裴鳳雀,張佳煊,劉檢華,莊存波

(1.河海大學(xué) 機(jī)電工程學(xué)院,江蘇 常州 213022;2.北京理工大學(xué) 機(jī)械與車輛學(xué)院,北京 100081)

1 研究意義與背景

設(shè)備劣化是指設(shè)備在使用過程中,由于零部件磨損、疲勞造成的變形、老化,使原有性能逐漸降低的現(xiàn)象[1]。設(shè)備劣化對生產(chǎn)過程可造成直接和間接影響,具體為:

(1)設(shè)備劣化可直接導(dǎo)致加工工時(shí)波動(dòng)[2]。如圖1所示,在設(shè)備壽命初期,往往因其具有較高的可靠性而具備了在額定工時(shí)狀態(tài)(t1)下的生產(chǎn)能力;隨著設(shè)備劣化逐步加深(輕度劣化階段),加工工時(shí)產(chǎn)生了不可忽視的延長(t2);在壽命末期(深度劣化階段),實(shí)際加工工時(shí)與理論加工工時(shí)產(chǎn)生了明顯差異(t3)。

圖1 設(shè)備劣化過程與加工工時(shí)對應(yīng)關(guān)系

(2)設(shè)備劣化可間接導(dǎo)致生產(chǎn)決策失效。從工藝序列角度分析,設(shè)備劣化導(dǎo)致累計(jì)加工工時(shí)偏差,生產(chǎn)計(jì)劃執(zhí)行率被嚴(yán)重影響,間接導(dǎo)致生產(chǎn)決策失效。如圖2所示為生產(chǎn)計(jì)劃和執(zhí)行過程的示意甘特圖,對比發(fā)現(xiàn),隨著設(shè)備劣化的產(chǎn)生,部分工件加工工時(shí)增加,會(huì)導(dǎo)致最終完工時(shí)間增加,甚至?xí)a(chǎn)生加工順序變化。這些變化會(huì)對生產(chǎn)流程和資源分配產(chǎn)生負(fù)面效應(yīng),從而影響生產(chǎn)計(jì)劃的執(zhí)行,對車間決策造成一定的困擾。

圖2 生產(chǎn)計(jì)劃與執(zhí)行過程對比

圖3 加工工時(shí)預(yù)測方法技術(shù)路線

圖4 BiGCU-MHResAtt-Weibull預(yù)測方法流程圖

然而,在真實(shí)管控中,設(shè)備只有“可用”和“不可用”兩種狀態(tài),針對設(shè)備劣化造成的生產(chǎn)延誤,決策者往往采用容忍態(tài)度,認(rèn)定其為可接受的生產(chǎn)偏差。只有當(dāng)設(shè)備深度劣化,將對生產(chǎn)過程產(chǎn)生重大影響時(shí),方引入預(yù)測性運(yùn)維,以恢復(fù)設(shè)備到可操作狀態(tài)。這種粗狂的管控方式,將會(huì)給車間決策造成明顯障礙[3],尤其是在依賴加工工時(shí)的生產(chǎn)決策中(如生產(chǎn)調(diào)度等),準(zhǔn)確的加工工時(shí)額定對生產(chǎn)決策及后續(xù)決策(如生產(chǎn)計(jì)劃的執(zhí)行率)將產(chǎn)生較大影響。因此,近年來針對設(shè)備劣化對加工工時(shí)的影響研究,逐步成為熱點(diǎn),其主要研究方法可分為:

(1)基于懲罰系數(shù)的劣化過程表征

現(xiàn)有研究中,基于懲罰系數(shù)的劣化過程表征是最常見的方法之一,如以階梯函數(shù)或遞增指數(shù)函數(shù)等形式表示懲罰。CHENG等[4]在研究單機(jī)調(diào)度的批量處理作業(yè)問題中,提出實(shí)際處理時(shí)間需在批處理操作時(shí)間的基礎(chǔ)上,增加遞增指數(shù)函數(shù),以表示設(shè)備劣化過程。WOO等[5]提出作業(yè)的實(shí)際加工工時(shí)會(huì)根據(jù)其開始時(shí)間和劣化而發(fā)生變化,以此提出線性劣化率乘以開始時(shí)間的指標(biāo)作為懲罰系數(shù),修正實(shí)際加工工時(shí)。軒華等[6]將工件的開始加工時(shí)間和加工工時(shí)用遞增函數(shù)的形式進(jìn)行表示,根據(jù)工件在不同機(jī)器上的懲罰系數(shù)建立對應(yīng)的數(shù)學(xué)模型。針對工件的加工工時(shí)和交貨期模糊的單機(jī)成批調(diào)度問題,王雷雷等[7]根據(jù)工件的模糊加工工時(shí)和模糊交貨期的關(guān)系建立數(shù)學(xué)模型,并提出了相應(yīng)的優(yōu)化算法。但總結(jié)發(fā)現(xiàn),現(xiàn)有文獻(xiàn)只是簡單地增加固定的懲罰時(shí)長[8]或線性遞增函數(shù)[9],并未考慮與當(dāng)前設(shè)備狀態(tài)的耦合關(guān)系,缺少劣化過程的時(shí)變特性分析。

(2)基于RUL的劣化過程預(yù)測

另一種研究思路是將加工工時(shí)預(yù)測轉(zhuǎn)換為RUL預(yù)測,構(gòu)建加工工時(shí)和RUL的對應(yīng)曲線,以修正加工工時(shí)?；镜腞UL預(yù)測方法主要分為兩類:基于物理模型和基于數(shù)據(jù)驅(qū)動(dòng)。傳統(tǒng)基于物理模型的方法嚴(yán)重依賴基于系統(tǒng)設(shè)備失效原理的先驗(yàn)知識,難以應(yīng)對復(fù)雜裝備[10]。數(shù)據(jù)驅(qū)動(dòng)方法,如卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network,CNN)[11-12]、循環(huán)神經(jīng)網(wǎng)絡(luò)[13](Recurrent Neural Network,RNN)等,憑借更深層的網(wǎng)絡(luò)結(jié)構(gòu),更強(qiáng)大的特征提取能力,能更好地應(yīng)對復(fù)雜裝備的RUL預(yù)測。徐浩等[14]利用雙向門控循環(huán)單元網(wǎng)絡(luò)(Bidirectional Gate Recurrent Unit,BiGRU)可高效處理時(shí)間序列數(shù)據(jù)的能力,克服了傳統(tǒng)變分自編碼器難以提取時(shí)序特征的限制,并在經(jīng)典數(shù)據(jù)集上進(jìn)行測試,證明了該預(yù)測方法的優(yōu)越性。劉麗等[15]同時(shí)結(jié)合CNN和RNN,并引入注意力機(jī)制將每層,時(shí)域卷積網(wǎng)絡(luò)(Temporal Convolutional Neural,TCN)殘差塊的關(guān)鍵退化特征進(jìn)行提取,提高多工況下預(yù)測的精度。但RNN和CNN方法存在局限性,RNN的順序計(jì)算限制了并行性,增加了時(shí)間成本;CNN只可感知局部信息,難以捕捉遠(yuǎn)程依賴和長序列信息。為此,提出基于自我注意力(Self-Attention)的Transformer網(wǎng)絡(luò)[16]用于序列建模,該方法可有效且并行地獲取隨時(shí)間推移的單層長期依賴關(guān)系,且可適應(yīng)不同的輸入序列長度[17]。MO等[18]結(jié)合CNN和RNN的優(yōu)勢,提出門控卷積單元(Gate Convolutional Unit,GCU),以強(qiáng)調(diào)相鄰時(shí)間步長的局部信息,克服自注意力的缺陷。

基于上述研究,本文結(jié)合CNN雙向傳播網(wǎng)絡(luò)結(jié)構(gòu)的BiGRU和多頭殘差自我注意力機(jī)制,提出基于BiGCU-MHResAtt-Weibull的加工工時(shí)預(yù)測方法。此外,考慮實(shí)際生產(chǎn)環(huán)境中的多樣性和復(fù)雜性,針對單工況和多工況分別進(jìn)行研究,以提升模型的泛化能力。

2 設(shè)備劣化的影響因素分析

加工工時(shí)是制造執(zhí)行系統(tǒng)中的重要參數(shù),在產(chǎn)能核算、負(fù)荷計(jì)算、生產(chǎn)調(diào)度等方面起著重要的作用。加工工時(shí)影響因素主要是從人為因素、加工因素、工件因素和環(huán)境因素4個(gè)角度考慮,具體如表 1所示。

表1 加工工時(shí)影響因素

人為因素方面,操作者的技能水平和匹配程度、維護(hù)人員的水平以及人為失誤均對工時(shí)有影響。加工因素包括加工工藝、刀具選擇和工裝方式等,可直接影響作業(yè)完成的效率和準(zhǔn)確度。工件因素方面,處理工藝、工件結(jié)構(gòu)以及工件的質(zhì)量和精度要求會(huì)對加工工時(shí)產(chǎn)生影響,如質(zhì)量、精度要求越高,加工工時(shí)越長。此外,環(huán)境因素如加工環(huán)境的溫度、濕度、振動(dòng)、噪音和化學(xué)物質(zhì)也會(huì)影響工時(shí)定額;合理的現(xiàn)場管理可以提高生產(chǎn)效率、降低成本,確保工時(shí)定額的準(zhǔn)確性。其中,設(shè)備劣化影響的主要因素是加工因素中的刀具因素,劣化程度越深,越加劇刀具的磨損,需要增加進(jìn)刀次數(shù)以達(dá)到工件因素中的加工精度等要求。其他因素則是間接通過加劇設(shè)備劣化從而影響加工工時(shí),如環(huán)境因素。因此,研究以該因素為設(shè)備劣化的影響因素與決策變量,作為算法模型的輸入,進(jìn)行加工工時(shí)預(yù)測研究。

3 算法模型的建立

考慮工業(yè)現(xiàn)場作業(yè)能力的復(fù)雜性,本文將加工過程分為單工況和多工況。單工況是指單臺套設(shè)備僅有一種加工能力或以某一種加工能力為主,如流水作業(yè)車間設(shè)備;多工況是指單臺套設(shè)備需具備多種不同類型零件加工能力,如柔性作業(yè)車間設(shè)備。單工況是多工況的特例,僅涉及系統(tǒng)在特定條件下的性能,多工況是單工況的擴(kuò)展和泛化,關(guān)注的是機(jī)床在更廣泛的操作條件下的性能表現(xiàn)。針對單工況,構(gòu)建基于BiGCU、MHResAtt和Weibull的預(yù)測方法,其中,BiGCU用以實(shí)現(xiàn)局部特征提取,創(chuàng)新的將多頭殘差自注意力機(jī)制(Multi-Head Residual Self-Attention,MHResAtt)引入并完成特征編碼,實(shí)現(xiàn)模型在不同的子空間(多頭)并行學(xué)習(xí)不同的關(guān)系,完成RUL預(yù)測后利用Weibull分布進(jìn)行工時(shí)修正,實(shí)現(xiàn)基于設(shè)備劣化的關(guān)鍵特征到單工況加工工時(shí)預(yù)測研究。針對多工況,結(jié)合單工況先驗(yàn)知識,構(gòu)建不同工況的劣化過程大數(shù)據(jù)集,通過特征提取和遷移匹配,實(shí)現(xiàn)基于加工工時(shí)譜系的聚類預(yù)測,整體技術(shù)路線如圖 3所示。

4 基于BiGCU-MHResAtt-Wellbull的單工況工時(shí)預(yù)測方法

構(gòu)建基于BiGCU-MHResAtt-Wellbull的預(yù)測方法流程,如圖 4所示,方法流程分為局部特征提取層、編碼層和預(yù)測層三大部分。

4.1 基于BIGCU的局部特征提取

局部特征提取以輸入的時(shí)序數(shù)據(jù)為對象,首先設(shè)定時(shí)間窗,提取局部特征;其次,利用CNN卷積網(wǎng)絡(luò)提取每個(gè)時(shí)間步向上/向下提供的相鄰時(shí)間步之間的歷史特征、預(yù)測特征信息,并通過門控機(jī)制,實(shí)現(xiàn)其與局部特征融合,最終輸出帶有相鄰時(shí)間關(guān)系的局部特征。

(1)門控機(jī)制 門控機(jī)制在GRU[25]中用以解決傳統(tǒng)RNN的梯度消失和梯度爆炸問題。其計(jì)算流程如圖5所示,計(jì)算公式如式(1)～式(4)所示。

圖5 門控機(jī)制運(yùn)行原理

圖6 雙向門控結(jié)構(gòu)

圖7 BiGCU模型

zt=σ(Uz·ht-1+Wz·xt),

(1)

rt=σ(Ur·ht-1+Wr·xt),

(2)

(3)

(4)

其中:Wz、Uz、Wr、Ur、W、U∈Rm×m為可訓(xùn)練的參數(shù);σ(·)表示sigmoid函數(shù),通過該函數(shù)可將數(shù)據(jù)壓縮到0～1范圍;⊙為Hadamard(按元素)乘積;tanh(·)為非線性激活函數(shù)。

由于單向循環(huán)神經(jīng)網(wǎng)絡(luò)無法獲取時(shí)間序列數(shù)據(jù)中后向序列的相關(guān)信息,本文采用雙向門控機(jī)制 (BiGRU),在保持門控機(jī)制單向高效的時(shí)序信息處理能力的前提下,構(gòu)建兩個(gè)方向相反的門控GRU結(jié)構(gòu),在初始和末尾用padding[0]進(jìn)行填充,如圖 6所示。為此,需要新增式(5)以計(jì)算最終輸出。

(5)

(2)BiGCU機(jī)制 由于GRU時(shí)間復(fù)雜度為O(N),而CNN時(shí)間復(fù)雜度為O(logk(N))[16],由卷積網(wǎng)絡(luò)代替GRU中的隱藏循環(huán)層,可以加快模型運(yùn)行速度。整個(gè)局部特征提取具體計(jì)算方式如圖 7所示,將xt前/后k項(xiàng)經(jīng)過卷積操作得到一維的向量,對于給定的x在每個(gè)時(shí)間步長t提取窗口k內(nèi)的局部信息ht,如式(6)所示。卷積后包含了前向/后向歷史信息,再將其視作ht-1/ht+1加入到門控機(jī)制中,輸出局部特征ht,然后將ht線性映射到位置編碼器需要的維度ei,作為位置編碼的輸入。

(6)

(3)位置編碼 位置編碼旨在為模型引入圖像中的位置信息。其在處理序列數(shù)據(jù)的深度學(xué)習(xí)模型中起到關(guān)鍵作用。位置編碼通過將位置信息嵌入到輸入數(shù)據(jù)中,幫助模型更好地理解數(shù)據(jù)中的順序和距離關(guān)系,其計(jì)算過程如式(7)所示。其中,d是ei的維度。位置編碼的可視化如圖8所示,展現(xiàn)了其編碼的變化和周期性特征。通過位置編碼,將pt與任意l值的pt+l線性關(guān)聯(lián)起來,使得模型能較好地具備通過相對位置推斷相對關(guān)系的學(xué)習(xí)能力。

圖8 位置編碼

(7)

4.2 基于多頭殘差自注意力機(jī)制的并行編碼

(1)多頭殘差自注意力機(jī)制[26]用于處理序列數(shù)據(jù)的特征交互,該機(jī)制允許模型在不同的子空間(多頭)上并行學(xué)習(xí)不同的關(guān)系,融合特征以獲取更豐富的信息。在傳統(tǒng)自注意力機(jī)制的基礎(chǔ)上,本研究考慮梯度爆炸以及計(jì)算復(fù)雜度等方面的約束, 創(chuàng)新地引入多頭殘差自注意力機(jī)制,該機(jī)制主要包括以下3個(gè)部分:

①自注意力機(jī)制:自注意力機(jī)制允許模型為輸入序列中的每個(gè)元素分配權(quán)重,以獲取元素之間的關(guān)系。在自注意力中,每個(gè)元素都可以與序列中的所有其他元素相互交互。

②多頭機(jī)制:為了增強(qiáng)模型的表示能力,多頭機(jī)制引入了多個(gè)自注意力頭,每個(gè)頭可以學(xué)習(xí)不同的關(guān)系。每個(gè)頭擁有獨(dú)立的權(quán)重矩陣,用于計(jì)算注意力分布,從而降低計(jì)算復(fù)雜度。最后,每個(gè)頭的輸出被組合以獲得最終輸出。

③殘差連接:多頭自注意力機(jī)制通常與殘差連接結(jié)合使用。這意味著輸入數(shù)據(jù)與多頭自注意力機(jī)制的輸出相加,以便更好地傳遞信息和減輕訓(xùn)練中的梯度消失問題。

多頭殘差自注意力機(jī)制如圖9所示,經(jīng)過QKV矩陣變換后(式(8)),將計(jì)算得到的bheadi(式(9))進(jìn)行拼接(式(10)),然后通過線性轉(zhuǎn)換得到Output。

圖9 多頭殘差自注意力機(jī)制(N_head=2)

(8)

(9)

Output=Concat(bhead1,bhead2,...,bheadn)。

(10)

其中dk=d_model/N_head,Output∈Rd_model×n,x、Q、K、V、bheadi∈Rdk×n。

(2)前饋網(wǎng)絡(luò),首先將數(shù)據(jù)通過線性變換進(jìn)行傳遞,并通過ReLU函數(shù)實(shí)現(xiàn)激活,同時(shí)引入非線性,最后將結(jié)果通過另一個(gè)線性變換進(jìn)行傳遞,具體計(jì)算過程如式(11):

FFN(x)=W2·ReLU(W1x+b1)+b2。

(11)

4.3 設(shè)備殘余使用壽命預(yù)測

最后使用一層全連接層將Output輸出為量化結(jié)果,用以表征設(shè)備的殘余使用壽命,如式(12):

ypre=σ(woO+bo)。

(12)

其中,wo∈dmodel×1是可訓(xùn)練的參數(shù);bo是一個(gè)標(biāo)量。

4.4 基于RUL預(yù)測的加工工時(shí)修正

由于不同工藝的加工工時(shí)存在不同的標(biāo)準(zhǔn)加工工時(shí),需要提前進(jìn)行加工工時(shí)無量綱化,提升不同工藝加工工時(shí)的可比較性,因此提出了加工工時(shí)倍率的概念:修正后的加工工時(shí)=標(biāo)準(zhǔn)加工工時(shí)×加工工時(shí)倍率。

階段加工工時(shí)的分界點(diǎn)參考的是單倍標(biāo)準(zhǔn)加工工時(shí)和雙倍標(biāo)準(zhǔn)加工工時(shí),因此,本文將加工工時(shí)曲線的起點(diǎn)(RUL為Max時(shí)),設(shè)置成標(biāo)準(zhǔn)理論加工工時(shí),加工工時(shí)曲線的終點(diǎn)(RUL為0時(shí)),設(shè)置成雙倍標(biāo)準(zhǔn)理論加工工時(shí),中間數(shù)據(jù)采用概率密度函數(shù)擬合,最終形成基于RUL預(yù)測的加工工時(shí)修正曲線。

5 基于大數(shù)據(jù)集和特征遷移的多工況加工工時(shí)預(yù)測

在實(shí)際工程應(yīng)用中,復(fù)雜裝備所處的環(huán)境條件可能發(fā)生實(shí)時(shí)變化,且其本身的操作條件也可能發(fā)生變化,即處于多工況運(yùn)行狀態(tài)。受到環(huán)境條件、操作條件等不確定性因素的影響,運(yùn)行過程中可能會(huì)出現(xiàn)多種失效模式,其失效機(jī)理和失效時(shí)間也會(huì)呈現(xiàn)出一定隨機(jī)性,為了更好地服務(wù)工業(yè)生產(chǎn),抑制生產(chǎn)計(jì)劃和實(shí)際執(zhí)行之間的偏差,變工況及多種失效模式下的加工工時(shí)預(yù)測需深入研究。

本文針對多工況提出了基于大數(shù)據(jù)集和特征遷移模型。單工況采用數(shù)據(jù)+模型雙驅(qū)動(dòng)的方式進(jìn)行構(gòu)建,當(dāng)單工況數(shù)據(jù)積攢到一定體量,可形成多工況數(shù)據(jù)集。同理也可在多種工況中匹配到不同設(shè)備在單一工況下的數(shù)據(jù)。首先,依托單工況的先驗(yàn)知識,收集多工況下某臺或者同類型設(shè)備的所有運(yùn)行狀態(tài)(包括設(shè)備本身屬性如振動(dòng)信號、電流信號、進(jìn)出口溫度等)、操作狀態(tài)(包括工藝類型、參數(shù)設(shè)定等)和對應(yīng)的加工工時(shí),形成壽命劣化大數(shù)據(jù)集。類似于單工況,不同工藝的加工工時(shí)存在不同的標(biāo)準(zhǔn)加工工時(shí),需提前進(jìn)行加工工時(shí)無量綱化,即多工況下的加工工時(shí)倍率。其次,將運(yùn)行狀態(tài)構(gòu)建為特征集,并按操作狀態(tài)進(jìn)行聚類,然后按照不同類回歸出一條與特征集和加工工時(shí)相關(guān)聯(lián)的曲線,并最終形成加工工時(shí)譜系,如圖 10所示(本文以3個(gè)工況為例)。如果有新的工件(如圖10中的黑點(diǎn)),首先進(jìn)行預(yù)設(shè)的操作狀態(tài)聚類分析,以確定其類別,其次,通過特征集進(jìn)行遷移匹配,找到在大數(shù)據(jù)集中具有相似或接近特征的歷史數(shù)據(jù)點(diǎn)(如圖10中的四個(gè)紅點(diǎn)),最終,通過均值計(jì)算或擬合計(jì)算以確定新工件的加工工時(shí)。

圖10 多工況下的加工工時(shí)譜系

圖11 Weibull函數(shù)擬合

圖12 FD001RUL預(yù)測

6 實(shí)例驗(yàn)證分析

由于加工工時(shí)與RUL存在映射關(guān)系,因此將加工工時(shí)預(yù)測轉(zhuǎn)換成RUL預(yù)測,采用經(jīng)典的RUL預(yù)測數(shù)據(jù)集-C-MPASS[27]展開測試驗(yàn)證研究。

6.1 數(shù)據(jù)預(yù)處理

采用C-MAPSS中的FD001數(shù)據(jù)集,每臺發(fā)動(dòng)機(jī)包含3個(gè)工作狀況監(jiān)測參數(shù)(飛行高度、馬赫數(shù)與推力桿角度)和21個(gè)性能監(jiān)測參數(shù)(如風(fēng)扇進(jìn)口溫度、低壓渦輪出口溫度等),測試集提供了相應(yīng)的RUL標(biāo)簽。

(1)退化數(shù)據(jù)篩選:為了降低計(jì)算復(fù)雜性,本文使用單調(diào)性矩陣和相關(guān)矩陣[28]進(jìn)行退化數(shù)據(jù)篩選,如公式(13)～式(15)。單調(diào)性矩陣表示特征在時(shí)間維度上的變化趨勢,帶有單調(diào)性的特征維度包含更豐富的退化信息。相關(guān)矩陣反映了特征維度與操作時(shí)間之間的關(guān)系,具體如下計(jì)算[18]:

(13)

(14)

Crii=α·Corri+(1-α)·Monoi-γ。

(15)

其中:α∈ [0, 1]為一個(gè)權(quán)衡因子,γ為傳感器選擇的閾值。

(2)數(shù)據(jù)歸一化,考慮到不同傳感器測量會(huì)導(dǎo)致不同的數(shù)值范圍,本文應(yīng)用了最小-最大歸一化方法以提高模型的收斂速度和預(yù)測準(zhǔn)確性。

6.2 模型性能評價(jià)標(biāo)準(zhǔn)

為了評價(jià)多工況模型預(yù)測RUL 的性能和可靠度,評估標(biāo)準(zhǔn)采用均方根誤差(RMSE)和評分函數(shù)(Score)。二者的定義分別如式(16)和式(17)所示

(16)

(17)

6.3 RUL目標(biāo)函數(shù)及其優(yōu)化

在C-MAPSS訓(xùn)練集中,真實(shí)的RUL標(biāo)簽不可用,需要采用一種模擬RUL目標(biāo)函數(shù)[29]的方法指導(dǎo)模型訓(xùn)練[30]:通過模擬RUL標(biāo)簽,提供監(jiān)督訓(xùn)練信號,輔助模型RUL估計(jì),從而增強(qiáng)模型的預(yù)測能力。經(jīng)過多次訓(xùn)練后發(fā)現(xiàn),對RUL退化標(biāo)簽進(jìn)行分布概率優(yōu)化有助于提高模型精度,結(jié)果如表 2所示。

由表2可知,采用Weibull分布函數(shù)進(jìn)行RUL標(biāo)簽優(yōu)化的MSE最優(yōu),如式(18),并尋找最優(yōu)的參數(shù)λ和k。

表2 多次曲線擬合結(jié)果

表3 超參數(shù)設(shè)定

表4 不同預(yù)測方法結(jié)果對比

(18)

隨機(jī)選取FD001的某設(shè)備,將訓(xùn)練收斂的RUL預(yù)測值作為輸入,并將RUL歸一化,采用Weibull函數(shù)擬合得到曲線如圖 11。優(yōu)化后的參數(shù)分別為0.014 016,1.495 235。經(jīng)對比,RMSE降低約3.28%,Score降低約18.18%,從而提高了模型精度。

6.4 RUL預(yù)測分析

超參數(shù)設(shè)置如表 3所示,并進(jìn)行了300次循環(huán)迭代。

針對FD001數(shù)據(jù)集的預(yù)測結(jié)果如圖 12所示,訓(xùn)練集損失Train_loss如圖13a所示,RMSE指標(biāo)如圖13b所示,Score指標(biāo)如圖13c所示。本研究將FD001訓(xùn)練集中最優(yōu)訓(xùn)練損失train_loss的機(jī)器unit63及其RUL預(yù)測作為數(shù)據(jù)源,機(jī)器整個(gè)周期的RUL預(yù)測隨運(yùn)行循環(huán)次數(shù)變化如圖13d所示。結(jié)果顯示,本文模型的最優(yōu)RMSE為17.54,Score為502.11,單次epoch循環(huán)用時(shí)20.5940s,表明預(yù)測方法能夠較好地預(yù)測設(shè)備劣化程度。與其他方法相比,如表 4所示,本文提出的模型在RMSE和Score兩項(xiàng)指標(biāo)上,均具有一定優(yōu)勢。

圖13 結(jié)果圖

圖14 RUL擬合

6.5 RUL與機(jī)加工工時(shí)關(guān)聯(lián)分析

RUL分布符合Weibull分布,本研究對FD001訓(xùn)練集中train_loss最優(yōu)的機(jī)器unit63及其RUL預(yù)測數(shù)據(jù)進(jìn)行了擬合。擬合結(jié)果如圖 14所示,參數(shù)設(shè)定為λ= 0.016 3,k= 1.705 8。

階段加工工時(shí)的分界點(diǎn)參考了單倍標(biāo)準(zhǔn)理論加工工時(shí)和雙倍標(biāo)準(zhǔn)理論加工工時(shí)。因此,本研究將加工工時(shí)曲線的起點(diǎn)設(shè)置為標(biāo)準(zhǔn)理論加工工時(shí),而當(dāng)RUL為0時(shí),加工工時(shí)為雙倍標(biāo)準(zhǔn)理論加工工時(shí)。概率分布采用Weibull分布。再將加工工時(shí)進(jìn)行無量綱化處理后(即加工工時(shí)倍率=加工工時(shí)/標(biāo)準(zhǔn)加工工時(shí)),得到加工工時(shí)倍率與RUL的曲線,如圖15所示。

圖15 加工工時(shí)倍率與RUL映射關(guān)系

7 結(jié)束語

本文提出了考慮設(shè)備劣化的加工工時(shí)預(yù)測方法。該方法基于設(shè)備劣化的影響因素,針對單工況,對比了多類預(yù)測回歸模型和概率分布模型,在現(xiàn)有方法的基礎(chǔ)上引入多頭殘差注意力機(jī)制,完成了基于BiGCU-MHResAtt-Weibull模型的機(jī)加工工時(shí)預(yù)測方法構(gòu)建;針對多工況,結(jié)合單工況模型,設(shè)計(jì)了大數(shù)據(jù)集和特征遷移模型,并通過聚類和曲線擬合生成加工工時(shí)預(yù)測譜系。最后,采用C-MAPSS數(shù)據(jù)集完成了模型訓(xùn)練和預(yù)測,最優(yōu)RMSE為17.54,Score為502.11,表明預(yù)測方法能夠較好地預(yù)測設(shè)備劣化程度,驗(yàn)證了所提方法的有效性。

在未來的工作中,擬將本研究提出的加工工時(shí)預(yù)測方法,融入動(dòng)態(tài)調(diào)度模型,實(shí)現(xiàn)考慮設(shè)備劣化的加工工時(shí)修正,以期解決針對劣化問題導(dǎo)致的生產(chǎn)計(jì)劃不可靠問題,從而提升生產(chǎn)計(jì)劃的執(zhí)行率。