數控機床主軸的多傳感器遷移學習故障診斷

陳 勇，丁文政，卞 榮

（南京工程學院工業中心，江蘇 南京211167）

1 引言

近年來，數控機床故障診斷的智能化成為了智能制造領域研究的熱點。隨著智能制造的快速發展，機器和設備產生的數據量不斷增加［1］［2］。在現代智能制造中，數控機床一半以上的停機時間是由機械故障引起的，未能成功預測的故障將導致更高的運行成本、更低的生產率、產生更多不合格的零件，甚至意外停機。為了實現智能化生產，智能工廠必須對機器狀態進行監控，識別出初始缺陷，診斷出故障的根本原因，然后將這些信息融入到制造生產和控制中。故障診斷方法有很多種，其中數據驅動的故障診斷方法如深度學習是近年來發展出的一種新方法，具有很大的優勢。數據驅動的故障診斷可以利用歷史數據建立故障模式，無需任何先驗的顯式模型或信號征兆，非常適合數控機床復雜系統。深度學習體系結構可以在不需要人工的情況下從輸入數據中自動提取出多個復雜特征：通過通用的學習過程從原始數據中提取出多層特征［3］［4］。考慮到數控機床主軸故障診斷中標記樣本量小，基于深度傳遞學習的故障診斷方法可以更快、更有效地實現我們的目標。數控機床工作條件受到多種因素的影響，如不同的刀具、不同的工件、不同的切削參數等。在實際應用中，數控機床發生故障時，主軸振動信號是最為常見的特征信號，其測量方式多種多樣［5］-［8］。然而，現有的大多數方法都是基于單一傳感器［9］［10］，可靠性及信息量難以滿足智能化的要求。

基于上述技術需求，這里提出了一種基于多加速度傳感器的數控機床主軸故障診斷方法。通過增加傳感器布局，獲得更大的信息量，同時提高可靠性和更低的錯誤率。

2 基于遷移學習的故障診斷方法

由于淺層智能模型自學習能力不強，模型的建立和特征的提取被有效地隔離，導致故障識別精度低，泛化能力低。基于此，在大數據環境下，有必要將智能診斷模型從淺層模型向深層模型轉變。

2.1 幾種機器學習方法

對于新的問題設置，如果從頭開始重建模型，面臨訓練數據短缺、模型訓練難度大等問題。與從無到有的訓練相比，預訓練模型具有更好的收斂速度和分類精度。有必要使用增量學習能力來實現深度學習。遷移學習的目的是從一個源任務中提取知識，然后將學到的知識應用到另一個不同但相關的任務中。它可以從相關任務中使用預先訓練好的深度學習模型進行模型初始化和微調，使知識重用和更新成為遷移的深度學習。

首先考慮利用TrAdaBoost遷移算法對模型進行處理。該算法的基本思想是從源Domain數據中篩選有效數據，過濾掉與目標Domain不相符合的數據，通過Boosting方法建立一種權重調整機制，增加有效數據權重，降低無效數據權重。在樣本數較少的情況下，該算法得到了廣泛的應用［11］。輸入兩個訓練數據集Ta和Tb，一個為表組的測試數據集S，一個基本分類算法Learner，和迭代次數N。首先進行初始化：

下面進行設置，對t=1,······,N

設置pt滿足

調用Learner，根據合并后的訓練數據T以及T上的權重分布和未標注數據S，得到一個在S上的分類器。

計算ht在Tb上的錯誤率：

設置βt=εt/(1-εt)b

設置新的權重向量如下

輸出最終分類器為：

與傳統方法不同，深度學習是一種新的機器學習方法，它具有從原始數據中自動學習有價值特征的能力。故障診斷的深度學習模型可分為三類：CNN、DBN和AE［5］［12］：

（1）DBNs。深度置信網絡（Deep belief network，DBN）可以通過疊加多個RBMs（restricted Boltzmann machine）來構建，其中以隱藏單元的輸出作為可見單元的輸入。DBN可以用一種貪婪的無監督的分層方式進行訓練。在預訓練之后，這個深度體系結構的參數可以根據DBN log-likelihood的代理進行進一步的微調，或者根據訓練數據的標簽添加一個softmax層作為頂層。

（2）AEs。非監督特征學習的自編碼方法，將學習到的特征輸入到傳統的機器學習模型中進行模型訓練和分類。

（3）CNN。CNNs廣泛應用于圖像處理任務中，可以從輸入圖像中自動學習層次特征。隨著智能傳感與自動化系統數據的聚合，越來越多的深度學習技術被廣泛應用于機械故障診斷與分類。卷積神經網絡集特征學習和缺陷診斷于一體，已廣泛應用于軸承、齒輪箱、風力發電機、轉子等領域。CNN網絡通常包含三種層：卷積層、池化層和全連接層。卷積和池化層結合形成卷積塊。一個卷積層內的權值和偏差在隱藏的神經元之間共享，從而在整個圖像中檢測出相同的局部特征。

2.2 圖像生成方法

由于CNN最初是為圖像分析而開發的，因此研究了從時間序列數據構建二維輸入的不同方法。研究了多通道振動數據的頻譜特性，以滿足模型的要求。利用小波變換得到的振動信號時頻譜作為CNN模型的圖像輸入。通過短時傅里葉變換（STFT）、連續小波變換（CWT）、威格納-維爾分布等方法可以實現時頻成像。我們可以在文獻［3］，［4］，［10］中找到這些成像方法。這些方法可以看作是將時間序列轉換成另一種形式的數學工具。

在這里中我們采用小波變換的方法。小波變換廣泛應用于故障診斷任務的特征提取，是一種有效的多分辨率信號表示方法。由于傳感器為多路信號，我們需要利用多通道頻譜圖。小波變換結果可以轉換成具有三個通道的二維RGB圖像，三個色彩通道（紅綠藍）分別對應三軸振動信號。

2.3 多傳感器信號輸入策略

為了增加機器傳感器系統獲取的信息的數量，確定系統狀態和故障類型，開發和實現一種智能MIMO（多輸入多輸出）策略是至關重要的。在許多應用中，安裝在不同位置的同類型多傳感器可以提高可靠性、降低錯誤率，在數控機床傳感系統。

這里基于多任務學習（Multi-Task Learning，MTL）這樣一種同時學習多個任務的機器學習方法，提出了一種多輸入策略的實現方法。該方法的框架如圖1和圖2所示，一般步驟如下：

圖1 故障診斷流程圖Fig.1 Flowchart of The Fault Diagnosis Method

圖2 多傳感器信息處理Fig.2 Flowchart of Multi-Sensor Dataset Processing

（1）通過安裝在數控機床主軸上的傳感器，在機床長期運行過程中采集大量的數控機床振動信號（包括不同主軸故障的機床）。（2）對振動信號采樣，利用上述方法將其轉換為具有三個通道對應三軸振動信號的二維RGB圖像。（3）將處理后的圖像分成固定體積的小樣本，隨機選取小樣本構建訓練數據集和測試數據集。（4）如圖1所示，利用訓練數據集對預訓練模型進行訓練，并在凍結基本特征學習層的同時，對其轉移學習層的權值進行微調。（5）使用相同的步驟（1～4）訓練另一個傳感器的振動信號，在Step4中得到新的預訓練CNN網絡。在這一步，我們可以凍結更多的層和微調較少的頂層（轉移學習層）到第一個傳感器培訓。（6）利用訓練數據集和多模型結果對整個系統進行再訓練，如圖2所示。然后我們在初始化時分配相同的權重，并對頂層進行微調。為提高模型的可靠性和準確性，建立了該模型。（7）利用測試數據集驗證所設計模型在數控機床主軸故障診斷任務中的精度。最后，建立了控機床主軸狀態診斷系統。

3 數據采集與分析

對于基于CNN模型的深度學習的方法，這里使用的預訓練模型是使用tensorflow訓練的VGG-16，模型詳細信息見https：//cs231n.github.io/convolutional-networks/#case。本實驗使用的數據集是由不同條件下的數控機床（如圖3所示）獲得的，如表1所示。但是這些數據的數據量仍然不夠充足，我們采用基于故障數據人工模擬出類似故障數據的方法，對訓練集進行進一步的擴充。振動信號由安裝在這四種數控機床上的三個加速度傳感器采集。機床主軸測量振動信號可以用于主軸的診斷、預測，以及機床模態分析等［12］。在本次實驗中，當數控機床在四種不同工況下工作時，振動信號由3個加速度傳感器采集，并以周向均勻分布方式安裝在靠近軸承的主軸表面，如圖3所示。為了實現連續振動信號的數字化，實驗采用了數據采集系統。數據采集系統的詳細規格，如表2所示。

圖3 進行實驗的數控機床Fig.3 Experimental Facility-a CNC Machine Tool

表1 故障類型Tab.1 Fault Type for Recognition

表2 數據采集系統參數Tab.2 Specifications of The Data Acquisition System

通過衡量預測故障情況和實際故障情況的斯皮爾曼等級相關系數r來衡量結果的準確率。該相關系數的數值愈大，說明預測精度越好。計算公式為：

式中：di-等級差，即為數據正確率；n-數據組數。結果如表3所示。

表3 預測精度分析Tab.3 Prediction Accuracy Analysis

從表中數據可以看出：對于使用TrAdaBoost遷移學習模型的情況下，使用多傳感器的模型明顯提高了預測精度和可靠性，且訓練時常較深度學習的CNN模型具有明顯優勢，但預測精度不高。對于使用CNN模型的情況，這些結果表明，所提出的預訓練模型能夠在處理多傳感器數據時獲得可接受的結果。首先，與第一次訓練相比，訓練傳感器2和傳感器3所需的時間要少得多，這意味著增加的工作量很小。其次，與單傳感器情況相比，多傳感器的精度有明顯提高。利用了多輸入策略后，訓練效率和預測精度均有一定程度的提高。

4 結論

綜上所述，本研究提出了一種用于故障診斷和類型分類的新型遷移學習框架。此方法分三步執行。首先，采集安裝在主軸上的多個3軸加速度傳感器采集的原始振動信號，并將信號轉換成圖像的變換方法得到輸入。其次，比較了幾種預訓練網絡，并用最優網絡提取較低層次的特征。第三，用目標類替換輸出層，并對更高層次的神經網絡進行微調。最后，將該方法應用于網絡特征的學習，并在數據集上進行了測試。實驗結果表明：（1）與利用單傳感器數據集進行診斷相比，該方法具有更高的性能和更好的性能。（2）能夠正確識別機床主軸狀態，具有很好的故障檢測潛力。這種方法可以在故障診斷系統中應用更多的傳感器信號，克服同類型傳感器數量的限制，具有良好的可靠性。