曹澤,劉福聰,閻兵

天津職業(yè)技術(shù)師范大學(xué);天津市高端智能數(shù)控機(jī)床工程研究中心

1 引言

深度學(xué)習(xí)因具有強(qiáng)大的特征提取能力和降低人為提取特征值產(chǎn)生誤差的能力而被廣泛應(yīng)用在圖像處理、語音識別、自然語言處理等領(lǐng)域。機(jī)床加工工藝誤差是影響機(jī)床加工精度的主要原因,誤差的數(shù)學(xué)模型難以統(tǒng)一,但隨著深度學(xué)習(xí)技術(shù)的發(fā)展,一種基于深度學(xué)習(xí)的機(jī)床圓軌跡誤差識別方法實(shí)現(xiàn)了智能溯因。該技術(shù)不但提高了識別正確率,而且在適用性和可靠性方面也有較強(qiáng)的表現(xiàn),為快速診斷機(jī)床誤差源提供了支持。眾多學(xué)者在數(shù)控機(jī)床的各個(gè)領(lǐng)域展開深度學(xué)習(xí)應(yīng)用的相關(guān)研究,其中主要包括誤差補(bǔ)償、主軸診斷、刀具狀態(tài)檢測等內(nèi)容,所應(yīng)用的方法大都是對卷積神經(jīng)網(wǎng)絡(luò)、長短時(shí)記憶網(wǎng)絡(luò)和深度神經(jīng)網(wǎng)絡(luò)等模型的拓展與開發(fā)。因?yàn)闄C(jī)床屬于多學(xué)科綜合產(chǎn)物,任何部位產(chǎn)生問題都會對機(jī)床的加工精度、加工效率產(chǎn)生影響,所以引入深度學(xué)習(xí)是必然趨勢。

2 深度學(xué)習(xí)技術(shù)

2.1 CNN卷積神經(jīng)網(wǎng)絡(luò)

CNN卷積神經(jīng)網(wǎng)絡(luò)[1]是一類包括卷積算法且具有深度結(jié)構(gòu)的前饋神經(jīng)網(wǎng)絡(luò),是深度學(xué)習(xí)的代編算法之一。其基本結(jié)構(gòu)分為輸入、卷積層、池化層、全連接層和Softmax輸出(見圖1)。

圖1 卷積神經(jīng)網(wǎng)絡(luò)

卷積層中每一個(gè)神經(jīng)元都與前一層的局部感受域相連接,卷積核以特定的步長對輸入數(shù)據(jù)進(jìn)行遍歷學(xué)習(xí),從而實(shí)現(xiàn)權(quán)值共享,再通過卷積運(yùn)算和非線性激活提取原始信號中不同層次的特征進(jìn)行輸出映射,每個(gè)輸出映射可以是多個(gè)輸入映射的組合,其中,底層提取低級特征,高層提取高級特征。在卷積運(yùn)算完成后輸出,再由激活函數(shù)進(jìn)行運(yùn)算,將運(yùn)算結(jié)果傳送至池化層。池化層常見的池化方法為最大池化法和平均池化法,其中每個(gè)特征面都只對應(yīng)前一卷積層的唯一特征面。通過池化層操作可以使特征提取擁有一定的自由性,同時(shí)降低輸入特征維度,減少參數(shù)數(shù)量,有效提高運(yùn)算效率。全連接層對卷積層和池化層處理后的高信息特征進(jìn)行整理綜合,根本上是利用線性方程所對應(yīng)的特征面對輸入進(jìn)行擬合,實(shí)現(xiàn)分類決策,再通過Softmax邏輯回歸對信息進(jìn)行多分類處理,輸出預(yù)測的結(jié)果。

2.2 DNN深度神經(jīng)網(wǎng)絡(luò)

深度神經(jīng)網(wǎng)絡(luò)是深度學(xué)習(xí)的算法之一[2],其基本結(jié)構(gòu)按不同層的位置可以分為輸入層、隱藏層和輸出層。層與層之間采用全連接的連接方式,一般情況下第一層為輸入層,最后一層為輸出層,圖2為深度神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)。深度神經(jīng)網(wǎng)絡(luò)是淺層神經(jīng)網(wǎng)絡(luò)的拓展,可以對復(fù)雜的非線性系統(tǒng)建模,其多出的層次為模型提供了更高的抽象層次,提高了模型的能力。

圖2 深度神經(jīng)網(wǎng)絡(luò)

2.3 LSTM長短時(shí)記憶網(wǎng)絡(luò)

長短時(shí)記憶網(wǎng)絡(luò)[3]是一種全互聯(lián)的循環(huán)式神經(jīng)網(wǎng)絡(luò),神經(jīng)元之間有反饋鏈接,能夠動態(tài)記憶歷史信息,在學(xué)習(xí)新信息的同時(shí)長時(shí)間保留歷史信息,其結(jié)構(gòu)見圖3。

圖3 長短時(shí)記憶網(wǎng)絡(luò)

如圖所示,每一個(gè)LSTM隱含層含有一個(gè)記憶單元,分別由輸入門、輸出門、遺忘門和記憶單元四部分組成。通過以上門控單元來控制歷史信息對當(dāng)前信息的影響程度,使得網(wǎng)絡(luò)模型能夠長時(shí)間留存并傳遞信息。

3 深度學(xué)習(xí)在數(shù)控機(jī)床誤差檢測與補(bǔ)償方面的應(yīng)用

隨著機(jī)械加工技術(shù)的發(fā)展,對數(shù)控機(jī)床所加工零部件的精度要求也越來越高,熱誤差、幾何誤差、運(yùn)動誤差等都是影響復(fù)雜零件加工精度的因素。因此,建立對數(shù)控機(jī)床誤差的檢測模型和設(shè)計(jì)數(shù)控機(jī)床誤差補(bǔ)償系統(tǒng),是提高機(jī)床加工精度和穩(wěn)定性不可規(guī)避的問題。應(yīng)用傳統(tǒng)方法進(jìn)行數(shù)控機(jī)床誤差檢測和誤差補(bǔ)償時(shí)采用的算法主要有三種:模糊度檢測、信息識別方法和PID控制算法,但是這些方法都有適應(yīng)性不好、可靠性不高的缺點(diǎn)。引入深度學(xué)習(xí)提高了誤差檢測模型的適應(yīng)性和可靠性。

3.1 數(shù)控機(jī)床熱誤差檢測與補(bǔ)償

數(shù)控機(jī)床中熱誤差所造成的加工誤差有35%～65%,淺層網(wǎng)絡(luò)對建立大量監(jiān)測信號與熱誤差之間的映射模型存在一定難度,并且存在適應(yīng)性和可靠性差的問題。隨著深度學(xué)習(xí)的發(fā)展,閆文[4]通過電流時(shí)域信號與溫度信號進(jìn)行融合共同構(gòu)成表征信號的方法,構(gòu)建了CNN-DAE深度學(xué)習(xí)模型,彌補(bǔ)了DAE受限于樣本數(shù)量而導(dǎo)致特征提取能力低的問題。杜柳青等[5,6]通過深度信念網(wǎng)絡(luò)對主軸在徑向和軸向方向的熱誤差進(jìn)行預(yù)測,將預(yù)測均方根誤差降低到2.2μm,并采用了基于注意力機(jī)制的數(shù)控機(jī)床熱誤差預(yù)測方法,將數(shù)據(jù)轉(zhuǎn)化為圖像作為模型的輸入,充分發(fā)揮深度學(xué)習(xí)挖掘圖像特征的能力,顯著提高了AM-CNN模型的預(yù)測精度和泛化能力。胡杰[7]在深度學(xué)習(xí)的基礎(chǔ)上引入混沌演化的內(nèi)容構(gòu)建了熱誤差預(yù)測模型,通過CE-CNN-GRU預(yù)測模型實(shí)現(xiàn)熱誤差的預(yù)測。張睿[8]通過基于堆疊RBM深度神經(jīng)網(wǎng)絡(luò)和GPHA優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)構(gòu)建了熱誤差預(yù)測和補(bǔ)償模型。王承輝[9]采用SAE-GA-BP熱誤差建模方法,利用模糊聚類算法和黑色關(guān)聯(lián)度分析法選取溫度變量的熱敏感點(diǎn),通過SAE深度自編碼器選取輸入樣本中的特征值,將BP神經(jīng)網(wǎng)絡(luò)參數(shù)通過遺傳算法進(jìn)行尋優(yōu),顯著提高了模型預(yù)測精度。為了解決不同工況下預(yù)測精度差異大的問題,李仁杰[10]利用卷積神經(jīng)網(wǎng)絡(luò)和長短時(shí)記憶網(wǎng)絡(luò)建立具有兩條支路的熱誤差預(yù)測模型(AM-CNN-LSTM),其中,CNN對圖像化的溫度數(shù)據(jù)進(jìn)行處理,LSTM對時(shí)間序列溫度數(shù)據(jù)進(jìn)行處理,提升了模型高維數(shù)據(jù)的提取能力,并通過注意力機(jī)制對特征進(jìn)行重要性重構(gòu),提升了熱誤差預(yù)測模型的穩(wěn)定性和泛化性。房芳[11]則基于熱圖像的數(shù)控機(jī)床主軸熱誤差魯棒建模技術(shù),通過卷積神經(jīng)網(wǎng)絡(luò)使誤差檢測模型在不同溫度下均保持80%以上的識別準(zhǔn)確率。以上深度學(xué)習(xí)的拓展應(yīng)用增強(qiáng)了熱誤差檢測模型的適用性和可靠性,均不同程度提高了識別準(zhǔn)確率和計(jì)算效率。

3.2 數(shù)控機(jī)床幾何誤差和運(yùn)動誤差檢測與補(bǔ)償

隨著復(fù)雜零件制造對數(shù)控機(jī)床的加工精度要求越來越高,幾何誤差和運(yùn)動誤差對數(shù)控機(jī)床的可靠性以和穩(wěn)定性有重要的影響。Aguado S.等[12]利用激光干涉儀測量立式加工中心的空間誤差,通過空間誤差模型對機(jī)床的所有幾何誤差源進(jìn)行自動辨識。李寧[13]設(shè)計(jì)了基于深度強(qiáng)化學(xué)習(xí)的數(shù)控機(jī)床幾何誤差標(biāo)定與補(bǔ)償系統(tǒng),采用應(yīng)力分布特征重組的方法進(jìn)行了數(shù)控機(jī)床的輸出載荷計(jì)算和結(jié)構(gòu)力學(xué)參數(shù)評估,根據(jù)深度學(xué)習(xí)并依據(jù)約束平面、回轉(zhuǎn)平面的正交特性得到待加工曲面的的曲率優(yōu)化參數(shù)解析矩陣,實(shí)現(xiàn)機(jī)床的幾何標(biāo)定與補(bǔ)償,提高了誤差標(biāo)定精度和控制精度。余永維等[14]基于深度學(xué)習(xí)框架的運(yùn)動誤差溯因方法,結(jié)合RPN、R-CNN并共享一個(gè)深度卷積神經(jīng)網(wǎng)絡(luò)特征提取層來合成深度學(xué)習(xí)識別系統(tǒng),成功將實(shí)際樣本的溯因準(zhǔn)確率提升到96%,該方法解決了對大量數(shù)據(jù)處理時(shí)傳統(tǒng)數(shù)學(xué)模型處理數(shù)據(jù)時(shí)間長且準(zhǔn)確率低的問題,為數(shù)控機(jī)床的精度研究領(lǐng)域提供了一種新的方法和設(shè)計(jì)思路。

4 深度學(xué)習(xí)在主軸診斷上的應(yīng)用

國家的制造水平可以通過數(shù)控機(jī)床的技術(shù)水平體現(xiàn),數(shù)控機(jī)床的發(fā)展對國家經(jīng)濟(jì)、科技、軍事有深遠(yuǎn)意義。電主軸作為數(shù)控機(jī)床的關(guān)鍵部位,其優(yōu)劣程度直接影響機(jī)床的加工精度,傳統(tǒng)診斷方法需要人為提取特征,因此不可避免地導(dǎo)致診斷結(jié)果較差,而引入深度學(xué)習(xí)能夠解決人為因素導(dǎo)致的故障診斷精度低的問題,在提高診斷效率、提升檢測精度、剩余壽命預(yù)測方面應(yīng)用較多。

4.1 針對樣本量的主軸故障診斷

在數(shù)控機(jī)床故障診斷時(shí)首先需要對采集的數(shù)據(jù)進(jìn)行處理,數(shù)據(jù)過多或不足都是故障診斷產(chǎn)生誤差的原因。為了解決故障診斷中標(biāo)記樣本量小的問題,陳勇等[15]和鄭嘉偉[16]提出基于多傳感器的遷移學(xué)習(xí)的故障診斷方法和基于CCGAN-DCNN膨脹卷積膠囊網(wǎng)絡(luò)的主軸診斷方法,通過對卷積神經(jīng)網(wǎng)絡(luò)采用目標(biāo)類替換輸出層的方法和最優(yōu)網(wǎng)絡(luò)提取底層特征的方法,對更高層次的神經(jīng)網(wǎng)絡(luò)進(jìn)行微調(diào),從而提高訓(xùn)練效率和預(yù)測精度,實(shí)現(xiàn)樣本量較少情況下的機(jī)床主軸狀態(tài)診斷。針對從大量數(shù)據(jù)中難以準(zhǔn)確提取敏感特征值這一問題,王強(qiáng)[17]采用智能主軸自主感知方法,通過多傳感器解決了單一傳感器表征能力單一、偶然性高的問題,采用基于LSTM的信息建模方法提高了感知的準(zhǔn)確性,并通過貝葉斯理論提高了診斷的置信度,該方法為數(shù)控機(jī)床上的智能機(jī)器自主感知問題提供了有效的理論依據(jù)。劉啟等[18]通過無監(jiān)督方法對機(jī)床狀態(tài)進(jìn)行聚類,將對大量數(shù)據(jù)進(jìn)行標(biāo)記的問題轉(zhuǎn)換為對多類數(shù)據(jù)進(jìn)行標(biāo)記的問題,降低了工作人員標(biāo)記診斷數(shù)據(jù)所花費(fèi)的時(shí)間。以上深度學(xué)習(xí)模型的應(yīng)用解決了因樣本數(shù)量少導(dǎo)致的診斷準(zhǔn)確率低和數(shù)據(jù)量過高導(dǎo)致的診斷效率低的問題,為解決故障診斷中的數(shù)據(jù)量問題提供了理論參考。

4.2 主軸狀態(tài)檢測模型優(yōu)化

電主軸是數(shù)控機(jī)床的關(guān)鍵部件,當(dāng)電主軸出現(xiàn)故障時(shí)會影響機(jī)床整體運(yùn)行的安全性和可靠性。相較于深度學(xué)習(xí)模型,傳統(tǒng)的故障檢測模型檢測精度和效率低,因此開展基于深度學(xué)習(xí)的電主軸故障診斷研究具有重要意義。韓婷[19]通過振動信號融合蟻群優(yōu)化CNN的方法和基于小波包改進(jìn)的蟻群優(yōu)化深度卷積神經(jīng)網(wǎng)絡(luò)故障診斷法,分別實(shí)現(xiàn)多工況下軸承單一故障狀態(tài)以及復(fù)合故障狀態(tài)的診斷和識別。王海龍[20]則通過EEMD和VMD同卷積神經(jīng)網(wǎng)絡(luò)結(jié)合方法,即發(fā)揮EEMD與VMD處理非線性、非平穩(wěn)信號的優(yōu)勢,又發(fā)揮卷積神經(jīng)網(wǎng)絡(luò)在故障特征提取時(shí)的強(qiáng)大能力,實(shí)現(xiàn)了端到端的數(shù)控機(jī)床軸承診斷技術(shù)。王偉平等[21]從數(shù)據(jù)分析入手,設(shè)計(jì)了基于注意力機(jī)制的全局縱向大分類和局部橫向細(xì)粒度區(qū)間兩個(gè)維度的研究框架,通過門循環(huán)邏輯單元和殘差神經(jīng)網(wǎng)絡(luò)的手段量化辨識主軸系統(tǒng)的整體故障,提高了故障診斷的有效性和準(zhǔn)確性。優(yōu)化后的深度學(xué)習(xí)模型解決了傳統(tǒng)模型檢測精度和檢測效率低的問題,提高了不同工況下的故障診斷精度。

4.3 主軸壽命預(yù)測

數(shù)控機(jī)床的智能化水平隨著科技的發(fā)展不斷提高,雖然故障診斷技術(shù)已日趨成熟,但是智能預(yù)警技術(shù)仍有待提高。為準(zhǔn)確描述電主軸不同工況下的動態(tài)特性,Ritou M.等[22]通過電磁勵磁裝置獲得電主軸的頻率響應(yīng)函數(shù),并對高速電主軸的不同故障模式進(jìn)行了建模和辨識。Neugebauer R.等[23]強(qiáng)調(diào)預(yù)防性維護(hù)的重要性,設(shè)計(jì)了電主軸狀態(tài)檢測系統(tǒng),對電主軸的不同位置分別進(jìn)行監(jiān)測。為預(yù)測主軸軸承的剩余使用壽命并提前給出預(yù)警信號,提高系統(tǒng)的智能水平,避免因軸承損壞造成的經(jīng)濟(jì)損失,孫鑫[24]設(shè)計(jì)了一種改進(jìn)網(wǎng)絡(luò)損失函數(shù)的深度學(xué)習(xí)方法,通過降噪自編碼器信號預(yù)處理和多尺度卷積神經(jīng)網(wǎng)絡(luò)來預(yù)測軸承剩余使用壽命,將軸承原始振動信號由自編碼器進(jìn)行編碼,編碼結(jié)果經(jīng)過淺層特征提取模塊、深層特征提取模塊、數(shù)據(jù)融合模塊和輸出模塊處理,輸出軸承剩余壽命的預(yù)測值。該方法通過軸承剩余壽命的檢測實(shí)現(xiàn)了智能故障預(yù)警,在降低軸承損壞導(dǎo)致經(jīng)濟(jì)損失的同時(shí),提高了數(shù)控機(jī)床的生產(chǎn)效率。

5 深度學(xué)習(xí)在數(shù)控刀具的應(yīng)用

刀具是數(shù)控機(jī)床的重要組成部分,機(jī)床在工作過程中,隨著時(shí)間的推移刀具會逐漸磨損,當(dāng)?shù)毒吣p達(dá)到一定程度會降低生產(chǎn)效率和加工精度,嚴(yán)重影響數(shù)控機(jī)床的正常工作,所以對刀具磨損狀態(tài)進(jìn)行檢測及剩余壽命預(yù)測是不可忽視的環(huán)節(jié)。

5.1 多源信號刀具狀態(tài)檢測

數(shù)控機(jī)床在加工過程中刀具狀態(tài)檢測會受信號干擾而導(dǎo)致結(jié)果不準(zhǔn)確,因此國內(nèi)外學(xué)者對刀具磨損狀態(tài)檢測進(jìn)行了多項(xiàng)研究,樊志剛[25]設(shè)計(jì)了基于一維殘差神經(jīng)網(wǎng)絡(luò)的刀具磨損狀態(tài)檢測模型,該模型將加工過程中刀具產(chǎn)生的振動信號作為信號源,利用小波包技術(shù)提取信號頻段能量,確立刀具磨損的特征值,再通過1-D CNN模型進(jìn)行預(yù)測,實(shí)現(xiàn)刀具磨損狀態(tài)的識別。李廣[26]使用CNN卷積神經(jīng)網(wǎng)絡(luò)建立主軸電機(jī)電流信號與刀具正常狀態(tài)和崩刃的映射關(guān)系,并采用遷移學(xué)習(xí)方法實(shí)現(xiàn)了刀具磨損狀態(tài)預(yù)測。楊國葳[27]和郝佰田[28]采用主軸電流信號,通過卷積神經(jīng)網(wǎng)絡(luò)和自編碼器進(jìn)行刀具磨損狀態(tài)特征信息的深層次挖掘。雖然這些方法都可以高效準(zhǔn)確地檢測刀具狀態(tài),但均基于某一種信號進(jìn)行研究。隨著機(jī)器學(xué)習(xí)的進(jìn)一步發(fā)展,深度學(xué)習(xí)因其強(qiáng)大的特征提取能力和模式識別能力,在多源信號刀具狀態(tài)檢測方面表現(xiàn)出明顯的優(yōu)點(diǎn)。尹晨等[29]通過數(shù)控代碼觸發(fā)的方式采集多源信號,建立了基于卷積神經(jīng)網(wǎng)絡(luò)的1-D CNN診斷模型,實(shí)現(xiàn)刀具狀態(tài)檢測,檢測精度高達(dá)99.81%。胡媛媛[30]基于多源信號,利用D-S證據(jù)理論的深度置信網(wǎng)絡(luò)DBN與卷積神經(jīng)網(wǎng)絡(luò)CNN相結(jié)合的方法,獲得刀具磨損狀態(tài)特征和混淆矩陣,從而實(shí)現(xiàn)對刀具健康狀態(tài)的預(yù)警。徐衛(wèi)曉等[31]通過多傳感器采集多源信號的方法,利用CNN卷積神經(jīng)網(wǎng)絡(luò)對高維復(fù)雜數(shù)據(jù)處理的優(yōu)勢,解決了BPNN和RBFNN模型訓(xùn)練過程中容易陷入局部最小值的問題,提高了對刀具磨損狀態(tài)的識別率。雖然多源信號的刀具狀態(tài)檢測在檢測精度和檢測效率方面都有提升,但是多源信號的采集裝置價(jià)格較高,所以如何降低成本仍是需要研究的問題。

5.2 刀具狀態(tài)檢測模型優(yōu)化

深度學(xué)習(xí)的二次開發(fā)模型在刀具磨損狀態(tài)預(yù)測準(zhǔn)確率和預(yù)測速度方面較傳統(tǒng)的預(yù)測模型也有很大提升。董江磊[32]基于CSSAE的銑刀磨損狀態(tài)評估方法,將卷積神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)壓縮能力和堆棧稀疏自編碼器的高精度特點(diǎn)相結(jié)合,構(gòu)建了卷積堆棧稀疏自編碼器,在提升算法模型訓(xùn)練速度的同時(shí)提高測試精度。張新建[33]則采用帶有動量的隨機(jī)梯度下降算法對傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行改進(jìn),使模型處理高曲率、小但一致的梯度和帶噪聲的梯度的能力增加。這些方法對優(yōu)化刀具狀態(tài)的檢測模型都提供了理論參考,但是數(shù)控刀具狀態(tài)檢測還受很多外部因素影響,如訓(xùn)練樣本不充足、刀具狀態(tài)實(shí)時(shí)監(jiān)測困難以及刀具加工對象數(shù)量不確定等都會導(dǎo)致刀具磨損預(yù)測效果差。針對這些問題,吳志元[34]將少量數(shù)據(jù)輸入深度卷積生成對抗網(wǎng)絡(luò)和域?qū)惯w移網(wǎng)絡(luò),擴(kuò)充樣本數(shù)量并減少訓(xùn)練集與測試機(jī)特征之間的差異,建立了基于深度特征聯(lián)合匹配的刀具磨損識別方法,解決了訓(xùn)練樣本不足時(shí)刀具狀態(tài)預(yù)測不準(zhǔn)確的問題。華家玘[35]建立了基于張量深度自編碼器的刀具磨損量計(jì)算模型,實(shí)現(xiàn)刀具狀態(tài)的實(shí)時(shí)準(zhǔn)確檢測。針對加工對象質(zhì)量、數(shù)量不確定的問題,王永[36]則利用壓縮感知與加噪處理實(shí)現(xiàn)樣本數(shù)據(jù)的重構(gòu)和增加,利用卷積神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)刀具磨損臨界狀態(tài)的識別,之后利用Dropout方法改進(jìn)堆棧稀疏自編碼器,并結(jié)合改進(jìn)D-S證據(jù)理論構(gòu)建了刀具狀態(tài)識別模型,解決了傳統(tǒng)檢測模型精度低和過擬合問題。

5.3 刀具壽命預(yù)測

在數(shù)控機(jī)床的銑削過程中,刀具的磨損退化不可避免,而一旦發(fā)生刀具失效,工件的表面加工質(zhì)量會達(dá)不到要求,從而導(dǎo)致加工效率低下,磨損嚴(yán)重時(shí)甚至?xí)斐蓹C(jī)床損壞。針對該問題,葉禮倫[37]將注意力機(jī)制集成到長短時(shí)記憶網(wǎng)絡(luò)中,建立特征與道具剩余壽命之間的映射關(guān)系模型,構(gòu)建了基于退化趨勢的刀具剩余壽命檢測模型。王強(qiáng)[38]則通過改進(jìn)長短時(shí)記憶網(wǎng)絡(luò)建立MLSTM長短時(shí)記憶網(wǎng)絡(luò)模型,對網(wǎng)絡(luò)結(jié)構(gòu)和門結(jié)構(gòu)進(jìn)行優(yōu)化,保留了細(xì)胞狀態(tài)cell用來記錄長時(shí)間信息,將遺忘門、輸入門和輸出門用在隱藏層來控制短時(shí)間的信息傳遞和記錄,并將前一時(shí)刻的細(xì)胞狀態(tài)融入當(dāng)前時(shí)刻的輸入,該方法不僅可以合理控制信息流,還簡化了網(wǎng)絡(luò)模型。相較于傳統(tǒng)的LSTM長短時(shí)記憶網(wǎng)絡(luò),葉禮倫[37]和王強(qiáng)[38]所提出的方法均提高了識別效率和識別精度,實(shí)現(xiàn)了刀具壽命的預(yù)測。

6 深度學(xué)習(xí)的其他應(yīng)用

6.1 數(shù)控機(jī)床術(shù)語識別和發(fā)展趨勢預(yù)測

數(shù)控機(jī)床作為裝備制造業(yè)母機(jī),可以反映出國家裝備制造業(yè)的發(fā)展水平,因此數(shù)控機(jī)床領(lǐng)域的新興技術(shù)研究對國家制造業(yè)的發(fā)展具有重大意義。張立[39]引入網(wǎng)絡(luò)分析與深度學(xué)習(xí)并建立了數(shù)控機(jī)床領(lǐng)域新興技術(shù)識別方法,實(shí)現(xiàn)數(shù)控機(jī)床新興技術(shù)的識別和發(fā)展趨勢的預(yù)測,為技術(shù)研究提供了參考方案。針對檢測技術(shù)中術(shù)語難以挖掘、抽取難度大、缺乏術(shù)語標(biāo)簽等問題,尹力[40]根據(jù)命名實(shí)體識別技術(shù),通過構(gòu)建Bi-LSTM雙向長短時(shí)記憶網(wǎng)絡(luò)模型,解決了傳統(tǒng)LSTM模型只能保存前向文本特征而無法對后向文本特征進(jìn)行儲存的缺點(diǎn)。該模型不僅可以準(zhǔn)確有效地識別出機(jī)床領(lǐng)域?qū)I(yè)術(shù)語,還可以對高頻非術(shù)語詞串進(jìn)行過濾,通過詞移距離技術(shù)計(jì)算文檔的相似度,利用K均值聚類算法對術(shù)語進(jìn)行類別劃分,識別出的結(jié)果以術(shù)語形式呈現(xiàn),準(zhǔn)確率高,易讀性強(qiáng)。

6.2 數(shù)控機(jī)床技術(shù)差距預(yù)測

數(shù)控機(jī)床技術(shù)傳統(tǒng)研究方法大部分還停留在定性研究階段,容易產(chǎn)生主觀偏誤性,少部分定量研究則是基于單一維度的指標(biāo),只得到宏觀的研究結(jié)果,缺乏對具體技術(shù)差距內(nèi)容的描述。近年來,隨著深度學(xué)習(xí)的發(fā)展,基于多源數(shù)據(jù)挖掘的方法開始得到廣泛應(yīng)用,但由于這些方法對數(shù)據(jù)關(guān)聯(lián)融合的語義信息重視程度不高,所以難以深入理解復(fù)雜情況下的技術(shù)創(chuàng)新。伍思遠(yuǎn)[41]通過改進(jìn)BP算法建立數(shù)控機(jī)床領(lǐng)域技術(shù)差距的預(yù)測模型,該模型可以輔助機(jī)床領(lǐng)域研究人員完成對機(jī)床領(lǐng)域技術(shù)差距的客觀認(rèn)識。在技術(shù)機(jī)會分析方面,褚恒[42]提出一種復(fù)合型技術(shù)機(jī)會分析方法,通過構(gòu)建技術(shù)知識圖譜解決了缺乏專家知識有效嵌入的問題;利用聯(lián)合專利分類的語義和共現(xiàn)信息構(gòu)建了CPC共現(xiàn)網(wǎng)絡(luò),結(jié)合神經(jīng)網(wǎng)絡(luò)與鏈路預(yù)測方法挖掘網(wǎng)絡(luò)中可能存在的技術(shù)機(jī)會,解決了“信息維度單一”的問題;通過搭建能夠挖掘?qū)＠g隱式融合關(guān)聯(lián)的深度神經(jīng)網(wǎng)絡(luò)模型,解決了“技術(shù)機(jī)會界定規(guī)則單一”以及“技術(shù)機(jī)會可解讀機(jī)會具體性差”的問題,為未來數(shù)控機(jī)床的技術(shù)發(fā)展戰(zhàn)略制定提供了決策支持。

6.3 數(shù)控機(jī)床能耗預(yù)測

制造業(yè)是我國國民經(jīng)濟(jì)的重要組成部分,巨大產(chǎn)值的背后是巨量的能源資源利用,因此,如何提高機(jī)床能源利用率成為實(shí)現(xiàn)制造過程節(jié)能減排的關(guān)鍵問題。Newman T.等[43]提出一種針對工藝規(guī)劃的能耗降低理論框架,從機(jī)床控制軟件方面重新設(shè)計(jì)CNC機(jī)床和控制器,實(shí)現(xiàn)機(jī)床能耗降低;Newman T.等[44]還提出一些分配規(guī)則來實(shí)現(xiàn)機(jī)床狀態(tài)控制策略的選擇,以降低機(jī)床能耗;魏鋒[45]引入深度學(xué)習(xí)的內(nèi)容建立了機(jī)械加工車間能耗預(yù)測模型,通過深度置信網(wǎng)絡(luò)避免了神經(jīng)網(wǎng)絡(luò)隱含層數(shù)量較低而導(dǎo)致訓(xùn)練精度差的問題,實(shí)現(xiàn)對能耗的預(yù)測,為建立降低能耗方案提供了理論基礎(chǔ)。為了降低機(jī)床等待過程的能耗,張朝陽等[46]提出基于遷移學(xué)習(xí)的數(shù)控機(jī)床節(jié)能控制決策方法,通過融合深度置信網(wǎng)絡(luò)與遷移學(xué)習(xí)的機(jī)床節(jié)能決策方法解決了加工過程中數(shù)據(jù)多樣性與復(fù)雜性導(dǎo)致的預(yù)測準(zhǔn)確率低的問題,將機(jī)床的決策誤差降低到3.2%,機(jī)床等待過程中的總能耗降低了52.5%。

7 結(jié)語

近幾年有關(guān)深度學(xué)習(xí)和數(shù)控機(jī)床的文獻(xiàn)數(shù)量相對較少,其主要原因是目前深度學(xué)習(xí)仍存在很多問題,如理論知識有待完善、內(nèi)部特征運(yùn)算無法用機(jī)床領(lǐng)域術(shù)語進(jìn)行解釋等,這導(dǎo)致很多知識無法充分融合,其次深度學(xué)習(xí)需要大量樣本進(jìn)行計(jì)算,對數(shù)據(jù)采集過程、數(shù)據(jù)處理能力和計(jì)算機(jī)的要求相對較高。這些都限制了深度學(xué)習(xí)在數(shù)控機(jī)床方面的應(yīng)用,但是隨著5G技術(shù)的發(fā)展,云計(jì)算、大數(shù)據(jù)等技術(shù)的應(yīng)用并且與深度學(xué)習(xí)相互融合使得深度學(xué)習(xí)的優(yōu)勢愈發(fā)明顯。由此很多學(xué)者在不同的知識領(lǐng)域展開了對深度學(xué)習(xí)的應(yīng)用研究,并且在各自領(lǐng)域都通過深度學(xué)習(xí)的應(yīng)用取得了一些研究成果,如機(jī)床的誤差溯源、主軸診斷、刀具磨損等研究表明,深度學(xué)習(xí)模型優(yōu)于傳統(tǒng)模型的特征提取。綜上,深度學(xué)習(xí)的應(yīng)用已經(jīng)成為機(jī)床行業(yè)發(fā)展壯大的重要手段和趨勢之一,深度學(xué)習(xí)理論不斷完善,其應(yīng)用不斷拓展,必將提高我國高端裝備制造業(yè)的創(chuàng)新能力,加快數(shù)控機(jī)床走向智能化的速度和質(zhì)量。