基于深度卷積神經網絡的機床有效加工狀態識別

施 瑩 曾紹坤 李 沨 劉紅奇

（1. 武漢船用機械有限責任公司，武漢 430084 ；2. 華中科技大學機械科學與工程學院，武漢 430074）

1 引 言

在數控加工過程尤其是精加工過程中，數據采集分析系統對運行狀態的準確識別，不僅有助于提高機床的自動化控制水平，更有助于提升對加工質量和要求高的被加工件加工過程和運行狀態的準確監控。以銑削加工為例，由于精加工切削量小，所以對通過設備采集的有效加工與主軸空轉信號難以區分，且國內外暫無準確識別方法。

識別數控加工運行狀態的方法一般有3 類：閾值法[1]、機器學習算法[2]和深度學習算法。閾值法由于閾值固定或者系數固定，在實際工業加工算法中適應性差，高斯閾值法能夠很好地動態調整閾值，以適應不同的工況，是一種較常見的二元分類方法，其是從概率的角度進行分類[3]。機器學習算法對于數據量和維度有一定的限制，對于大數據量和多維度的輸入不僅存在精度低、泛化性能差等問題，其計算成本更是巨大，淺層的結構使之無法提取數據中更深層次的特征[4]。深度學習算法依托網絡強大的特征提取和壓縮降維能力，在處理多信號、多特征、大數據輸入等方面擁有得天獨厚的優勢。Can Cheng 等人分別使用時域、頻域和時頻域特征訓練網絡，發現時頻域特征訓練的網絡分類精度最高[5]。Shisheng Zhong 等人結合卷積神經網絡與遷移學習，實現對小樣本數據的快速訓練與學習，以此對燃氣輪機故障進行檢驗[6]。Demen Tabernik 結合VGGNet（機器視覺領域一種經典深度卷積神經網絡）和ResNet（機器視覺領域深度殘差卷積神經網絡），創新出新的深層網絡結構，并將其用于表面缺陷的檢測，預測精度高達99.9%[7]。

2 數據獲取和分析處理

2.1 實驗數據獲取

本文實驗數據來自現場采集武漢船用機械有限責任公司的VMC、TPK 2 臺機床實際加工過程中的主軸三向振動信號；采集系統為武漢恒力華振科技有限公司的系統；傳感器為美國DYTRAN 公司的三向振動傳感器，型號為3263A2 采樣頻率為10000Hz，采集儀器和設備如圖1 所示。

圖1 采集儀器和設備

2.2 信號預處理

原始信號中存在各種噪聲，對信號的主要成分產生嚴重干擾，為提高信號信噪比，實驗采用矩形窗以10（即ms）為步長對原始數據進行平滑降噪。將處理后的信號與原始信號進行時域和頻域對比，前者在時域特性上幅值變化特征更為明顯，在頻域特性上高頻噪聲得到了顯著抑制。

2.3 特征提取

本文輸入數據中包含2 臺數控機床的三向振動信號，現場采集的原始數據在時域上不能完全反映有效加工和空轉狀態，因而需要采用多特征融合技術對數控加工運行狀態進行分類識別。

時域特征提?。簳r域特征可以反映機床在時間上的動態加工過程和加工過程中信號變化的趨勢及特點。本文中從時域分別提取了2 臺機床每個方向的均值、標準差、均方根值、偏度、峭度、峰值、脈沖指標、方根幅值、裕度、波形指標和峰值指標等11 種特征。

頻域特征提?。簩π盘栠M行頻譜分析，可從頻域解析不同運行狀態下頻域結構的差異性，揭示各狀態下獨有的特征變化情況。本文分別對2 臺機床在運行過程中不同轉速條件下不同方向振動信號的幅值譜和功率譜提取均值、方差、峭度、偏度、重心頻率、標準差、標準差頻率、偏度指標頻率、峭度指標頻率、均方根頻率、四次方根頻率、均方值和峰度等共28 種特征，特征頻段則在以數個齒頻所在敏感頻段為中心的局部區域內選取。

時頻域特征提取：只采用時域或頻域分析，只能在固定的范圍內進行多特征分析，不能構建起彼此間互通共享的橋梁，可以采用小波包變換獲取時頻域特征。本文中振動信號的采樣頻率為10000Hz，加工轉速最高達2000r/min，經過試驗，采用小波函數為coif5，熵標準采用shannon（香農熵），對信號進行5 層小波包分解，每個振動方向獲得34 種特征。

PCA 數據降維：對2 臺機床、6 個方向共提取時域、頻域和時頻域特征共438 種。首先，人工剔除所有特征中的錯誤特征和不敏感特征，將特征維數降至360 維；其次，采用PCA 技術對特征進行壓縮，使各特征之間相關性降低，從而降低冗余特征占比，分別計算360 個特征值的單個特征占比和特征值排序后累積特征值占比，將特征降至236 維，降維后有效提高了特征的代表性和有效性。

3 有效運行狀態識別

3.1 深度卷積網絡結構

由于本文輸入維數中等，不適合VGGNet、ResNet等大型深度卷積網絡，經過試驗，普通深度卷積網絡收斂精度和速度已能滿足實際需求，具體結構如圖2 所示。經過預處理和PCA 降維后的數據作為網絡輸入數據，數據由卷積層進行特征提取。本模型包括2 個特征提取卷積模塊，兩者皆為卷積層、批量歸一化、激勵層、最大池化層。前一池化結果輸入第一個全連接層，該層激活函數選用tanh 函數進行數據的非線性轉換，輸出結果輸入第二個全連接層，運算后的結果直接輸入Softmax函數中，將預測結果轉化為概率值。網絡模型各層具體結構參數如表1 所示，網絡訓練參數如表2 所示。

圖2 DCNN結構圖

表1 網絡結構參數

表2 訓練參數

3.2 狀態識別和識別狀態平滑處理

狀態識別：本文中，將加工狀態分為2 類，一類是處于有效加工階段，標記為1；另一類處于空轉階段，標記為0。以經過PCA 降維處理之后的特征作為DCNN 模型的輸入，標記狀態為預測標簽，以Batch Norm 緩解網絡對輸入初始化的影響，減少內部方差協變的影響，一定程度上能夠防止過擬合，在測試集數據之上測試模型的泛化性能。

狀態平滑處理：本模型在進行運行狀態識別中，盡管準確度達到96.94%，但仍存在分類錯誤的區段，為減少誤判的影響，進一步提高識別精度，實驗人員采用多點平滑對部分錯誤結果進行糾正。具體步驟為：以10 為例，連續10 個點為窗口進行平滑，若10 個點中超過3 個點狀態為1，則將這10 個點全部判為1，反之則全為零。由此導致整體識別結果出現延時，但本文中數據采樣頻率為10000，以2000 為步長提取特征，故延時不超過1s，可忽略不計?？煽s短窗口長度實現延時時間的長短，本模型以10 為窗長，最后識別結果的準確度達99%以上。

4 結果分析與對比

本文中通過對有效加工和空轉狀態數據分別進行標記作為標簽，特征為輸入，訓練DCNN 模型，在模型之后外接識別狀態平滑處理算法，進一步提高識別準確率。圖3 為VMC 和TPK 2 臺機床的方差特征、實際狀態標簽和預測狀態對比圖，可從圖中看出，本文模型對精加工階段識別精度高，圖4 為預測結果與平滑處理之后實際振動信號對比。

本文將本模型與BP 神經網絡、邏輯回歸網絡、支持向量機和樸素貝葉斯進行對比，在相同訓練次數和初始學習率的情況下，網絡模型以測試集后1000 次平均準確率為計算標準，本模型收斂進度高于其他模型，體現出本文模型的優秀性能，具體如表3 所示。

圖3 實際標簽、方差特征和預測狀態圖

圖4 預測狀態和平滑后振動信號

表3 模型結果對比

5 結 論

（1）本模型在對2 臺機床運行狀態識別過程中，通過對原始數據進行平滑降噪，提取時域、頻域、時頻域特征和PCA 降維處理，并利用卷積網絡進行特征提取和壓縮降維后，能對2 臺機床的運行狀態進行識別。試驗結果表明，本文模型的平均準確率為96.94%，以已訓練好的模型進行測試，平均耗時約0.086s。

（2）通過對機床運行狀態的識別，有助于更為精準地控制機床，檢測機床的運行性能，提高生產效率和機床智能化、自動化水平。

（3）本文僅將加工狀態與未加工狀態進行識別，并未對加工進行準確分類，無法實現空轉、粗加工、半精加工和精加工的分類識別，可在以后的研究中繼續深入探索。