郭 安，于 東，胡 毅2,3,，畢筱雪，劉勁松，李 浩

(1.中國(guó)科學(xué)院大學(xué)，北京 100049；2.中國(guó)科學(xué)院 沈陽(yáng)計(jì)算技術(shù)研究所高檔數(shù)控國(guó)家工程研究中心，遼寧 沈陽(yáng) 110171；3.沈陽(yáng)高精數(shù)控智能技術(shù)股份有限公司，遼寧 沈陽(yáng) 110171；4.中國(guó)科學(xué)院 沈陽(yáng)計(jì)算技術(shù)研究所，遼寧 沈陽(yáng) 110171)

1 問題的提出

近年來，隨著工業(yè)4.0和中國(guó)制造2025計(jì)劃的提出，制造業(yè)向信息化、智能化方向發(fā)展。工業(yè)4.0以信息—物理融合系統(tǒng)(Cyber-Physical Systems, CPS)為基礎(chǔ)，其核心思想是通過高帶寬的時(shí)間敏感網(wǎng)絡(luò)(Time Sensitive Network, TSN)將具有高可靠性的傳感器、執(zhí)行器與服務(wù)器互聯(lián)，形成傳感器網(wǎng)絡(luò)。應(yīng)用程序通過服務(wù)器與傳感器、執(zhí)行器實(shí)時(shí)交互，實(shí)現(xiàn)以應(yīng)用程序?yàn)榇淼挠?jì)算信息與以傳感器所表征的外部環(huán)境的深度融合[1]?，F(xiàn)階段與智能制造研究課題相關(guān)的理論建模與形式化驗(yàn)證等工作多以大數(shù)據(jù)為驅(qū)動(dòng)，以生產(chǎn)應(yīng)用為導(dǎo)向，圍繞產(chǎn)品完整生命周期展開。智能工廠(intelligent factory)、健康管理預(yù)警系統(tǒng)(Prognostics and Health Management, PHM)[2]、智能故障診斷系統(tǒng)(intelligent fault diagnosis system)是智能制造下的核心應(yīng)用。姚錫凡等[3]通過對(duì)當(dāng)前制造業(yè)信息化相關(guān)主流理念的分析、總結(jié)與提煉，分別提出智慧制造與智慧工廠的制造模式與參考模型，探討了實(shí)現(xiàn)智能制造模式的途徑與架構(gòu)。

以上研究成果對(duì)智能車間工程應(yīng)用有重要借鑒價(jià)值，但在智能車間的實(shí)踐化過程中尚需考慮以下因素：

(1)“智能”概念的側(cè)重點(diǎn) “智能化”涵蓋整個(gè)產(chǎn)品的生命周期：從原料進(jìn)入工廠開始到產(chǎn)品最終送達(dá)客戶，包括質(zhì)量管控、生產(chǎn)調(diào)度、狀態(tài)監(jiān)控、生產(chǎn)統(tǒng)計(jì)/數(shù)據(jù)分析與工藝指導(dǎo)、產(chǎn)品配送等。某些特殊制造業(yè)甚至可以把智能化周期延伸到產(chǎn)品壽命的終結(jié)：美國(guó)航空工業(yè)引入“數(shù)字孿生”概念，將飛機(jī)零件實(shí)體與信息模型永久同步[5-6]。然而對(duì)某一特定制造行業(yè)，實(shí)現(xiàn)整個(gè)產(chǎn)品周期的“智能化”代價(jià)高昂且冗余，針對(duì)不同制造業(yè)特點(diǎn)，“智能”所處的環(huán)節(jié)應(yīng)有所側(cè)重。

(2)理論模型與現(xiàn)實(shí)環(huán)境差異 智能應(yīng)用所采用的模型精細(xì)，往往需要精確的時(shí)序數(shù)據(jù)作為其輸入，對(duì)數(shù)據(jù)缺失、時(shí)序錯(cuò)誤等問題抗性差，而由于系統(tǒng)本身的局限性或加工環(huán)境的干擾，數(shù)據(jù)不可避免會(huì)產(chǎn)生以上問題。圖1所示為由于傳感器采樣頻率不足而導(dǎo)致的數(shù)據(jù)時(shí)序混亂。

在圖1中，e1、e2為系統(tǒng)中待測(cè)事件，矩形長(zhǎng)度表示事件持續(xù)時(shí)間，左右邊對(duì)應(yīng)的時(shí)間點(diǎn)分別表示起止時(shí)間。s1、s2表示與e1、e2對(duì)應(yīng)的傳感器采樣點(diǎn)，假設(shè)采樣是瞬時(shí)的。s1于t1時(shí)刻采樣，但并未探測(cè)到e1的發(fā)生；s2于t2時(shí)刻采樣，探測(cè)到e2的發(fā)生。系統(tǒng)會(huì)根據(jù)傳感器采樣結(jié)果，錯(cuò)誤地認(rèn)為e2先于e1發(fā)生，這是有悖于事實(shí)的。

綜上所述，智能車間的工程實(shí)踐應(yīng)以行業(yè)需求為導(dǎo)向，力求實(shí)現(xiàn)產(chǎn)品生命周期中的某些重要環(huán)節(jié)，算法與模型應(yīng)考慮加工環(huán)境和平臺(tái)的限制，以較低的代價(jià)達(dá)到合適的性能。本文以某離散制造業(yè)智能車間改造項(xiàng)目為背景，提出一種側(cè)重于生產(chǎn)監(jiān)控與數(shù)據(jù)分析的智能車間系統(tǒng)，重點(diǎn)闡述數(shù)據(jù)傳輸層、采集層的實(shí)現(xiàn)，結(jié)合系統(tǒng)特點(diǎn)及所處加工環(huán)境特點(diǎn)提出一種系統(tǒng)應(yīng)用開發(fā)模式，依照該模式開發(fā)一種面向銑床加工深度的聚類算法應(yīng)用，使用實(shí)驗(yàn)型精密加速度傳感器在理想環(huán)境下采集原始數(shù)據(jù)，探究應(yīng)用理論模型性能，對(duì)原始數(shù)據(jù)進(jìn)行處理，探究應(yīng)用性能隨傳感器參數(shù)的變化趨勢(shì)，根據(jù)實(shí)驗(yàn)結(jié)果，在合理范圍內(nèi)調(diào)整平臺(tái)參數(shù)，最后在本文提出的智能車間架構(gòu)下驗(yàn)證了算法性能。

2 系統(tǒng)架構(gòu)及應(yīng)用開發(fā)模式

2.1 系統(tǒng)架構(gòu)的提出

離散制造業(yè)生產(chǎn)工藝復(fù)雜，生產(chǎn)環(huán)節(jié)繁多，加工精度要求高，且生產(chǎn)設(shè)備參數(shù)直接影響產(chǎn)品質(zhì)量?；诖髷?shù)據(jù)的智能調(diào)度算法可通過生產(chǎn)過程中積累的歷史數(shù)據(jù)訓(xùn)練決策網(wǎng)絡(luò)，并結(jié)合實(shí)時(shí)數(shù)據(jù)快速響應(yīng)產(chǎn)品排產(chǎn)需求，合理調(diào)整生產(chǎn)設(shè)備參數(shù)，以保證生產(chǎn)效率與產(chǎn)品質(zhì)量。上述典型應(yīng)用同時(shí)對(duì)數(shù)據(jù)實(shí)時(shí)性與海量性提出了要求。本文基于該行業(yè)特征與典型應(yīng)用要求，提出一種面向?qū)崟r(shí)可視化監(jiān)控、任務(wù)調(diào)度、大數(shù)據(jù)分析的智能車間系統(tǒng)架構(gòu)，其邏輯模型與物理拓?fù)浞謩e如圖2所示。

通過“數(shù)字孿生”模型實(shí)現(xiàn)車間實(shí)體域向信息域的完整映射。“數(shù)字孿生”是車間信息化模型的拓展，具有如下特點(diǎn)：

(1)實(shí)體域與信息域映射的完備性 不同于傳統(tǒng)信息化模型，“數(shù)字孿生”模型強(qiáng)調(diào)車間每個(gè)實(shí)體及其狀態(tài)、關(guān)系、事件向信息域的一一映射。同時(shí)，該模型不僅著眼實(shí)體域當(dāng)前映射，還應(yīng)記錄歷史映射狀態(tài)。

(2)映射的高動(dòng)態(tài)性、高實(shí)時(shí)性 實(shí)體域變化在一定時(shí)間限制內(nèi)反饋到信息域。

(3)模型海量數(shù)據(jù)特征 由于信息域需記錄實(shí)體域中大量實(shí)體、實(shí)體狀態(tài)及實(shí)體關(guān)系的變動(dòng)，會(huì)產(chǎn)生海量數(shù)據(jù)。

“數(shù)字孿生”模型與實(shí)體域信息交互接口位于智能車間感知層，在物理拓?fù)鋱D中，包括與服務(wù)器連接的匯聚節(jié)點(diǎn)(sink node)、計(jì)算機(jī)單元(Personal Computer Unit, PCU)、可編程邏輯控制器(Programmable Loagic Controller, PLC)、模數(shù)轉(zhuǎn)換器(Analog to Digital Converter, ADC)等硬件設(shè)備及相應(yīng)的協(xié)議、優(yōu)化算法等。

機(jī)床進(jìn)給軸編程值、實(shí)際值、主軸轉(zhuǎn)速、報(bào)警號(hào)、剩余量等內(nèi)部運(yùn)行參數(shù)可從PCU或PLC讀取，采樣周期范圍為1 ms～1 s。機(jī)床特定位置加速度、聲發(fā)射、電流數(shù)據(jù)需從現(xiàn)場(chǎng)安裝的外部傳感器讀取。根據(jù)數(shù)據(jù)傳輸信道的不同，外部傳感器又分為有線和無線傳感器。無線傳感器體積小安裝方便，芯片選擇靈活性強(qiáng)，應(yīng)用較為廣泛，適合于加速度、溫濕度等集成電路(Integrated Circuits, IC)封裝形式的芯片?；魻栯娏鱾鞲衅?、電壓傳感器不宜做成無線傳感節(jié)點(diǎn)，可用成品模塊連接模數(shù)轉(zhuǎn)換器后再接入服務(wù)器。

為滿足不同應(yīng)用對(duì)系統(tǒng)響應(yīng)速度與容量的要求，設(shè)計(jì)實(shí)時(shí)與歷史數(shù)據(jù)庫(kù)。實(shí)時(shí)數(shù)據(jù)庫(kù)存放產(chǎn)生于一定時(shí)間之內(nèi)的數(shù)據(jù)，響應(yīng)速度快，為實(shí)時(shí)監(jiān)控等應(yīng)用提供良好的支持；陳舊數(shù)據(jù)被轉(zhuǎn)移至歷史數(shù)據(jù)庫(kù)，該數(shù)據(jù)庫(kù)容量大，但響應(yīng)速度相對(duì)較慢，可為數(shù)據(jù)分析提供支持。實(shí)時(shí)與歷史數(shù)據(jù)庫(kù)都為調(diào)度應(yīng)用提供支持。

2.2 系統(tǒng)數(shù)據(jù)采集層與傳輸層的設(shè)計(jì)與實(shí)現(xiàn)

2.2.1 經(jīng)OPC協(xié)議的數(shù)據(jù)采集方式

OPC基金會(huì)于20世紀(jì)90年代中期發(fā)布第一個(gè)用于工業(yè)控制的數(shù)據(jù)存取(Data Access, DA)規(guī)范，隨后又發(fā)布了事件報(bào)警(Alarms and Events, AE)和歷史數(shù)據(jù)存取(Historical Data Access, HDA)規(guī)范，迅速成為工業(yè)領(lǐng)域事實(shí)上的標(biāo)準(zhǔn)[7]，稱為OPC DA規(guī)范。隨著技術(shù)的發(fā)展，OPC DA規(guī)范弊端日益凸顯：平臺(tái)不可移植性抑制開源操作系統(tǒng)的應(yīng)用，通信依賴的關(guān)鍵協(xié)議分布式組件對(duì)象模型(Distributed Component Model, DCOM)報(bào)文復(fù)雜性使因特網(wǎng)的應(yīng)用極為困難，DA、AE和HDA服務(wù)器各自的獨(dú)立性弱化了服務(wù)器間的協(xié)作能力。針對(duì)上述缺陷，OPC基金會(huì)推出基于統(tǒng)一架構(gòu)的OPC規(guī)范(OPC Unified Architecture, OPC UA)。目前，該規(guī)范在先進(jìn)數(shù)控系統(tǒng)中應(yīng)用廣泛，圖3所示分別為支持OPC UA的840D SL數(shù)控系統(tǒng)和支持OPC DA的PLC。

OPC UA規(guī)范定義服務(wù)器和客戶端，840D SL的PCU中集成UA服務(wù)器，想要獲得服務(wù)器長(zhǎng)期、穩(wěn)定的數(shù)據(jù)服務(wù)需要購(gòu)買該數(shù)控系統(tǒng)中標(biāo)注為“My Machine/OPC UA”選項(xiàng)包，否則UA服務(wù)器經(jīng)過一定時(shí)間會(huì)報(bào)錯(cuò)并終止運(yùn)行。OPC基金會(huì)及第三方組織提供開源或閉源的開發(fā)包，由開發(fā)包可編寫客戶端程序，實(shí)現(xiàn)與服務(wù)器數(shù)據(jù)交換、訂閱等功能，也可通過修改基金會(huì)提供的客戶端原型實(shí)現(xiàn)上述功能。

無法通過OPC協(xié)議采集的數(shù)據(jù)項(xiàng)可通過添加客制化傳感器獲得，下面介紹兩種客制化傳感器實(shí)現(xiàn)方法。

2.2.2 經(jīng)匯聚節(jié)點(diǎn)的數(shù)據(jù)采集方法

加速度、溫濕度傳感器可采取無線傳感節(jié)點(diǎn)與匯聚節(jié)點(diǎn)組合傳輸方案。匯聚節(jié)點(diǎn)通過以太網(wǎng)與服務(wù)器連接，傳輸從無線傳感器節(jié)點(diǎn)匯總來的數(shù)據(jù)。團(tuán)隊(duì)研發(fā)的傳感器節(jié)點(diǎn)與匯聚節(jié)點(diǎn)如圖4所示。

該匯聚節(jié)點(diǎn)包含基于ARM構(gòu)架的處理器，板載RT-THREAD操作系統(tǒng)。通過改進(jìn)操作系統(tǒng)中郵箱數(shù)據(jù)共享算法，引入基于優(yōu)先級(jí)策略的(Quality of Service， QoS)數(shù)據(jù)傳輸機(jī)制，確保當(dāng)系統(tǒng)內(nèi)存緩沖區(qū)溢出時(shí)，高優(yōu)先級(jí)數(shù)據(jù)得到有效傳輸[8]。機(jī)床特定部件的加速度數(shù)值既可描述該部件運(yùn)動(dòng)狀態(tài)，又可揭示其內(nèi)部運(yùn)作機(jī)理，常用于形成故障診斷和健康管理系統(tǒng)中模型特征參數(shù)。通過對(duì)加速度頻域的積分、二次積分可以獲得待測(cè)部件瞬時(shí)速率、位移曲線；通過小波包能量特征值提取和模糊聚類，可以進(jìn)一步挖掘待測(cè)部件內(nèi)部狀態(tài)。加速度傳感器因其廣泛的應(yīng)用，簡(jiǎn)易可靠的安裝方式成為車間監(jiān)控中一類核心傳感器。

2.2.3 經(jīng)模數(shù)轉(zhuǎn)換器的數(shù)據(jù)采集方式

主軸及傳動(dòng)軸電流有效值對(duì)于刻畫其負(fù)載變化有重要意義?；魻栯娏鱾鞲衅骰陔姶判?yīng)間接測(cè)量電流有效值，該類傳感器安裝不需斷開待測(cè)導(dǎo)線，易于車間大規(guī)模配置，其使用一般采取成品模塊與模數(shù)轉(zhuǎn)換器搭配的方式，如圖5所示。

將霍爾電流傳感器環(huán)繞三相交流電中的一根動(dòng)力線，記錄主軸從靜止?fàn)顟B(tài)到空轉(zhuǎn)狀態(tài)、切削狀態(tài)最后歸于靜止的電流變化，電流有效值隨時(shí)間變化情況如圖6所示。

2.3 系統(tǒng)應(yīng)用開發(fā)模式

智能車間的應(yīng)用開發(fā)需經(jīng)歷理論向?qū)嵺`的轉(zhuǎn)化過程，其首要目標(biāo)是以最小的系統(tǒng)代價(jià)換取合適的應(yīng)用性能。

由于應(yīng)用性能受理論模型本身、傳感器性能、加工噪聲等系統(tǒng)內(nèi)因與外因共同作用，如何選擇合適的模型及傳感器節(jié)點(diǎn)以在特定的環(huán)境下達(dá)到性能要求是一個(gè)難題，而較高的傳感器性能設(shè)定雖有利于提升應(yīng)用性能，但會(huì)占用系統(tǒng)更多的帶寬、存儲(chǔ)等資源，例如，傳感器采樣頻率越高，頻譜分辨率就會(huì)越高，但單位時(shí)間內(nèi)數(shù)據(jù)容量也會(huì)相應(yīng)增大，傳輸及存儲(chǔ)這些數(shù)據(jù)就要占用更多的系統(tǒng)資源。為解決以上問題，提出一種以理想平臺(tái)實(shí)驗(yàn)、仿真對(duì)比實(shí)驗(yàn)、驗(yàn)證性實(shí)驗(yàn)為核心的ISVE(Ideal-platform, Simulation and Verification Experiments)-應(yīng)用開發(fā)模式,簡(jiǎn)稱ISVE模式，適用于具有如下特征的智能車間數(shù)據(jù)分析應(yīng)用開發(fā)：

(1)應(yīng)用有數(shù)學(xué)模型支撐，但缺乏針對(duì)特定問題的成熟解決方案。

(2)應(yīng)用的實(shí)現(xiàn)依托系統(tǒng)中部署的傳感器網(wǎng)絡(luò)，應(yīng)用性能除受理論模型自身影響外，還受傳感器性能的影響，傳感器關(guān)鍵性能參數(shù)可調(diào)。

(3)應(yīng)用所依賴的傳感器中有相應(yīng)的精密傳感器，精密傳感器在關(guān)鍵性能指標(biāo)上遠(yuǎn)超待部署的傳感器。

(4)應(yīng)用所處環(huán)境可能存在電磁輻射、高頻噪聲、振動(dòng)等干擾源。

下面結(jié)合圖7所示的開發(fā)流程，著重闡述3個(gè)核心實(shí)驗(yàn)。

(1)理想平臺(tái)實(shí)驗(yàn) 該實(shí)驗(yàn)的主要目的是評(píng)估所選取的算法模型本身是否會(huì)成為應(yīng)用性能瓶頸，并為流程中“仿真對(duì)比實(shí)驗(yàn)”步驟提供相應(yīng)數(shù)據(jù)。為避免系統(tǒng)中其他部件及干擾源影響評(píng)估結(jié)果，該實(shí)驗(yàn)需使用精密加速度傳感器在無干擾源的加工環(huán)境下通過專用數(shù)據(jù)傳輸信道獲取并記錄理論模型所需數(shù)據(jù)，之后將數(shù)據(jù)作為算法模型的輸入以得到算法的輸出，統(tǒng)計(jì)實(shí)驗(yàn)結(jié)果。

(2)仿真對(duì)比實(shí)驗(yàn) 該實(shí)驗(yàn)的目的是評(píng)估智能車間系統(tǒng)網(wǎng)絡(luò)中的傳感器節(jié)點(diǎn)性能可否滿足應(yīng)用要求，并為流程中“傳感器配置優(yōu)化”步驟提供支持。為節(jié)省傳感器的實(shí)際部署成本，針對(duì)選定的傳感器性能參數(shù)范圍，運(yùn)用數(shù)學(xué)手段處理“理想平臺(tái)實(shí)驗(yàn)”步驟中記錄的數(shù)據(jù)，模擬以不同參數(shù)配置的傳感器采集到的數(shù)據(jù)，將數(shù)據(jù)按照參數(shù)配置分組并分別將同一組內(nèi)的數(shù)據(jù)樣本作為算法模型的輸入，獲取應(yīng)用性能隨傳感器關(guān)鍵性能參數(shù)變化的趨勢(shì)。若傳感器性能可滿足應(yīng)用需求，根據(jù)退化趨勢(shì)在“傳感器配置優(yōu)化”步驟中以合理的參數(shù)配置待部署的傳感器，實(shí)現(xiàn)“以較低的系統(tǒng)代價(jià)換取合適的應(yīng)用性能”。

(3)驗(yàn)證性實(shí)驗(yàn) 該實(shí)驗(yàn)的目的是評(píng)估系統(tǒng)及應(yīng)用在真實(shí)環(huán)境下的抗噪性能。加工過程中的干擾不僅可作用于傳感器數(shù)據(jù)采集階段，降低信號(hào)信噪比，如車間設(shè)備運(yùn)行過程中產(chǎn)生的高頻噪音和設(shè)備啟動(dòng)時(shí)的振動(dòng)可直接作用于聲發(fā)射、加速度等傳感器的數(shù)據(jù)采集階段，還可作用于無線傳感器的傳輸階段，造成數(shù)據(jù)丟失，如設(shè)備產(chǎn)生的電磁干擾作用于無線傳感器的傳輸過程，造成匯聚節(jié)點(diǎn)丟失連接。由于加工環(huán)境中的噪聲具有偶發(fā)性和特異性，不宜通過仿真對(duì)比實(shí)驗(yàn)?zāi)M，在本實(shí)驗(yàn)中，將選定的傳感器部署在真實(shí)加工環(huán)境中，評(píng)估應(yīng)用抗噪性能。

3 銑床加工深度聚類算法應(yīng)用

模糊聚類算法可用于識(shí)別滾動(dòng)軸承性能退化所處階段：滾動(dòng)軸承長(zhǎng)時(shí)間運(yùn)作會(huì)導(dǎo)致軸承內(nèi)圈、滾珠、外圈損傷形變，進(jìn)而對(duì)軸承本身產(chǎn)生不同頻率的沖擊，導(dǎo)致軸承不同頻率的能量占總能量的比率改變。將處于運(yùn)行狀態(tài)的所有軸承樣本加速度信號(hào)不同頻段能量占總能量的比值作為模糊聚類算法輸入，當(dāng)算法收斂后，選取表征軸承退化特征的中心點(diǎn)，可通過每個(gè)樣本與聚類中心的隸屬度判定軸承所處的退化階段[9]。本文借鑒上述研究成果，提出一種銑床加工深度聚類算法應(yīng)用。

銑床矩形平面銑削普遍用于零件表面拋光、開槽等工藝，一段時(shí)間內(nèi)不同加工深度的銑削平面數(shù)量可間接反映機(jī)床加工狀態(tài)，為車間負(fù)載均衡調(diào)度提供支撐。假設(shè)在一個(gè)銑削過程中，沒有更換刀具、工件的操作，主軸轉(zhuǎn)速恒定，銑削平面為深度均一的矩形平面，本文提出的聚類算法可在刀具不同進(jìn)給速度下按一定分辨率批量識(shí)別平面銑削深度。

銑刀切削零件時(shí)會(huì)受到來自零件的反向沖擊帶動(dòng)機(jī)床整體振動(dòng)，使銑刀附近加速度頻域能量散射到切削頻率對(duì)應(yīng)的倍頻處，倍頻程與機(jī)床結(jié)構(gòu)有關(guān)，但對(duì)于每類機(jī)床是固定的。實(shí)踐表明，切削深度會(huì)影響一個(gè)完整切削過程中加速度倍頻處能量占總體頻段能量的比重，而進(jìn)給速度對(duì)其影響很小，進(jìn)給速度僅會(huì)影響切削臨界狀態(tài)刀具振動(dòng)幅值，而臨界狀態(tài)所處時(shí)間較短，對(duì)整體能量分布影響微乎其微。因此可將所有樣本在銑削過程中加速度頻帶能量占比分別作為模糊聚類的輸入，獲得相應(yīng)加工深度的聚類中心和每個(gè)樣本關(guān)于各聚類中心的隸屬度，根據(jù)隸屬度值實(shí)現(xiàn)樣本加工深度的識(shí)別。該應(yīng)用由原始數(shù)據(jù)采集、數(shù)據(jù)處理、銑削深度識(shí)別3部分組成。

(1)原始數(shù)據(jù)采集 將傳感器固定于待測(cè)機(jī)床主軸靜止區(qū)域，測(cè)量并記錄每個(gè)矩形平面加工樣本的加速度數(shù)值。

(2)數(shù)據(jù)處理 對(duì)每一個(gè)待測(cè)樣本，其加速度原始數(shù)據(jù)經(jīng)處理后形成模糊聚類的輸入，進(jìn)而求出聚類中心。

(3)銑削深度識(shí)別 根據(jù)先驗(yàn)知識(shí)確定每個(gè)聚類中心對(duì)應(yīng)的加工深度，將待測(cè)樣本歸入與其歐氏距離最近的聚類中心，求出銑削深度。

數(shù)據(jù)處理流程如圖8所示。

3.1 數(shù)據(jù)濾波與時(shí)域截取

因傳感器采集過程中可能受到來自自身或加工環(huán)境的噪聲影響，使信噪比降低。為提高信噪比，采用已有的自適應(yīng)數(shù)字濾波器對(duì)采集到的原始數(shù)據(jù)進(jìn)行濾波處理。

對(duì)銑刀而言，在一個(gè)典型的完整矩形平面銑削過程中其動(dòng)作流程由空轉(zhuǎn)、進(jìn)入切削平面、切削、離開切削平面、空轉(zhuǎn)5部分組成，其中進(jìn)入切削平面、離開切削平面統(tǒng)稱為臨界狀態(tài)。圖9所示為切削深度0.1 mm，進(jìn)給速度0.06 mm/齒時(shí)(本節(jié)其他樣本的實(shí)驗(yàn)環(huán)境參數(shù)見表1)完整切削過程主軸加速度時(shí)域數(shù)值分布。

在圖9中，A、B、C、D、E五段分別對(duì)應(yīng)銑刀由啟動(dòng)空轉(zhuǎn)到進(jìn)入切削平面、切削、離開切削平面再到停止前空轉(zhuǎn)這5個(gè)階段。實(shí)驗(yàn)中切削平面長(zhǎng)度一致，B、C、D三段長(zhǎng)度隨進(jìn)給速度不同而成比例增減。A、E兩段長(zhǎng)度測(cè)量帶有主觀性，為配合算法要求，本文提出對(duì)A、E兩段數(shù)據(jù)預(yù)處理，按一定比例截取A、E兩段中靠近B、D的點(diǎn)，使對(duì)每個(gè)進(jìn)給速度樣本都有(A+E)/(B+C+D)=k，其中k為定值。

算法按以下步驟進(jìn)行：

(1)求取序列總能量E和平均能量e。

(3)記錄下集合G中序列下標(biāo)的最大值Max與最小值Min，最大最小值的差記為p。剔除序列a(tk)中小于最小值Min，且相差d·p以上的元素或大于最大值Max，且相差d·p以上的元素，對(duì)序列a(tk)重新排序并按照升序指定下標(biāo)，下標(biāo)從整數(shù)0開始，間隔為1。新序列記為a′(tk)。

其中km與m、d的經(jīng)驗(yàn)值標(biāo)定為100，3.23，0.1。

3.2 特征提取

數(shù)據(jù)濾波、時(shí)域截取等步驟使原始數(shù)據(jù)平滑、正規(guī)化，而特征提取影響模糊聚類的輸入。信號(hào)的特征提取分人工提取和計(jì)算機(jī)輔助獲取兩種，人工提取方式在信號(hào)的時(shí)頻域統(tǒng)計(jì)數(shù)值基礎(chǔ)上結(jié)合先驗(yàn)知識(shí)對(duì)信號(hào)特征進(jìn)行標(biāo)定，適用于產(chǎn)生機(jī)理已知的信號(hào)特征提取問題。近年來，隨著深度學(xué)習(xí)算法在人工智能領(lǐng)域日趨成熟，作為人工提取法的擴(kuò)展，利用深度學(xué)習(xí)方法提升特征精度、正交性的研究在表情識(shí)別[13]、語(yǔ)音識(shí)別[14]、故障診斷[15]等領(lǐng)域取得了一系列進(jìn)展。Gosztolya等[13]提出運(yùn)用深度學(xué)習(xí)提升對(duì)話沖突強(qiáng)度估計(jì)算法的準(zhǔn)確率，該方法以語(yǔ)料庫(kù)中每一幀的特征值作為深度神經(jīng)網(wǎng)絡(luò)的輸入，以對(duì)話人數(shù)作為輸出和特征值，再運(yùn)用回歸算法對(duì)特征值進(jìn)行處理，得到對(duì)話沖突強(qiáng)度的預(yù)測(cè)值。時(shí)培明等[15]提出一種通過深度學(xué)習(xí)自適應(yīng)提取故障頻域特征的方法，以每個(gè)訓(xùn)練樣本頻譜信號(hào)為輸入，以相應(yīng)的故障分類編號(hào)為輸出與特征值，將自動(dòng)提取的頻域特征與人工提取的時(shí)域特征結(jié)合，提高了故障診斷的準(zhǔn)確率和可靠性。深度神經(jīng)網(wǎng)絡(luò)訓(xùn)練代價(jià)極大，對(duì)每個(gè)訓(xùn)練好的網(wǎng)絡(luò)，其輸入輸出向量維度固定。在本文的研究案例中，對(duì)原始信號(hào)的處理會(huì)影響頻譜分辨率，進(jìn)而影響深度神經(jīng)網(wǎng)絡(luò)的潛在輸入向量維度，因此深度學(xué)習(xí)特征提取方法并不適于本研究案例。本文采用人工提取方法，從數(shù)據(jù)時(shí)頻域特征入手分析，將歸一化的小波包能量作為模糊聚類的輸入向量。圖10中子圖至上而下分別對(duì)應(yīng)加工深度0.1 mm，進(jìn)給速度0.06 mm/齒;加工深度0.1 mm，進(jìn)給速度0.09 mm/齒;加工深度0.3 mm，進(jìn)給速度0.09 mm/齒3種加工過程的加速度時(shí)域特征。

由圖10可知：由于主軸轉(zhuǎn)速恒定，空轉(zhuǎn)階段(A、E兩段)3張圖幅值基本相同，當(dāng)加工深度一定時(shí)，隨著進(jìn)給速度的增加，臨界段(B、D段)幅值明顯增大，C段略有增大。當(dāng)進(jìn)給速度一定時(shí)，隨著切削深度增大，B、C、D段增幅明顯。

圖11分別是加工深度0.3 mm，進(jìn)給速度0.12 mm/齒與加工深度0.5 mm，進(jìn)給速度0.12 mm/齒的加速度雙邊頻譜圖。傳感器采樣頻率5 000 Hz，由采樣定理可知，頻譜出現(xiàn)混疊的頻率為2 500 Hz。隨著加工深度的增大，高頻分量所占比重增加，且在500 Hz與1 500 Hz附近出現(xiàn)峰值。運(yùn)用現(xiàn)有小波包能量譜法提取不同頻帶能量特征。

小波包分解提供了一種信號(hào)時(shí)頻域多尺度分析(Multiple Resolution Analysis, MRA)的方法。信號(hào)經(jīng)小波包分解后，得到重構(gòu)信號(hào)；求出各個(gè)重構(gòu)信號(hào)的能量，再除以總能量，獲得各個(gè)重構(gòu)信號(hào)能量占總能量的比值，稱為歸一化小波包能量譜法。小波包能量譜在工業(yè)探傷、滾動(dòng)軸承故障診斷等方面應(yīng)用廣泛。以基于離散小波變換(Discrete Wavelet Transform, DWT)的算法對(duì)超大數(shù)據(jù)集聚類效果評(píng)估為起點(diǎn)[16]，學(xué)術(shù)界興起DWT算法對(duì)于大數(shù)據(jù)的處理策略研究。一方面，DWT算法可通過FPGA(field programmable gate array)等嵌入式芯片實(shí)現(xiàn)[17]，另一方面DWT算法可通過GPU(graphic processing unit)或分布式計(jì)算單元并行實(shí)現(xiàn)[19]。以上研究從實(shí)時(shí)性與并行性兩方面保證了DWT算法對(duì)于海量數(shù)據(jù)的處理能力，引入小波包能量譜特征提取法可適應(yīng)智能車間海量數(shù)據(jù)特征。以三層小波包分解后重構(gòu)信號(hào)能量譜為例，由低頻到高頻，8個(gè)子頻帶小波包重構(gòu)解系數(shù)可表示為：

(X0,X1,X2,X3,X4,X5,X6,X7)

重構(gòu)系數(shù)對(duì)應(yīng)的重構(gòu)信號(hào)可表示為：

(S0,S1,S2,S3,S4,S5,S6,S7)

設(shè)重構(gòu)信號(hào)Si(i=0,1,…,7)對(duì)應(yīng)的頻段能量分別為Ei(i=0,1,…,7)，則有

(1)

式中xik(i=0,1，…,7)對(duì)應(yīng)重構(gòu)信號(hào)Si(i=0,1,…,7)離散點(diǎn)幅值，Ni為xi對(duì)應(yīng)數(shù)據(jù)長(zhǎng)度。頻帶總能量

(2)

最終獲得歸一化后的特征向量為

[E0/E,E1/E,…,E7/E]。

(3)

3.3 模糊聚類

本文采用已有算法模糊聚類中的隸屬度數(shù)值作為樣本加工深度特征評(píng)價(jià)指標(biāo)。模糊k聚類是k-means聚類方法的改進(jìn)，通過引入隸屬度矩陣，實(shí)現(xiàn)樣本親疏度建模。理論分析表明，模糊聚類適合呈超球面分布的聚類樣本。其原理如下：

設(shè)任意待聚類樣本對(duì)應(yīng)的高維特征向量為si，則?i∈{1,2,…,n}均有si∈S且有si∈Rm。即S是容量為n的特征向量集合且si是m維實(shí)空間的一個(gè)元素。構(gòu)造隸屬度矩陣An×l及聚類中心集合{c1,c2,…,cl}(2≤l≤n,l∈)對(duì)集合中任意的元素ci(1≤i≤l,i∈)都有ci∈Rm。隸屬度矩陣An×l中的元素aij滿足關(guān)系：

(4)

算法的目標(biāo)是在滿足式(4)所示條件下通過最小化代價(jià)函數(shù)式(5)獲得相應(yīng)隸屬度矩陣與聚類中心：

m≥1。

(5)

式中：m是平滑參數(shù)，其值越大模糊程度越高;矩陣元素aij表征樣本si對(duì)于聚類中心cj的隸屬度。構(gòu)造歐式距離矩陣Dn×l，其元素dxy(1≤x≤n,1≤y≤l)表征樣本sx到聚類中心cy的歐式距離，即

dxy=‖sx-cy‖2,1≤x≤n,1≤y≤l。

(6)

代價(jià)函數(shù)經(jīng)迭代運(yùn)算后更新聚類中心向量與隸屬度矩陣、歐式距離矩陣。其中aij可按式(7)更新：

aij=

(7)

4 實(shí)驗(yàn)結(jié)果與分析

遵循本文提出的ISVE模式開發(fā)銑床加工深度聚類算法應(yīng)用，其中應(yīng)用的理論模型已在第2章提出，候選傳感器為團(tuán)隊(duì)研制的集成ADXL345芯片的加速度傳感節(jié)點(diǎn)，如圖4所示。其對(duì)應(yīng)的精密傳感器為PCBTM356A16的三軸加速度傳感器。下面重點(diǎn)介紹3個(gè)核心實(shí)驗(yàn)的內(nèi)容及性能分析。

4.1 理想平臺(tái)實(shí)驗(yàn)

本實(shí)驗(yàn)環(huán)境參數(shù)如表1所示，物理連接圖如圖12所示。兩個(gè)加速度傳感器通過磁力底座吸附于主軸上方的靜止區(qū)域，并通過數(shù)據(jù)線與實(shí)驗(yàn)臺(tái)上的模數(shù)轉(zhuǎn)換器連接。筆記本電腦通過網(wǎng)口與模數(shù)轉(zhuǎn)換器連接，記錄加工數(shù)據(jù)。為減小電磁及振動(dòng)干擾，關(guān)閉實(shí)驗(yàn)機(jī)床外的其他機(jī)械設(shè)備。

表1 實(shí)驗(yàn)環(huán)境參數(shù)

加工深度設(shè)計(jì)0.1 mm、0.3 mm、0.5 mm三個(gè)不同分組，每組分別由進(jìn)給速度0.03 mm/齒、0.06 mm/齒、0.09 mm/齒、0.12 mm/齒、0.15 mm/齒5類，每類重復(fù)5次，共計(jì)75組實(shí)驗(yàn)樣本。選取“db3”作為母小波，采用Mallat塔式分解算法對(duì)樣本進(jìn)行三層小波包分解，得到8個(gè)重構(gòu)信號(hào)，模糊聚類中平滑參數(shù)取值為1。樣本分類效果以其對(duì)于自身所屬分組類別的隸屬度表征。隸屬度越接近1，分類效果越好。樣本分組以加工深度升序排列，組內(nèi)類按照進(jìn)給速度升序排列。圖13為驗(yàn)證性實(shí)驗(yàn)結(jié)果。

在有3個(gè)聚類中心的聚類問題中，樣本對(duì)自身所屬類的隸屬度大于0.5即可認(rèn)為聚類結(jié)果正確。圖13中所有樣本對(duì)于自身聚類中心的隸屬度均大于0.7，聚類正確率為100%，因此判定算法模型本身不構(gòu)成應(yīng)用的性能瓶頸，應(yīng)用開發(fā)可推進(jìn)到下一步。

4.2 仿真對(duì)比實(shí)驗(yàn)

表2所示為ISVE模式中候選工業(yè)傳感器及其對(duì)應(yīng)的精密傳感器的關(guān)鍵參數(shù)性能差異。

表2 傳感器參數(shù)對(duì)比

ADXL345加速度傳感器采用階梯可變的輸出速率和量程范圍，與PCBTM356A16相比在數(shù)據(jù)輸出速率、傳感器量程等性能參數(shù)方面存在劣勢(shì)。該實(shí)驗(yàn)通過對(duì)理想平臺(tái)實(shí)驗(yàn)中采集的原始數(shù)據(jù)隔點(diǎn)取樣、限制最大值，分別模擬傳感器輸出速率、量程等性能指標(biāo)退化引起的應(yīng)用性能退化，以此評(píng)估ADXL345傳感器性能是否適合該應(yīng)用。較高的輸出速率和較大的量程會(huì)增加匯聚節(jié)點(diǎn)的通信代價(jià)和歷史數(shù)據(jù)庫(kù)存儲(chǔ)負(fù)擔(dān)，為減小系統(tǒng)負(fù)擔(dān)，本實(shí)驗(yàn)同樣給出傳感器參數(shù)配置的參考值，為后續(xù)ISVE模式傳感器配置優(yōu)化提供支持。實(shí)驗(yàn)環(huán)境與理想平臺(tái)實(shí)驗(yàn)相同，實(shí)驗(yàn)設(shè)置保持一致，但每類不進(jìn)行重復(fù)實(shí)驗(yàn)。

對(duì)原始數(shù)據(jù)分別采取隔2、3、4點(diǎn)取樣的方法模擬傳感器相應(yīng)輸出速率2 500 Hz、1 667 Hz、1 250 Hz時(shí)的加速度曲線，由采樣定律可知，相應(yīng)頻譜的混疊頻率分別為1 250 Hz、833 Hz、625 Hz。將采樣后的數(shù)據(jù)作為圖7數(shù)據(jù)處理流程中的原始數(shù)據(jù)并執(zhí)行聚類流程，聚類結(jié)果如圖14所示。

從圖14可看出，傳感器輸出速率被模擬成2 500 Hz時(shí)，除7、8號(hào)樣本接近臨界狀態(tài)外，剩余樣本的加工深度均可被區(qū)分出來，而該輸出速率小于ADXL345傳感器節(jié)點(diǎn)的最大輸出速率，故傳感器數(shù)據(jù)輸出速率不會(huì)成為應(yīng)用性能的瓶頸。

進(jìn)一步分析表明，隨著輸出速率的降低，樣本對(duì)于自身加工深度的隸屬度數(shù)值退化嚴(yán)重，當(dāng)輸出速率為1 667 Hz、1 250 Hz時(shí)，算法已無法準(zhǔn)確區(qū)分樣本加工深度。結(jié)合圖11不同加工深度下頻譜能量分布統(tǒng)計(jì)圖，樣本的特征頻率集中在500 Hz～1 500 Hz之間，為使特征頻譜不混疊，所選傳感器輸出速率至少應(yīng)為3 000 Hz。

為探究傳感器量程對(duì)算法性能的影響，結(jié)合ADXL345芯片有目的地對(duì)原始數(shù)據(jù)最大值作限制：原始數(shù)據(jù)中絕對(duì)值小于最大值的數(shù)值不變，大于最大值的按最大值計(jì)，保存符號(hào)。原始數(shù)據(jù)中最大加速度為62.8 m/s2，處于ADXL345芯片的±8 g量程之內(nèi)，故傳感器量程也不會(huì)成為應(yīng)用性能的瓶頸。將原始數(shù)據(jù)最大值分別限制在39.2 m/s2和19.6 m/s2內(nèi)，限制后的數(shù)據(jù)作為圖7數(shù)據(jù)處理流程中的原始數(shù)據(jù)并執(zhí)行聚類流程，聚類結(jié)果如圖15所示。

結(jié)果顯示，將原始數(shù)據(jù)范圍限制在39.2 m/s2以內(nèi)時(shí)，聚類準(zhǔn)確率不變;當(dāng)限制在19.6 m/s2以內(nèi)時(shí)，會(huì)影響進(jìn)給速度較快的樣本聚類準(zhǔn)確度。故傳感器量程范圍至少為±4g。

4.3 驗(yàn)證性實(shí)驗(yàn)

本實(shí)驗(yàn)選取團(tuán)隊(duì)研發(fā)的智能車間系統(tǒng)作為實(shí)驗(yàn)平臺(tái)，其架構(gòu)如圖2所示。傳感器節(jié)點(diǎn)與匯聚節(jié)點(diǎn)如圖4所示，參照仿真對(duì)比實(shí)驗(yàn)結(jié)論，芯片輸出頻率設(shè)置為3 200 Hz，量程設(shè)置為±4 g，開啟QoS并設(shè)定加速度節(jié)點(diǎn)優(yōu)先級(jí)為最高。實(shí)驗(yàn)分組及組內(nèi)樣本設(shè)置與理想平臺(tái)實(shí)驗(yàn)一致，傳感器節(jié)點(diǎn)用膠帶黏合于主軸上方靜止區(qū)域，實(shí)驗(yàn)數(shù)據(jù)存放于系統(tǒng)歷史數(shù)據(jù)庫(kù)中，為模擬真實(shí)加工環(huán)境，實(shí)驗(yàn)機(jī)床周邊其他設(shè)備處于全速運(yùn)轉(zhuǎn)狀態(tài)。實(shí)驗(yàn)物理連接圖如圖16所示。

匯聚節(jié)點(diǎn)通過CAT5E屏蔽雙絞線連接MOXA網(wǎng)關(guān)，進(jìn)而接入MOXA交換機(jī)中。實(shí)時(shí)數(shù)據(jù)庫(kù)安裝于ThinkServer TD350服務(wù)器中，歷史數(shù)據(jù)庫(kù)安裝于x86兼容機(jī)，兩者通過以太網(wǎng)線接入交換機(jī)，實(shí)時(shí)數(shù)據(jù)庫(kù)接收并處理由匯聚節(jié)點(diǎn)傳來的實(shí)時(shí)加速度信號(hào)，并在一段時(shí)間內(nèi)同步入歷史數(shù)據(jù)庫(kù)中。將歷史數(shù)據(jù)庫(kù)中的數(shù)據(jù)作為圖7數(shù)據(jù)處理流程中的原始數(shù)據(jù)并執(zhí)行聚類流程，聚類結(jié)果如圖17所示。

圖17中4、8、39、55、65號(hào)樣本與理想實(shí)驗(yàn)出入較大，推測(cè)可能是傳感器受機(jī)械振動(dòng)或電磁輻射干擾所致?？傮w來講，依照ISVE模式開發(fā)的聚類算法應(yīng)用對(duì)于銑削深度識(shí)別的正確率在90%以上，開發(fā)流程結(jié)束。

5 結(jié)束語(yǔ)

本文以生產(chǎn)需求為導(dǎo)向提出一種面向離散制造業(yè)的智能車間架構(gòu)，并著重闡述了數(shù)據(jù)傳輸層設(shè)計(jì)與實(shí)現(xiàn)。提出了一種智能車間應(yīng)用開發(fā)模式——ISVE模式，并遵循該模式，開發(fā)出一種面向銑床特定加工參數(shù)的聚類算法應(yīng)用，即使用主軸加速度信號(hào)，將加工過程按照加工深度聚類。選擇精密加速度傳感器在理想加工環(huán)境下獲取原始數(shù)據(jù)，探究算法性能，隨后對(duì)原始數(shù)據(jù)進(jìn)行處理，探究傳感器關(guān)鍵參數(shù)對(duì)算法性能的影響。數(shù)據(jù)顯示，在當(dāng)前實(shí)驗(yàn)環(huán)境下，能滿足算法性能要求的傳感器最小輸出速率為2 500 Hz，最小量程為±4 g。利用團(tuán)隊(duì)所研發(fā)設(shè)備及平臺(tái)在真實(shí)環(huán)境中做驗(yàn)證實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果顯示，除去一些受噪聲影響較大樣本，該算法對(duì)平面的加工深度有著較高的識(shí)別率。下一步將繼續(xù)圍繞智能應(yīng)用的實(shí)踐化問題進(jìn)行研究，主要內(nèi)容包括基于聲發(fā)射傳感器的故障診斷應(yīng)用等。