云邊端協同的機床刀具故障智能診斷系統研究

李東陽 袁東風 張海霞 鄭安竹 狄子鈞 梁道君

1.山東大學信息科學與工程學院，青島，266237 2.山東大學控制科學與工程學院，濟南，250061 3.山東省無線通信技術重點實驗室，濟南，250100 4.5G應用產業方陣創新中心，濟南，250061

0 引言

新一輪科技革命和產業變革加速孕育、集聚迸發，引發了國際產業分工的深刻變化，全球工業互聯網發展正處于競爭格局未定的戰略窗口期。隨著中國制造2025戰略的部署，以智能制造為主攻方向，激勵新一代信息技術與先進制造技術的深度融合，已成為我國制造業轉型升級、實施高質量發展的重要途徑[1]。然而，隨著智能制造的深入推進，生產加工流程變得更加自動化、智能化，使得數控機床設備也變得愈加復雜，工業生產中常因微小的故障而引發連鎖反應[2]，輕則造成設備損壞、加工成本浪費，重則危及人身安全[3]。為此，對數控機床設備的故障診斷成為保障企業生產效率、提高產品加工質量的關鍵所在[4]。刀具作為數控機床的“牙齒”，其實時的運行狀態直接影響著機床加工效率和產品質量。然而，刀具在數控機床高速銑削過程中，由于與工件之間的相互作用，很容易造成邊緣變形或損壞。準確高效地監測機床刀具實時運行狀態，能夠有效避免由于刀具故障而導致的工件質量問題，從而提高產品加工質量[5]。同時，文獻[6]中數據表明，對機床刀具狀態的精準監測可提高50%加工效率，降低40%生產成本。因此，開發一種具有高精度、高效率的機床刀具故障診斷系統具有重要現實意義。

目前，國內外已有大量學者開展機床刀具故障診斷系統的研究。文獻[7]提出一種基于決策樹的振動信號機床刀具磨損預測算法，使用十折交叉驗證評估模型分類準確性，最大分類準確率為87.5%。在上述工作基礎上，文獻[8]采用經驗模態分解的方法處理刀具振動信號，并使用支持向量機建立故障診斷模型，將機床刀具故障診斷準確率提高到90.01%。文獻[9]研究一種基于最小二乘支持向量機分類器的機床刀具破損診斷技術，提供了一種廉價的機床刀具狀態在線監測系統。為進一步提高機床刀具磨損狀態識別的準確率，文獻[10-12]提出基于頻域特征分析的機床刀具磨損狀態監測方法，通過將頻域信息作為輔助特征來擴展機床刀具磨損特征維度，從而提高機床刀具實時監測的準確性。上述工作主要采用結構相對簡單的人工智能(artificial intelligence, AI)模型，對機床刀具故障模式的識別能力有限，難以適用于復雜工業環境。

近年來，深度學習憑借其對復雜非線性數據的特征提取能力，被應用于機床刀具故障診斷研究中。文獻[13-15]提出基于深度學習的機床刀具磨損狀態監測新方法，通過對切削力、振動或聲發射信號的分析，挖掘機床刀具磨損過程中潛在特征，實現對機床刀具磨損狀態的精準預測。文獻[16]采用傅里葉變換將機床X、Y、Z三個主軸方向的電流信號轉換為頻域信號，借助壓縮感知方法將多維度頻域信號融合成單維度樣本，并輸入深度自編碼器中來實現對機床刀具磨損狀態的精準分類。文獻[17]提出一種基于改進多尺度網絡的機床刀具故障診斷方法，可提高2.2%的故障診斷準確率。為進一步提高刀具故障診斷的識別精度，文獻[18-20]提出基于卷積神經網絡(con-volutional neural networks，CNN)和長短時記憶網絡(long short-term memory，LSTM)集成的機床刀具故障診斷模型來同時捕獲刀具磨損在空時域的特征。雖然現有工作已經開展了機床刀具故障智能診斷系統的研究，但是這些工作在應用于復雜工業現場時仍存在以下問題：①現有基于CNN和LSTM集成的機床刀具故障診斷方法并未考慮機床刀具磨損在不同信號維度上的多尺度特征，故障識別的精度還有待進一步提高；②大部分現有工作處于理論研究階段，主要聚焦于故障診斷算法的精度提升，而忽略了實際產線對故障診斷的高效率要求，難以保證刀具故障診斷及預警的實時性。邊緣計算作為一種新興技術將云計算的存儲、計算資源下沉到網絡邊緣側，可及時處理工業現場的故障診斷任務并將結果實時反饋給產線設備，成為實現機床刀具故障診斷實時響應與及時預警的核心技術手段。受限于邊緣服務器的計算能力，在實際生產中時間不敏感型或計算密集型的任務仍需在云端完成。為此，針對復雜工業現場，需設計云邊高效協同機制來實現刀具故障診斷任務的低時延處理。然而，目前國內外僅有少量文獻[21-23]在軸承、發動機等部件的故障診斷系統中引入了云邊協同機制，而對適用于機床刀具故障診斷的云邊協同機制的研究目前仍屬空白。

針對以上問題，本文設計云邊端協同的機床刀具故障智能診斷系統。搭建基于振動傳感器的刀具磨損試驗平臺，采集X、Y、Z三軸機床刀具全生命周期振動數據，并通過對機床刀具磨損數據分析，提出基于多尺度卷積神經網絡(multi-scale convolutional neural network，MSCNet)和LSTM集成的機床刀具故障診斷模型(LSTM-MSCNet模型)，挖掘刀具在不同故障模式下的多尺度特征，實現對機床刀具故障狀態的精準識別；同時，考慮到工業產線對故障診斷的高實時性要求，設計一種適用于機床刀具故障診斷的云邊端協同(cloud-edge-device collaboration，CEDC)架構，以實現底層產線、邊緣節點與工業云平臺的高效互聯，保證機床刀具故障的及時預警。

1 云邊端協同的機床刀具故障智能診斷系統設計

1.1 系統總體架構

為實時監測機床刀具運行狀態，精準識別斷刀、崩裂等異常情況，實現刀具故障的及時預警，本文設計云邊端協同的機床刀具故障智能診斷系統架構。如圖1所示，該系統包含數據采集與傳輸、基于人工智能(AI)的機床刀具故障智能診斷、工業云平臺交互三個部分：①在底層設備邊緣，部署多源傳感器(振動、切削力、聲音、電流等)采集機床刀具磨損數據，并利用輕量級數據采集儀對多源傳感器數據進行聚合，最后借助嵌入5G模組的網關設備將數據傳輸至具有計算能力的邊緣服務器；②在邊緣服務器中部署基于AI的機床刀具故障診斷模型，用以負責實時的機床刀具狀態監測與故障識別，根據智能檢測與識別結果產生決策，驅動可編程控制器(programmable logic controller，PLC)對報警器、電機等設備進行控制，實現故障的及時預警與處理；③工業云平臺則通過基礎設施即服務(infrastructure as a service，IaaS)、平臺即服務(platform as a service，PaaS)及軟件即服務(software as a service，SaaS)輔助生產全流程中各要素之間的交互及可視化展示，同時依托強大計算資源，分析故障數據，訓練AI模型。綜上所述，本系統設計的關鍵在于對機床刀具磨損數據的采集以及基于AI的機床刀具故障智能診斷算法與云邊端協同機制的設計。

圖1 云邊端協同的機床刀具故障智能診斷系統架構圖Fig.1 Architecture diagram of intelligent tool fault diagnosis system of machine tools with cloud-edge-device collaboration

1.2 機床刀具全生命周期數據采集

為設計適用于實際生產場景的機床刀具故障診斷系統，本文基于立式加工中心VDF-850數控機床搭建刀具磨損試驗平臺，如圖2所示，用以采集機床刀具全生命周期磨損數據并進行標注，為后續基于AI的機床刀具故障診斷算法的設計提供數據與理論支撐。

機床刀具的整個切削過程在立式加工中心VDF-850數控機床上進行，通過安裝KS903三軸加速度傳感器來采集數控機床主軸X、Y、Z三個方向的振動信號，采樣頻率為10 240 Hz。根據加工工藝，設置每組銑削過程實驗耗時為4 min 17 s，每把刀從全新狀態到嚴重磨損狀態可采集35～40組實驗數據。每組振動信號采集完后，利用19JC數字式萬能工具顯微鏡測量機床刀具磨損值作為數據標簽，測量值包括：每個主后刀面的最大磨損寬度、ap/2(ap為背吃刀量)處磨損寬度和磨損面積，每個副后刀面的最大磨損寬度和磨損面積。具體試驗參數設置如表1所示。

表1 機床刀具磨損試驗平臺加工參數

由于在加工過程中機床會存在退刀、空轉等狀態，這會導致采集的振動數據存在異常值。為此，在進行數據分析前，需先對采集的數據進行預處理，將采集產生的無效值或異常值進行剔除。以機床主軸X方向單組切削過程的原始振動信號為例，數據預處理前后信號如圖3所示。參考刀具磨損過程及磨鈍標準，依據測量的刀具磨損值將機床刀具全生命周期數據分別標注為初期磨損、正常磨損以及急劇磨損三個階段。

(a)數據預處理前

在設計機床刀具故障診斷算法前，本文對機床刀具全生命周期磨損數據進行了時頻域的分析，結果如圖4和圖5所示，可以看出，機床刀具磨損越嚴重，采集振動信號在時域和頻域的幅值越大，且X、Y、Z不同維度上的數據均可反映刀具不同的磨損狀態。但是，不同維度上的振動信號對機床刀具磨損強度的表征會有所差異。

圖4 機床主軸X、Y、Z軸的振動信號樣本時域圖Fig.4 Vibration signal samples in time domain forX, Y and Z axes of machine tools

(a)X軸初期磨損樣本頻譜圖 (b)X軸正常磨損樣本頻譜圖 (c)X軸急劇磨損樣本頻譜圖

1.3 基于人工智能的機床刀具故障智能診斷算法

根據對實際加工現場采集的振動信號分析的結果，機床刀具的磨損狀態與空時域多維度特征存在著強相關性。為捕獲刀具磨損在不同振動方向上的多尺度特征，提高機床刀具故障識別的精度，本文設計了基于長短時記憶網絡(LSTM)和多尺度卷積神經網絡(MSCNet)集成的機床刀具故障診斷模型(LSTM-MSCNet模型)。如圖6所示，LSTM-MSCNet模型網絡架構主要包含三個部分：①基于LSTM的時序特征提取模塊，主要用于提取X、Y、Z不同振動方向信號在時域上的相關性；②基于MSCNet的空間特征提取模塊，用以捕獲空間域上X、Y、Z軸振動信號的多尺度特征；③空時特征融合模塊，通過全連接網絡，將MSCNet與LSTM提取的空時域多尺度特征進行深度融合，更好地挖掘機床刀具潛在的故障模式，提高機床刀具故障診斷準確率。

圖6 LSTM-MSCNet模型網絡架構圖Fig.6 Network architecture diagram of LSTM-MSCNet model

1.3.1基于LSTM的時序特征提取模塊

(1)

(2)

(3)

(4)

(5)

其中，wi、wf、wo和bi、bf、bo分別為輸入門、遺忘門、輸出門學習得到的網絡權重和偏差值；wc、bc分別為狀態向量變換的權重和偏差值；xt為當前時刻的輸入；ct-1、ht-1分別為上一時刻的狀態向量和隱狀態向量；ct、ht分別為當前時刻的狀態向量和隱狀態向量；δ(·)表示sigmoid激活函數，值域為 0～1，0表示不通過，1表示全通過。本文采用兩層LSTM網絡來提取機床刀具磨損信號的時域特征，每層網絡神經元個數分別設置為128、32。

1.3.2基于MSCNet的空間特征提取模塊

為捕獲機床刀具磨損信號在空間域上的多尺度特征，本文設計基于MSCNet的空間特征提取模塊。MSCNet可以利用不同分支結構與卷積核參數來提取機床刀具磨損在空間域上不同尺度特征信息，然后通過對不同尺度特征進行融合來提高模型對機床刀具故障診斷的準確率[22]。本文所設計的MSCNet網絡結構如圖6所示，主要包含3個網絡分支，不同分支的卷積層深度有所不同。第1個網絡分支包含5個卷積層，各卷積層輸出的特征圖尺度大小分別為n×n×3,n/2×n/2×8,n/4×n/4×16,n/8×n/8×32,n/16×n/16×64,其中n為輸入數據的維度。第2個網絡分支包含3個卷積層，各卷積層輸出的特征圖尺度大小分別為n/2×n/2×8,n/4×n/4×16,n/8×n/8×32。第3個網絡分支僅包含1個卷積層，其輸出的特征圖尺度大小為n/4×n/4×16。通過3個網絡分支，模型可以提取不同尺度特征信息。3個網絡分支的數學表達式如下：

(6)

(7)

(8)

為進一步優化MSCNet網絡性能，在不同分支之間加入殘差連接模塊，通過將淺層網絡分支的特征圖與深層網絡分支的特征圖做殘差，以增加特征提取的多樣性，同時解決網絡梯度消弭問題。殘差模塊加入后，卷積層輸出的數學表達式如下：

(9)

最后，將3個分支輸出的不同尺度特征圖整合后輸入全連接網絡進行特征融合，得到機床刀具磨損在空間域上的多尺度特征ys其數學表達代如下：

ys=(ys1,ys2,ys3)

(10)

1.3.3空時特征融合模塊

為融合LSTM提取的時域特征與MSCNet提取的空間域多尺度特征，本文在模型最后添加兩層全連接網絡，并通過Softmax激活函數來輸出不同機床刀具磨損狀態的概率，從而判定當前的機床刀具磨損狀態，其表達式為

yc=[ys,ht]wc+bc

(11)

yp=Softmax(yc)

(12)

其中，yc為全連接網絡融合后的空時域特征；wc、bc分別為全連接網絡的權重和偏差值；yp為不同機床刀具磨損狀態的輸出概率向量。

1.4 適用于機床刀具故障診斷的云邊端協同機制

針對復雜工業現場對機床刀具故障預警的高實時性要求，本文設計一種適用于機床刀具故障診斷的云邊端協同框架(圖7)，以實現底層產線、邊緣節點與云端工業互聯網平臺的高效互聯，從而保證機床刀具故障的及時預警。其中底層終端設備主要負責數據采集、智能分流等任務并協同邊緣服務器與云中心工作。在中層部署邊緣服務器節點，優先處理底層產線產生的機床刀具故障診斷、預警等時延敏感型任務，同時部署任務調度監控節點，負責實時查看邊緣節點工作狀態，同時執行云邊端協同調度算法。云中心負責處理AI模型訓練、數據存儲及機床刀具狀態可視化展示等時間不敏感型或計算密集型任務。

圖7 基于云邊端協同機制的機床刀具故障診斷框架圖Fig.7 Architecture diagram of tool fault diagnosis of machine tool based on cloud-edge-device collaboration mechanism

本文的目標是通過設計合理的云邊端協同任務分配機制來實現最小化與機床刀具故障診斷相關的不同任務的處理時延，因此，優化目標可表示如下：

(13)

(14)

εu,ξu∈{0，1}ε=(ε1,ε2,…,εu,…,εU)

ξ=(ξ1,ξ2,…,ξu,…,ξU)

其中，ε、ξ為任務在終端的卸載策略向量；U為任務總數；εu、ξu為任務u在終端的卸載策略，εu=1表示任務在底層終端執行；ξu=1表示任務被卸載至邊緣服務器執行；當εu=0、ξu=0時，表示任務被卸載至云服務器執行。式(14)為約束條件，表示在底層終端和邊緣服務器上為不同任務分配的計算資源總和不能超過底層終端和邊緣服務器本身計算能力上限Kdevice和Kedge。

針對上述優化問題，本文采用一種貪心算法對其進行求解，所帶來的性能增益將在后續實驗部分進行具體分析。貪心算法的核心思路是將一個優化問題的求解過程分成若干個步驟，但每個步驟都應用貪心準則，選取當前狀態下最優的選擇，最終逼近全局最優解。本文中，選取的貪心準則為：對所有任務進行數據量由大到小的排序，優先選取數據量大的任務進行決策，分別對比其底層設備(按需分配計算資源) 執行、邊緣服務器(按需分配計算資源)執行和云服務器執行所帶來的系統處理時延，并選擇其中時延最小的策略執行，此后依次選取數據量大的任務進行決策，直至所有任務決策完成，具體流程見算法1。

1.5 軟件系統及可視化界面設計

在上述理論研究基礎上，本文研發基于AI的機床刀具故障診斷軟件系統，實現對機床刀具故障的及時預警，從而指導工作人員對故障設備進行維護，提高企業生產效率與產品加工質量。如圖8所示，本軟件主要包含4個功能模塊：用戶注冊與登錄模塊、數據預處理模塊、信號特征提取模塊、基于AI的機床刀具故障診斷模塊。其中用戶注冊與登錄模塊主要統計用戶注冊信息、保證用戶信息安全；數據預處理模塊主要為了可視化X、Y、Z三軸振動數據；信號特征提取模塊主要用以分析和展示機床刀具磨損信號在時頻域上的特征信息，輔助機床刀具故障診斷算法進行智能決策；基于AI的機床刀具故障診斷模塊主要利用所提基于LSTM-MSCNet的機床刀具故障診斷模型，實現對機床刀具實時磨損狀態的精準識別。

2 結果分析與討論

為證明所提機床刀具故障智能診斷算法與云邊端協同機制的有效性，本文利用采集的實際產線數據開展驗證性實驗。經過數據預處理后，共得到24 705個樣本，其中，初期磨損階段包含549個樣本，穩態磨損階段包含14 274個樣本，急劇磨損階段包含9882個樣本。將數據集隨機打亂之后，將樣本總數的70%、10%和20%分別作為訓練集、驗證集和測試集。

圖8 基于AI的機床刀具故障診斷軟件系統Fig.8 AI-based software system for tool fault diagnosis

本文采用準確率RA(Accuracy)、精確率RP(Precision)、召回率RR(Recall)、F1分數SF1(F1 Score)作為機床刀具故障診斷算法性能的評價指標。4種評價指標的計算表達式如下：

(15)

(16)

(17)

(18)

其中，準確率RA是機床刀具磨損狀態分類正確樣本數與總樣本數的比值；精確率RP是機床刀具磨損狀態分類正確的正樣本數與所有被分類為正樣本數的比值；召回率RR是機床刀具磨損狀態分類正確的正樣本數與實際正樣本數的比值；F1分數SF1是RP和RR的調和平均；NTP表示將正樣本正確分類為正樣本的數目(true positive，TP)；NFP表示將負樣本錯誤分類為正樣本的樣本數目(false positive，FP)；NTN表示將負樣本正確分類為負樣本的樣本數目(true negative，TN)；NFN表示將正樣本錯誤分類為負樣本的樣本數目(false negative，FN)。

2.1 模型參數對機床刀具故障診斷精度的影響

學習率(learning rate，LR)是影響模型精度和訓練速度的重要參數。當LR值過大時，會使權重更新過快，使得模型精度和穩定性變差；當LR值過小時，會減緩網絡學習速度，導致陷入局部最優從而影響模型性能。為此，本文在不同學習率下對所提LSTM-MSCNet進行50次迭代訓練，性能分析結果如圖9所示，可以看出，當學習率RL為0.0005時，模型取得了最佳的機床刀具故障診斷準確率，因此，本文將LSTM-MSCNet模型的學習率設為0.0005。

圖9 不同學習率下機床刀具故障診斷算法性能分析圖Fig.9 Performance analysis diagram of tool faultdiagnosis algorithms with different learning rates

2.2 機床刀具故障算法收斂性分析

為驗證所提基于LSTM-MSCNet模型的機床刀具故障診斷算法收斂性，本文對比3種基于不同深度學習模型的機床刀具故障診斷算法，分別為卷積神經網絡(CNN)、長短時記憶網絡(LSTM)、多尺度卷積神經網絡(MSCNet)。由圖10和11可以看出，隨著迭代次數的增加，不同算法在訓練集和測試集上都可以收斂到一定的準確率。而本文所提的LSTM-MSCNet相較于其他對比算法來說具有更快的收斂速度和最優的收斂準確率。

圖10 不同刀具故障診斷算法在訓練集的收斂性分析圖Fig.10 Convergence analysis diagram for different toolfault diagnosis algorithms in training dataset

圖11 不同刀具故障診斷算法在驗證集的收斂性分析圖Fig.11 Convergence analysis diagram for different toolfault diagnosis algorithms in validating dataset

2.3 不同機床刀具故障算法性能對比

為驗證所提基于LSTM-MSCNet的機床刀具故障診斷算法性能，本文除了對比2.2小節不同深度學習模型外，還添加了如下兩種機器學習算法：多層感知機(MLP)、支持向量機(SVM)，結果如表2所示。從表2中可以看出，本文所提出的基于LSTM-MSCNet的機床刀具故障診斷算法在4種評價指標上都取得了最優的性能。就準確率指標而言，相較于MSCNet、LSTM、CNN、SVM、MLP，所提算法的性能分別提高0.88%、1.23%、1.35%、19.94%、20.99%。這主要得益于本文所提基于LSTM-MSCNet的機床刀具故障診斷算法可以通過提取不同空時域的多尺度特征來增強模型表達能力，從而提高機床刀具故障的診斷性能。此外，相較于機器學習方法，基于深度學習的機床刀具故障診斷算法具有明顯的優勢，這也進一步說明研究基于深度學習的機床刀具故障診斷算法具有較好的實用價值。

表2 刀具故障診斷算法在4種評價指標上的性能對比

2.4 云邊端協同機制性能分析

為分析所提云邊端協同機制的性能增益，本文與4種不同任務卸載機制進行對比：①任務全部在底層終端設備執行(only local, OL)；②任務全部卸載至邊緣服務器執行(only edge, OE)；③任務全部卸載至中心云服務器執行(only cloud, OC)；④通過云邊協同機制將任務卸載至邊緣服務器或中心云服務器執行(cloud-edge collaboration, CEC)，結果如圖12和圖13所示。從圖12中可以看出，隨著底層產線待處理機床刀具故障診斷任務數目的增多，除OL機制外，其他卸載機制的任務最大完成時延都逐漸增加。其原因在于任務數目的增加會導致邊緣服務器的負載越來越大，使得每個任務被分配的計算資源越來越少，從而導致計算時延增加。相較于OL、OE、OC和CEC機制，當任務數目為45時，本文所提云邊端協同(CEDC)機制通過對本地設備、邊緣服務器以及云服務器資源的最優化配置，分別縮短31.77%、52.41%、45.38%、47.59%的任務最大完成時延。特別地，OL架構的任務最大完成時延并沒有隨任務數目的增加而變化，原因在于實際產線上每臺機床設備在同一時間段內僅能產生并處理一個機床刀具故障診斷任務。

圖12 任務數目變化時不同卸載機制性能對比圖Fig.12 Performance comparison of different offloadingmechanisms as the number of tasks changes

圖13 邊緣計算能力變化時不同卸載機制性能對比圖Fig.13 Performance comparison of different offloadingmechanisms as the capacity of edge computing changes

此外，從圖13中可以看出，隨著邊緣服務器計算能力K值的增大，在邊緣處理的機床刀具故障診斷任務數也將增加，使得OE、CEC、CEDC機制的任務最大完成時延逐漸縮短。所提CEDC機制取得了最優的時延性能，相較于OE和CEC機制，可分別縮短13.97%、42.34%的系統最大任務完成時延。

3 結語

針對復雜工業現場對機床刀具故障診斷的高精度、高時效性要求，本文設計一種云邊端協同的機床刀具故障智能診斷系統，以實現機床刀具運行狀態的精準監測與故障的及時預警。研究結果表明，所提出的基于LSTM-MSCNet的機床刀具故障診斷算法可通過挖掘機床刀具磨損在不同空時域的多尺度特征，實現對刀具磨損狀態的精準識別，準確率可達98.3%；同時，所提云邊端協同機制可以高效協同工業云平臺、邊緣服務器及終端設備三者之間的計算資源，最小化任務的完成時延，從而滿足機床刀具故障預警的高實時性要求。本工作的研究對提高企業產品的生產效率和加工質量具有重要意義，具備較強的可推廣性。在后續的研究工作中，本課題組將考慮增加切削力、聲發射、電流等多源傳感器采集數據，提高在不同工況下刀具故障診斷的穩健性。