基于功率信息的機床設備綜合效率智能識別方法

何 凱，李洪丞，曹華軍，陳二恒，黃弟勝

(1.重慶大學 機械傳動國家重點實驗室，重慶 400044；2.重慶郵電大學 先進制造工程學院，重慶 400065)

機床作為工業母機，在制造業中被廣泛使用。目前中國機械制造業擁有機床約700多萬臺，其數量居世界第一[1]，但機床存在能耗高、效率低等問題，以每臺機床的平均功率為10 kW為例，其總功率約為7 000萬 kW，是世界上最大的水電站三峽電站總容量的3倍多[2]。同時，大量研究表明：機床在加工過程中其能量利用率通常低于30%[3]，其中有很大一部分能源用于設備待機、空載等非增值活動。因此，需要關注設備的利用效率，對設備運行狀態、設備性能進行分析，從而提高設備綜合效率，實現設備在生產過程中節約能源，降低企業成本的目標。

設備綜合效率是衡量生產設備運行狀況的關鍵指標，是分析制造系統效率的有效方法。目前針對設備綜合效率已有大量研究，王霆宇等[4]利用人工方式對所需數據進行采集，并對設備綜合效率進行分析，以某汽車零部件制造企業為例，對其生產設備進行設備損失評估；吳鑫森[5]通過機床可編程邏輯控制器(PLC, programmable logic controller)獲取設備綜合效率所需數據，并開發了對應的機床設備生產管理系統；Posteuca等[6]采用機床PLC獲取設備綜合效率所需數據，并以加工成本為目標提出了可持續改進的設備有效性評估方法。然而，上述研究主要基于機床控制系統的PLC數據或人工采集的生產信息對設備綜合效率進行識別，其中通過PLC采集數據的方式常受制于異構設備及其控制系統，其可行性取決于設備生產商的授權開放程度，故應用范圍受限；而采用人工采集方式則存在數據誤報、錯漏以及采集成本高等問題。針對上述問題需要提出一種不受設備類型、操作系統約束的方法，以實現設備運行狀及設備綜合效率的智能識別與監測。

功率信息作為反映設備運行狀態的關鍵指數，具有采集簡便、信息量大的特點，被廣泛用于分析機床加工過程中的運行狀態[7]。Deshpande等[8]基于機床功率信息，量化了機床在不同運行狀態下的持續時間，通過智能傳感器對機床的停機、待機、加工等狀態進行判定，并對機床能耗成本進行了分析，但該研究對機床狀態的識別采用侵入式方式，存在識別狀態單一的問題；Chiotellis等[9]開發了基于功率信息來識別數控銑床運行狀態的應用程序，該程序運用特定狀態功率閾值和動態時間扭曲相似度方法實現，因此其閾值選擇對運行狀態識別的準確度非常關鍵，而該閾值由專家經驗知識確定，受人為因素影響較大。Zheng等[10]通過建立設備運行狀態與功率曲線的關系，提取機床功率信息的時域特征，建立功率特征模型，實現了對機床運行狀態在線識別；O’Driscoll等[11]通過采用非侵入式智能傳感器，在機床電能輸入端獲取功率信息，并提取其時域特征識別機床運行狀態。然而，功率信息不僅具有時域特征，而且具有頻域特征，信號的時頻域特性是其固定的表現形式，文獻[10-11]僅對功率信息的時域特性進行分析，只能表征信息的形狀變化。因此，得到的統計值并不能對功率信息進行全面反應，將影響狀態識別的準確性。

綜上，筆者提出一種基于功率信息的設備綜合效率智能識別方法。該方法綜合考慮功率信息的時域和頻域特性，基于主成分分析法與最近鄰算法對設備運行狀態持續時間及加工件數進行量化，并集成制造企業生產過程執行系統(MES, manufacturing execution system)實現設備綜合效率識別。該方法通過功率信息直接獲取設備綜合效率關鍵參數，可減少因獲取控制系統授權而產生的成本，同時對功率信息的獲取采用非侵入式方法，其移植簡便，具有普適性，并基于采集的功率信息采用監督學習方法可準確對運行狀態、加工件數等進行識別。

1 設備綜合效率監測指標

設備綜合效率由Nakajima[12]首次提出，用于定義降低設備效率的損失，該損失可分為六大類，如圖1所示。設備綜合效率確定了生產時間中實際增值生產的百分比，有助于確定生產過程中的損失以及其他間接的隱性成本[13]。其優勢在于將生產過程中的不同影響因素集中于單一的標準上，是設備時間稼動率、性能稼動率、產品合格率3個指標的函數[14]。

如圖1所示，時間稼動率用于體現生產過程中設備由于故障、操作異常、加工產品切換等原因造成的計劃外停機及設備安裝、調試所造成的損失，其主要評估設備的使用和生產效率，表征停機損失對設備效能的影響。性能稼動率用于體現設備在生產過程中的整體性能情況，主要表征速度損失對設備效能的影響。產品合格率則是加工產品合格數與總加工產品數的比值，主要表征生產過程中質量損失對設備效能的影響。

圖1 設備綜合效率指標及其反映的損失Fig. 1 Indicators of overall equipment effectiveness and the loss reflected

綜上，設備綜合效率是一種簡單實用的管理工具，可通過簡單指標對實際生產過程中的復雜問題進行簡化闡述。設備綜合效率使得識別機床生產過程中的相關問題更加容易，可對機床運行狀況及其生產產品的質量進行有效跟蹤，不僅可以幫助管理者直觀地發現生產中存在的六大損失，及時發現故障并降低故障成本，而且可提供結構化的設備生產狀況信息，將損失類型與實際情況相結合，有側重地對最重要的損失環節進行改善。因此，對設備綜合效率的智能識別可對當前生產效率進行衡量，使生產決策朝著最有利于產品質量和經濟能源效益的方向進行，從而挖掘出最大的生產潛力，最大化提高資源和設備的利用率。

2 設備綜合效率智能識別方法

設備綜合效率計算涉及的關鍵參數有實際運行時間、計劃運行時間、理論加工周期、加工件數與不合格件數。其中，理論加工周期一般與生產流程、設備工藝參數有關，計劃運行時間為車間計劃的班次時間，不合格件數由自檢員進行統計，這些參數可通過MES系統直接獲取，因此，獲取實際運行時間與加工件數是文中設備綜合效率智能識別方法的核心內容。其中實際運行時間通過識別機床運行狀態量化，加工件數根據加工時間段內距離匹配識別。具體步驟如圖2所示。

圖2 設備綜合效率智能識別方法邏輯框圖Fig. 2 Flow chart of the intelligent identification approach for OEE

2.1 數據預處理

在采用功率傳感器獲取功率信息時，功率信息會摻雜其他設備造成的干擾信號，因此，其采集的信息中含有較大成分的尖峰毛刺噪聲，會影響智能識別結果的準確性，故需要采取濾波措施對功率信息進行預處理，減少噪聲的干擾[15]。常用的預處理方法有移動平均值濾波、限幅濾波、小波變換等。相比移動平均值濾波和限幅濾波，小波變換在處理含噪信息時具有效率較高、計算量較小、不易失真的特點，且具有良好的時頻特性，能在有效消除高頻隨機噪聲的同時最大限度保留采集信號的原始特征[16]。因此，文中采用小波變換對機床采集的功率信息進行預處理。其采集的原始功率信息由f(k)表示，包含有效信號a(t)和噪聲信號d(t)，為

f(k)=a(t)+d(t)。

(1)

小波變換濾波的基本思路：首先選擇合適的小波基對輸入數據進行分解，然后對高頻系數進行處理，最后重構高頻系數與低頻系數得到濾波之后的有效數據。其濾波過程如圖3所示。

圖3 小波變換去噪過程Fig. 3 The process of wavelet denoising

圖4 小波變換分解與重構示意圖Fig. 4 Schematic diagram of decomposition and reconstruction for wavelet transform

圖5 功率信息預處理前后對比圖Fig. 5 Comparison of power information before and after pre-processing

(2)

(3)

2.2 實際運行時間獲取

通過采用監督學習方法對運行狀態進行識別，以量化機床加工過程中的實際運行時間。首先對訓練數據進行切塊標記，提取其時頻域特征，得到設備運行狀態的特征向量，構建特征向量矩陣，接著將特征向量進行標準化處理并降維，建立狀態匹配庫。然后將測試數據進行分析與處理，采用最近鄰算法進行分類，以識別其表征的運行狀態。最后量化運行狀態持續時間，計算時間稼動率。

2.2.1 特征向量構建

根據文獻[10-12]及機床功率特性，文中基于功率信息的時域分析，提取均方根、絕對均值、標準差、波形峰值、波峰因素、波形因素、峰度等時域特征指標；基于功率信息的頻域分析，提取重心頻率、均方頻率、均方根頻率及頻率方差等功率譜特征；基于時頻域分析，功率信息經過小波變換與重構后，提取其能量特征，作為所構建特征向量的時頻域特征指標。文中選取的特征值如表1所示，則所建立的特征向量為

表1 特征向量關鍵參數

X=(Prms,Pavg,Pstd,Pmax,Pcf,Pff,Pkur,PRMSF,PVF,PFC,PEd1,PEd2,PEd3)T。

(4)

2.2.2 特征提取

訓練數據建立的特征向量矩陣n×13維，記作Ω，其傳遞的信息能夠對運行狀態全面、準確地表征。雖然多維特征為運行狀態識別提供了豐富全面的信息，但也會影響數據處理速度以及分類的準確性；若對特征向量中特征值進行單個分析，則會丟失向量整體所代表的信息。因此，有必要降低特征向量的維度。由于不同的特征值其單位與尺度不同，為消除這種差異帶來的影響，文中在降維之前利用式(5)對特征向量進行標準化。

(5)

目前常用的降維算法主要有主成分分析法、線性判別分析法、t分布隨機鄰域嵌入法等。主成分分析法的降維過程可用線性變換表示，這為后續運行狀態識別提供基礎，且可以實現在低維空間盡可能多地保存原有數據信息。因此，為了在降低數據維數的同時保持數據的差異性與局部結構，文中采用主成分分析法對特征向量降維，將高維數據以低維表征。主成分分析法的核心思想即矩陣的主成分是其協方差矩陣的特征向量，核心步驟是獲取協方差矩陣的特征值與特征向量。獲取的低維數據其維數由前k個主成分累計貢獻值決定，文中選取的貢獻率為90%。主成分分析算法流程如圖6所示，其中U為矩陣Ω的協方差矩陣，S則是協方差矩陣特征值的平方根。在對訓練數據降維后，保存協方差矩陣U，以此矩陣對及測試數據進行降維。

圖6 主成分分析算法流程圖Fig. 6 Flow chart of principal component analysis algorithm

2.2.3 運行時間獲取

(6)

采用距離加權投票法對未知樣本進行類別判定，其原理為

(7)

實現測試數據狀態識別的具體過程如下：通過實驗獲取已知狀態的功率數據，將其作為訓練數據并為其中的每類狀態設置標簽“s”、“i”、“c”、“d”。其中待機狀態標記為“s”，空載狀態標記為“i”，切削狀態標記為“c”，停機狀態標記為“d”。然后對標記數據進行特性分析與特征提取，構建狀態匹配庫，并將其作為后續狀態分類的依據。對實時采集的未知狀態功率數據，首先判斷功率值是否為0，從而對“d”類狀態進行識別。對測試數據進行與訓練數據相同的處理，得到能夠反映加工狀態的特征向量，依據狀態匹配庫，利用最近鄰算法對得到的特征向量進行狀態識別，詳細過程為：計算出與未知數據最近的“s”、“i”、“c”類狀態的個數，依據加權投票法確定未知數據狀態。由于狀態持續時間與采集的功率信息序列長度成正比，故在識別運行狀態之后，可由序列長度對各狀態持續時間進行量化，其時間稼動率為

(8)

式中：A為時間稼動率；Tac為實際運行時間；Tpl為計劃運行時間。

2.3 加工件數獲取

文中在量化運行狀態持續時間的基礎上，對相應加工時間段內的功率信息進行分析，建立加工周期特征向量，利用馬氏距離對形成的特征向量進行匹配，以獲取加工件數，其流程如圖7所示。

圖7 加工件數識別方法Fig. 7 Identification method of the quantity of processing

算法過程如下：首先對訓練數據中完整加工周期的功率信息進行特征提取，得到n個可代表完整加工周期的特征模板向量P={p1,p2, …,p13}，對其進行標記。對n個模板向量兩兩之間采用馬氏距離進行匹配，獲得n(n-1)/2個距離，可表示如{δ1,δ2, …,δn(n-1)/2}，選擇其中的最大值δmax作為閾值。然后采用滑動移窗方式對測試數據進行特征提取，建立加工周期特征向量C={c1,c2, …,c13}。最后采用馬氏距離對已知標簽的特征向量P和未知標簽的特征向量C進行匹配，得到距離δ。若δ≤δmax，則判定匹配成功，否則匹配不成功。匹配成功即表示設備成功加工一件產品，并完成加工件數進行累計，然后以該次加工周期作為間隔進行移窗，繼續進行匹配；匹配不成功即該窗口的功率信息不是完整或相似的加工周期，以默認移窗間隔移窗，繼續驗證匹配。循環以上步驟，直到完成加工時間段內所有功率數據分析。為保證未知樣本數據完整地體現產品加工周期，默認移窗間隔設置為10，其窗口大小取該臺設備的理論加工周期。對加工件數進行統計之后，結合MES系統獲取的機床生產信息，由式(9)與式(10)對性能稼動率與產品合格率進行計算。

(9)

(10)

式中：P為性能稼動率；Ct為理論加工周期；Np為加工件數；Q為產品合格率；Nd為不合格產品數。

3 應用案例

為驗證提出方法的有效性和可行性，以銑削加工為例，采用BVH800立式加工中心，通過智能采集終端獲取加工過程中的功率信息及生產信息，并對其功率信息進行分析，其主要步驟如下：首先對功率信息及機床生產信息獲取方式進行描述。然后，對銑削加工過程中的功率曲線進行分析。最后，運用所提出的方法識別設備綜合效率，并與試驗所得設備綜合效率進行比較分析。

3.1 信息獲取

為實現立式加工中心的功率信息獲取，搭建了設備綜合效率監測系統。實驗所需功率信息通過在機床電能輸入端安裝功率傳感器獲取，功率傳感器型號為Siemens PAC3200，采樣頻率為40 Hz；機床參數信息及生產信息由監測系統集成MES系統獲取。其中立式加工中心參數信息如圖8(a)所示,功率傳感器及采集終端如圖8(b)所示，加工零件及圖紙如圖8(c)所示。

圖8 BVH800機床參數、采集終端及加工零件Fig. 8 Machine parameters, acquisition terminals and processing parts of BVH800

3.2 功率曲線分析

通過對采集的功率信息進行分析，其功率曲線特征如圖9所示，BVH800立式加工中心啟動之后到完整加工結束，其功率幅值波動較大，具備較高識別特性。當啟動之后即進入待機狀態，待機下的功率幅值基本保持穩定，這是因為該狀態下機床的功率值由其本身性能所決定，而與外界影響因素無關，此時機床功率為待機功率Pst。之后機床主軸啟動，刀具空轉，機床功率處于短期平穩。隨后機床開始走刀，對工件銑削時，其消耗功率較平穩，此時機床切削功率包括空載功率Pu、輔助系統功率Pau、切削功率Pc、附加載荷功率Pad等。加工完成后，機床主軸減速并進入待機狀態。該過程即為一個工件的完整加工周期。

圖9 銑削加工過程功率曲線特征Fig. 9 Characteristics of power curve in milling process

從功率信息的時間維度與幅值維度來看，整個加工過程主要包括啟動、待機、主軸加減速、空載、切削、停機狀態。其功率幅值變化大，加工周期性強，為文中的研究奠定了基礎?？紤]設備的加工特性以及企業實際生產情況，機床啟動時間tms、主軸加速時間tacc及減速時間tecc持續時間較短，對識別與監測設備綜合效率的主要目的影響較小，因此文中主要對待機、空載、切削、停機4種狀態進行識別，并量化其持續時間。

3.3 設備綜合效率智能識別

3.3.1 數據訓練

為驗證所提設備綜合效率智能識別方法，采集訓練數據與測試數據，訓練數據用于建立狀態匹配庫，測試數據用于驗證所提方法。其中訓練數據已知狀態，且包含多個完整加工周期的待機、空載 、切削、停機狀態下數據，并對這4類數據分別設置標簽為“s”、“i”、“c”、“d”；測試數據為未知狀態的數據，對其不進行任何標記。

首先，對上述訓練數據進行預處理。然后對數據功率特性進行分析，提取其時頻域特征，建立特征向量X，由此構建帶有標簽的可表征運行狀態的特征向量矩陣Ω。利用主成分分析法對該矩陣進行特征提取，則可獲得狀態匹配庫及該降維過程的協方差矩陣U。在特征向量矩陣降維過程中，其主成分的累計方差貢獻值如圖10所示。由圖可知，當降到2維時，選擇最重要的2個成分已能夠表達出原始特征91.60%的信息，因此文中選擇將特征降到2維。對訓練數據降維的可視化如圖11所示，由圖可知3類狀態具有較明確的邊界線，具有良好的降維效果。

圖10 主成分累計方差貢獻值Fig. 10 Principal component cumulative variance contribution value

圖11 訓練數據降維后效果Fig.11 The effect of dimension reduction of training data

隨后利用交叉驗證法對狀態匹配庫進行分析，以確定最近鄰算法分類中的k值，得到的分類誤差曲線如圖12。由圖可知當k值由0不斷增大時，誤差率先降低，在k=4時，其誤差率達到最小，之后誤差率逐步上升，由于k值取偶數時不利于分類，因此文中k值選擇3。

圖12 不同k值下分類算法的誤差率曲線Fig. 12 The profile of error for classification algorithm under different k values

3.3.2 結果分析

對測試數據進行預處理，依據訓練數據中獲取的協方差矩陣對其進行特征提取，并根據狀態匹配庫，采用KNN算法對測試數據進行狀態識別，量化運行狀態持續時間，采用馬氏距離對加工時間段內功率數據進行匹配，得到的相關參數信息如表2。由于在對功率信息進行提取時，部分待機信息與主軸加減速信息混合到一起進行分析，導致誤將主軸加減速識別為待機狀態，故智能識別方法量化的待機時間比實驗記錄的長；而停機狀態時間的減少則是由于在提出的方法中，將機床啟動與停機時的功率突變值誤與停機數據混合到一起，在對其分析時，判斷為待機狀態；切削時間不同則是由于將換刀過程的功率信息誤判為空載信息；工件數量不同則是由于算法誤差導致。

表2 設備綜合效率識別關鍵參數

結合表2參數與MES系統獲取的機床生產信息，依據式(8)～式(10)，得到的設備綜合效率及其指標理論值與實際值如表3，其中由MES系統獲取的計劃運行時間為30 min，理論加工周期為1.5 min/件，不合格產品數為1件。綜合分析各指標及設備運行狀態持續時間，得出文中所提出方法與實際中的誤差如下：時間稼動率誤差為1.13%，性能稼動率誤差為4.38%，產品合格率誤差為0.37%，設備綜合效率誤差為4.99%。

表3 設備綜合效率指標

4 結束語

針對現有方法在獲取設備綜合效率指標時存在難度大、成本高、普適性差的問題，筆者提出一種設備綜合效率智能識別方法。該方法通過提取時頻域特征，采用主成分分析法和最近鄰算法，對功率信息進行綜合分析及處理。通過建立采樣周期特征向量、加工周期特征向量和狀態匹配庫，可實現對設備加工狀態的智能識別以及時間稼動率、性能稼動率與產品合格率指標的計算，從而得到設備綜合效率。該方法通過對運行狀態時間，設備綜合效率及其指標進行計算和分析，可綜合反映設備生產過程中的停機損失、速度損失、不良損失，為機械加工車間提供一種設備綜合效率非侵入式監測與評估方法，降低了傳統方法的成本，提高了方法通用性。