李東陽(yáng) 袁東風(fēng) 張海霞 鄭安竹 狄子鈞 梁道君

1.山東大學(xué)信息科學(xué)與工程學(xué)院，青島，266237 2.山東大學(xué)控制科學(xué)與工程學(xué)院，濟(jì)南，250061 3.山東省無線通信技術(shù)重點(diǎn)實(shí)驗(yàn)室，濟(jì)南，250100 4.5G應(yīng)用產(chǎn)業(yè)方陣創(chuàng)新中心，濟(jì)南，250061

0 引言

新一輪科技革命和產(chǎn)業(yè)變革加速孕育、集聚迸發(fā)，引發(fā)了國(guó)際產(chǎn)業(yè)分工的深刻變化，全球工業(yè)互聯(lián)網(wǎng)發(fā)展正處于競(jìng)爭(zhēng)格局未定的戰(zhàn)略窗口期。隨著中國(guó)制造2025戰(zhàn)略的部署，以智能制造為主攻方向，激勵(lì)新一代信息技術(shù)與先進(jìn)制造技術(shù)的深度融合，已成為我國(guó)制造業(yè)轉(zhuǎn)型升級(jí)、實(shí)施高質(zhì)量發(fā)展的重要途徑[1]。然而，隨著智能制造的深入推進(jìn)，生產(chǎn)加工流程變得更加自動(dòng)化、智能化，使得數(shù)控機(jī)床設(shè)備也變得愈加復(fù)雜，工業(yè)生產(chǎn)中常因微小的故障而引發(fā)連鎖反應(yīng)[2]，輕則造成設(shè)備損壞、加工成本浪費(fèi)，重則危及人身安全[3]。為此，對(duì)數(shù)控機(jī)床設(shè)備的故障診斷成為保障企業(yè)生產(chǎn)效率、提高產(chǎn)品加工質(zhì)量的關(guān)鍵所在[4]。刀具作為數(shù)控機(jī)床的“牙齒”，其實(shí)時(shí)的運(yùn)行狀態(tài)直接影響著機(jī)床加工效率和產(chǎn)品質(zhì)量。然而，刀具在數(shù)控機(jī)床高速銑削過程中，由于與工件之間的相互作用，很容易造成邊緣變形或損壞。準(zhǔn)確高效地監(jiān)測(cè)機(jī)床刀具實(shí)時(shí)運(yùn)行狀態(tài)，能夠有效避免由于刀具故障而導(dǎo)致的工件質(zhì)量問題，從而提高產(chǎn)品加工質(zhì)量[5]。同時(shí)，文獻(xiàn)[6]中數(shù)據(jù)表明，對(duì)機(jī)床刀具狀態(tài)的精準(zhǔn)監(jiān)測(cè)可提高50%加工效率，降低40%生產(chǎn)成本。因此，開發(fā)一種具有高精度、高效率的機(jī)床刀具故障診斷系統(tǒng)具有重要現(xiàn)實(shí)意義。

目前，國(guó)內(nèi)外已有大量學(xué)者開展機(jī)床刀具故障診斷系統(tǒng)的研究。文獻(xiàn)[7]提出一種基于決策樹的振動(dòng)信號(hào)機(jī)床刀具磨損預(yù)測(cè)算法，使用十折交叉驗(yàn)證評(píng)估模型分類準(zhǔn)確性，最大分類準(zhǔn)確率為87.5%。在上述工作基礎(chǔ)上，文獻(xiàn)[8]采用經(jīng)驗(yàn)?zāi)B(tài)分解的方法處理刀具振動(dòng)信號(hào)，并使用支持向量機(jī)建立故障診斷模型，將機(jī)床刀具故障診斷準(zhǔn)確率提高到90.01%。文獻(xiàn)[9]研究一種基于最小二乘支持向量機(jī)分類器的機(jī)床刀具破損診斷技術(shù)，提供了一種廉價(jià)的機(jī)床刀具狀態(tài)在線監(jiān)測(cè)系統(tǒng)。為進(jìn)一步提高機(jī)床刀具磨損狀態(tài)識(shí)別的準(zhǔn)確率，文獻(xiàn)[10-12]提出基于頻域特征分析的機(jī)床刀具磨損狀態(tài)監(jiān)測(cè)方法，通過將頻域信息作為輔助特征來擴(kuò)展機(jī)床刀具磨損特征維度，從而提高機(jī)床刀具實(shí)時(shí)監(jiān)測(cè)的準(zhǔn)確性。上述工作主要采用結(jié)構(gòu)相對(duì)簡(jiǎn)單的人工智能(artificial intelligence, AI)模型，對(duì)機(jī)床刀具故障模式的識(shí)別能力有限，難以適用于復(fù)雜工業(yè)環(huán)境。

近年來，深度學(xué)習(xí)憑借其對(duì)復(fù)雜非線性數(shù)據(jù)的特征提取能力，被應(yīng)用于機(jī)床刀具故障診斷研究中。文獻(xiàn)[13-15]提出基于深度學(xué)習(xí)的機(jī)床刀具磨損狀態(tài)監(jiān)測(cè)新方法，通過對(duì)切削力、振動(dòng)或聲發(fā)射信號(hào)的分析，挖掘機(jī)床刀具磨損過程中潛在特征，實(shí)現(xiàn)對(duì)機(jī)床刀具磨損狀態(tài)的精準(zhǔn)預(yù)測(cè)。文獻(xiàn)[16]采用傅里葉變換將機(jī)床X、Y、Z三個(gè)主軸方向的電流信號(hào)轉(zhuǎn)換為頻域信號(hào)，借助壓縮感知方法將多維度頻域信號(hào)融合成單維度樣本，并輸入深度自編碼器中來實(shí)現(xiàn)對(duì)機(jī)床刀具磨損狀態(tài)的精準(zhǔn)分類。文獻(xiàn)[17]提出一種基于改進(jìn)多尺度網(wǎng)絡(luò)的機(jī)床刀具故障診斷方法，可提高2.2%的故障診斷準(zhǔn)確率。為進(jìn)一步提高刀具故障診斷的識(shí)別精度，文獻(xiàn)[18-20]提出基于卷積神經(jīng)網(wǎng)絡(luò)(con-volutional neural networks，CNN)和長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)(long short-term memory，LSTM)集成的機(jī)床刀具故障診斷模型來同時(shí)捕獲刀具磨損在空時(shí)域的特征。雖然現(xiàn)有工作已經(jīng)開展了機(jī)床刀具故障智能診斷系統(tǒng)的研究，但是這些工作在應(yīng)用于復(fù)雜工業(yè)現(xiàn)場(chǎng)時(shí)仍存在以下問題：①現(xiàn)有基于CNN和LSTM集成的機(jī)床刀具故障診斷方法并未考慮機(jī)床刀具磨損在不同信號(hào)維度上的多尺度特征，故障識(shí)別的精度還有待進(jìn)一步提高；②大部分現(xiàn)有工作處于理論研究階段，主要聚焦于故障診斷算法的精度提升，而忽略了實(shí)際產(chǎn)線對(duì)故障診斷的高效率要求，難以保證刀具故障診斷及預(yù)警的實(shí)時(shí)性。邊緣計(jì)算作為一種新興技術(shù)將云計(jì)算的存儲(chǔ)、計(jì)算資源下沉到網(wǎng)絡(luò)邊緣側(cè)，可及時(shí)處理工業(yè)現(xiàn)場(chǎng)的故障診斷任務(wù)并將結(jié)果實(shí)時(shí)反饋給產(chǎn)線設(shè)備，成為實(shí)現(xiàn)機(jī)床刀具故障診斷實(shí)時(shí)響應(yīng)與及時(shí)預(yù)警的核心技術(shù)手段。受限于邊緣服務(wù)器的計(jì)算能力，在實(shí)際生產(chǎn)中時(shí)間不敏感型或計(jì)算密集型的任務(wù)仍需在云端完成。為此，針對(duì)復(fù)雜工業(yè)現(xiàn)場(chǎng)，需設(shè)計(jì)云邊高效協(xié)同機(jī)制來實(shí)現(xiàn)刀具故障診斷任務(wù)的低時(shí)延處理。然而，目前國(guó)內(nèi)外僅有少量文獻(xiàn)[21-23]在軸承、發(fā)動(dòng)機(jī)等部件的故障診斷系統(tǒng)中引入了云邊協(xié)同機(jī)制，而對(duì)適用于機(jī)床刀具故障診斷的云邊協(xié)同機(jī)制的研究目前仍屬空白。

針對(duì)以上問題，本文設(shè)計(jì)云邊端協(xié)同的機(jī)床刀具故障智能診斷系統(tǒng)。搭建基于振動(dòng)傳感器的刀具磨損試驗(yàn)平臺(tái)，采集X、Y、Z三軸機(jī)床刀具全生命周期振動(dòng)數(shù)據(jù)，并通過對(duì)機(jī)床刀具磨損數(shù)據(jù)分析，提出基于多尺度卷積神經(jīng)網(wǎng)絡(luò)(multi-scale convolutional neural network，MSCNet)和LSTM集成的機(jī)床刀具故障診斷模型(LSTM-MSCNet模型)，挖掘刀具在不同故障模式下的多尺度特征，實(shí)現(xiàn)對(duì)機(jī)床刀具故障狀態(tài)的精準(zhǔn)識(shí)別；同時(shí)，考慮到工業(yè)產(chǎn)線對(duì)故障診斷的高實(shí)時(shí)性要求，設(shè)計(jì)一種適用于機(jī)床刀具故障診斷的云邊端協(xié)同(cloud-edge-device collaboration，CEDC)架構(gòu)，以實(shí)現(xiàn)底層產(chǎn)線、邊緣節(jié)點(diǎn)與工業(yè)云平臺(tái)的高效互聯(lián)，保證機(jī)床刀具故障的及時(shí)預(yù)警。

1 云邊端協(xié)同的機(jī)床刀具故障智能診斷系統(tǒng)設(shè)計(jì)

1.1 系統(tǒng)總體架構(gòu)

為實(shí)時(shí)監(jiān)測(cè)機(jī)床刀具運(yùn)行狀態(tài)，精準(zhǔn)識(shí)別斷刀、崩裂等異常情況，實(shí)現(xiàn)刀具故障的及時(shí)預(yù)警，本文設(shè)計(jì)云邊端協(xié)同的機(jī)床刀具故障智能診斷系統(tǒng)架構(gòu)。如圖1所示，該系統(tǒng)包含數(shù)據(jù)采集與傳輸、基于人工智能(AI)的機(jī)床刀具故障智能診斷、工業(yè)云平臺(tái)交互三個(gè)部分：①在底層設(shè)備邊緣，部署多源傳感器(振動(dòng)、切削力、聲音、電流等)采集機(jī)床刀具磨損數(shù)據(jù)，并利用輕量級(jí)數(shù)據(jù)采集儀對(duì)多源傳感器數(shù)據(jù)進(jìn)行聚合，最后借助嵌入5G模組的網(wǎng)關(guān)設(shè)備將數(shù)據(jù)傳輸至具有計(jì)算能力的邊緣服務(wù)器；②在邊緣服務(wù)器中部署基于AI的機(jī)床刀具故障診斷模型，用以負(fù)責(zé)實(shí)時(shí)的機(jī)床刀具狀態(tài)監(jiān)測(cè)與故障識(shí)別，根據(jù)智能檢測(cè)與識(shí)別結(jié)果產(chǎn)生決策，驅(qū)動(dòng)可編程控制器(programmable logic controller，PLC)對(duì)報(bào)警器、電機(jī)等設(shè)備進(jìn)行控制，實(shí)現(xiàn)故障的及時(shí)預(yù)警與處理；③工業(yè)云平臺(tái)則通過基礎(chǔ)設(shè)施即服務(wù)(infrastructure as a service，IaaS)、平臺(tái)即服務(wù)(platform as a service，PaaS)及軟件即服務(wù)(software as a service，SaaS)輔助生產(chǎn)全流程中各要素之間的交互及可視化展示，同時(shí)依托強(qiáng)大計(jì)算資源，分析故障數(shù)據(jù)，訓(xùn)練AI模型。綜上所述，本系統(tǒng)設(shè)計(jì)的關(guān)鍵在于對(duì)機(jī)床刀具磨損數(shù)據(jù)的采集以及基于AI的機(jī)床刀具故障智能診斷算法與云邊端協(xié)同機(jī)制的設(shè)計(jì)。

圖1 云邊端協(xié)同的機(jī)床刀具故障智能診斷系統(tǒng)架構(gòu)圖Fig.1 Architecture diagram of intelligent tool fault diagnosis system of machine tools with cloud-edge-device collaboration

1.2 機(jī)床刀具全生命周期數(shù)據(jù)采集

為設(shè)計(jì)適用于實(shí)際生產(chǎn)場(chǎng)景的機(jī)床刀具故障診斷系統(tǒng)，本文基于立式加工中心VDF-850數(shù)控機(jī)床搭建刀具磨損試驗(yàn)平臺(tái)，如圖2所示，用以采集機(jī)床刀具全生命周期磨損數(shù)據(jù)并進(jìn)行標(biāo)注，為后續(xù)基于AI的機(jī)床刀具故障診斷算法的設(shè)計(jì)提供數(shù)據(jù)與理論支撐。

機(jī)床刀具的整個(gè)切削過程在立式加工中心VDF-850數(shù)控機(jī)床上進(jìn)行，通過安裝KS903三軸加速度傳感器來采集數(shù)控機(jī)床主軸X、Y、Z三個(gè)方向的振動(dòng)信號(hào)，采樣頻率為10 240 Hz。根據(jù)加工工藝，設(shè)置每組銑削過程實(shí)驗(yàn)耗時(shí)為4 min 17 s，每把刀從全新狀態(tài)到嚴(yán)重磨損狀態(tài)可采集35～40組實(shí)驗(yàn)數(shù)據(jù)。每組振動(dòng)信號(hào)采集完后，利用19JC數(shù)字式萬能工具顯微鏡測(cè)量機(jī)床刀具磨損值作為數(shù)據(jù)標(biāo)簽，測(cè)量值包括：每個(gè)主后刀面的最大磨損寬度、ap/2(ap為背吃刀量)處磨損寬度和磨損面積，每個(gè)副后刀面的最大磨損寬度和磨損面積。具體試驗(yàn)參數(shù)設(shè)置如表1所示。

表1 機(jī)床刀具磨損試驗(yàn)平臺(tái)加工參數(shù)

由于在加工過程中機(jī)床會(huì)存在退刀、空轉(zhuǎn)等狀態(tài)，這會(huì)導(dǎo)致采集的振動(dòng)數(shù)據(jù)存在異常值。為此，在進(jìn)行數(shù)據(jù)分析前，需先對(duì)采集的數(shù)據(jù)進(jìn)行預(yù)處理，將采集產(chǎn)生的無效值或異常值進(jìn)行剔除。以機(jī)床主軸X方向單組切削過程的原始振動(dòng)信號(hào)為例，數(shù)據(jù)預(yù)處理前后信號(hào)如圖3所示。參考刀具磨損過程及磨鈍標(biāo)準(zhǔn)，依據(jù)測(cè)量的刀具磨損值將機(jī)床刀具全生命周期數(shù)據(jù)分別標(biāo)注為初期磨損、正常磨損以及急劇磨損三個(gè)階段。

(a)數(shù)據(jù)預(yù)處理前

在設(shè)計(jì)機(jī)床刀具故障診斷算法前，本文對(duì)機(jī)床刀具全生命周期磨損數(shù)據(jù)進(jìn)行了時(shí)頻域的分析，結(jié)果如圖4和圖5所示，可以看出，機(jī)床刀具磨損越嚴(yán)重，采集振動(dòng)信號(hào)在時(shí)域和頻域的幅值越大，且X、Y、Z不同維度上的數(shù)據(jù)均可反映刀具不同的磨損狀態(tài)。但是，不同維度上的振動(dòng)信號(hào)對(duì)機(jī)床刀具磨損強(qiáng)度的表征會(huì)有所差異。

圖4 機(jī)床主軸X、Y、Z軸的振動(dòng)信號(hào)樣本時(shí)域圖Fig.4 Vibration signal samples in time domain forX, Y and Z axes of machine tools

(a)X軸初期磨損樣本頻譜圖 (b)X軸正常磨損樣本頻譜圖 (c)X軸急劇磨損樣本頻譜圖

1.3 基于人工智能的機(jī)床刀具故障智能診斷算法

根據(jù)對(duì)實(shí)際加工現(xiàn)場(chǎng)采集的振動(dòng)信號(hào)分析的結(jié)果，機(jī)床刀具的磨損狀態(tài)與空時(shí)域多維度特征存在著強(qiáng)相關(guān)性。為捕獲刀具磨損在不同振動(dòng)方向上的多尺度特征，提高機(jī)床刀具故障識(shí)別的精度，本文設(shè)計(jì)了基于長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)(LSTM)和多尺度卷積神經(jīng)網(wǎng)絡(luò)(MSCNet)集成的機(jī)床刀具故障診斷模型(LSTM-MSCNet模型)。如圖6所示，LSTM-MSCNet模型網(wǎng)絡(luò)架構(gòu)主要包含三個(gè)部分：①基于LSTM的時(shí)序特征提取模塊，主要用于提取X、Y、Z不同振動(dòng)方向信號(hào)在時(shí)域上的相關(guān)性；②基于MSCNet的空間特征提取模塊，用以捕獲空間域上X、Y、Z軸振動(dòng)信號(hào)的多尺度特征；③空時(shí)特征融合模塊，通過全連接網(wǎng)絡(luò)，將MSCNet與LSTM提取的空時(shí)域多尺度特征進(jìn)行深度融合，更好地挖掘機(jī)床刀具潛在的故障模式，提高機(jī)床刀具故障診斷準(zhǔn)確率。

圖6 LSTM-MSCNet模型網(wǎng)絡(luò)架構(gòu)圖Fig.6 Network architecture diagram of LSTM-MSCNet model

1.3.1基于LSTM的時(shí)序特征提取模塊

(1)

(2)

(3)

(4)

(5)

其中，wi、wf、wo和bi、bf、bo分別為輸入門、遺忘門、輸出門學(xué)習(xí)得到的網(wǎng)絡(luò)權(quán)重和偏差值；wc、bc分別為狀態(tài)向量變換的權(quán)重和偏差值；xt為當(dāng)前時(shí)刻的輸入；ct-1、ht-1分別為上一時(shí)刻的狀態(tài)向量和隱狀態(tài)向量；ct、ht分別為當(dāng)前時(shí)刻的狀態(tài)向量和隱狀態(tài)向量；δ(·)表示sigmoid激活函數(shù)，值域?yàn)?0～1，0表示不通過，1表示全通過。本文采用兩層LSTM網(wǎng)絡(luò)來提取機(jī)床刀具磨損信號(hào)的時(shí)域特征，每層網(wǎng)絡(luò)神經(jīng)元個(gè)數(shù)分別設(shè)置為128、32。

1.3.2基于MSCNet的空間特征提取模塊

為捕獲機(jī)床刀具磨損信號(hào)在空間域上的多尺度特征，本文設(shè)計(jì)基于MSCNet的空間特征提取模塊。MSCNet可以利用不同分支結(jié)構(gòu)與卷積核參數(shù)來提取機(jī)床刀具磨損在空間域上不同尺度特征信息，然后通過對(duì)不同尺度特征進(jìn)行融合來提高模型對(duì)機(jī)床刀具故障診斷的準(zhǔn)確率[22]。本文所設(shè)計(jì)的MSCNet網(wǎng)絡(luò)結(jié)構(gòu)如圖6所示，主要包含3個(gè)網(wǎng)絡(luò)分支，不同分支的卷積層深度有所不同。第1個(gè)網(wǎng)絡(luò)分支包含5個(gè)卷積層，各卷積層輸出的特征圖尺度大小分別為n×n×3,n/2×n/2×8,n/4×n/4×16,n/8×n/8×32,n/16×n/16×64,其中n為輸入數(shù)據(jù)的維度。第2個(gè)網(wǎng)絡(luò)分支包含3個(gè)卷積層，各卷積層輸出的特征圖尺度大小分別為n/2×n/2×8,n/4×n/4×16,n/8×n/8×32。第3個(gè)網(wǎng)絡(luò)分支僅包含1個(gè)卷積層，其輸出的特征圖尺度大小為n/4×n/4×16。通過3個(gè)網(wǎng)絡(luò)分支，模型可以提取不同尺度特征信息。3個(gè)網(wǎng)絡(luò)分支的數(shù)學(xué)表達(dá)式如下：

(6)

(7)

(8)

為進(jìn)一步優(yōu)化MSCNet網(wǎng)絡(luò)性能，在不同分支之間加入殘差連接模塊，通過將淺層網(wǎng)絡(luò)分支的特征圖與深層網(wǎng)絡(luò)分支的特征圖做殘差，以增加特征提取的多樣性，同時(shí)解決網(wǎng)絡(luò)梯度消弭問題。殘差模塊加入后，卷積層輸出的數(shù)學(xué)表達(dá)式如下：

(9)

最后，將3個(gè)分支輸出的不同尺度特征圖整合后輸入全連接網(wǎng)絡(luò)進(jìn)行特征融合，得到機(jī)床刀具磨損在空間域上的多尺度特征ys其數(shù)學(xué)表達(dá)代如下：

ys=(ys1,ys2,ys3)

(10)

1.3.3空時(shí)特征融合模塊

為融合LSTM提取的時(shí)域特征與MSCNet提取的空間域多尺度特征，本文在模型最后添加兩層全連接網(wǎng)絡(luò)，并通過Softmax激活函數(shù)來輸出不同機(jī)床刀具磨損狀態(tài)的概率，從而判定當(dāng)前的機(jī)床刀具磨損狀態(tài)，其表達(dá)式為

yc=[ys,ht]wc+bc

(11)

yp=Softmax(yc)

(12)

其中，yc為全連接網(wǎng)絡(luò)融合后的空時(shí)域特征；wc、bc分別為全連接網(wǎng)絡(luò)的權(quán)重和偏差值；yp為不同機(jī)床刀具磨損狀態(tài)的輸出概率向量。

1.4 適用于機(jī)床刀具故障診斷的云邊端協(xié)同機(jī)制

針對(duì)復(fù)雜工業(yè)現(xiàn)場(chǎng)對(duì)機(jī)床刀具故障預(yù)警的高實(shí)時(shí)性要求，本文設(shè)計(jì)一種適用于機(jī)床刀具故障診斷的云邊端協(xié)同框架(圖7)，以實(shí)現(xiàn)底層產(chǎn)線、邊緣節(jié)點(diǎn)與云端工業(yè)互聯(lián)網(wǎng)平臺(tái)的高效互聯(lián)，從而保證機(jī)床刀具故障的及時(shí)預(yù)警。其中底層終端設(shè)備主要負(fù)責(zé)數(shù)據(jù)采集、智能分流等任務(wù)并協(xié)同邊緣服務(wù)器與云中心工作。在中層部署邊緣服務(wù)器節(jié)點(diǎn)，優(yōu)先處理底層產(chǎn)線產(chǎn)生的機(jī)床刀具故障診斷、預(yù)警等時(shí)延敏感型任務(wù)，同時(shí)部署任務(wù)調(diào)度監(jiān)控節(jié)點(diǎn)，負(fù)責(zé)實(shí)時(shí)查看邊緣節(jié)點(diǎn)工作狀態(tài)，同時(shí)執(zhí)行云邊端協(xié)同調(diào)度算法。云中心負(fù)責(zé)處理AI模型訓(xùn)練、數(shù)據(jù)存儲(chǔ)及機(jī)床刀具狀態(tài)可視化展示等時(shí)間不敏感型或計(jì)算密集型任務(wù)。

圖7 基于云邊端協(xié)同機(jī)制的機(jī)床刀具故障診斷框架圖Fig.7 Architecture diagram of tool fault diagnosis of machine tool based on cloud-edge-device collaboration mechanism

本文的目標(biāo)是通過設(shè)計(jì)合理的云邊端協(xié)同任務(wù)分配機(jī)制來實(shí)現(xiàn)最小化與機(jī)床刀具故障診斷相關(guān)的不同任務(wù)的處理時(shí)延，因此，優(yōu)化目標(biāo)可表示如下：

(13)

(14)

εu,ξu∈{0，1}ε=(ε1,ε2,…,εu,…,εU)

ξ=(ξ1,ξ2,…,ξu,…,ξU)

其中，ε、ξ為任務(wù)在終端的卸載策略向量；U為任務(wù)總數(shù)；εu、ξu為任務(wù)u在終端的卸載策略，εu=1表示任務(wù)在底層終端執(zhí)行；ξu=1表示任務(wù)被卸載至邊緣服務(wù)器執(zhí)行；當(dāng)εu=0、ξu=0時(shí)，表示任務(wù)被卸載至云服務(wù)器執(zhí)行。式(14)為約束條件，表示在底層終端和邊緣服務(wù)器上為不同任務(wù)分配的計(jì)算資源總和不能超過底層終端和邊緣服務(wù)器本身計(jì)算能力上限Kdevice和Kedge。

針對(duì)上述優(yōu)化問題，本文采用一種貪心算法對(duì)其進(jìn)行求解，所帶來的性能增益將在后續(xù)實(shí)驗(yàn)部分進(jìn)行具體分析。貪心算法的核心思路是將一個(gè)優(yōu)化問題的求解過程分成若干個(gè)步驟，但每個(gè)步驟都應(yīng)用貪心準(zhǔn)則，選取當(dāng)前狀態(tài)下最優(yōu)的選擇，最終逼近全局最優(yōu)解。本文中，選取的貪心準(zhǔn)則為：對(duì)所有任務(wù)進(jìn)行數(shù)據(jù)量由大到小的排序，優(yōu)先選取數(shù)據(jù)量大的任務(wù)進(jìn)行決策，分別對(duì)比其底層設(shè)備(按需分配計(jì)算資源) 執(zhí)行、邊緣服務(wù)器(按需分配計(jì)算資源)執(zhí)行和云服務(wù)器執(zhí)行所帶來的系統(tǒng)處理時(shí)延，并選擇其中時(shí)延最小的策略執(zhí)行，此后依次選取數(shù)據(jù)量大的任務(wù)進(jìn)行決策，直至所有任務(wù)決策完成，具體流程見算法1。

1.5 軟件系統(tǒng)及可視化界面設(shè)計(jì)

在上述理論研究基礎(chǔ)上，本文研發(fā)基于AI的機(jī)床刀具故障診斷軟件系統(tǒng)，實(shí)現(xiàn)對(duì)機(jī)床刀具故障的及時(shí)預(yù)警，從而指導(dǎo)工作人員對(duì)故障設(shè)備進(jìn)行維護(hù)，提高企業(yè)生產(chǎn)效率與產(chǎn)品加工質(zhì)量。如圖8所示，本軟件主要包含4個(gè)功能模塊：用戶注冊(cè)與登錄模塊、數(shù)據(jù)預(yù)處理模塊、信號(hào)特征提取模塊、基于AI的機(jī)床刀具故障診斷模塊。其中用戶注冊(cè)與登錄模塊主要統(tǒng)計(jì)用戶注冊(cè)信息、保證用戶信息安全；數(shù)據(jù)預(yù)處理模塊主要為了可視化X、Y、Z三軸振動(dòng)數(shù)據(jù)；信號(hào)特征提取模塊主要用以分析和展示機(jī)床刀具磨損信號(hào)在時(shí)頻域上的特征信息，輔助機(jī)床刀具故障診斷算法進(jìn)行智能決策；基于AI的機(jī)床刀具故障診斷模塊主要利用所提基于LSTM-MSCNet的機(jī)床刀具故障診斷模型，實(shí)現(xiàn)對(duì)機(jī)床刀具實(shí)時(shí)磨損狀態(tài)的精準(zhǔn)識(shí)別。

2 結(jié)果分析與討論

為證明所提機(jī)床刀具故障智能診斷算法與云邊端協(xié)同機(jī)制的有效性，本文利用采集的實(shí)際產(chǎn)線數(shù)據(jù)開展驗(yàn)證性實(shí)驗(yàn)。經(jīng)過數(shù)據(jù)預(yù)處理后，共得到24 705個(gè)樣本，其中，初期磨損階段包含549個(gè)樣本，穩(wěn)態(tài)磨損階段包含14 274個(gè)樣本，急劇磨損階段包含9882個(gè)樣本。將數(shù)據(jù)集隨機(jī)打亂之后，將樣本總數(shù)的70%、10%和20%分別作為訓(xùn)練集、驗(yàn)證集和測(cè)試集。

圖8 基于AI的機(jī)床刀具故障診斷軟件系統(tǒng)Fig.8 AI-based software system for tool fault diagnosis

本文采用準(zhǔn)確率RA(Accuracy)、精確率RP(Precision)、召回率RR(Recall)、F1分?jǐn)?shù)SF1(F1 Score)作為機(jī)床刀具故障診斷算法性能的評(píng)價(jià)指標(biāo)。4種評(píng)價(jià)指標(biāo)的計(jì)算表達(dá)式如下：

(15)

(16)

(17)

(18)

其中，準(zhǔn)確率RA是機(jī)床刀具磨損狀態(tài)分類正確樣本數(shù)與總樣本數(shù)的比值；精確率RP是機(jī)床刀具磨損狀態(tài)分類正確的正樣本數(shù)與所有被分類為正樣本數(shù)的比值；召回率RR是機(jī)床刀具磨損狀態(tài)分類正確的正樣本數(shù)與實(shí)際正樣本數(shù)的比值；F1分?jǐn)?shù)SF1是RP和RR的調(diào)和平均；NTP表示將正樣本正確分類為正樣本的數(shù)目(true positive，TP)；NFP表示將負(fù)樣本錯(cuò)誤分類為正樣本的樣本數(shù)目(false positive，F(xiàn)P)；NTN表示將負(fù)樣本正確分類為負(fù)樣本的樣本數(shù)目(true negative，TN)；NFN表示將正樣本錯(cuò)誤分類為負(fù)樣本的樣本數(shù)目(false negative，F(xiàn)N)。

2.1 模型參數(shù)對(duì)機(jī)床刀具故障診斷精度的影響

學(xué)習(xí)率(learning rate，LR)是影響模型精度和訓(xùn)練速度的重要參數(shù)。當(dāng)LR值過大時(shí)，會(huì)使權(quán)重更新過快，使得模型精度和穩(wěn)定性變差；當(dāng)LR值過小時(shí)，會(huì)減緩網(wǎng)絡(luò)學(xué)習(xí)速度，導(dǎo)致陷入局部最優(yōu)從而影響模型性能。為此，本文在不同學(xué)習(xí)率下對(duì)所提LSTM-MSCNet進(jìn)行50次迭代訓(xùn)練，性能分析結(jié)果如圖9所示，可以看出，當(dāng)學(xué)習(xí)率RL為0.0005時(shí)，模型取得了最佳的機(jī)床刀具故障診斷準(zhǔn)確率，因此，本文將LSTM-MSCNet模型的學(xué)習(xí)率設(shè)為0.0005。

圖9 不同學(xué)習(xí)率下機(jī)床刀具故障診斷算法性能分析圖Fig.9 Performance analysis diagram of tool faultdiagnosis algorithms with different learning rates

2.2 機(jī)床刀具故障算法收斂性分析

為驗(yàn)證所提基于LSTM-MSCNet模型的機(jī)床刀具故障診斷算法收斂性，本文對(duì)比3種基于不同深度學(xué)習(xí)模型的機(jī)床刀具故障診斷算法，分別為卷積神經(jīng)網(wǎng)絡(luò)(CNN)、長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)(LSTM)、多尺度卷積神經(jīng)網(wǎng)絡(luò)(MSCNet)。由圖10和11可以看出，隨著迭代次數(shù)的增加，不同算法在訓(xùn)練集和測(cè)試集上都可以收斂到一定的準(zhǔn)確率。而本文所提的LSTM-MSCNet相較于其他對(duì)比算法來說具有更快的收斂速度和最優(yōu)的收斂準(zhǔn)確率。

圖10 不同刀具故障診斷算法在訓(xùn)練集的收斂性分析圖Fig.10 Convergence analysis diagram for different toolfault diagnosis algorithms in training dataset

圖11 不同刀具故障診斷算法在驗(yàn)證集的收斂性分析圖Fig.11 Convergence analysis diagram for different toolfault diagnosis algorithms in validating dataset

2.3 不同機(jī)床刀具故障算法性能對(duì)比

為驗(yàn)證所提基于LSTM-MSCNet的機(jī)床刀具故障診斷算法性能，本文除了對(duì)比2.2小節(jié)不同深度學(xué)習(xí)模型外，還添加了如下兩種機(jī)器學(xué)習(xí)算法：多層感知機(jī)(MLP)、支持向量機(jī)(SVM)，結(jié)果如表2所示。從表2中可以看出，本文所提出的基于LSTM-MSCNet的機(jī)床刀具故障診斷算法在4種評(píng)價(jià)指標(biāo)上都取得了最優(yōu)的性能。就準(zhǔn)確率指標(biāo)而言，相較于MSCNet、LSTM、CNN、SVM、MLP，所提算法的性能分別提高0.88%、1.23%、1.35%、19.94%、20.99%。這主要得益于本文所提基于LSTM-MSCNet的機(jī)床刀具故障診斷算法可以通過提取不同空時(shí)域的多尺度特征來增強(qiáng)模型表達(dá)能力，從而提高機(jī)床刀具故障的診斷性能。此外，相較于機(jī)器學(xué)習(xí)方法，基于深度學(xué)習(xí)的機(jī)床刀具故障診斷算法具有明顯的優(yōu)勢(shì)，這也進(jìn)一步說明研究基于深度學(xué)習(xí)的機(jī)床刀具故障診斷算法具有較好的實(shí)用價(jià)值。

表2 刀具故障診斷算法在4種評(píng)價(jià)指標(biāo)上的性能對(duì)比

2.4 云邊端協(xié)同機(jī)制性能分析

為分析所提云邊端協(xié)同機(jī)制的性能增益，本文與4種不同任務(wù)卸載機(jī)制進(jìn)行對(duì)比：①任務(wù)全部在底層終端設(shè)備執(zhí)行(only local, OL)；②任務(wù)全部卸載至邊緣服務(wù)器執(zhí)行(only edge, OE)；③任務(wù)全部卸載至中心云服務(wù)器執(zhí)行(only cloud, OC)；④通過云邊協(xié)同機(jī)制將任務(wù)卸載至邊緣服務(wù)器或中心云服務(wù)器執(zhí)行(cloud-edge collaboration, CEC)，結(jié)果如圖12和圖13所示。從圖12中可以看出，隨著底層產(chǎn)線待處理機(jī)床刀具故障診斷任務(wù)數(shù)目的增多，除OL機(jī)制外，其他卸載機(jī)制的任務(wù)最大完成時(shí)延都逐漸增加。其原因在于任務(wù)數(shù)目的增加會(huì)導(dǎo)致邊緣服務(wù)器的負(fù)載越來越大，使得每個(gè)任務(wù)被分配的計(jì)算資源越來越少，從而導(dǎo)致計(jì)算時(shí)延增加。相較于OL、OE、OC和CEC機(jī)制，當(dāng)任務(wù)數(shù)目為45時(shí)，本文所提云邊端協(xié)同(CEDC)機(jī)制通過對(duì)本地設(shè)備、邊緣服務(wù)器以及云服務(wù)器資源的最優(yōu)化配置，分別縮短31.77%、52.41%、45.38%、47.59%的任務(wù)最大完成時(shí)延。特別地，OL架構(gòu)的任務(wù)最大完成時(shí)延并沒有隨任務(wù)數(shù)目的增加而變化，原因在于實(shí)際產(chǎn)線上每臺(tái)機(jī)床設(shè)備在同一時(shí)間段內(nèi)僅能產(chǎn)生并處理一個(gè)機(jī)床刀具故障診斷任務(wù)。

圖12 任務(wù)數(shù)目變化時(shí)不同卸載機(jī)制性能對(duì)比圖Fig.12 Performance comparison of different offloadingmechanisms as the number of tasks changes

圖13 邊緣計(jì)算能力變化時(shí)不同卸載機(jī)制性能對(duì)比圖Fig.13 Performance comparison of different offloadingmechanisms as the capacity of edge computing changes

此外，從圖13中可以看出，隨著邊緣服務(wù)器計(jì)算能力K值的增大，在邊緣處理的機(jī)床刀具故障診斷任務(wù)數(shù)也將增加，使得OE、CEC、CEDC機(jī)制的任務(wù)最大完成時(shí)延逐漸縮短。所提CEDC機(jī)制取得了最優(yōu)的時(shí)延性能，相較于OE和CEC機(jī)制，可分別縮短13.97%、42.34%的系統(tǒng)最大任務(wù)完成時(shí)延。

3 結(jié)語(yǔ)

針對(duì)復(fù)雜工業(yè)現(xiàn)場(chǎng)對(duì)機(jī)床刀具故障診斷的高精度、高時(shí)效性要求，本文設(shè)計(jì)一種云邊端協(xié)同的機(jī)床刀具故障智能診斷系統(tǒng)，以實(shí)現(xiàn)機(jī)床刀具運(yùn)行狀態(tài)的精準(zhǔn)監(jiān)測(cè)與故障的及時(shí)預(yù)警。研究結(jié)果表明，所提出的基于LSTM-MSCNet的機(jī)床刀具故障診斷算法可通過挖掘機(jī)床刀具磨損在不同空時(shí)域的多尺度特征，實(shí)現(xiàn)對(duì)刀具磨損狀態(tài)的精準(zhǔn)識(shí)別，準(zhǔn)確率可達(dá)98.3%；同時(shí)，所提云邊端協(xié)同機(jī)制可以高效協(xié)同工業(yè)云平臺(tái)、邊緣服務(wù)器及終端設(shè)備三者之間的計(jì)算資源，最小化任務(wù)的完成時(shí)延，從而滿足機(jī)床刀具故障預(yù)警的高實(shí)時(shí)性要求。本工作的研究對(duì)提高企業(yè)產(chǎn)品的生產(chǎn)效率和加工質(zhì)量具有重要意義，具備較強(qiáng)的可推廣性。在后續(xù)的研究工作中，本課題組將考慮增加切削力、聲發(fā)射、電流等多源傳感器采集數(shù)據(jù)，提高在不同工況下刀具故障診斷的穩(wěn)健性。