基于深度學習的數控機床狀態監測技術研究

摘 要：深度學習作為一種具有強大數據處理和模式識別能力的人工智能方法，在機床狀態監測方面具有廣闊的應用前景。本文旨在研究基于深度學習的數控機床狀態監測技術。首先，建立了數控機床狀態參數目標模型，分析了數控機床穩態過程功率模型和加工過程效率模型。然后，提出了基于BP神經網絡的數控機床狀態監測模型。最后，通過實驗驗證算法在數控機床狀態監測方面具有優秀的性能和準確率。結果表明，深度學習算法能夠更好地處理復雜的機床狀態數據，并能夠自動學習和識別不同狀態之間的模式和特征。

關鍵詞：深度學習 數控機床 狀態監測技術 穩態過程功率模型 加工過程效率模型

0 引言

數控機床作為現代制造業中的重要設備，其穩定性和可靠性對生產運行至關重要。然而，目前傳統的機床狀態監測技術存在諸多局限，無法實現對機床狀態的實時監測和準確評估。因此，引入新的技術和方法來解決這一問題具有重要意義[1]。另一方面，深度學習作為一種在機器學習領域備受關注的技術，具有強大的學習能力和數據處理能力。然而，在數控機床狀態監測領域，深度學習的應用還處于初級階段，尚未充分發揮其潛力[2]。通過對機床工作數據的分析和學習，可以實現對機床狀態的實時監測、異常狀態識別、故障情況監測以及機床壽命的預測和評估，為制造業的發展和生產效率的提高提供重要支持[3]。因此，深入研究基于深度學習的數控機床狀態監測技術具有重要的現實意義和應用前景。

1 數控機床狀態參數目標模型

1.1 數控機床穩態過程功率模型

數控機床加工過程中，穩態過程主要是指數控機床在對工件進行加工時，加工狀態持續進行、加工時加工功率保持規律性的穩定變化的加工過程（簡稱穩態過程）。在本文模型中，對于數控機床穩態過程功率模型主要分為：輔助狀態功率模型、空切狀態功率模型、材料切削狀態功率模型[4]。

（1）輔助狀態功率模型：在數控機床的運行中，照明裝置、冷卻裝置、排屑裝置等產生的功率，一般會被稱為輔助功率。該部分功率主要是為機床在加工過程中起到輔助作用，并且是選擇性開啟的，不會伴隨著機床開啟而一直運行。除卻這些選擇性開啟的裝置產生的功率，機床在開啟后，維持機床正常運行，但實際機床不進行切削（包含空切）的狀態，稱為待機運行。

（2）空切狀態功率模型：在機床零件加工過程中，主軸開始旋轉后，刀具從初始位置至刀具觸碰到工件開始進行切削時，以及工件加工完成刀具快速遠離工件，到達安全位置程序停止，這些段過程為空切階段。該階段主要包含主軸旋轉、進給、快速進給、主軸旋轉加減速以及自動換刀的過程。其中主軸旋轉加減速以及自動換刀為瞬態過程。

（3）材料切削狀態功率模型：在數控機床加工過程中，當刀具觸碰到工件時，材料切削活動開始。其中材料切削功率中，也因具體的加工活動不同，分為恒材料切削功率與變材料切削功率。其中，在數控機床中恒材料切削功率主要是車外圓過程[5]；在數控機床中，變材料切削功率主要是車端面過程。材料切削狀態功率模型可以表示為：

恒材料切削功率：在數控機床中，恒材料切削功率主要是車外圓過程，車外圓過程的恒材料切削功率可以表示為：

（1）

其中，為車外圓切削功率，；、、、為系數；為切削速度，；為進給量，；為切削深度，。

變材料切削功率：車端面過程的變材料切削功率可以表示為：

（2）

其中，為車端面切削功率，；，分別為切削速度、初始切削速度，；為進給量，；為切削深度，；為主軸旋轉速度，；為刀具切入時間，為完全切削階段持續時間，為刀具切入階段持續時間，。

1.2 數控機床加工過程效率模型

在本文中建立的加工過程效率模型，其定義為：加工過程中單位時間內材料去除體積，相較于傳統的材料去除率，本文所建立的加工過程效率模型考慮的是整個加工過程的效率，而不是單指數控機床的切削過程，二者所考慮的材料去除體積是相同的，而不相同在于時間的考慮，如圖1所示[6]。

該加工過程效率模型可以表示為：

（3）

其中，為加工過程效率，即為加工過程中單位時間內材料去除體積，；為加工過程中需去除的總體積，；為加工過程時間，。當加工的零件、工藝確定時，需去除的總體積為確定值，其公式可以表達為：

（4）

其中，為加工過程中需去除的工件材料體積，；為工件直徑，；為切削深度，；為切削長度，。

1.3 數控機床加工過程參數

根據上述分析，對于固定的機床型號來說，本文的研究對象為數控機床 C2-6150HK/1a，數控機床加工過程的能耗變化不僅與時間參數有關，同時還與待機功率、機床空載功率、材料切削功率以及輔助階段功率有關。其中，待機功率、主軸轉速、材料屬性、刀具屬性、切削參數等是數控機床加工過程中的主要影響因素。由于待機階段、機床空轉階段的能耗值可直接測量且比較恒定，材料屬性和刀具屬性在實際加工中不會發生改變，在不考慮刀具磨損的情況下，影響數控機床加工能耗的主要為時間參數、主軸轉速和切削參數。故本文研究主要考慮數控機床切削加工能耗及相應的切削參數：切削速度、切削深度和進給量。

2 基于BP神經網絡的數控機床狀態監測模型

2.1 BP神經網絡原理及特點

人工神經網絡利用仿生的方法，在生物神經元工作過程的基礎上，通過模擬其過程，建立具有其結構和特點的運算模型，圖2是人工神經網絡的結構示意圖。它從信息處理角度對人腦神經元網絡進行抽象，建立某種簡單模型，按不同的連接方式組成不同的網絡，它看似結構簡單，卻由大量的節點（或稱神經元）之間相互聯接構成，每個節點代表一種特定的輸出函數，稱為激勵函數（activation function）。每兩個節點間的連接都代表一個對于通過該連接信號的加權值，稱之為權重，這相當于人工神經網絡的記憶。網絡的輸出則依網絡的連接方式，權重值和激勵函數的不同而不同。

如圖2所示，BP網絡與感知器模型不同，傳遞函數必須是可微的，不能使用感知器網絡中的二值數。為具體說明BP網絡的學習過程，流程如下：

（1）輸入層結點數為，隱含層結點數為，輸出層結點數為；相應各層結點的編號。

（2）表示輸入層與隱含層各結點之間的連接權重矩陣，表示隱含層各結點的閾值向量。

（3）表示輸入層的輸入，表示輸出層的期望輸出。

（4）輸入層的輸出為，隱含層的輸出為，輸出層的實際輸出為。

隱含層和輸出層的激勵函數采用Sigmoid函數：

式中：為神經元收到的加權信號和。為神經元的閾值。

隱含層第號結點的輸入和閾值分別為和，且：

2.2 BP神經網絡狀態監測模型

（1）BP神經網絡結構參數：torch庫中的nn.Module是torch庫中自帶的經典神經網絡架構，本文搭建的神經網絡通過繼承的方式構建3層神經網絡的基本架構，再將切削速度、切削深度和進給量f作為自變量，機床的切削能耗為因變量，搭建出 BP 神經網絡車削能耗預測模型，其中各層之間的激活函數采用可以修正線性單元的ReLU函數，ReLU函數相較于其他激活函數具有稀疏性，可以更好地挖掘數據特征、不出現梯度飽和梯度消失等情況、計算方便等優勢。

（2）定義損失函數和優化器：搭建BP神經網絡車削能耗預測模型在繼承 nn. Module形成基本架構之后，需要對神經網絡定義損失函數和優化器。損失函數，又叫目標函數，是編譯一個神經網絡模型必需的兩個要素之一，另一個必不可少的要素是優化器。

（3）學習速率的選擇：為了根據各個階段誤差的情況進行調節，一般采用自適應的學習速率。當誤差減小時，會采用較大的學習速率以加快網絡的收斂速度；相反，在誤差增大時，會采用較小的學習速率，以避免誤差進一步擴大，通過閱讀相關文獻，BP神經網絡學習速率通常設置在 0.01-0.1 之間，使用 Adam 優化器默認的初始學習率為 0.01。根據學習速率的設置范圍手動調整，并通過預測模型測試集損失確定最佳學習率為0.04。

3 實驗結果分析

為了直觀的表現各模型預測結果與實際能耗值之間的關系，本文采用Python 中的matplotlib 庫進行繪圖，將測試集中的25組測試結果與實際能耗值進行比較。圖3為各模型預測值與實測值對比圖。

通過各模型之間的預測值與實測值的對比，可以看出擬合效果做好的是BP神經網絡狀態監測模型。對于數控機床切削加工狀態監測來說，BP神經網絡模型具有較強的可行性。根據本文的研究對于數控機床切削加工能耗預測優先推薦隨機森林能耗預測模型。

4 結論

本文通過研究基于深度學習的數控機床狀態監測技術，提出了一種基于深度學習的算法，并驗證了其在機床狀態監測方面的優越性和實用性。本研究的實際應用價值主要體現在兩個方面：一方面，機床狀態監測技術的應用可以提高機床設備的運行效率和穩定性，減少設備故障和損壞，降低維修和更換成本，提高生產效率和質量。另一方面，通過對機床狀態的實時監測和預測，可以實現設備故障的早期預警和維修計劃的優化，提高設備可靠性和生命周期管理。

基金項目：四川省教育廳 2022－2024 年職業教育人才培養和教育教學改革研究項目GZJG2022-705《基于技能大師工作室的“創新型”高技術技能人才培養模式探索與實踐》。

參考文獻

[1]王金鋒.基于成本管理視角的數控機床運行監測維護分析[J].設備管理與維修，2023（24）：154-156.

[2]周麗蓉.數控機床能耗建模與面向能量的加工參數優化[D].濟南：山東大學，2018.

[3]孟悅.銑削加工過程能耗建模及工藝參數優化[D].哈爾濱：哈爾濱理工大學，2019.

[4]宋宜璇，童一飛，繆方雷，等.基于物聯網的數控機床群狀態監測研究[J].機械設計與制造工程，2023，52（06）：13-18.

[5]陳露萌.高檔數控機床進給系統在線監測與故障診斷[D].北京：北京信息科技大學，2023.

[6]李福佳.基于狀態監測數據的數控機床運輸安全性評價及包裝優化設計[D].長春：吉林大學，2024.