基于深度置信網絡的機械加工故障診斷系統設計

張蜀紅

(新疆輕工職業技術學院, 機械技術分院， 新疆， 烏魯木齊 830021)

0 引言

在機械加工過程中，很容易出現故障，如何實現機械加工過程中的故障診斷具有重要的意義。傳統技術通常提取振動信息，進而分析故障信息，這種方法原始，技術落后，不僅效率低下，準確率也很低。

隨著人工智能技術的飛速發展，該技術也逐步滲透到機械加工技術領域中，文獻[1]利用設備的振動信息，通過設計硬件技術，實現數據信息的采集，然后將所采集到的數據信息，以以太網的形式傳遞,在遠程管理處理中心，實現數據的存儲和故障診斷，雖然該技術也能夠實現故障診斷，但是方法并沒有提及數據是如何加工的，無法從獲取的宏觀數據信息獲取微觀含義。文獻[2]采用BP神經網絡算法模型，實現數據樣本的訓練和計算，該方法通過數據樣本的訓練，提高了預測機床主軸軸心偏轉的能力，但面對復雜數據信息時，數據評估能力差，效率低，耗費的時間長。文獻[3]采用了深度置信網絡方法對自身特征進行提取，根據提取的故障診斷信號進行誤差診斷，但是準確率不高，速度低，不具有加速功能。針對上述技術的不足，本研究采用深度置信網絡的方式實現機械加工的故障診斷，大大提高了診斷精度，下文對該技術的主要內容進行說明。

1 故障診斷架構設計

本研究的創新點如下。

(1) 利用B/S架構的物聯網技術優勢，設計了能夠實現遠程、在線的故障診斷系統，使得用戶能夠即時、在線實現機械加工的故障信息采集、加工和應用，提高了機械加工故障的診斷能力。

(2) 采用改進的深度置信網絡(Deep Belief Networks簡稱DBN)學習算法，采用分布式網絡設計的模式，該算法融合了機械加工信息過程中的故障特征提取和故障診斷，提高了診斷精度。

(3) 在DBN學習算法網絡中融入加速器，提高了DBN學習算法模型的計算速度。

本研究的故障診斷架構模型如圖1所示。在圖1的架構設計中，包括機械設備加工層、故障信息采集層、故障信息學習層和故障信息應用層[4]。其中物聯網設置參數如表1所示。

圖1 故障診斷架構示意圖

表1 物聯網組網架構參數表

通過表1的設置，各種機械設備在加工過程中能夠輸出不同類型的數據信息，比如火花、短路、缺油、過磨損、溫度過高、加工中斷等。這些加工信息通過各種方式被采集，比如傳感器、采集模塊、數據采集電路等不同的感測裝置。這些裝置將采集到的數據信息物聯網系統傳遞到上一層，通過故障信息學習進行學習和訓練，在改進型DBN學習算法模型中，將采集到的機械加工宏觀數據量信息轉換為數字量信息，實現高緯度復雜數據的低緯度轉換，提高了信息加工的能力[5]。根據改進型DBN學習算法模型的學習情況，將學習結果輸出到用戶，采用適當的舉措，以控制加工過程中的異常事故，從而提高了機械加工的應用能力[6]。下文對DBN深度學習算法模型進行說明。

2 具有加速功能的DBN深度學習算法模型

本研究與常規技術區別在于，在DBN深度學習算法模型中加入了加速學習器，提高了DBN深度學習算法模型學習和訓練效率。

2.1 加速器設計

在本研究中，加速器在結構上包括對加速信息進行控制的控制層、對輸入信息進行計算的卷積層和對計算結果進行輸出的輸出層[7]，其邏輯性功能架構如圖2所示。

在圖2的設計中，加速器通過中央控制器控制，在結構組成上，其包含有數據控制單元、通信交互單元、控制存儲器的控制單元、對輸入的數據信息進行特征計算的計算控制模塊。在本研究中，還包括卷積控制模塊，該模塊能夠實現數據的卷積計算、池化計算以及數據卷積激活等[8]。本研究的工作原理主要為：在中央控制器的控制下，選擇適當的數據通信協議，實現數據信息的交互和通信，然后將輸入端輸入的數據信息傳遞到存儲器進行數據存儲，然后在中央控制器的作用下進行卷積計算，卷積計算直接決定了加速器的加速程度。當完成卷積計算后，在中央控制器的作用下進行各層之間的連接計算[9]。在該過程中，可以根據加速的需求，進行置信度計算。在設計中，加速程度與外設硬件設備之間的關系表如表2所示。

圖2 加速器邏輯性功能架構示意圖

表2 對比示意表

在表2中，通過該硬件設置，能夠實現深度置信網絡模型的加速計算，加速程度以及深度置信網絡模型的卷積計算均與該硬件資源有關。在本研究設計設計中，還采用16位點位的數據格式，該格式能夠實現圖像輸入數據的各種調整[10]。結合該技術，下面對深度置信網絡模型進行設計。

2.2 新型DBN深度學習算法模型設計

在本研究設計中，新型DBN深度學習算法模型的計算原理為：輸入信息為采集到的機械加工數據信息，將采集到的多種機械加工數據模型輸入新型DBN深度學習算法內，由于DBN深度學習算法模型內部包括了多個受限玻爾茲曼機(Restricted Boltzmann Machines,RBM)，這些RBM互相疊加，通過多層RBM結構進而實現輸入數據的維度轉換，以將不容易分辨的宏觀機械加工數據信息轉換為微觀數據分析量，從而提高機械加工數據信息分析的能力。在數據輸出端，又利用了BP神經網絡模型，通過反饋計算，進一步提高計算效率。新型DBN深度學習算法模型架構原理圖如圖3所示。

為了使本研究算法的技術原理更加容易了解，下面結合圖3進行詳細說明。圖3中的x表示進行DBN深度學習的輸入機械加工原始值，算法模型的隱層輸入/輸入值用字母hc表示，其中隱層的數量用c表示。通過CD-1算法完成RBM第一層的計算，在該數據模型中，為了提高數據計算的容積率，可以通過不同的方式進行映射，假設將第一層可視層用X表示，則DBN深度學習模型中的第一隱層h1可用W1;α1>來表示。輸入完成后，則穩定好第一層，作為基準使用。該層具有固定數值的權重和偏移量，在該層的基礎上，再輸入第二層，然后將第二層的RBM數據模型疊放在第一層上，開始對第二層進行數據訓練，然后將第三層疊放在第二層上，再將第四層疊放在第三層上，依次類推。直到放置完最后一層RBM數據模型。然后對每層的RBM數據模型進行計算，然后利用函數公式計算RBM數據模型中的各個元素。計算方法見式(1)，

圖3 新型DBN深度學習算法模型

(1)

通過式(1)的計算，然后將輸出RBM數據模型的數據信息輸入至BP神經網絡模型的輸入端。在調整RBM算法模型時，還可以進一步訓練RBM模型的顯示層，通過這種方式，能夠對顯性神經元和具有分類標簽的神經元進行數據訓練。最后一層的RBM算法模型hl+1層的數據參數可以用Wl+1;αl+1>表示，輸出的數據信息可以表示為式(2)：

hl+1=αl+(Wl)Tx

(2)

整個RBM算法模型完成后，則輸出的網絡數據結合可以為W1,W2,…,Wc;α1,α2,…,αc>。

RBM算法模型訓練完畢后，則可以將輸出信息輸入至BP神經網絡算法模型中，通過加速計算后，則可以提高整個算法模型的速度，通過初始化BP 網絡權值參數[11]，再啟動BP神經網絡算法模型對調整后的權值參數進行局部搜索，進而實現機械加工數據的計算，訓練時間快，收斂時間短。

下面對上述算法進行驗證。

3 試驗結果與分析

在試驗時，采用的計算機為Microsoft Windows 2019，64位，采用的開發工具為Visual Studio 2019，OpenCV 3.0。計算機硬件環境為CPU：Inter(R)Core(TM)i7；主頻為2.59 GHz；內存32G，通過MATLAB軟件進行仿真。假設在某機械加工廠獲取加工數據信息。通過將獲取的數據信息進行初始化后，將未采用加速器的深度置信網絡機械加工數據方法與采用本研究的算法的機械加工數據方法進行對比分析，觀察新型算法模型的技術優勢[12]。其中實驗室環境下的構建示意圖如圖4所示。其中,新型DBN深度學習算法模型的參數如表3所示。

圖4 試驗設備及環境

表3 新型DBN深度學習算法模型參數信息表

為了驗證深度置信網絡模型的技術優越性，分別在加工數據中選擇4組不同的數據樣本，其中第一組數據樣本為50萬個數據，第二組數據樣本中有80萬個數據，第三組數據樣本中有100萬個數據，第四組數據樣本中有150萬個數據樣本。通過設置不同的數據樣本，以使誤差數據計算的更為透徹。然后采用文獻[1]、文獻[2]、文獻[3]以及在本研究中未采用加速器的深度置信網絡與本研究的方法進行對比分析，則訓練的數據信息如表4所示。

通過上述數據計算，分別在樣本數據信息中人工設置幾種故障數據，假設故障數據的數量為1000個。則識別出的故障數據集信息如表5所示。

通過上述計算，從數據上可以看到，本文研究的方法識別時間小，識別數量多。下面再通過誤差進行計算，誤差計算式為式(3)，

表4 數據訓練信息表

表5 故障數據集信息

(3)

圖5為通過將對比文獻[1]、對比文獻[2]和對比文獻[3]與本研究的方法進行誤差對分析。通過曲線圖可以看到，本研究的方法誤差最小。

圖5 誤差對比曲線圖

4 總結

針對機械加工過程中存在的故障情況，本研究采用一種具有加工功能的故障誤差診斷方法，通過設計具有加速器的深度置信網絡模型，在中央控制器的控制下，實現數據控制單元、通信交互單元、存儲器的控制，通過構建深度置信網絡，實現層次的疊加和累計，最終通過BP神經網絡模型實現機械加工故障診斷的輸出。本研究的方法誤差低，速度快，改變了傳統模式的計算方法，在一定程度上具有技術進步性。但是本研究仍舊存在一些不足，比如，在何時啟動加速程序，啟動多久等問題，這些遺留問題需要進一步的研究和探討。