(shù)具有稀疏性，可以更好地挖掘數(shù)據(jù)特征、不出現(xiàn)梯度飽和梯度消失等情況、計算方便等優(yōu)勢。

（2）定義損失函數(shù)和優(yōu)化器：搭建BP神經(jīng)網(wǎng)絡(luò)車削能耗預(yù)測模型在繼承 nn. Module形成基本架構(gòu)之后，需要對神經(jīng)網(wǎng)絡(luò)定義損失函數(shù)和優(yōu)化器。損失函數(shù)，又叫目標函數(shù)，是編譯一個神經(jīng)網(wǎng)絡(luò)模型必需的兩個要素之一，另一個必不可少的要素是優(yōu)化器。

（3）學(xué)習(xí)速率的選擇：為了根據(jù)各個階段誤差的情況進行調(diào)節(jié)，一般采用自適應(yīng)的學(xué)習(xí)速率。當誤差減小時，會采用較大的學(xué)習(xí)速率以加快網(wǎng)絡(luò)的收斂速度；相反，在誤差增大時，會采用較小的學(xué)習(xí)速率，以避免誤差進一步擴大，通過閱讀相關(guān)文獻，BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)速率通常設(shè)置在 0.01-0.1 之間，使用 Adam 優(yōu)化器默認的初始學(xué)習(xí)率為 0.01。根據(jù)學(xué)習(xí)速率的設(shè)置范圍手動調(diào)整，并通過預(yù)測模型測試集損失確定最佳學(xué)習(xí)率為0.04。

3 實驗結(jié)果分析

為了直觀的表現(xiàn)各模型預(yù)測結(jié)果與實際能耗值之間的關(guān)系，本文采用Python 中的matplotlib 庫進行繪圖，將測試集中的25組測試結(jié)果與實際能耗值進行比較。圖3為各模型預(yù)測值與實測值對比圖。

通過各模型之間的預(yù)測值與實測值的對比，可以看出擬合效果做好的是BP神經(jīng)網(wǎng)絡(luò)狀態(tài)監(jiān)測模型。對于數(shù)控機床切削加工狀態(tài)監(jiān)測來說，BP神經(jīng)網(wǎng)絡(luò)模型具有較強的可行性。根據(jù)本文的研究對于數(shù)控機床切削加工能耗預(yù)測優(yōu)先推薦隨機森林能耗預(yù)測模型。

4 結(jié)論

本文通過研究基于深度學(xué)習(xí)的數(shù)控機床狀態(tài)監(jiān)測技術(shù)，提出了一種基于深度學(xué)習(xí)的算法，并驗證了其在機床狀態(tài)監(jiān)測方面的優(yōu)越性和實用性。本研究的實際應(yīng)用價值主要體現(xiàn)在兩個方面：一方面，機床狀態(tài)監(jiān)測技術(shù)的應(yīng)用可以提高機床設(shè)備的運行效率和穩(wěn)定性，減少設(shè)備故障和損壞，降低維修和更換成本，提高生產(chǎn)效率和質(zhì)量。另一方面，通過對機床狀態(tài)的實時監(jiān)測和預(yù)測，可以實現(xiàn)設(shè)備故障的早期預(yù)警和維修計劃的優(yōu)化，提高設(shè)備可靠性和生命周期管理。

基金項目：四川省教育廳 2022－2024 年職業(yè)教育人才培養(yǎng)和教育教學(xué)改革研究項目GZJG2022-705《基于技能大師工作室的“創(chuàng)新型”高技術(shù)技能人才培養(yǎng)模式探索與實踐》。

參考文獻

[1]王金鋒.基于成本管理視角的數(shù)控機床運行監(jiān)測維護分析[J].設(shè)備管理與維修，2023（24）：154-156.

[2]周麗蓉.數(shù)控機床能耗建模與面向能量的加工參數(shù)優(yōu)化[D].濟南：山東大學(xué)，2018.

[3]孟悅.銑削加工過程能耗建模及工藝參數(shù)優(yōu)化[D].哈爾濱：哈爾濱理工大學(xué)，2019.

[4]宋宜璇，童一飛，繆方雷，等.基于物聯(lián)網(wǎng)的數(shù)控機床群狀態(tài)監(jiān)測研究[J].機械設(shè)計與制造工程，2023，52（06）：13-18.

[5]陳露萌.高檔數(shù)控機床進給系統(tǒng)在線監(jiān)測與故障診斷[D].北京：北京信息科技大學(xué)，2023.

[6]李福佳.基于狀態(tài)監(jiān)測數(shù)據(jù)的數(shù)控機床運輸安全性評價及包裝優(yōu)化設(shè)計[D].長春：吉林大學(xué)，2024.