基于多源異構(gòu)數(shù)據(jù)的數(shù)控銑削表面粗糙度預(yù)測方法

李聰波 龍 云 崔佳斌 趙希坤 趙 德

重慶大學(xué)機(jī)械傳動(dòng)國家重點(diǎn)實(shí)驗(yàn)室，重慶，400044

0 引言

隨著經(jīng)濟(jì)高速發(fā)展與機(jī)械產(chǎn)品質(zhì)量要求日益增高，提高機(jī)械產(chǎn)品質(zhì)量是各國制造業(yè)激烈競爭的關(guān)鍵。表面粗糙度嚴(yán)重影響著產(chǎn)品的表面硬度、耐磨度、疲勞強(qiáng)度等性能[1]，當(dāng)重要零件在航空航天、精密制造等高端、復(fù)雜的環(huán)境中工作時(shí)，表面缺陷可能導(dǎo)致零件失效而造成巨大損失，因此表面粗糙度是衡量機(jī)械產(chǎn)品質(zhì)量的重要指標(biāo)。傳統(tǒng)表面粗糙度檢測方式是在加工完成后對(duì)工件進(jìn)行檢測，具有成本高、效率低等問題。在加工過程中實(shí)時(shí)預(yù)測工件的表面粗糙度，可為提高生產(chǎn)效率、降低生產(chǎn)成本以及提高產(chǎn)品質(zhì)量提供支撐，因此研究數(shù)控銑削表面粗糙度預(yù)測技術(shù)具有重要意義。

機(jī)械加工過程中工件表面粗糙度的影響因素主要有刀具、工件材料、工藝參數(shù)及切削環(huán)境等[2]，這些靜態(tài)因素對(duì)表面粗糙度的影響具有復(fù)雜、非線性等特點(diǎn)。數(shù)據(jù)挖掘的參數(shù)建模方法具備強(qiáng)大的分析與決策能力，廣泛應(yīng)用于機(jī)械加工表面粗糙度預(yù)測并取得了較好的效果。LU等[3]將工藝參數(shù)和刀尖半徑作為輸入變量，運(yùn)用支持向量回歸方法建立表面粗糙度預(yù)測模型；AGRAWAL等[4]采用多元回歸、隨機(jī)森林等方法擬合AISI 4340鋼車削過程中的表面粗糙度預(yù)測模型并揭示了表面粗糙度與工藝參數(shù)的關(guān)系；CHEN等[5]搭建嵌套人工神經(jīng)網(wǎng)絡(luò)，利用工藝參數(shù)預(yù)測表面粗糙度。隨著傳感器技術(shù)的發(fā)展，引入振動(dòng)信號(hào)、力信號(hào)等動(dòng)態(tài)數(shù)據(jù)來反映機(jī)械加工的動(dòng)態(tài)變化可提升表面粗糙度預(yù)測模型的效果。如TANGJITSITCHAROEN等[6]考慮切削力、工藝參數(shù)和刀具直徑，采用多元回歸分析方法建立球頭銑削加工過程表面粗糙度預(yù)測模型；GARCA PLAZA等[7]采用小波變換方法分析振動(dòng)信號(hào)以實(shí)現(xiàn)表面粗糙度預(yù)測；朱俊江等[8]基于振動(dòng)信號(hào)和神經(jīng)網(wǎng)絡(luò)預(yù)測數(shù)控銑削的工件表面粗糙度。上述表面粗糙度預(yù)測研究考慮的因素較少，均在固定工件或刀具的加工條件下建立模型且考慮的傳感器種類較少，限制了模型的泛化性和精確性。此外，目前用于表面粗糙度建模的方法主要為經(jīng)典統(tǒng)計(jì)方法[9]、支持向量回歸[10-11]、人工神經(jīng)網(wǎng)絡(luò)[12-13]等傳統(tǒng)方法。這些方法在構(gòu)建模型的過程中，均采用人工提取的方式提取動(dòng)態(tài)、靜態(tài)數(shù)據(jù)的特征，導(dǎo)致傳感器信號(hào)中大量的動(dòng)態(tài)信息缺失，從而限制了表面粗糙度預(yù)測模型的精度。因此，運(yùn)用自適應(yīng)特征提取的方法獲取動(dòng)態(tài)數(shù)據(jù)中與表面粗糙度預(yù)測精度相關(guān)的重要特征，是提高預(yù)測精度的關(guān)鍵。

深度學(xué)習(xí)作為機(jī)器學(xué)習(xí)領(lǐng)域中的重要研究方向，具有強(qiáng)大的特征學(xué)習(xí)能力，為研究高維、非線性問題提供了新思路，其中，卷積神經(jīng)網(wǎng)絡(luò)(CNN)因具有學(xué)習(xí)效率高、準(zhǔn)確度高的優(yōu)點(diǎn)而在許多應(yīng)用領(lǐng)域取得進(jìn)展，如醫(yī)療[14]、故障診斷[15-16]等。同樣，CNN也被用于表面粗糙度預(yù)測研究，如LIN等[17]基于振動(dòng)信號(hào)建立了快速傅里葉變換-深度神經(jīng)網(wǎng)絡(luò)、快速傅里葉變換-長短期記憶網(wǎng)絡(luò)和一維卷積神經(jīng)網(wǎng)絡(luò)(1D-CNN)三種表面粗糙度預(yù)測模型，通過對(duì)比分析表明1D-CNN有著很強(qiáng)的特征提取能力；PAN等[18]采用CNN自動(dòng)提取振動(dòng)信號(hào)特征以建立預(yù)測模型，實(shí)現(xiàn)了超聲波橢圓振動(dòng)切削過程的工件表面粗糙度在線預(yù)測。CNN的網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)直接影響模型的預(yù)測性能，目前應(yīng)用于表面粗糙度預(yù)測的CNN網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)均是通過經(jīng)驗(yàn)確定，這在較大程度上限制了預(yù)測模型的精度。粒子群優(yōu)化(PSO)算法是由KENNEDY等[19]提出的一種適用于解決高維問題的全局優(yōu)化算法，已成功應(yīng)用在眾多領(lǐng)域，因此通過PSO算法優(yōu)化CNN關(guān)鍵網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)可進(jìn)一步提高模型預(yù)測精度。

綜上所述，目前關(guān)于表面粗糙度預(yù)測的研究主要存在三個(gè)問題：①考慮的因素較少，均在固定工件或刀具的加工條件下建立表面粗糙度預(yù)測模型，模型建立后難以調(diào)整與修正，無法滿足機(jī)械加工的動(dòng)態(tài)需求；②使用的傳感器種類較少，受傳感器自身特性和實(shí)驗(yàn)環(huán)境干擾的影響較大，預(yù)測模型的魯棒性和精度將受到較大限制；③采用CNN建立表面粗糙度預(yù)測模型時(shí)根據(jù)經(jīng)驗(yàn)設(shè)置網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)，在較大程度上限制了預(yù)測模型的精度。

為解決上述問題，本文綜合考慮多源異構(gòu)數(shù)據(jù)，即工藝參數(shù)、刀具直徑及工件材料類別等靜態(tài)數(shù)據(jù)和振動(dòng)信號(hào)、力信號(hào)及功率信號(hào)等動(dòng)態(tài)數(shù)據(jù)，采用PSO-CNN自適應(yīng)提取動(dòng)態(tài)數(shù)據(jù)特征，再通過淺層神經(jīng)網(wǎng)絡(luò)融合動(dòng)態(tài)數(shù)據(jù)特征與人工提取的靜態(tài)數(shù)據(jù)特征以建立表面粗糙度預(yù)測模型，最終提高表面粗糙度預(yù)測的泛化性與精確性。

1 數(shù)控銑削多源異構(gòu)數(shù)據(jù)獲取與特征提取

1.1 數(shù)控銑削多源異構(gòu)數(shù)據(jù)獲取和預(yù)處理

通信技術(shù)、傳感器技術(shù)及云制造技術(shù)的飛速發(fā)展使得多源異構(gòu)數(shù)據(jù)獲取不再困難，這為融合多源異構(gòu)數(shù)據(jù)建立數(shù)控銑削表面粗糙度預(yù)測模型提供了支撐。工藝參數(shù)、刀具直徑及工件材料類別等靜態(tài)數(shù)據(jù)決定了工件表面成形質(zhì)量[20]，對(duì)表面粗糙度影響十分顯著。其中，工藝參數(shù)可通過PCMCIA網(wǎng)卡與Focas通信接口從數(shù)控系統(tǒng)讀取，刀具直徑與工件材料類別通過檢索制造執(zhí)行系統(tǒng)(manufacturing execution system，MES)的生產(chǎn)計(jì)劃與工藝規(guī)劃信息獲取。同時(shí)，振動(dòng)信號(hào)、力信號(hào)及功率信號(hào)等動(dòng)態(tài)數(shù)據(jù)中蘊(yùn)含著豐富的數(shù)控銑削動(dòng)態(tài)信息，如刀具磨損等，因此采用振動(dòng)傳感器、力傳感器及功率傳感器和相應(yīng)的通信協(xié)議進(jìn)行采集。此外，表面粗糙度則通過白光干涉儀掃描工件表面形貌特征并用Gwyddion軟件計(jì)算得到。最后將獲取的數(shù)據(jù)集成到電腦進(jìn)行預(yù)處理并存儲(chǔ)，為建立表面粗糙度預(yù)測模型提供準(zhǔn)備。數(shù)控銑削多源異構(gòu)數(shù)據(jù)獲取如圖1所示。

圖1 數(shù)控銑削多源異構(gòu)數(shù)據(jù)獲取

數(shù)控銑削車間環(huán)境復(fù)雜惡劣且銑削過程的動(dòng)態(tài)、靜態(tài)數(shù)據(jù)耦合性強(qiáng)、數(shù)據(jù)量大，這對(duì)原始數(shù)據(jù)的采集與轉(zhuǎn)換造成了嚴(yán)重影響，如車間噪聲、操作失誤、采集軟件運(yùn)行出錯(cuò)等將導(dǎo)致數(shù)據(jù)異常、數(shù)據(jù)缺失等問題。直接使用原始數(shù)據(jù)建立表面粗糙度預(yù)測模型將使模型預(yù)測效果差、運(yùn)行效率低。本文采用DataWrangler軟件來清洗數(shù)控銑削的原始多源異構(gòu)數(shù)據(jù)，糾正數(shù)據(jù)異常與缺失，為建立數(shù)控銑削表面粗糙度預(yù)測模型提供準(zhǔn)確、有效的數(shù)據(jù)支持。

1.2 數(shù)控銑削多源異構(gòu)數(shù)據(jù)特征提取

本文綜合考慮多源異構(gòu)數(shù)據(jù)建立表面粗糙度預(yù)測模型，輸入變量為X={x1，x2，x3，x4，x5，x6，x7，x8，x9|主軸轉(zhuǎn)速(n)，進(jìn)給速度(fv)，切削深度(ap)，切削寬度(ae)，刀具直徑(dt)，工件材料(wm)，振動(dòng)信號(hào)(V)，功率信號(hào)(P)，力信號(hào)(F)}。針對(duì)動(dòng)態(tài)數(shù)據(jù)，采用PSO-CNN自適應(yīng)提取特征為建立模型提供全面、準(zhǔn)確的動(dòng)態(tài)數(shù)據(jù)特征，以提高模型預(yù)測的精確性。靜態(tài)數(shù)據(jù)維度小，PSO-CNN不適用，因此人工選取變量{x1，x2，x3，x4|n，fv，ap，ae}作為工藝參數(shù)特征，選取變量{x5|dt}作為刀具特征，選取變量{x6|wm}作為工件材料特征。

此外，工件材料{x6|wm}是表示類別的離散型數(shù)據(jù)，采用獨(dú)熱編碼(one-hot encoding)將其轉(zhuǎn)化為數(shù)值型數(shù)據(jù)，運(yùn)用N位狀態(tài)寄存器對(duì)N種狀態(tài)進(jìn)行編碼，當(dāng)表示第i種狀態(tài)時(shí)，寄存器第i位標(biāo)記為1，其他位標(biāo)記為0。因此，本文工件材料編碼后為x6={(1 0 0), (0 1 0), (0 0 1)|Q235，45鋼，6061鋁合金}。{x1，x2，x3，x4，x5，x7，x8，x9|n，fv，ap，ae，dt，V，P，F(xiàn)}為連續(xù)型數(shù)據(jù)，采用Z-score方式將其標(biāo)準(zhǔn)化為量綱一數(shù)據(jù)，使得數(shù)據(jù)服從均值為0、標(biāo)準(zhǔn)差為1的標(biāo)準(zhǔn)正態(tài)分布，消除了變量間量綱和取值范圍差異對(duì)數(shù)據(jù)分析結(jié)果的影響，計(jì)算如下：

(1)

2 基于多源異構(gòu)數(shù)據(jù)的數(shù)控銑削表面粗糙度預(yù)測模型

2.1 考慮多源異構(gòu)數(shù)據(jù)的卷積神經(jīng)網(wǎng)絡(luò)模型

針對(duì)數(shù)控銑削過程的振動(dòng)信號(hào)、力信號(hào)與功率信號(hào)，本文采用1D-CNN直接處理原始數(shù)據(jù)。1D-CNN的結(jié)構(gòu)包括特征提取和回歸兩部分，其中，特征提取部分由輸入層、卷積層及池化層組成，并以卷積和池化交替進(jìn)行特征提取。卷積核按指定步長在原始信號(hào)上進(jìn)行卷積運(yùn)算，將振動(dòng)信號(hào)、力信號(hào)與功率信號(hào)簡化為稀疏特征映射。卷積過程如下所示：

(2)

(3)

卷積運(yùn)算后，需應(yīng)用線性整流函數(shù)(rectified linear unit, ReLU)對(duì)卷積層輸出數(shù)據(jù)進(jìn)行處理，計(jì)算過程如下：

f(x)=max(0,x)

(4)

式中，x為卷積層的輸出。

本文選擇最大池化運(yùn)算作為池化層以減少數(shù)據(jù)維度和網(wǎng)絡(luò)參數(shù)，可加快計(jì)算速度，防止模型過擬合，提高模型的泛化性，計(jì)算過程如下：

(5)

1D-CNN的回歸部分由全連接層、淺層神經(jīng)網(wǎng)絡(luò)及輸出層組成，采用淺層神經(jīng)網(wǎng)絡(luò)融合CNN提取的動(dòng)態(tài)數(shù)據(jù)特征與人工提取的靜態(tài)數(shù)據(jù)特征擬合出表面粗糙度預(yù)測模型。基于多源異構(gòu)數(shù)據(jù)的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。其中，XM,N表示卷積層的輸入數(shù)據(jù)有M個(gè)通道和N個(gè)數(shù)據(jù)點(diǎn)；ZM,T表示池化層的輸出數(shù)據(jù)有M個(gè)通道和T個(gè)數(shù)據(jù)點(diǎn)。

圖2 基于多源異構(gòu)數(shù)據(jù)的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

2.2 基于PSO算法優(yōu)化CNN

在使用CNN時(shí)，其網(wǎng)絡(luò)參數(shù)往往通過人工試錯(cuò)的方式確定，該方式效率低且難以達(dá)到最優(yōu)，有較大的優(yōu)化空間。CNN各卷積層的卷積核個(gè)數(shù)決定了數(shù)據(jù)的特征表達(dá)，因此是優(yōu)化CNN時(shí)的重要對(duì)象，如曹繼平等[21]采用PSO算法優(yōu)化CNN各卷積層的卷積核個(gè)數(shù)等參數(shù),使得軸承故障分類精度大幅提高。在調(diào)試本文搭建的CNN時(shí)發(fā)現(xiàn),各卷積層的卷積核個(gè)數(shù)、全連接層節(jié)點(diǎn)數(shù)及淺層神經(jīng)網(wǎng)絡(luò)隱藏層的神經(jīng)元個(gè)數(shù)Q={q1，q2，…，qD}對(duì)模型預(yù)測精度影響顯著,故本文采用PSO算法以模型的均方根誤差(RMSE)為目標(biāo)，以Q為優(yōu)化變量，得到PSO-CNN。

PSO算法首先初始化規(guī)模為N的隨機(jī)解，任意一組解為一個(gè)粒子，各個(gè)粒子在解空間中追隨最優(yōu)粒子搜尋最優(yōu)值。粒子通過種群迭代找到個(gè)體最優(yōu)值Upbest與群體最優(yōu)值Ugbest并更新粒子的速度和位置，更新過程如下：

(6)

(7)

卷積核個(gè)數(shù)、全連接層節(jié)點(diǎn)數(shù)及隱藏層神經(jīng)元個(gè)數(shù)均為整數(shù)，粒子群位置參數(shù)w、c1、c2、r1、r2可能為小數(shù)，將導(dǎo)致粒子位置為小數(shù)，故在粒子位置更新后向上取整。PSO算法的粒子每更新一次，CNN將訓(xùn)練一個(gè)模型，比較各個(gè)粒子模型的預(yù)測精度并更新粒子，直到RMSE達(dá)到要求或迭代次數(shù)達(dá)到預(yù)定值。設(shè)N為種群數(shù)量，D為粒子維度，fitl為第l個(gè)粒子的適應(yīng)度值(即RMSE)，fitgbest為群體初始最優(yōu)適應(yīng)度值，M為最大迭代次數(shù)，ks為卷積核大小、ppool為池化層參數(shù)，e為訓(xùn)練輪次，b為數(shù)據(jù)批次大小，基于PSO算法優(yōu)化CNN的流程如下所示:

設(shè)置：N，d，fitgbest，M，w，c1，c2，r1，r2；

1: forl=0；l

2: forj=0；j

3: 初始化粒子位置Ulj、粒子速度Vlj

4: end for

5: 設(shè)置粒子最優(yōu)解Upbest(l)=Ul

6: 執(zhí)行函數(shù)CNN Solution(Ul)，得fitpbest(l)=fitl

7: if (fitpbest(l)優(yōu)于fitgbest) then

8: 更新群體最優(yōu)適應(yīng)度值fitgbest=fitpbest(l)

9: 更新群體最優(yōu)解Ugbest=Ul

10: end for

11: fort=0；t

12: forl=0；l

13: 執(zhí)行函數(shù)CNN Solution(Ul)，得fitl

14: if (fitl優(yōu)于fitpbest(l)) then

15: 更新Upbest(l)和fitpbest(l)

16: if (fitpbest(l)優(yōu)于fitgbest) then

17: 更新Ugbest和fitgbest

18: end for

19: forl=0；l

20:Vl=wVl+c1r1(Upbest(l)-Ul)+c2r2(Ugbest-Ul)

21:Ul=Ul+Vl

22: end for

23: end for

24: 輸出Ugbest和fitgbest

CNN適應(yīng)度函數(shù)如下所示：

1： function CNN Solution(Ul)

2： 設(shè)置：Q={q1,q2,…,qD}=Ul，ks，ppool，e，b；

3： 訓(xùn)練CNN，得到Ra預(yù)測模型

4： 在測試集上預(yù)測，得到Ra的預(yù)測值y*

6： 輸出適應(yīng)度值fitl

7： end function

2.3 表面粗糙度預(yù)測模型訓(xùn)練與測試流程

本文基于多源異構(gòu)數(shù)據(jù)建立泛化性強(qiáng)和精確度高的數(shù)控銑削加工表面粗糙度預(yù)測模型。首先獲取數(shù)控銑削過程中的工藝參數(shù)、工件材料類別、刀具直徑等靜態(tài)數(shù)據(jù)和振動(dòng)信號(hào)、力信號(hào)、功率信號(hào)等動(dòng)態(tài)數(shù)據(jù)組成的多源異構(gòu)數(shù)據(jù)集并進(jìn)行預(yù)處理。在訓(xùn)練集上采用CNN建立表面粗糙度預(yù)測模型，并使用PSO算法優(yōu)化CNN網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)得到PSO-CNN，在測試集上運(yùn)用PSO-CNN表面粗糙度預(yù)測模型進(jìn)行測試并得到表面粗糙度預(yù)測值。訓(xùn)練與測試流程如圖3所示。

圖3 表面粗糙度預(yù)測模型訓(xùn)練與測試流程

與傳統(tǒng)表面粗糙度建模方法相比，上述基于多源異構(gòu)數(shù)據(jù)和PSO-CNN的表面粗糙度預(yù)測建模流程的優(yōu)勢主要體現(xiàn)在兩個(gè)方面：一方面，本文考慮多種材料、多種直徑刀具及多種傳感器信號(hào)等多源異構(gòu)數(shù)據(jù)建立模型，使模型泛化性更強(qiáng)、精度更高；另一方面，針對(duì)動(dòng)態(tài)數(shù)據(jù)，本文在CNN自動(dòng)提取特征的基礎(chǔ)上使用PSO算法優(yōu)化CNN網(wǎng)絡(luò)參數(shù)，實(shí)現(xiàn)動(dòng)態(tài)數(shù)據(jù)特征自適應(yīng)提取，與傳統(tǒng)的人工提取特征相比，將最大程度地提取出完整有效的特征，使得模型預(yù)測更加準(zhǔn)確。

2.4 表面粗糙度預(yù)測模型評(píng)價(jià)方法

均方根誤差(RMSE)可以用來量化預(yù)測值與觀測值的絕對(duì)誤差，故本文使用RMSE作為CNN的損失函數(shù)：

(8)

同時(shí)，在使用PSO算法優(yōu)化CNN網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)的過程中，以RMSE作為優(yōu)化目標(biāo)。此外，平均絕對(duì)值誤差(MAE)也是量化預(yù)測值與觀測值的絕對(duì)誤差的指標(biāo)，決定系數(shù)R2可用來評(píng)價(jià)模型的可靠度，取值范圍為[0,1]，MAE和R2的計(jì)算公式如下：

(9)

(10)

故本文綜合eRMSE、eMAE、R23個(gè)指標(biāo)對(duì)表面粗糙度預(yù)測模型進(jìn)行評(píng)估，其中，eRMSE、eMAE值越小說明預(yù)測值與觀測值越接近，R2值越接近1說明模型預(yù)測精度越高[22]。

3 案例分析

3.1 實(shí)驗(yàn)設(shè)備及條件

基于本文提出方法建立數(shù)控銑削表面粗糙度預(yù)測模型需要采集數(shù)控銑削過程中的多源異構(gòu)數(shù)據(jù)，因此，在某數(shù)控銑削加工車間的VGC1500立式數(shù)控加工中心上開展數(shù)控銑削實(shí)驗(yàn)。詳細(xì)信息見表1。

表1 機(jī)床參數(shù)

本文在開展數(shù)控銑削實(shí)驗(yàn)時(shí)，具體使用型號(hào)為E4A04050，直徑分別為8 mm、10 mm、12 mm的刀具分別對(duì)Q235、45鋼、6061鋁合金材料進(jìn)行平面銑削，將實(shí)驗(yàn)計(jì)劃錄入MES系統(tǒng)。同時(shí)，采集銑削過程中的多源異構(gòu)數(shù)據(jù)，其中工藝參數(shù)通過PCMCIA網(wǎng)卡與Focas通信接口直接從VGC1500加工中心的FANUC數(shù)控系統(tǒng)讀取獲得，刀具、工件材料信息直接從MES檢索獲得。此外，使用3個(gè)PCB352C03單軸加速度振動(dòng)傳感器和3通道NI-9234振動(dòng)輸入模塊采集X、Y、Z方向的振動(dòng)信號(hào)，采集頻率設(shè)為5120 Hz；使用Kistler9257B三向測力儀采集X、Y、Z方向的力信號(hào)，采集頻率設(shè)為5120 Hz；將功率傳感器的采集頻率設(shè)為5120 Hz以獲取主軸、X方向進(jìn)給軸、Y方向進(jìn)給軸功率信號(hào)。最后，使用MFT-3000高集成多功能摩擦磨損試驗(yàn)機(jī)掃描已加工工件的表面形貌特征并采用Gwyddion軟件計(jì)算得到工件的表面粗糙度Ra，實(shí)驗(yàn)設(shè)備如圖4所示。

圖4 實(shí)驗(yàn)設(shè)備

3.2 表面粗糙度預(yù)測建模與分析

3.2.1數(shù)據(jù)準(zhǔn)備

本文通過不同工藝參數(shù)、刀具直徑、工件材料組合開展150組數(shù)控銑削實(shí)驗(yàn)，在每組工藝參數(shù)下進(jìn)行平面銑削時(shí)，采集10 s的動(dòng)態(tài)信號(hào)，即以5120 Hz的采集頻率在10 s內(nèi)獲取51 200個(gè)數(shù)據(jù)點(diǎn)。首先，將采集的振動(dòng)信號(hào)、力信號(hào)及功率信號(hào)等多源異構(gòu)數(shù)據(jù)的原始數(shù)據(jù)保存為CSV格式文件并導(dǎo)入DataWrangler軟件中。然后，借助DataWrangler強(qiáng)大的操作智能推薦，刪除原始數(shù)據(jù)中的空值，針對(duì)原始數(shù)據(jù)中的奇異值，先執(zhí)行刪除操作，再利用填充功能將其填充為合理值。最后，截取3種信號(hào)在同一時(shí)段的2048個(gè)數(shù)據(jù)點(diǎn)用于建立表面粗糙度預(yù)測模型。本文實(shí)驗(yàn)獲取了150組數(shù)據(jù)，其中120組數(shù)據(jù)作為訓(xùn)練集，30組數(shù)據(jù)作為測試集，部分實(shí)驗(yàn)結(jié)果如表2所示。

表2 部分實(shí)驗(yàn)結(jié)果

3.2.2建立模型

基于準(zhǔn)備好的實(shí)驗(yàn)數(shù)據(jù)建立數(shù)控銑削表面粗糙度預(yù)測模型。首先，針對(duì)靜態(tài)數(shù)據(jù)，采用人工提取特征，針對(duì)動(dòng)態(tài)數(shù)據(jù)，搭建CNN從每條動(dòng)態(tài)數(shù)據(jù)的2048個(gè)數(shù)據(jù)點(diǎn)中自動(dòng)提取有效特征，本文采用的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖5所示，包含輸入層、卷積層C1、池化層P2、卷積層C3、池化層P4、卷積層C5、池化層P6、全連接層F7、淺層神經(jīng)網(wǎng)絡(luò)隱藏層H8和輸出層。

圖5 本文的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

本文運(yùn)用PSO算法以卷積層C1、C3、C5的卷積核個(gè)數(shù)q1、q2、q3，全連接層F7的節(jié)點(diǎn)個(gè)數(shù)q4、隱藏層H8的神經(jīng)元個(gè)數(shù)q5為優(yōu)化變量，以表面粗糙度預(yù)測模型的RMSE為優(yōu)化變量對(duì)CNN進(jìn)行優(yōu)化，進(jìn)而提高模型的預(yù)測精度，PSO的相關(guān)參數(shù)如表3所示。

表3 算法主要參數(shù)

本文采用Dell Precision 3640計(jì)算機(jī)、RTX 2080Ti顯卡及64 GB運(yùn)行內(nèi)存，在Windows 10 64位操作系統(tǒng)、Keras及TensorFlow-GPU環(huán)境下運(yùn)行PSO算法優(yōu)化CNN以訓(xùn)練表面粗糙度預(yù)測模型。在訓(xùn)練模型階段，設(shè)置好粒子群初始值，以最大迭代次數(shù)100次或優(yōu)化目標(biāo)(RMSE)小于0.05為終止條件，開始PSO算法的優(yōu)化迭代,各粒子每更新一次位置就訓(xùn)練一次CNN模型,RMSE的迭代收斂過程如圖6所示。特別地，運(yùn)用Python的time()函數(shù)計(jì)算模型訓(xùn)練和預(yù)測時(shí)間，可知CNN每訓(xùn)練一次模型耗時(shí)約7.13 s，100次迭代完成后得出最終模型的訓(xùn)練耗時(shí)總計(jì)約5.94 h。在完成訓(xùn)練后，使用最終模型對(duì)一組數(shù)據(jù)進(jìn)行預(yù)測，預(yù)測時(shí)間約為1 ms。由以上分析可知，本文建立模型所消耗的時(shí)間主要集中在訓(xùn)練階段，而在預(yù)測階段的耗時(shí)非常少，模型預(yù)測效率高。

圖6 算法收斂過程

表4 優(yōu)化后的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)

3.2.3對(duì)比分析

本文基于多源異構(gòu)數(shù)據(jù)和PSO-CNN在訓(xùn)練集數(shù)據(jù)上訓(xùn)練建成的表面粗度預(yù)測模型(模型M)，在測試集數(shù)據(jù)上測試模型M的預(yù)測性能。模型M在訓(xùn)練集和測試集上Ra真實(shí)值和預(yù)測值的偏差情況如圖7所示。為展現(xiàn)本文基于多源異構(gòu)數(shù)據(jù)和PSO-CNN所建立模型M的優(yōu)勢，將其與以下模型進(jìn)行對(duì)比分析：

(a)訓(xùn)練集

(1)模型1為基于工藝參數(shù)、工件材料、刀具直徑等靜態(tài)數(shù)據(jù)和淺層神經(jīng)網(wǎng)絡(luò)的擬合模型。

(2)模型2為基于靜態(tài)數(shù)據(jù)、振動(dòng)信號(hào)和PSO-CNN建立的模型。

(3)模型3為基于多源異構(gòu)數(shù)據(jù)和淺層神經(jīng)網(wǎng)絡(luò)建立的模型，其中，針對(duì)動(dòng)態(tài)數(shù)據(jù)，人工提取均值、標(biāo)準(zhǔn)差、方差、均方根、峰峰值、偏度、峭度、波形因子等特征。

(4)模型4為基于多源異構(gòu)數(shù)據(jù)和傳統(tǒng)CNN建立的模型。

上述4個(gè)模型在測試集上的Ra預(yù)測值和真實(shí)值對(duì)比如圖8所示。

圖7b、圖8直觀展示了各模型在測試集上的預(yù)測效果，對(duì)比模型M與模型1、模型2可知，使用多源異構(gòu)數(shù)據(jù)比使用較少種類數(shù)據(jù)有很大的優(yōu)勢。對(duì)比模型3、模型4可知，傳統(tǒng)CNN自動(dòng)提取動(dòng)態(tài)數(shù)據(jù)特征優(yōu)于人工提取動(dòng)態(tài)數(shù)據(jù)特征。對(duì)比模型M與模型4可知，基于PSO-CNN建立的模型預(yù)測精度相比傳統(tǒng)CNN有較大的提升。上述模型的評(píng)價(jià)指標(biāo)如圖9所示。

(a)模型1

已知R2值越接近1，RMSE、MAE值越小模型預(yù)測精度越高。據(jù)圖9可知，模型1僅使用靜態(tài)數(shù)據(jù)，在測試集上的R2值、RMSE值、MAE值分別為0.8404、0.1636、0.1333，其預(yù)測精度最低。模型2因引入了振動(dòng)信號(hào)，其預(yù)測精度較模型1有所提高；模型M則基于靜態(tài)數(shù)據(jù)和振動(dòng)信號(hào)、力信號(hào)及功率信號(hào)等多源異構(gòu)數(shù)據(jù)，全面考慮了數(shù)控銑削過程的信息，因此模型M的預(yù)測精度相比模型2有很大提升。

(a)各模型在測試集的R2對(duì)比

模型3、模型4和模型M均是基于多源異構(gòu)數(shù)據(jù)建立的，其中，模型3采用人工提取特征的方式提取動(dòng)、靜態(tài)數(shù)據(jù)特征，損失了較多有用信息，因此在測試集上的R2值、RMSE值、MAE值分別為0.8990、0.1302、0.1090，預(yù)測精度低。基于傳統(tǒng)CNN建立的模型4的R2值、RMSE值、MAE值分別為0.9480、0.0921、0.0812；采用PSO-CNN建立的模型M的R2值、RMSE值、MAE值分別為0.9792、0.0582、0.0476，對(duì)比模型M與模型4的評(píng)價(jià)指標(biāo)可知，PSO-CNN的RMSE值、MAE值明顯小于傳統(tǒng)CNN的相應(yīng)值，且R2的值更接近于1，因此PSO-CNN優(yōu)于優(yōu)化前的傳統(tǒng)CNN。

通過對(duì)比可知，本文基于多源異構(gòu)數(shù)據(jù)和PSO-CNN建立數(shù)控銑削表面粗糙度預(yù)測模型有較大的優(yōu)勢。

3.3 預(yù)測結(jié)果驗(yàn)證

本文以某大型自走式采棉裝備工件為例，布置振動(dòng)傳感器、測力儀、功率傳感器以獲取該工件加工過程的多源異構(gòu)數(shù)據(jù)。圖10a中工件材料為45鋼，圖10b中工件材料為6061鋁合金，需要多組工藝參數(shù)、多個(gè)工步完成銑削加工，銑削工件所采集的數(shù)據(jù)見表5。

(a)45鋼工件

對(duì)表5中的靜態(tài)數(shù)據(jù)和傳感器采集的動(dòng)態(tài)數(shù)據(jù)進(jìn)行處理，通過本文提出方法建立的模型預(yù)測工件在每個(gè)工步下的表面粗糙度。表面粗糙度的預(yù)測值與真實(shí)值對(duì)比如圖11所示。

表5 工件銑削加工數(shù)據(jù)

由圖11可以看出，各個(gè)工步工件表面粗糙度的預(yù)測值與真實(shí)值的折線基本吻合，表明本文所建立的數(shù)控銑削表面粗糙度預(yù)測模型基本可以準(zhǔn)確預(yù)測工件加工過程中的表面粗糙度。經(jīng)計(jì)算，模型在各個(gè)工步預(yù)測值與真實(shí)值的絕對(duì)百分比誤差在4.18%～8.73%范圍內(nèi)，均小于10%；平均絕對(duì)百分比誤差為6.38%，表明了本文所提的表面粗糙度建模方法的有效性。

圖11 加工過程中粗糙度預(yù)測值與真實(shí)值對(duì)比圖

4 結(jié)論

(1)本文提出了一種基于多源異構(gòu)數(shù)據(jù)的數(shù)控銑削表面粗糙度預(yù)測方法，綜合考慮工藝參數(shù)、多種工件材料、多種刀具直徑及多種傳感器信號(hào)并采用PSO-CNN建立模型，提高了表面粗糙度預(yù)測的泛化性與精確性。

(2)對(duì)比基于本文方法建立的模型與基于較少數(shù)據(jù)種類建立的模型、基于傳統(tǒng)CNN建立的模型的預(yù)測性能，結(jié)果表明，基于本文方法所建模型的決定系數(shù)、均方根誤差、平均絕對(duì)值誤差指標(biāo)最優(yōu)，體現(xiàn)了本文方法的優(yōu)越性，通過某大型采棉裝備的兩個(gè)零件銑削加工案例驗(yàn)證了本文模型的有效性。

(3)本文提出的基于多源異構(gòu)數(shù)據(jù)的數(shù)控銑削表面粗糙度預(yù)測方法提高了預(yù)測模型的泛化性與精度，為生產(chǎn)制造中制定相關(guān)優(yōu)化決策提供了基礎(chǔ)。未來的研究重點(diǎn)將是研究表面粗糙度與工藝參數(shù)、加工條件的關(guān)系并進(jìn)行優(yōu)化以提升產(chǎn)品質(zhì)量、生產(chǎn)效率等。