張慶華 龍 偉 李炎炎 魏鴻飛 湯高豐

（1、四川大學(xué)機(jī)械工程學(xué)院,四川 成都 610065 2、成都中創(chuàng)一佳科技公司,四川 成都 610065）

工業(yè)互聯(lián)網(wǎng)憑借5G 等信息技術(shù)的優(yōu)勢，共享工業(yè)現(xiàn)場的信息，消除信息隔離現(xiàn)象，能夠?qū)崿F(xiàn)高效配置資源，整合內(nèi)部資源、協(xié)調(diào)內(nèi)外資源，是制造業(yè)智能化升級不可或缺的基礎(chǔ)設(shè)施。設(shè)備狀態(tài)與故障預(yù)警是工業(yè)物聯(lián)網(wǎng)中的重要研究領(lǐng)域。在數(shù)控機(jī)床切削加工過程中，刀具直接作用于被加工工件，去除工件上多余的材料，從而形成加工表面。因此，刀具的磨損情況與被加工工件的表面質(zhì)量直接相關(guān)。如果使用超過磨損閾值的刀具加工工件，則會導(dǎo)致工件不合格，甚至引發(fā)機(jī)床安全事故[1]；而更換磨損量沒有達(dá)到閾值的刀具則沒有充分利用刀具的價(jià)值，提高生產(chǎn)成本，且更換刀具后將會帶來二次裝夾與重新對刀的問題。以往，數(shù)控機(jī)床是否需要更換刀具通常由現(xiàn)場技術(shù)人員憑借個(gè)人經(jīng)驗(yàn)進(jìn)行大致的判斷。但是這種判斷是基于工作經(jīng)驗(yàn)的，其準(zhǔn)確性則因人而異，缺少客觀性。錯(cuò)誤的判斷會造成資源的浪費(fèi)，而且通過人工判斷是否需要更換刀具與數(shù)控機(jī)床智能化的發(fā)展方向不符。因此，刀具磨損智能監(jiān)測研究對于設(shè)備狀態(tài)監(jiān)測與預(yù)測性維護(hù)意義重大。

數(shù)控機(jī)床在進(jìn)行切削加工時(shí)產(chǎn)生了大量數(shù)據(jù)，很多數(shù)據(jù)并沒有得到有效運(yùn)用，造成資源的浪費(fèi)。通常，數(shù)控機(jī)床采集到的數(shù)據(jù)不能直接進(jìn)行應(yīng)用，需要進(jìn)行進(jìn)一步的處理和數(shù)據(jù)挖掘，而在工業(yè)互聯(lián)網(wǎng)的框架中研究刀具磨損監(jiān)測，就可以及時(shí)、高效地對采集到的數(shù)據(jù)加以利用，實(shí)現(xiàn)工業(yè)互聯(lián)網(wǎng)中的刀具磨損智能監(jiān)測。

刀具磨損監(jiān)測方法通?？梢苑譃榛诮y(tǒng)計(jì)模型的方法與基于數(shù)據(jù)驅(qū)動的方法。由于預(yù)測精度高、建模方便，本文采用基于數(shù)據(jù)驅(qū)動的方法實(shí)現(xiàn)刀具磨損監(jiān)測。在數(shù)據(jù)驅(qū)動方法中，通常使用機(jī)器學(xué)習(xí)或深度學(xué)習(xí)方法處理刀具磨損信號數(shù)據(jù)，進(jìn)行刀具磨損狀態(tài)識別或剩余壽命預(yù)測。刀具磨損信號則由與機(jī)床連接的數(shù)據(jù)采集設(shè)備進(jìn)行采集。然后利用信號處理技術(shù)提取信號特征，得到對刀具磨損敏感的特征，用以刀具監(jiān)測。構(gòu)建刀具磨損監(jiān)測模型首先要獲取完整的刀具磨損數(shù)據(jù)，后續(xù)的刀具磨損值預(yù)測研究在PHM 2010 數(shù)據(jù)集[2]的基礎(chǔ)上進(jìn)行。該數(shù)據(jù)集中包含了大量的原始數(shù)據(jù)，信息密度低，為減少計(jì)算量，需要通過數(shù)據(jù)分析剔除無效數(shù)據(jù)。為了后續(xù)進(jìn)行刀具磨損狀態(tài)識別，還需要提取并篩選刀具磨損相關(guān)的特征。

1 基于VMD 的特征提取

1.1 VMD 分解

時(shí)頻域分析方法能夠同時(shí)展現(xiàn)信號時(shí)域與頻域的分布信息[3]，相較于其它特征分析方法具有獨(dú)特優(yōu)勢。本文采用變分模態(tài)分解[4](Variational Mode Decomposition,VMD)進(jìn)行時(shí)頻域分析。VMD 是近幾年才被提出的信號處理方法，不同于其它模態(tài)分解方法，VMD 使用迭代搜索的方式得到各個(gè)模態(tài)的中心頻率和帶寬。VMD 對于振動信號等非平穩(wěn)信號具有良好的處理效果，因此常被用于故障診斷領(lǐng)域中的信號處理。

采用VMD 對X、Y、Z 三向振動信號進(jìn)行分解，在進(jìn)行分解時(shí)，分解數(shù)K 的取值至關(guān)重要，過小的K 值會導(dǎo)致信號分解不充分，達(dá)不到預(yù)期效果；過大的K 則會使不同分量的頻率之間出現(xiàn)重疊。按照這種方法，經(jīng)過多次嘗試，最終確定在VMD 分解時(shí)，X 方向振動信號的K應(yīng)設(shè)置為4；Y、Z 方向振動信號的K 均設(shè)置為3。確定好分解數(shù)K 之后，使用VMD 將信號分解為IMF 分量。

1.2 特征提取與特征選擇

經(jīng)過VMD 分解后，振動信號被分解為不同頻率的IMF 分量，各IMF 中所包含的刀具磨損相關(guān)信息也有所不同。為了更加精確地得到刀具磨損量敏感特征，在特征提取提階段，將各IMF 作為輸入信號提取特征。為了獲取對刀具磨損量高度敏感的特征，在進(jìn)行特征提取時(shí)應(yīng)覆蓋盡可能多的特征，本文選取了18 各特征進(jìn)行提取。而為了減少計(jì)算量，需要篩選出對刀具磨損量敏感的特征作為刀具磨損監(jiān)測模型的輸入。本文使用灰色關(guān)聯(lián)度分析與皮爾森相關(guān)系數(shù)法聯(lián)合進(jìn)行特征選擇，分別計(jì)算每一特征與刀具磨損量的關(guān)聯(lián)度和相關(guān)系數(shù)。判斷特征是否與刀具磨損量高度相關(guān)的標(biāo)準(zhǔn)為：該特征與刀具磨損量的相關(guān)系數(shù)與關(guān)聯(lián)度均應(yīng)超過所設(shè)定的閾值(0.9)。

經(jīng)過特征選擇后，符合條件的特征共有16 個(gè)，如表1 所示，即組成16 維的特征向量作為模型的輸入。

表1 特征選擇結(jié)果

2 鯨魚算法優(yōu)化極限學(xué)習(xí)機(jī)模型

為實(shí)現(xiàn)刀具磨損監(jiān)測，本文引入極限學(xué)習(xí)機(jī)(ELM)模型，并針對ELM 的權(quán)值和隱層偏差取值問題，使用鯨魚算法進(jìn)行優(yōu)化。

2.1 極限學(xué)習(xí)機(jī)

極限學(xué)習(xí)機(jī)分為輸入層、隱藏層和輸出層[5]。假設(shè)xi和yi分別為輸入數(shù)據(jù)集X 和輸出數(shù)據(jù)集Y 的第i 個(gè)數(shù)據(jù)；d，l 和m 分別為輸入層、隱藏層和輸出數(shù)據(jù)的神經(jīng)元個(gè)數(shù)。則隱藏層神經(jīng)元的輸出可以表示為

其中，H'為H 的Moore-Penrose 廣義逆矩陣。

由于ELM 的隱藏層權(quán)重與偏置是隨機(jī)生成的，具有不確定性，限制了ELM 模型的精度，因而引入鯨魚優(yōu)化算法對ELM 進(jìn)行優(yōu)化，以尋找使得ELM 模型誤差最小的隱藏層權(quán)重與偏置。

2.2 鯨魚優(yōu)化算法

通過觀察座頭鯨群體合作捕食的過程，Mirjalili 等[6]于2016 年提出鯨魚優(yōu)化算法。如果把待求解問題的最佳解視為獵物的位置，則WOA 算法尋優(yōu)的過程就是鯨魚種群不斷向獵物所在位置靠攏的過程。WOA 算法首先需要確定搜索的范圍，在給定范圍內(nèi)隨機(jī)生成鯨魚種群，即WOA 的初始化。初始化后計(jì)算鯨魚種群中每頭鯨魚的適應(yīng)度，記錄適應(yīng)度最優(yōu)的鯨魚個(gè)體，將其假設(shè)為目標(biāo)獵物。群體中的個(gè)體將結(jié)合獵物位置更新狀態(tài)或者進(jìn)行隨機(jī)搜索。

WOA-ELM 模型的具體流程為：構(gòu)建ELM 模型，在確定隱藏層權(quán)值與偏置時(shí)使用WOA 算法進(jìn)行尋優(yōu)，將WOA 算法尋優(yōu)后得到的隱藏層權(quán)值與偏置賦給ELM 模型，再通過ELM 模型進(jìn)行預(yù)測。

3 實(shí)驗(yàn)結(jié)果與分析

構(gòu)建WOA-ELM 模型后，以表1 所示的特征構(gòu)成16維的特征向量，進(jìn)行刀具磨損值預(yù)測。并將本文提出的WOA-ELM 模型與ELM 模型、BP 模型、WOA-BP 模型進(jìn)行對比，測試本文所提模型的預(yù)測精度。為提高對比實(shí)驗(yàn)的客觀性，應(yīng)統(tǒng)一所有模型中的鯨魚優(yōu)化算法的初始設(shè)置。選取3 個(gè)指標(biāo)作（具體見表2）為模型預(yù)測精度的評價(jià)標(biāo)準(zhǔn)。MAE 與RMSE 越小，則代表模型的預(yù)測精度越好，R2位于區(qū)間[0,1]內(nèi)，R2越大，則模型的預(yù)測效果越好。每個(gè)模型進(jìn)行10 次實(shí)驗(yàn)，每次實(shí)驗(yàn)都隨機(jī)選取80%的樣本數(shù)據(jù)作為訓(xùn)練集，剩下的20%數(shù)據(jù)樣本作為測試集，取10 次實(shí)驗(yàn)結(jié)果的平均值作為最終結(jié)果。

表2 刀具磨損值預(yù)測結(jié)果

實(shí)驗(yàn)結(jié)果如表2 所示，WOA-ELM 模型的預(yù)測精度在所選對比模型中是最高的，證明WOA 算法對ELM 的隱藏層權(quán)重與偏置的尋優(yōu)提高了ELM 模型的預(yù)測精度，取得了良好的效果，驗(yàn)證了所提模型的有效性。

4 工業(yè)互聯(lián)網(wǎng)云處理平臺的監(jiān)測系統(tǒng)

結(jié)合本文所提出的WOA-ELM 模型，在工業(yè)互聯(lián)網(wǎng)云處理平臺上搭建刀具磨損監(jiān)測系統(tǒng)。該系統(tǒng)采取邊-云-端架構(gòu)，如圖1 所示。

圖1 刀具磨損監(jiān)測系統(tǒng)架構(gòu)

邊指的是工業(yè)現(xiàn)場設(shè)備，包括數(shù)控機(jī)床、傳感器等設(shè)備，功能為采集工業(yè)數(shù)據(jù)、預(yù)處理、上傳數(shù)據(jù)至云等。云端負(fù)責(zé)系統(tǒng)算法建模部分，云端接收邊的數(shù)據(jù)后，建立刀具磨損算法模型，完成刀具磨損狀態(tài)識別與磨損值預(yù)測。端負(fù)責(zé)用戶交互功能，能夠使用戶在遠(yuǎn)程對工業(yè)現(xiàn)場設(shè)備狀態(tài)實(shí)現(xiàn)監(jiān)控，并根據(jù)算法模型結(jié)果給出優(yōu)化建議與決策建議。

系統(tǒng)總體分為三個(gè)功能模塊，即刀具磨損特征提取模塊、磨損狀態(tài)識別模塊與磨損預(yù)測模塊。由于篇幅限制，本文只介紹特征提取與磨損預(yù)測兩個(gè)模塊。

在刀具磨損監(jiān)測系統(tǒng)首頁界面點(diǎn)擊特征提取按鍵即可提取信號特征并進(jìn)行特征選擇。根據(jù)前文所介紹的特征選擇方法，所選取的特征有多個(gè)，為了方便查看所選取的特征與刀具磨損值的關(guān)聯(lián)程度，本文僅以具有代表性的特征作為展示，如圖2 所示。

圖2 特征提取

由圖2 可以看出，所提取出的特征與刀具磨損值的變化趨勢幾乎是保持一致的，證明本文所用的特征提取方法獲得了較好的效果。

在刀具磨損監(jiān)測系統(tǒng)首頁界面點(diǎn)擊磨損預(yù)測即可進(jìn)行刀具磨損值預(yù)測，預(yù)測結(jié)果如圖3 所示。圖中顯示兩條曲線，實(shí)線代表真實(shí)磨損曲線，虛線代表預(yù)測的磨損值。

圖3 刀具磨損值預(yù)測

5 結(jié)論

本文提出了一種WOA-ELM 模型用于刀具磨損監(jiān)測，使用WOA 算法優(yōu)化ELM 的隱藏層權(quán)值與偏置，并通過BP 模型、WOA-BP 模型、ELM 模型進(jìn)行了對比實(shí)驗(yàn)。實(shí)驗(yàn)表明本文所提出的WOA-ELM 模型擁有更高的預(yù)測精度和穩(wěn)定性，能夠有效地進(jìn)行刀具磨損值預(yù)測，為刀具磨損監(jiān)測研究提供了一種新方法。然后，集成WOA-ELM 模型在工業(yè)互聯(lián)網(wǎng)平臺上搭建了刀具磨損監(jiān)測系統(tǒng)。