王舒瑋，薛敏杰

(1.山西大同大學機電工程學院，山西大同 037000；2.內(nèi)蒙古北方重工業(yè)集團有限公司試驗基地，內(nèi)蒙古包頭 010400)

0 前言

數(shù)控機床是最典型的機電設備，其主要特點是靈活性好、效率高、精度高、產(chǎn)品質(zhì)量穩(wěn)定。數(shù)控機床涵蓋自動控制技術(shù)、機械制造技術(shù)、計算機技術(shù)和測試技術(shù)等，在現(xiàn)代機械工業(yè)中發(fā)揮著重要作用[1]。由于數(shù)控機床是一種復雜的機械結(jié)構(gòu)，發(fā)生故障的可能性隨著機床的復雜性而增加，降低數(shù)控機床的可靠性。因此在實際加工中，有些故障需要盡早避免，以確保數(shù)控機床的加工精度和穩(wěn)定性。

傳統(tǒng)的數(shù)控機床故障預測的實現(xiàn)都是基于豐富的實驗數(shù)據(jù)，通常需要大量的故障信息才能準確預測，使得預測難度加大[2]。由于數(shù)控機床在全國應用范圍較為廣泛，收集故障信息數(shù)據(jù)需要大量的時間和財力，同時隨著數(shù)控機床更新?lián)Q代頻率的增加，很難創(chuàng)建大數(shù)據(jù)庫[3]。在數(shù)據(jù)匱乏的情況下，準確預測數(shù)控機床故障是目前需要研究的重點[4]。

目前，遺傳算法優(yōu)化長短期記憶神經(jīng)網(wǎng)絡廣泛應用于各個領(lǐng)域，但將它應用于數(shù)控機床故障診斷還未做深度研究。本文作者采用遺傳算法(Genetic Algorithm，GA)優(yōu)化長短期記憶神經(jīng)網(wǎng)絡(Long Short Term Memory，LSTM)的超參數(shù)，并構(gòu)建預測數(shù)控機床故障的網(wǎng)絡模型預測機床故障，并獲得最小預測誤差。

1 數(shù)控機床故障分析

在研究數(shù)控機床的可靠性之前，有必要收集故障數(shù)據(jù)。獲取數(shù)據(jù)的先決條件是：(1)真實性，即記錄出現(xiàn)故障的時間和表現(xiàn)方式；(2)連續(xù)性，即故障數(shù)據(jù)記錄必須持續(xù)，出現(xiàn)的任何故障都需要記錄；(3)完整性，應清楚記錄關(guān)于機床的使用狀態(tài)、工作環(huán)境、維護時長和方法等基本信息。

在特定的條件和時間內(nèi)，數(shù)控機床的某些性能指標無法保持在特定范圍以及數(shù)控機床在特定條件下和特定時間對人、環(huán)境、能源、材料等的影響超過允許范圍等[5]，都可視為出現(xiàn)故障，數(shù)控機床無法按時完成規(guī)定條件下的任務。根據(jù)數(shù)控機床故障的各種原因，可分為相關(guān)故障和非相關(guān)故障。由產(chǎn)品本身缺陷引起的相關(guān)故障，包括零件損壞和零件在生命周期內(nèi)磨損引起的故障。非相關(guān)故障是指無特定條件或其他外在因素(如人為因素導致的操作錯誤或安裝錯誤)而導致的故障[6]。

數(shù)控機床是一種復雜的機械結(jié)構(gòu)，其故障受到許多因素的影響。根據(jù)觸發(fā)因素的特點，故障類型可分為突然發(fā)生型和漸進發(fā)生型。突然發(fā)生型故障是由于機械變形、加工零件損壞或故障，加工設備失去某些功能等。這種類型的故障可能會導致機床停止，如主軸停止旋轉(zhuǎn)、固定裝置無法打開或關(guān)閉操作等[7]。這種情況往往規(guī)律性較差，故障預測無法解決。而漸進式故障是隨著機床零件長時間工作、老化和逐漸磨損等導致的故障。由于機床運行時間和加工量的積累，數(shù)控機床的精度會降低。通常此類故障不會導致機床突然停止，但會影響加工零件的質(zhì)量，導致加工精度不足、噪聲振動增加或磨損嚴重等[8]。這種故障隱藏在實時加工狀態(tài)中，也是文中研究的重點內(nèi)容。

整理收集的10部數(shù)控機床一年內(nèi)出現(xiàn)的故障數(shù)據(jù)，由于數(shù)據(jù)量大，先對它進行預處理。不討論并刪除因操作人員或維護人員操作不當和其他非相關(guān)問題而導致的人為因素。劃分和整理相關(guān)故障數(shù)據(jù)共有100組。

數(shù)控機床的故障可根據(jù)子系統(tǒng)分為3種類型：數(shù)控系統(tǒng)的故障、電氣系統(tǒng)的故障和機床機械部件故障[9]。數(shù)控和電氣系統(tǒng)通常具有內(nèi)部自我診斷功能，并通過成熟的報警代碼進行維護，不需要考慮故障預測。文中重點研究機床機械部件故障。

為了更好地了解機床機械部件故障，根據(jù)出現(xiàn)故障的功能部件分布情況進行劃分和分析。以現(xiàn)有開放式數(shù)控系統(tǒng)S-100M實驗平臺為例，首先，根據(jù)功能類型，除數(shù)控系統(tǒng)和電氣系統(tǒng)外，數(shù)控車床按照主次又分為6個子系統(tǒng)：主軸系統(tǒng)、進給系統(tǒng)、刀架系統(tǒng)、液壓系統(tǒng)、伺服裝置、其他輔助系統(tǒng)[10]。為直觀體現(xiàn)發(fā)生故障的部件，各子系統(tǒng)發(fā)生故障的概率如圖1所示。

圖1 系統(tǒng)故障統(tǒng)計Fig.1 System fault statistics

由圖1可知：除數(shù)控系統(tǒng)和電氣系統(tǒng)外，主軸系統(tǒng)、進給系統(tǒng)出現(xiàn)故障的次數(shù)較多，且這2個系統(tǒng)對加工誤差影響也較多，也是文中實現(xiàn)預測的重要部分。

2 長短期記憶神經(jīng)網(wǎng)絡介紹

長短期記憶神經(jīng)網(wǎng)絡的特點在于以細胞狀態(tài)為模型特征，可選擇性地保留一些狀態(tài)，遺忘一些狀態(tài)，負責在任何時間段“保存”數(shù)據(jù)。由于存在細胞結(jié)構(gòu)，無論分類或預測，LSTM都是一個非常適合處理時間序列數(shù)據(jù)的模型[11]。此外，與之前的模型相比，LSTM可以從信息中獲取長距離數(shù)據(jù)，因此在長序列中表現(xiàn)更好。

LSTM內(nèi)存單元中有輸入門、遺忘門和輸出門3個門。其中的任何一個都可以被視為傳統(tǒng)的人工神經(jīng)元，通過激活功能來計算總權(quán)重。當模型處理數(shù)據(jù)信息時，由輸入門判斷哪些數(shù)據(jù)需要存入存儲單元；進入存儲單元的數(shù)據(jù)由遺忘門選擇滿足需求的即為有用數(shù)據(jù)，其余數(shù)據(jù)刪除；有用數(shù)據(jù)經(jīng)過處理后將最終數(shù)據(jù)傳遞至輸出門，得到最終輸出值[12]。LSTM的內(nèi)部結(jié)構(gòu)如圖2所示。

圖2 LSTM的內(nèi)部結(jié)構(gòu)Fig.2 Internal structure of LSTM

輸入門的功能是有選擇地在細胞狀態(tài)中記錄和識別新信息，并存儲在細胞狀態(tài)中。輸入門以σ層和tanh層的形式存在。σ層決定更新值，tanh層生成新的內(nèi)存，并添加有關(guān)刪除屬性等其他信息。公式如下：

it=σ(Wi×[xt，ht-1]+bi)

(1)

(2)

ot=σ(Wo×[xt,ht-1]+bo)

(3)

ht=ot×tanh(Ct)

(4)

式中：Wo代表權(quán)重；bo代表偏置；ht為隱藏層最終輸出。

遺忘門的任務是有選擇地過濾細胞狀態(tài)的信息，并選擇性地遺忘[13]。通過接收前一單元的輸出Ct-1并選擇保留或遺忘Ct-1的部分，公式如下：

ft=σ(Wf×[xt，ht-1]+bf)

(5)

(6)

式中：xt是t時刻神經(jīng)元的輸入；ht是神經(jīng)元的輸出；Wf代表權(quán)重；bf代表偏置；σ是神經(jīng)元sigmoid激活函數(shù)；ft是遺忘門的結(jié)果。

LSTM的一大優(yōu)勢在于考慮了對時間特征連續(xù)事件的依賴性。LSTM使用專用的單元取代傳統(tǒng)的神經(jīng)元[14]。在LSTM中，內(nèi)存塊包含輸入和輸出等特定元素，允許LSTM更新和監(jiān)視每塊中的信息流。使用輸入、輸出和遺忘門不斷更新預測，這種能力使得LSTM在短期內(nèi)對機床故障預測相對有用。

3 GA-LSTM預測模型

3.1 模型構(gòu)建

由于LSTM模型中有許多超參數(shù)需要手動調(diào)整，例如隱藏層中的神經(jīng)元數(shù)量、初始學習率、最大迭代次數(shù)、最小處理量和時間步長等，這些超參數(shù)對預測結(jié)果有一定影響[15]。找到最佳超參數(shù)是文中需要解決的問題。遺傳算法是一種仿生優(yōu)化算法，能夠模擬生物體的進化。它用于改善超參數(shù)，并使用從種群持續(xù)遺傳進化過程中發(fā)展的一組具有最佳能力的參數(shù)模型，在此組參數(shù)框架內(nèi)獲得模型的最優(yōu)結(jié)果。因此，遺傳算法被添加到優(yōu)化LSTM模型標準中，以創(chuàng)建GA-LSTM預測模型。文中提出的GA-LSTM模型(見圖3)由以下四部分組成：

圖3 GA-LSTM預測模型流程Fig.3 Flow of GA-LSTM prediction model

(1)輸入層。將劃分后不同時刻的傳感器數(shù)據(jù)xt傳入到LSTM網(wǎng)絡中，以獲得預處理后的傳感器數(shù)據(jù)集。例如經(jīng)過清理、標準化等操作，消除數(shù)據(jù)之間的關(guān)系，降低復雜性與機床故障關(guān)聯(lián)最小的數(shù)據(jù)計算。

(2)LSTM層。進入輸入層的數(shù)據(jù)輸入到LSTM網(wǎng)絡中進行權(quán)重W和偏置b處理，以提取數(shù)據(jù)時間屬性。將xt-1輸出層數(shù)據(jù)傳遞到當前xt層作為輸入，得出ht，然后再將輸出數(shù)據(jù)作為xt+1層輸入，此時xt+1層即為第二個LSTM層的輸入。xt-1接收到數(shù)據(jù)以獲得隱藏的ht輸出層進入下一步長；為了確定輸入和輸出之間的邏輯關(guān)系，采用多層LSTM層提取隱藏在時間數(shù)據(jù)中的時間特征[16]。最后，LSTM網(wǎng)絡層的輸出值即可通過多層處理獲得。

(3)GA層。為了實現(xiàn)優(yōu)化，提高預測準確性，利用GA遺傳算法的特性，最終確定LSTM模型各層實際參數(shù)。

(4)輸出層。輸入數(shù)據(jù)與數(shù)控機床故障之間的關(guān)系是LSTM網(wǎng)絡的主要關(guān)聯(lián)。從LSTM層獲得結(jié)果傳遞到全連接層，并根據(jù)加權(quán)求和轉(zhuǎn)換為輸出層進行判斷，獲得機床輸出狀態(tài)。

3.2 預測思路

文中提出的GA-LSTM模型中，為了及時提取隱藏信息，應考慮增加LSTM層的深度。一方面，可以通過深化LSTM層來識別復雜環(huán)境中的故障樣本，從而創(chuàng)建堆疊LSTM網(wǎng)絡[17]。另一方面，為了提高可預測性，可以增加總聯(lián)接層的層數(shù)并調(diào)整神經(jīng)元的數(shù)量。

通過修改和設計結(jié)合遺傳算法的LSTM神經(jīng)網(wǎng)絡，其模型的超參數(shù)可實現(xiàn)優(yōu)化。該模型用于訓練和預測數(shù)據(jù)，最終獲得數(shù)控機床故障的預測值。具體模型和預測思路如下：

(1)拆分和處理數(shù)據(jù)集。文中選擇數(shù)控機床中常見故障的數(shù)據(jù)進行訓練，使用常見故障中較容易出現(xiàn)的故障數(shù)據(jù)進行驗證，測試大概率出現(xiàn)的故障數(shù)據(jù)。同時，數(shù)據(jù)集已標準化。

(2)設計LSTM結(jié)構(gòu)模型。文中設計的LSTM模型的網(wǎng)絡結(jié)構(gòu)包括隱藏層數(shù)量、學習速度和迭代次數(shù)等，以構(gòu)建多變量、多維單步LSTM神經(jīng)網(wǎng)絡模型。

(3)遺傳算法改善模型參數(shù)。針對LSTM模型超參數(shù)例如隱藏層中的神經(jīng)元數(shù)量、初始學習速度、最大迭代次數(shù)、最小批處理量、時間等參數(shù)進行調(diào)節(jié)，獲得最佳的超參數(shù)組。

(4)使用最佳GA-LSTM模型對訓練集進行訓練以獲得最終模型。

(5)使用最終模型進行預測測試，獲得數(shù)控機床故障的較高準確性預測。

4 實驗測試過程與結(jié)果討論

基于上述GA-LSTM模型的預測步驟，分析已有的開放式數(shù)控系統(tǒng)S-100M實驗平臺在2017-2022年選取的故障數(shù)據(jù)，整理出150組樣本數(shù)據(jù)，選取其中70%的數(shù)據(jù)作為訓練集、30%的數(shù)據(jù)作為測試集。 由于直線插補是數(shù)控加工中最基礎(chǔ)的運行過程，且刀具切削運行較為穩(wěn)定。因此，文中僅預測數(shù)控系統(tǒng)加工直線插補運行過程中出現(xiàn)誤差的可能，運行過程如圖4所示。若選定其他工況(如圓弧插補等)，還需考慮實行曲線軌跡走刀時，切削加速度波動、曲率半徑大小、走刀狀態(tài)是否穩(wěn)定等因素對模型的預測結(jié)果的影響，在后續(xù)實驗中進一步研究。

圖4 加工路徑Fig.4 Processing path

在MATLAB軟件中設置相應程序代碼，設置時間步長為1，隱藏層節(jié)點為200，輸出層神經(jīng)元個數(shù)定為1，求解器設置為′adam′并進行50輪訓練。學習率為0.01。圖5分別顯示BP、LSTM、GA-LSTM 3種模型的預測狀態(tài)對比。

圖5 BP(a)、LSTM(b)、GA-LSTM(c)預測狀態(tài)對比Fig.5 Comparison of BP(a)，LSTM(b)and GA-LSTM(c)prediction states

將BP、LSTM、GA-LSTM 3種模型的預測狀態(tài)相關(guān)數(shù)據(jù)進行對比，如表1所示。GA-LSTM預測模型相比其余常規(guī)預測方法的運行時間有所減少，相對誤差明顯減小，預測誤差狀態(tài)更趨于真實值。

表1 3種模型均方誤差與預測誤差對比Tab.1 Comparison of mean squared error and prediction error of the three models

5 結(jié)論

綜上所述，數(shù)控機床故障預測是提高數(shù)控加工誤差精度的基礎(chǔ)。通過實驗測試結(jié)果得出以下結(jié)論：

(1)通過分析數(shù)控機床常見故障類型，對常見加工路徑過程進行分析，建立了基于GA-LSTM的機床故障網(wǎng)絡預測模型，通過優(yōu)化隱藏層節(jié)點、訓練次數(shù)等超參數(shù)，實現(xiàn)了對數(shù)控機床故障的準確預測。

(2)相比其余常規(guī)預測方法，GA-LSTM預測模型運行時間有所減少，預測誤差狀態(tài)更趨于真實值。

(3)文中所提出的GA-LSTM模型用于預測數(shù)控機床故障時具有一定可行性。