李廣，楊欣

1. 電子科技大學(xué)大數(shù)據(jù)研究中心，四川 成都 611731；2. 成都數(shù)之聯(lián)科技有限公司，四川 成都 610041

1 引言

智能制造（ intelligent manufacturing）是指集成知識(shí)工程、制造軟件系統(tǒng)與機(jī)器人視覺等技術(shù)，在無(wú)人工干預(yù)下由智能機(jī)器人獨(dú)立實(shí)現(xiàn)的生產(chǎn)過(guò)程[1]。 智能制造系統(tǒng)是一種融合智能機(jī)器與智能行為，在訂單制作、產(chǎn)品設(shè)計(jì)、生產(chǎn)、營(yíng)銷、銷售等制造過(guò)程的各個(gè)方面都可以集成，用一種靈活的方式充分發(fā)揮先進(jìn)生產(chǎn)系統(tǒng)的制造能力的系統(tǒng)[2-3]。隨著云計(jì)算、物聯(lián)網(wǎng)、大數(shù)據(jù)、人工智能等新一代信息技術(shù)的發(fā)展，智能制造的內(nèi)涵有了突飛猛進(jìn)的變化。目前，智能制造已經(jīng)成為每個(gè)工業(yè)發(fā)達(dá)國(guó)家的國(guó)家戰(zhàn)略。

在工業(yè)智能制造中，李杰[4]提出將智能制造體系分為3個(gè)階段。首先，把問(wèn)題變成數(shù)據(jù)，也就是傳統(tǒng)的信息化過(guò)程，利用數(shù)據(jù)對(duì)問(wèn)題進(jìn)行建模，把過(guò)去老工人的經(jīng)驗(yàn)變成可挖掘、可量化的持續(xù)價(jià)值，從而不會(huì)因?yàn)槿说脑蚨ブR(shí)。然后，把數(shù)據(jù)變成知識(shí)，從“解決顯而易見的問(wèn)題”延伸到“探索不可見的隱藏問(wèn)題”，不僅要明白“怎么解決問(wèn)題”，還要理解“為什么會(huì)出現(xiàn)問(wèn)題”。最后，把知識(shí)再變成數(shù)據(jù)，這里的數(shù)據(jù)指的是生產(chǎn)中用到的設(shè)備指令、機(jī)械加工的工藝參數(shù)、可執(zhí)行的決策等所有能夠量化的指標(biāo)，用從知識(shí)得來(lái)的量化數(shù)據(jù)修正和完善制造過(guò)程，從根本上避免問(wèn)題的出現(xiàn)。

作為智能制造最重要的技術(shù)之一，大數(shù)據(jù)技術(shù)對(duì)傳統(tǒng)工業(yè)制造業(yè)的影響是巨大的。智能制造的基礎(chǔ)是將工業(yè)生產(chǎn)中的問(wèn)題數(shù)據(jù)化，利用獲取的數(shù)據(jù)對(duì)問(wèn)題解決方法進(jìn)行數(shù)據(jù)建模，當(dāng)類似的問(wèn)題出現(xiàn)的時(shí)候，能夠根據(jù)模型提出解決問(wèn)題的方法。這樣，將知識(shí)固化于數(shù)據(jù)與算法模型中。通過(guò)對(duì)大數(shù)據(jù)的深入挖掘，獲取產(chǎn)品的需求感知，基于大數(shù)據(jù)分析實(shí)現(xiàn)制造業(yè)“需求—制造—需求”的全流程生命周期管理，實(shí)現(xiàn)數(shù)字化、網(wǎng)絡(luò)化、智能化的生產(chǎn)優(yōu)化、流行預(yù)測(cè)、精準(zhǔn)匹配、供應(yīng)鏈優(yōu)化、營(yíng)銷推送等眾多智能制造核心應(yīng)用，進(jìn)而驅(qū)動(dòng)產(chǎn)品設(shè)計(jì)和產(chǎn)業(yè)發(fā)展。大數(shù)據(jù)技術(shù)對(duì)制造業(yè)的影響主要有兩個(gè)方面：一是在制造和管理流程中運(yùn)用大數(shù)據(jù)技術(shù)提高產(chǎn)品質(zhì)量和生產(chǎn)效率；二是在現(xiàn)有產(chǎn)品與服務(wù)中融入大數(shù)據(jù)技術(shù)，以進(jìn)行顛覆式的革新。簡(jiǎn)而言之，融入大數(shù)據(jù)技術(shù)的智能制造關(guān)心的兩大重點(diǎn)分別是制造流程技術(shù)和制造出的產(chǎn)品技術(shù)。

深度學(xué)習(xí)是機(jī)器學(xué)習(xí)研究中的一個(gè)新的熱門領(lǐng)域，作為人工智能領(lǐng)域的熱門技術(shù)，近年來(lái)發(fā)展迅猛[5]。隨著深度學(xué)習(xí)技術(shù)的流行，使用人工智能技術(shù)在各行各業(yè)進(jìn)行創(chuàng)新應(yīng)用成為發(fā)展趨勢(shì)。不同于傳統(tǒng)的機(jī)器學(xué)習(xí)技術(shù)，深度學(xué)習(xí)對(duì)于圖像處理具有先天優(yōu)勢(shì)，因此大部分在智能制造中的深度學(xué)習(xí)技術(shù)應(yīng)用案例是在計(jì)算機(jī)視覺領(lǐng)域的，例如通過(guò) 圖像對(duì)產(chǎn)品外觀進(jìn)行檢測(cè)，以發(fā)現(xiàn)殘次品[6]。在工業(yè)的制造過(guò)程中，使用深度學(xué)習(xí)技術(shù)的 自動(dòng)光學(xué)檢測(cè)（automatic optic inspection，AOI）設(shè)備也開始替代傳統(tǒng)檢測(cè)設(shè)備。

本文通過(guò)一個(gè)智能制造的實(shí)際案例，驗(yàn)證了使用深度學(xué)習(xí)技術(shù)對(duì)數(shù)控機(jī)床進(jìn)行刀具壽命檢測(cè)的可行性。從實(shí)際應(yīng)用效果來(lái)看，在制造生產(chǎn)過(guò)程中，結(jié)合了大數(shù)據(jù)技術(shù)的方法比過(guò)去采用傳統(tǒng)的方法獲得了更好的性能提升，同時(shí)也節(jié)約了成本。

2 智能制造應(yīng)用

本文將深度學(xué)習(xí)技術(shù)運(yùn)用到了制造業(yè)最重要的環(huán)節(jié)——使用數(shù)控機(jī)床（或數(shù)控加工中心）進(jìn)行加工制造，用人工智能代替生產(chǎn)工人對(duì)數(shù)控機(jī)床加工中用到的數(shù)控刀具（又稱工具）進(jìn)行壽命監(jiān)控。通過(guò)采集、測(cè)量機(jī)床電流負(fù)載數(shù)據(jù)的方式，證實(shí)了數(shù)控機(jī)床主軸電流負(fù)載的變化與刀具的磨損程度之間存在一定的相關(guān)性。例如，當(dāng)?shù)毒吣p等異常狀況（如刀具的崩缺）出現(xiàn)時(shí)，電流負(fù)載在極短時(shí)間內(nèi)會(huì)劇烈波動(dòng)。然后，進(jìn)一步采集某一類刀具從正常使用到崩刃的全生命周期的電流數(shù)據(jù)，從中找到能夠反映刀具磨損趨勢(shì)的特征。經(jīng)過(guò)驗(yàn)證，筆者構(gòu)建的卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural network，CNN）可以使刀具異常狀態(tài)檢測(cè)的準(zhǔn)確率達(dá)到96%。

2.1 問(wèn)題描述

根據(jù)實(shí)際生產(chǎn)制造中的數(shù)據(jù)統(tǒng)計(jì)得知，20%以上的數(shù)控機(jī)床停工是由刀具的過(guò)度磨損引起的。及時(shí)更換刀具能夠?qū)C(jī)床的利用率提高至150%，并且節(jié)約30%以上的成本。為了及時(shí)更換過(guò)度磨損的刀具，防止過(guò)度磨損的刀具對(duì)機(jī)床部件造成損壞，傳統(tǒng)的辦法主要有兩種：一種是計(jì)數(shù)法，根據(jù)經(jīng)驗(yàn)對(duì)刀具設(shè)定極限加工次數(shù)，在刀具達(dá)到這個(gè)加工次數(shù)之后，無(wú)論好壞都將其廢棄，這種方法的優(yōu)點(diǎn)在于對(duì)刀具壽命進(jìn)行了管理，缺點(diǎn)在于有些刀具在達(dá)到設(shè)定的極限加工次數(shù)后還能夠繼續(xù)使用，從而造成浪費(fèi)，或者有些刀具在達(dá)到極限次數(shù)之前就已經(jīng)損壞，從而影響生產(chǎn)質(zhì)量；另一種方法是通過(guò)對(duì)加工完的工件進(jìn)行質(zhì)檢來(lái)判斷機(jī)床的刀具是否正常，這種方法的優(yōu)點(diǎn)是能夠克服刀具壽命管理“一刀切”的問(wèn)題，但缺點(diǎn)在于質(zhì)檢滯后于生產(chǎn)，在檢測(cè)出廢件的時(shí)候往往已經(jīng)有一批廢件產(chǎn)生了。

為了解決傳統(tǒng)方法的不足，一個(gè)更加科學(xué)的方式是在刀具發(fā)生異常的極短時(shí)間內(nèi)進(jìn)行響應(yīng)：提醒工人換新刀，或者機(jī)床自動(dòng)換新刀。實(shí)際上，在加工過(guò)程中直接測(cè)量刀具的磨損程度幾乎是不可能的，但是，刀具的磨損狀況是可以從聲音、振動(dòng)、切削力，甚至從電流負(fù)載變化反映出來(lái)的[7-9]。

2.2 解決思路

本文采取測(cè)量機(jī)床電流負(fù)載的方式，證實(shí)數(shù)控機(jī)床主軸電流負(fù)載的變化與刀具磨損程度之間的相關(guān)性是存在的。主流數(shù)控系統(tǒng)對(duì)主軸變速系統(tǒng)進(jìn)行了閉環(huán)設(shè)計(jì)，即刀具在加工時(shí)能夠通過(guò)傳感器將轉(zhuǎn)速恒定在設(shè)定數(shù)值。假定數(shù)控機(jī)床主軸夾載的刀具會(huì)根據(jù)磨損狀況影響主軸轉(zhuǎn)速，而主軸負(fù)載電流則能夠通過(guò)調(diào)整來(lái)穩(wěn)定主軸轉(zhuǎn)速。于是筆者猜想，通過(guò)觀測(cè)主軸電流變化能夠預(yù)測(cè)出刀具的磨損程度。因此，需要研究以下幾個(gè)問(wèn)題。

（1）負(fù)載電流能否反映出刀具磨損度的變化

筆者希望在刀具磨損以及出現(xiàn)異常狀況（如刀具崩缺）的過(guò)程中，在電流負(fù)載上找到能夠反映出刀具磨損度變化的趨勢(shì)，于是在機(jī)床電氣箱內(nèi)部加裝了高精度的霍爾傳感器（電流傳感器），用來(lái)采集機(jī)床的主軸電流信號(hào)，再通過(guò)時(shí)域、小波域等特征進(jìn)行分析。

（2）電流負(fù)載和刀具磨損程度之間的聯(lián)系能否實(shí)時(shí)檢測(cè)出刀具的磨損程度

筆者將采集某一特定種類的數(shù)控刀具從正常使用到異常（例如崩刃）過(guò)程中的電流數(shù)據(jù)，并用“刀具崩刃”“刀具正?！边@兩個(gè)標(biāo)簽將數(shù)據(jù)進(jìn)行分類。在這個(gè)過(guò)程中，需要確定一些能夠反映刀具磨損趨勢(shì)的特征。筆者構(gòu)建了一個(gè)簡(jiǎn)單的卷積神經(jīng)網(wǎng)絡(luò)，并用這些特征數(shù)據(jù)做訓(xùn)練測(cè)試，從而計(jì)算模型對(duì)刀具崩刃檢測(cè)的準(zhǔn)確率。刀具實(shí)時(shí)性檢測(cè)主要由數(shù)據(jù)的實(shí)時(shí)性決定，筆者采用的霍爾傳感器采樣率為每秒20000個(gè)數(shù)據(jù)點(diǎn)，足以識(shí)別出極短時(shí)間內(nèi)的電流變化，達(dá)到實(shí)時(shí)檢測(cè)的目的。而模型檢測(cè)存在一定的延時(shí)，這主要是受特征數(shù)據(jù)的時(shí)間跨度（即輸入數(shù)據(jù)的大?。?、計(jì)算機(jī)的運(yùn)算速度的影響。

通過(guò)測(cè)量數(shù)控機(jī)床主軸電流數(shù)據(jù)，對(duì)機(jī)床刀具出現(xiàn)的異常狀況進(jìn)行建模，從而挖掘出這些電流數(shù)據(jù)中的潛在價(jià)值。在實(shí)驗(yàn)中，主要解決3個(gè)問(wèn)題：證明電流分析刀具磨損的可行性；找出能夠反映刀具磨損的特征；通過(guò)神經(jīng)網(wǎng)絡(luò)的方法檢測(cè)刀具崩刃。

在實(shí)驗(yàn)中，筆者抓取到的原始電流信號(hào)往往雜亂無(wú)章，因此在證實(shí)電流分析方法可行性之前，需要在原始電流信號(hào)上進(jìn)行特征處理，找出能夠反映刀具磨損變化趨勢(shì)的特征，并且保證該特征在大多數(shù)的刀具電流信號(hào)上能夠反映出變化趨勢(shì)。另外，一個(gè)特征往往是不夠的，不具備可靠性，因此需要從多個(gè)角度進(jìn)行多個(gè)特征的分析。最后，將找出的特征作為模型輸入，訓(xùn)練筆者設(shè)計(jì)的算法模型。

3 實(shí)驗(yàn)過(guò)程及結(jié)果分析

3.1 實(shí)驗(yàn)環(huán)境

該實(shí)驗(yàn)使用霍爾傳感器和NI數(shù)據(jù)采集卡對(duì)數(shù)控機(jī)床的主軸電流信號(hào)進(jìn)行采集，采集頻率為每秒20000個(gè)數(shù)據(jù)點(diǎn)，機(jī)床的主要加工信息見表1。

3.2 時(shí)域分析與特征工程

因?yàn)椴杉降碾娏餍盘?hào)是一種時(shí)序信號(hào)，常見的時(shí)域、頻域信號(hào)分析方法有均值、方差、峰峰值、偏度、峰度、快速傅里葉變化、短時(shí)傅里葉變化、能量百分比分析、小波變換等。筆者發(fā)現(xiàn)電流信號(hào)在時(shí)域特征上有著明顯的變化，并且從均值、方差、峰峰值、峰度、偏度上進(jìn)行了特征分析。

電流的均值往往表征了一段時(shí)間內(nèi)電流的穩(wěn)定性和信號(hào)的變化中心，通常對(duì)電流的分析是基于電流有效值進(jìn)行的，從計(jì)算效率上考慮，本文通過(guò)計(jì)算電流值的絕對(duì)值求解電流在一段時(shí)間內(nèi)的均值，從而進(jìn)行分析，如式（1）所示。

電流的方差描述了數(shù)據(jù)偏離平均值的程度，同時(shí)還揭露了數(shù)據(jù)之間的波動(dòng)程度，其計(jì)算式如下：

電流的峰峰值描述了信號(hào)中最大值和最小值之差，也往往被用于檢測(cè)整個(gè)信號(hào)段的波動(dòng)大小，如式（3）所示。

峰度描述了頻率分布曲線的峰值和數(shù)據(jù)分布的平坦程度。峰度通?？梢栽诋惓z測(cè)問(wèn)題中取得良好的結(jié)果，高峰度意味著方差的增加是由低頻率大于或者小于平均值的極端差值引起的，如式（4）所示。

偏度描述了實(shí)際隨機(jī)變量概率分布的不對(duì)稱性。偏度為0，意味著數(shù)據(jù)均勻分布在平均值兩側(cè)；偏度為負(fù)，意味著大多數(shù)數(shù)據(jù)在平均值的右側(cè)；偏度為正，表明大多數(shù)數(shù)據(jù)在平均值的左側(cè)。偏度的計(jì)算式如下：

本文分別對(duì)5把數(shù)控刀具的全生命周期電流信號(hào)以1 s、1 min為時(shí)間跨度進(jìn)行了時(shí)域分析，實(shí)驗(yàn)中5把數(shù)控刀具的分析結(jié)果是平行的，考慮到信息冗余，本文以1把刀具的特征分析為例，取得的分析結(jié)果如圖1、圖2、圖3所示。

去除不必要的電流數(shù)據(jù)之后，筆者分析了均值、方差、峰峰值、峰度、偏度等在數(shù)控刀具的全生命周期上的特征表現(xiàn)情況。可以看出，在時(shí)間跨度為1 s的時(shí)域分析中只能發(fā)現(xiàn)在生命周期的尾部有一個(gè)突變，而對(duì)于刀具磨損的趨勢(shì)卻反映得不太明顯，這可能是因?yàn)閳D中的數(shù)據(jù)點(diǎn)仍然很多（原始圖像中每分鐘120萬(wàn)個(gè)數(shù)據(jù)點(diǎn)），于是將時(shí)間跨度改為1 min，又進(jìn)行了時(shí)域分析。

通過(guò)對(duì)比可以看出，時(shí)間跨度為1 min的圖像更平滑，并且趨勢(shì)變化更明顯，這也是很容易理解的，因?yàn)闀r(shí)間跨度的提升相當(dāng)于對(duì)信號(hào)做了一種類似于平滑處理的操作。在時(shí)間跨度為1 min的時(shí)域分析中，不僅在尾部出現(xiàn)了較大的波動(dòng)，并且也體現(xiàn)出了明顯的上升趨勢(shì)，這與刀具磨損的物理現(xiàn)象是吻合的。普通銑刀在加工過(guò)程中，隨著表面磨損的增加，其與工件的接觸面也增加，從而造成機(jī)床負(fù)載的增加，并最終反饋于電流上，電流呈現(xiàn)逐步上升的趨勢(shì)。在刀具嚴(yán)重磨損到崩刃的時(shí)候，刀具在物理形態(tài)上出現(xiàn)了變化，大多數(shù)情況是崩缺，刀具上缺了一小塊，使得刀具與工件的接觸面突然少了，這使得機(jī)床負(fù)載也突然減少，但是現(xiàn)代機(jī)床具有負(fù)載補(bǔ)償?shù)墓δ埽诘毒弑廊兄?，機(jī)床會(huì)開始補(bǔ)償，于是負(fù)載在驟然下降后又會(huì)上升，而負(fù)載上的變化又會(huì)反映在電流信號(hào)中。通過(guò)檢查現(xiàn)場(chǎng)工作人員記錄的加工情況表（見表2）與實(shí)驗(yàn)的時(shí)域分析圖的對(duì)應(yīng)情況，進(jìn)一步驗(yàn)證了本文的結(jié)果。

表1 機(jī)床的主要加工信息

圖1 原始數(shù)據(jù)

圖2 時(shí)間跨度為1 s的時(shí)域分析

圖3 時(shí)間跨度為1 min的時(shí)域分析

表2展示了數(shù)控刀具在加工過(guò)程中的切削聲音情況。由于現(xiàn)場(chǎng)加工環(huán)境惡劣且復(fù)雜，在加工過(guò)程中用儀器直接測(cè)量刀具磨損狀況十分困難，故在實(shí)驗(yàn)中由現(xiàn)場(chǎng)工作人員根據(jù)經(jīng)驗(yàn)記錄當(dāng)前機(jī)床加工的聲音。在時(shí)間跨度為1 min的實(shí)驗(yàn)中，發(fā)生驟變的時(shí)間點(diǎn)是加工到58 min時(shí)，這與加工情況表中機(jī)床切削出現(xiàn)尖銳切削聲表明刀具崩刃的時(shí)間在同一個(gè)區(qū)間。

通過(guò)監(jiān)測(cè)刀具的整個(gè)生命周期可以看出，刀具磨損在電流信號(hào)上的表現(xiàn)趨勢(shì)與刀具磨損在物理意義上的變化是相符的。本文在同等加工情況下進(jìn)行了5次實(shí)驗(yàn)（即5把刀的全生命周期），都得到了類似的變化趨勢(shì)，由此證明了電流方法的可行性，同時(shí)也提取出了能夠很好地反映刀具磨損的特征：均值、方差、峰峰值、峰度、偏度。峰度和偏度從兩個(gè)不同的角度展示了刀具崩刃的驟變情況，呈現(xiàn)出了與均值、方差、峰峰值類似的變化趨勢(shì)，因此也將其作為神經(jīng)網(wǎng)絡(luò)的輸入，以幫助網(wǎng)絡(luò)進(jìn)行數(shù)據(jù)擬合。

3.3 小波包分析

小波包變換是在小波變換的基礎(chǔ)上發(fā)展起來(lái)的，具有多分辨特性，可以由粗到精逐步地對(duì)信號(hào)進(jìn)行分解分析。利用小波包分析技術(shù)進(jìn)行時(shí)頻域分析，將原始信號(hào)正交地分解到精細(xì)的、相互獨(dú)立的頻帶上，可以同時(shí)獲得時(shí)間和頻率上的局部特征以及通過(guò)多分辨率分析得到的特征。將各個(gè)頻帶內(nèi)的信號(hào)能量作為相應(yīng)的特征量。小波包變換效果經(jīng)常受到小波基和分解層數(shù)的影響，本文使用db5作為小波基，同時(shí)對(duì)信號(hào)進(jìn)行了5層分解，分析結(jié)果如圖4所示。

從圖4可以看出，信號(hào)能量主要集中在第31頻帶（0～312.5 Hz）和第32頻帶（312.5～625 Hz）內(nèi)。本文對(duì)整個(gè)刀具生命周期中這兩個(gè)頻帶的能量進(jìn)行了分析，分析結(jié)果如圖5所示。

從圖5可以看出，這兩個(gè)頻帶都表現(xiàn)出了明顯的變化趨勢(shì)：第31頻帶隨著加工時(shí)間的增加，能量逐漸下降，在刀具崩刃之后，能量又逐漸上升；第32頻帶隨著加工時(shí)長(zhǎng)的增加，能量逐步增加，并在刀具崩刃后下降。

通過(guò)對(duì)電流信號(hào)進(jìn)行頻域、時(shí)頻特征分析，從多個(gè)特征域中發(fā)現(xiàn)了電流隨刀具磨損變化而產(chǎn)生的上升趨勢(shì)或下降趨勢(shì)的特征，在模型訓(xùn)練和檢測(cè)中，本文選取了均值、方差、峰峰值、峰度4個(gè)特征作為網(wǎng)絡(luò)的輸入特征。

3.4 斷刀檢測(cè)

經(jīng)過(guò)驗(yàn)證，神經(jīng)網(wǎng)絡(luò)往往比傳統(tǒng)機(jī)器學(xué)習(xí)算法具有更好的頑健性、表達(dá)能力和學(xué)習(xí)能力，筆者期望神經(jīng)網(wǎng)絡(luò)的這些優(yōu)點(diǎn)可以穩(wěn)定、準(zhǔn)確地檢測(cè)出刀具崩刃。筆者從CNN和傳統(tǒng)的反向傳播（back propagation，BP）神經(jīng)網(wǎng)絡(luò)著手，對(duì)電流信號(hào)進(jìn)行擬合訓(xùn)練測(cè)試，并對(duì)比兩種網(wǎng)絡(luò)的表現(xiàn)能力。神經(jīng)網(wǎng)絡(luò)相關(guān)參數(shù)見表3。

表2 現(xiàn)場(chǎng)加工情況

圖4 數(shù)控刀具初始加工的頻率帶能量分布

圖5 第31頻帶、第32頻帶的能量分布

表3 神經(jīng)網(wǎng)絡(luò)相關(guān)參數(shù)

其中，CNN的具體框架如圖6所示。

受計(jì)算資源和數(shù)據(jù)的限制，5層神經(jīng)網(wǎng)絡(luò)參數(shù)（神經(jīng)元權(quán)重參數(shù)接近5億）已經(jīng)具備擬合訓(xùn)練數(shù)據(jù)的能力，實(shí)際上也正是如此，本文設(shè)計(jì)的網(wǎng)絡(luò)在訓(xùn)練集上已經(jīng)達(dá)到了過(guò)擬合，具有足夠小的偏差，此時(shí)更需要做的是使用一些正則化方法來(lái)減少網(wǎng)絡(luò)的方差。本文在網(wǎng)絡(luò)的1、2、3層的卷積層后添加了批標(biāo)準(zhǔn)化層以減小過(guò)擬合，并認(rèn)為小卷積核能夠提取更細(xì)致的特征，Adam方法可以幫助網(wǎng)絡(luò)更快速、安全地到達(dá)網(wǎng)絡(luò)最優(yōu)點(diǎn)。本文共有404個(gè)數(shù)據(jù)樣本，52080000個(gè)數(shù)據(jù)點(diǎn)，在每次網(wǎng)絡(luò)的輸入批次中，隨機(jī)抽取了正常加工數(shù)據(jù)和刀具斷刀數(shù)據(jù)，并且比例為1:1。最后，通過(guò)對(duì)網(wǎng)絡(luò)的訓(xùn)練和測(cè)試得出的實(shí)驗(yàn)結(jié)果見表4。

本文將準(zhǔn)確率作為度量標(biāo)準(zhǔn)，CNN取得了96.46%的準(zhǔn)確率，BP神經(jīng)網(wǎng)絡(luò)取得了86%的準(zhǔn)確率。CNN的96.46%準(zhǔn)確率在正樣本（正常加工樣本）中表現(xiàn)很好，正樣本預(yù)測(cè)全部正確，剩余的3.54%錯(cuò)誤率主要表現(xiàn)在對(duì)負(fù)樣本（斷刀數(shù)據(jù)樣本）的預(yù)測(cè)上。筆者分析，主要有兩方面原因：一是負(fù)樣本與正樣本之間分布差異較大，并且不同的刀具負(fù)樣本之間分布差異也較大；二是負(fù)樣本數(shù)據(jù)量少，網(wǎng)絡(luò)的參數(shù)大部分用于擬合正樣本數(shù)據(jù)，而對(duì)負(fù)樣本數(shù)據(jù)的擬合情況較差，因?yàn)樵诩庸どa(chǎn)中負(fù)樣本獲取的成本較高，所以在實(shí)際中獲取大量可利用的負(fù)樣本數(shù)據(jù)從而減少網(wǎng)絡(luò)的方差，也是不太符合實(shí)際的。但是網(wǎng)絡(luò)96.46%的準(zhǔn)確率依然表現(xiàn)出了神經(jīng)網(wǎng)絡(luò)的優(yōu)勢(shì)，達(dá)到了較為滿意的效果，并驗(yàn)證了通過(guò)神經(jīng)網(wǎng)絡(luò)的方法檢測(cè)刀具崩刃的可行性與應(yīng)用前景。

圖6 卷積神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì)框架

3.5 異常檢測(cè)網(wǎng)絡(luò)

從異常檢測(cè)[10]的角度來(lái)看，負(fù)樣本少、樣本奇異是異常檢測(cè)問(wèn)題的特征之一，刀具崩刃是一種典型的異常檢測(cè)問(wèn)題。在異常檢測(cè)中，異常點(diǎn)與正常點(diǎn)通常有著較大的差異，因此，閾值法是異常檢測(cè)問(wèn)題中一種常用的方法。筆者發(fā)現(xiàn)，同一個(gè)加工環(huán)境下不同刀具的正常加工往往類似，但是刀具發(fā)生崩刃的異常情況卻各不相同，因?yàn)闆]有包含所有斷刀形式的數(shù)據(jù)集，所以使用普通CNN很難擬合負(fù)樣本情況。針對(duì)這類問(wèn)題，提出了一種不同于一般CNN方法的異常檢測(cè)卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural network using anomaly detection，CNN-AD）方法。在訓(xùn)練階段，CNN-AD只使用正常樣本訓(xùn)練，而在測(cè)試階段，通過(guò)設(shè)定閾值判斷網(wǎng)絡(luò)的損失值是正樣本還是負(fù)樣本。在實(shí)驗(yàn)中，CNN-AD的結(jié)構(gòu)與之前設(shè)計(jì)的CNN結(jié)構(gòu)相同，不同的是在網(wǎng)絡(luò)的訓(xùn)練集中只有正樣本，即CNN-AD訓(xùn)練階段只對(duì)正樣本進(jìn)行擬合。在測(cè)試階段，CNN通過(guò)softmax層輸出的是概率，而CNN-AD取消了softmax層，最終的輸出為網(wǎng)絡(luò)的損失函數(shù)值。本文設(shè)定了一個(gè)閾值（如設(shè)置閾值為1），用以根據(jù)損失值劃分正負(fù)樣本。

在測(cè)試階段，加工前期的正常樣本輸入網(wǎng)絡(luò)中產(chǎn)生的損失函數(shù)的值極低，接近于0；而加工后期，刀具崩刃的異常樣本輸入網(wǎng)絡(luò)中產(chǎn)生的損失函數(shù)的值與正常樣本的差異巨大，通過(guò)閾值很容易將其區(qū)分開。在訓(xùn)練階段，網(wǎng)絡(luò)只對(duì)正樣本進(jìn)行訓(xùn)練，因此所有參數(shù)都用于擬合正樣本數(shù)據(jù)。在測(cè)試階段，異常樣本與正樣本差異較大，網(wǎng)絡(luò)沒有訓(xùn)練負(fù)樣本的“經(jīng)驗(yàn)”，從而產(chǎn)生較大的損失函數(shù)的值。這樣就可以使用閾值很好地將正負(fù)樣本區(qū)分開。

表4 實(shí)驗(yàn)結(jié)果

除了對(duì)CNN-AD進(jìn)行測(cè)試以外，本文還構(gòu)建了其他網(wǎng)絡(luò)作為比較，包括CNN、BP、SVM。其中BP和CNN的架構(gòu)和模型數(shù)據(jù)與第3.4節(jié)中的一樣，不同的是通過(guò)PCA方法SVM的輸入數(shù)據(jù)維度從7200×4降到了1×4。同樣使用準(zhǔn)確率作為主要度量標(biāo)準(zhǔn)，但是引入了召回率和F1-Score作為參考，其實(shí)驗(yàn)結(jié)果見表5。

刀具破損檢測(cè)是典型的異常檢測(cè)問(wèn)題。因此，選擇召回率和F1-Score作為評(píng)估標(biāo)準(zhǔn)更為合適。從表5可以看出，CNNAD表現(xiàn)最佳，準(zhǔn)確率為100%，這可能是由正樣本與負(fù)樣本差異較大并且數(shù)據(jù)集不全面導(dǎo)致的。CNN、BP和SVM的性能不如CNN-AD，這可能是由正負(fù)樣本比引起的。因?yàn)榕c正常加工相比，刀具崩刃的時(shí)間非常短，1把刀具的完整生命周期中往往只有少數(shù)幾個(gè)負(fù)樣本，但是卻有幾十個(gè)正樣本。另外，每把刀具崩刃在電流信號(hào)中的表現(xiàn)（例如電流幅度的差異或變化趨勢(shì)）不同。這些原因使得網(wǎng)絡(luò)不能很好地?cái)M合負(fù)樣本。SVM在正樣本判斷中表現(xiàn)良好，但在異常情況檢測(cè)中表現(xiàn)不佳，負(fù)樣本檢測(cè)全部錯(cuò)誤，筆者分析可能是因?yàn)檎龢颖竞拓?fù)樣本之間的差異不足以讓SVM找到最佳分割點(diǎn)。

表54種模型性能對(duì)比

在實(shí)驗(yàn)中，CNN-AD收斂速度最快，BP次之，CNN需要花費(fèi)更多的迭代次數(shù)才能完成收斂。CNN-AD只用了不到10次的迭代就完成了收斂，這是因?yàn)镃NN-AD只使用正樣本進(jìn)行訓(xùn)練，而不需要考慮對(duì)負(fù)樣本的擬合，不同正樣本之間差異不大，網(wǎng)絡(luò)不需要太多的參數(shù)就可以完成擬合，因此只需要很少的迭代次數(shù)就達(dá)到擬合收斂。BP收斂速度快于CNN，但BP的測(cè)試結(jié)果卻在波動(dòng)，其準(zhǔn)確性有時(shí)超過(guò)80%，有時(shí)卻低于60%，這是由于BP的參數(shù)較少，不能很好地提取出崩刃和正常樣本之間的關(guān)鍵特征。相比BP的結(jié)果，CNN較為穩(wěn)定，CNN在網(wǎng)絡(luò)收斂之后，準(zhǔn)確率穩(wěn)定在95%以上。這是由于CNN更復(fù)雜且參數(shù)數(shù)量超過(guò)BP，能夠擬合更多的數(shù)據(jù)情況，而BP的結(jié)構(gòu)相對(duì)簡(jiǎn)單，易于收斂。負(fù)樣本，同時(shí)也將是筆者進(jìn)一步的研究方向。

（1）生成模型

生成式對(duì)抗網(wǎng)絡(luò)（generative adversarial network，GAN）[12]是目前機(jī)器學(xué)習(xí)領(lǐng)域的研究熱點(diǎn)之一，GAN得到了很大的擴(kuò)展，例如：CGAN[13]、InfoGAN[14]、DCGAN[15]、WGAN[16]等，學(xué)術(shù)界已經(jīng)出現(xiàn)了GAN變種方法，能夠取得很好的生成效果。筆者期望通過(guò)GAN生成類似于負(fù)樣本分布的數(shù)據(jù)，從而間接地增加負(fù)樣本數(shù)量，使網(wǎng)絡(luò)更好地?cái)M合負(fù)樣本。

（2）遷移學(xué)習(xí)

遷移學(xué)習(xí)[17-18]主要包括同構(gòu)遷移[19]和異構(gòu)遷移[20]，而很多方法采用的將源域分布空間與目標(biāo)域分布空間映射到一個(gè)共同潛在空間，或者使源域映射空間與目標(biāo)域映射空間優(yōu)化，使其盡可能相似的思想，也被稱為對(duì)稱變換和非對(duì)稱變換。對(duì)于不同的加工環(huán)境，電流數(shù)據(jù)的分布也不同，這也叫作數(shù)據(jù)集偏差，直接使用這些數(shù)據(jù)有可能使網(wǎng)絡(luò)效果更差。筆者希望通過(guò)遷移學(xué)習(xí)將不同的機(jī)床數(shù)據(jù)變?yōu)榭衫玫臄?shù)據(jù)，這樣就間接增加了數(shù)據(jù)量，也增強(qiáng)了網(wǎng)絡(luò)的頑健性和適應(yīng)性。

3.6 討論

在CNN的方法中，網(wǎng)絡(luò)的準(zhǔn)確率主要表現(xiàn)在對(duì)正樣本的識(shí)別效果很好，而對(duì)負(fù)樣本的識(shí)別效果不佳，于是本文提出了CNN-AD，利用正負(fù)樣本之間的差異，不使用負(fù)樣本進(jìn)行訓(xùn)練，以這種方式減少負(fù)樣本對(duì)預(yù)測(cè)準(zhǔn)確率的影響，但是該方法依賴于正負(fù)樣本之間的差異性，因此該方法存在局限性。神經(jīng)網(wǎng)絡(luò)的效果依然還有較大的提升空間，而這些提升空間主要表現(xiàn)在減小網(wǎng)絡(luò)方差上。從目前機(jī)器學(xué)習(xí)領(lǐng)域內(nèi)可以了解到有兩個(gè)方向有助于網(wǎng)絡(luò)擬合

4 結(jié)束語(yǔ)

本文介紹了大數(shù)據(jù)與智能制造的概況，并且通過(guò)一個(gè)智能制造的實(shí)際案例讓大家認(rèn)識(shí)到在實(shí)際工業(yè)場(chǎng)景中使用深度學(xué)習(xí)進(jìn)行智能化的生產(chǎn)制造是可行的。筆者發(fā)現(xiàn)，對(duì)于過(guò)去需要依靠工人的知識(shí)與經(jīng)驗(yàn)進(jìn)行判斷的場(chǎng)景，現(xiàn)在可以用大數(shù)據(jù)技術(shù)來(lái)代替，可擁有更高的性能提升并節(jié)約成本。雖然本文的研究仍然有進(jìn)一步提升的空間，但是本文的研究邁出了深度學(xué)習(xí)在智能制造運(yùn)用中的重要一步，為智能制造的發(fā)展提供了新的研發(fā)思路。