基于云計算的刀具狀態監測數字孿生系統研究*

□ 謝 楠 □ 寇 銳 □ 劉雪梅

1.同濟大學 中德工程學院 上海 2018042.同濟大學 機械與能源工程學院 上海 201804

1 研究背景

隨著制造技術的不斷發展,高端數控機床被應用于包括汽車、航天零部件在內的各種加工場合。刀具作為機床的重要組成部分,與零部件的形狀、尺寸、表面質量等有緊密聯系,因此,刀具狀態監測成為業內研究的熱點[1]。對刀具狀態進行可靠監測,可以降低廢品率,縮短機床停機時間,延長機床使用壽命,同時還可以降低企業成本,提高生產效率[2]。

隨著傳感器技術、通信技術的發展,加工數據逐漸呈現出多源、異構、量大的特點,如何基于龐大復雜的時序數據精準分析刀具狀態,成為現階段的難題。數字孿生概念的提出和發展,搭建了物理世界和虛擬世界的橋梁,通過虛實交互、數據融合等,可以擴展物理實體的能力[3]。當前,數字孿生技術被廣泛應用于生產制造、狀態監測、健康管理等領域。

目前,刀具狀態監測的主流方法是間接監測,采集加工過程中的振動、電流、切削力、溫度等信號,經過數據處理和特征提取等,建立信號與刀具狀態間的映射關系[4]。

近幾年來,為了提高對數據的分析處理能力,各類機器學習算法被相繼提出。機器學習算法由于強大的自我學習能力和識別能力,被廣泛應用于各大領域[5],學者們同時開始研究深度學習在加工狀態監測方面的應用。Huang Zhiwen等[6]提出了一種基于深度卷積神經網絡多域特征融合的刀具磨損預測方法,提取多種傳感器信號作為刀具磨損狀態的健康指標,結果表明,這一方法具有較好的預測精度。Akusok等[7]提出了一種高性能極限學習機工具箱,給出了與傳統線性代數性能有關的極限學習機解決方案,為應對眾多大數據的挑戰提供了堅實的基礎。

云計算可以為深度學習提供良好的服務支持,為用戶提供虛擬化的資源池,使用戶通過鏡像獲得云平臺上較高的服務器配置和圖形處理能力,進而利用云計算進行復雜的計算、性能優化、測試等工作[8]。筆者通過研究,提出基于云計算的刀具狀態監測數字孿生系統,在刀具狀態監測中引入云平臺計算架構,構建五維數字孿生模型,采用基于核主成分分析-極限學習機的刀具磨損狀態智能監測算法,在保證監測精度的同時,有效提高刀具狀態監測的速度。筆者在Unreal Engine系統中實體化數字模型,實現物理實體與虛擬模型的雙向交互、數據傳輸及控制。

2 系統架構

在基于云計算的刀具狀態監測數字孿生系統中,可以通過各種傳感器和數據處理方法對刀具狀態進行評估,預測和驗證刀具故障及剩余壽命,將傳統的計劃維護和事后維護轉變為預測性維護。

在孿生數據的驅動下,物理過程與數字世界的同步映射及實時交互,可以提供精確的分析、預測,并實現可視化呈現。

在系統中引入云計算架構,分為設備層、網絡層、數據層、應用層,能夠合理適配預測性維護模型,實時進行數據分析,傳輸和觸發預測性維護業務的響應策略;同時可以提供低延時的網絡服務響應,減輕云端的負荷,提升處理效率,支持實時、動態、智能、安全的服務計算,并支持云邊業務。

基于云計算的刀具狀態監測數字孿生系統實質上是五維數字孿生驅動的刀具狀態監測系統,在三維數字孿生模型[9]的基礎上,增加了云平臺和云服務,可以更加精準、快速地反映刀具的實時狀態,用于設計和優化維護策略。

基于云計算的刀具狀態監測數字孿生系統如圖1所示,主要包括基于云端的數字孿生平臺和基于邊緣側計算的物理設備數據采集和分析系統。系統中的變量包括加工裝備、加工設備虛擬模型、各種服務、云側數字孿生系統,以及加工裝備、加工設備虛擬模型、各種服務、云端數字孿生平臺的數據交互。

▲圖1 基于云計算的刀具狀態監測數字孿生系統

利用云端的軟件即服務(SaaS)層,連接數字孿生與生產制造數據,構建基于云端的數字孿生平臺系統,提供設備狀態評估、預測維護、剩余使用壽命計算等服務。開發數字化設備模型,用于實現數據記錄和存儲、設備狀態仿真和預測,以及基于三維虛擬模型的決策優化,相應的數據庫、算法、模型、設備位于云端的平臺即服務(PaaS)層。基于云計算的刀具狀態監測數字孿生系統架構如圖2所示。

3 刀具磨損狀態智能監測算法

在基于云計算的刀具狀態監測數字孿生系統中,為了提高數據的分析處理能力,提出一種基于核主成分分析-極限學習機的刀具磨損狀態智能監測算法,用于軟件即服務層的狀態評估模塊。

▲圖2 基于云計算的刀具狀態監測數字孿生系統架構

這一刀具磨損狀態智能監測算法流程如圖3所示。傳感器采集加工過程中的時序數據,算法的輸入是三軸振動數據和電流數據,算法的輸出是刀具當前的狀態。對數據進行預處理,計算時域特征和頻域特征,得到振動數據與電流數據的時頻域特征之后,利用核主成分分析[10]對時頻域特征進行提取,去除冗余特征,在壓縮數據的同時盡可能保持原有數據的相關特征及信息,減小計算量。將提取得到的特征輸入極限學習機[11],進行訓練與測試,最終輸出刀具狀態。

核主成分分析的核心思想是先計算非線性數據在高維空間的映射,再利用主成分分析將高維特征映射到低維空間,從而實現高維特征提取。設{x1,x2,…,xn}為樣本集中的N個樣本,其時頻域特征為D維,通過非線性映射函數φ,可以將原始特征映射到更高的K維特征空間,即:

φ:RD→RK,x→X

K維特征空間的協方差矩陣CK為:

(1)

矩陣CK的特征值λ和特征向量α滿足:

CKαi=λiαi

(2)

在特征空間中,任意一個向量都可以用空間樣本集線性表示,即存在一個列向量β=[β1,β2,…,βi]T,使特征向量αi滿足:

(3)

綜合求解以上各式,可得:

▲圖3 刀具磨損狀態智能監測算法流程

Mβ=λiβ

(4)

M=[mij]N×N=φ(xi)Tφ(xj)=φ(X)Tφ(X)

(5)

式(5)為核矩陣,求解β的過程就是對原始數據降維的過程。

通過核主成分分析提取原始數據相關特征,作為極限學習機的輸入。極限學習機是一種前向傳播網絡,通過隨機設定輸入層與隱含層、隱含層與隱含層間的連接權值,可以大大減小神經網絡的計算量。隱含層與輸出層間的連接權值一次性確定,相較于傳統機器學習,極限學習機的速度更快,并且能保持相當高的準確度。

4 試驗研究

4.1 試驗設計

試驗在CJK0640數控車床上進行,工件直徑為30 mm,長為110 mm,材料為45號鋼。所使用的刀具為TNMG160404 NX2525硬質合金刀具。試驗中,利用CT1010SLFP加速度傳感器采集加工時工件與刀具徑向、軸向、切向三個方向的振動信號,采樣頻率為10 kHz。采用FLUKE 1735功率傳感器采集機床的功率信號和電流信號,采樣頻率為10.24 kHz,實時傳輸數據至云端網絡。利用正交試驗方法構建不同的加工切削三要素組合情況,可以在保證試驗效果的前提下有效減少試驗組數。基于不同的切削情況,決定使用L9(34)正交表進行試驗,試驗參數組合見表1。

表1 試驗參數組合

每次走刀后,利用AD4113數字顯微鏡觀察刀具的磨損情況,放大倍數為30倍,并根據刀具磨損量給出刀具的狀態。

加速度傳感器的安裝位置如圖4所示,刀具在顯微鏡下的磨損情況如圖5所示。

▲圖4 加速度傳感器安裝位置

▲圖5 刀具磨損情況

4.2 試驗環境配置

刀具磨損狀態智能監測算法模型利用Keras開源框架搭建,采用TensorFlow-GPU進行訓練與測試。這一框架具有良好的可擴展性,支持多操作系統下的多圖形處理器并行計算。模型通過Layer函數定義極限學習機的層結構,通過Initial函數初始化網絡結構和權重,通過Train函數對網絡進行訓練并定義損失函數,通過Predict函數實現最終刀具狀態的監測。

孿生數據通過網絡傳輸至云端的數字孿生平臺,使刀具的實時狀態在Unreal Engine系統中實體化,數字孿生平臺中展示車刀、工件與實際系統相同的運動狀態,通過刀具磨損狀態智能監測算法模型判別刀具的狀態。數字孿生平臺有刀具模型和工件模型,可以進行運動過程的仿真。刀具模型通過Set Relative Location類實現X軸方向的相對位移,用于映射現實中刀具的運動。工件模型通過Set Relative Scale 3D類改變工件外圓三維比例,模擬現實中工件表面的切削情況。通過增加Timeline類、刀具運動對應的Lerp類、工件變化對應的Lerp類,保證兩個模型的運動在時間上的同步性,實現了刀具的進給和切削。另外,數字孿生平臺借助Play/Stop Control類和Reset類,使用物理按鍵進行啟停控制和復位控制等操作,實現了數字模型對物理模型的反向控制功能。數字孿生平臺中刀具運行仿真如圖6所示,數字孿生平臺類圖如圖7所示。

4.3 試驗分析

相同數據集下傳統極限學習機與刀具磨損狀態智能監測算法的精度比較如圖8所示,響應時間比較如圖9所示。

▲圖6 數字孿生平臺刀具運行仿真

▲圖7 數字孿生平臺類圖

▲圖8 算法精度比較

▲圖9 算法響應時間比較

傳統極限學習機的變量只有隱含層節點數,屬于單一變量。刀具磨損狀態智能監測算法中的變量有核主成分分析時的核主元數、高斯徑向基函數參數、隱含層節點數共三個,因此需要進行變量控制。由圖8、圖9可知,當核主元數為20,高斯徑向基函數參數為0.000 1,隱含層節點數在10～35范圍內時,相比傳統極限學習機,刀具磨損狀態智能監測算法能夠在保持響應時間短的前提下,達到較高的精度。當核主元數為34時,刀具磨損狀態智能監測算法的精度可以達到96.957 8%,能夠有效監測機床刀具狀態。

5 結束語

筆者提出了基于云計算的刀具狀態監測數字孿生系統,搭建了云端數字孿生平臺,應用核主成分分析和極限學習機實現了刀具磨損狀態智能預測,同時達到了數字模型對物理模型的反向控制功能。筆者提出的系統在精度和運行效率上均表現良好,具有推廣價值。