摘 要：深度學(xué)習(xí)作為一種具有強(qiáng)大數(shù)據(jù)處理和模式識(shí)別能力的人工智能方法，在機(jī)床狀態(tài)監(jiān)測(cè)方面具有廣闊的應(yīng)用前景。本文旨在研究基于深度學(xué)習(xí)的數(shù)控機(jī)床狀態(tài)監(jiān)測(cè)技術(shù)。首先，建立了數(shù)控機(jī)床狀態(tài)參數(shù)目標(biāo)模型，分析了數(shù)控機(jī)床穩(wěn)態(tài)過(guò)程功率模型和加工過(guò)程效率模型。然后，提出了基于BP神經(jīng)網(wǎng)絡(luò)的數(shù)控機(jī)床狀態(tài)監(jiān)測(cè)模型。最后，通過(guò)實(shí)驗(yàn)驗(yàn)證算法在數(shù)控機(jī)床狀態(tài)監(jiān)測(cè)方面具有優(yōu)秀的性能和準(zhǔn)確率。結(jié)果表明，深度學(xué)習(xí)算法能夠更好地處理復(fù)雜的機(jī)床狀態(tài)數(shù)據(jù)，并能夠自動(dòng)學(xué)習(xí)和識(shí)別不同狀態(tài)之間的模式和特征。

關(guān)鍵詞：深度學(xué)習(xí) 數(shù)控機(jī)床 狀態(tài)監(jiān)測(cè)技術(shù) 穩(wěn)態(tài)過(guò)程功率模型 加工過(guò)程效率模型

0 引言

數(shù)控機(jī)床作為現(xiàn)代制造業(yè)中的重要設(shè)備，其穩(wěn)定性和可靠性對(duì)生產(chǎn)運(yùn)行至關(guān)重要。然而，目前傳統(tǒng)的機(jī)床狀態(tài)監(jiān)測(cè)技術(shù)存在諸多局限，無(wú)法實(shí)現(xiàn)對(duì)機(jī)床狀態(tài)的實(shí)時(shí)監(jiān)測(cè)和準(zhǔn)確評(píng)估。因此，引入新的技術(shù)和方法來(lái)解決這一問(wèn)題具有重要意義[1]。另一方面，深度學(xué)習(xí)作為一種在機(jī)器學(xué)習(xí)領(lǐng)域備受關(guān)注的技術(shù)，具有強(qiáng)大的學(xué)習(xí)能力和數(shù)據(jù)處理能力。然而，在數(shù)控機(jī)床狀態(tài)監(jiān)測(cè)領(lǐng)域，深度學(xué)習(xí)的應(yīng)用還處于初級(jí)階段，尚未充分發(fā)揮其潛力[2]。通過(guò)對(duì)機(jī)床工作數(shù)據(jù)的分析和學(xué)習(xí)，可以實(shí)現(xiàn)對(duì)機(jī)床狀態(tài)的實(shí)時(shí)監(jiān)測(cè)、異常狀態(tài)識(shí)別、故障情況監(jiān)測(cè)以及機(jī)床壽命的預(yù)測(cè)和評(píng)估，為制造業(yè)的發(fā)展和生產(chǎn)效率的提高提供重要支持[3]。因此，深入研究基于深度學(xué)習(xí)的數(shù)控機(jī)床狀態(tài)監(jiān)測(cè)技術(shù)具有重要的現(xiàn)實(shí)意義和應(yīng)用前景。

1 數(shù)控機(jī)床狀態(tài)參數(shù)目標(biāo)模型

1.1 數(shù)控機(jī)床穩(wěn)態(tài)過(guò)程功率模型

數(shù)控機(jī)床加工過(guò)程中，穩(wěn)態(tài)過(guò)程主要是指數(shù)控機(jī)床在對(duì)工件進(jìn)行加工時(shí)，加工狀態(tài)持續(xù)進(jìn)行、加工時(shí)加工功率保持規(guī)律性的穩(wěn)定變化的加工過(guò)程（簡(jiǎn)稱(chēng)穩(wěn)態(tài)過(guò)程）。在本文模型中，對(duì)于數(shù)控機(jī)床穩(wěn)態(tài)過(guò)程功率模型主要分為：輔助狀態(tài)功率模型、空切狀態(tài)功率模型、材料切削狀態(tài)功率模型[4]。

（1）輔助狀態(tài)功率模型：在數(shù)控機(jī)床的運(yùn)行中，照明裝置、冷卻裝置、排屑裝置等產(chǎn)生的功率，一般會(huì)被稱(chēng)為輔助功率。該部分功率主要是為機(jī)床在加工過(guò)程中起到輔助作用，并且是選擇性開(kāi)啟的，不會(huì)伴隨著機(jī)床開(kāi)啟而一直運(yùn)行。除卻這些選擇性開(kāi)啟的裝置產(chǎn)生的功率，機(jī)床在開(kāi)啟后，維持機(jī)床正常運(yùn)行，但實(shí)際機(jī)床不進(jìn)行切削（包含空切）的狀態(tài)，稱(chēng)為待機(jī)運(yùn)行。

（2）空切狀態(tài)功率模型：在機(jī)床零件加工過(guò)程中，主軸開(kāi)始旋轉(zhuǎn)后，刀具從初始位置至刀具觸碰到工件開(kāi)始進(jìn)行切削時(shí)，以及工件加工完成刀具快速遠(yuǎn)離工件，到達(dá)安全位置程序停止，這些段過(guò)程為空切階段。該階段主要包含主軸旋轉(zhuǎn)、進(jìn)給、快速進(jìn)給、主軸旋轉(zhuǎn)加減速以及自動(dòng)換刀的過(guò)程。其中主軸旋轉(zhuǎn)加減速以及自動(dòng)換刀為瞬態(tài)過(guò)程。

（3）材料切削狀態(tài)功率模型：在數(shù)控機(jī)床加工過(guò)程中，當(dāng)?shù)毒哂|碰到工件時(shí)，材料切削活動(dòng)開(kāi)始。其中材料切削功率中，也因具體的加工活動(dòng)不同，分為恒材料切削功率與變材料切削功率。其中，在數(shù)控機(jī)床中恒材料切削功率主要是車(chē)外圓過(guò)程[5]；在數(shù)控機(jī)床中，變材料切削功率主要是車(chē)端面過(guò)程。材料切削狀態(tài)功率模型可以表示為：

恒材料切削功率：在數(shù)控機(jī)床中，恒材料切削功率主要是車(chē)外圓過(guò)程，車(chē)外圓過(guò)程的恒材料切削功率可以表示為：

（1）

其中，為車(chē)外圓切削功率，；、、、為系數(shù)；為切削速度，；為進(jìn)給量，；為切削深度，。

變材料切削功率：車(chē)端面過(guò)程的變材料切削功率可以表示為：

（2）

其中，為車(chē)端面切削功率，；，分別為切削速度、初始切削速度，；為進(jìn)給量，；為切削深度，；為主軸旋轉(zhuǎn)速度，；為刀具切入時(shí)間，為完全切削階段持續(xù)時(shí)間，為刀具切入階段持續(xù)時(shí)間，。

1.2 數(shù)控機(jī)床加工過(guò)程效率模型

在本文中建立的加工過(guò)程效率模型，其定義為：加工過(guò)程中單位時(shí)間內(nèi)材料去除體積，相較于傳統(tǒng)的材料去除率，本文所建立的加工過(guò)程效率模型考慮的是整個(gè)加工過(guò)程的效率，而不是單指數(shù)控機(jī)床的切削過(guò)程，二者所考慮的材料去除體積是相同的，而不相同在于時(shí)間的考慮，如圖1所示[6]。

該加工過(guò)程效率模型可以表示為：

（3）

其中，為加工過(guò)程效率，即為加工過(guò)程中單位時(shí)間內(nèi)材料去除體積，；為加工過(guò)程中需去除的總體積，；為加工過(guò)程時(shí)間，。當(dāng)加工的零件、工藝確定時(shí)，需去除的總體積為確定值，其公式可以表達(dá)為：

（4）

其中，為加工過(guò)程中需去除的工件材料體積，；為工件直徑，；為切削深度，；為切削長(zhǎng)度，。

1.3 數(shù)控機(jī)床加工過(guò)程參數(shù)

根據(jù)上述分析，對(duì)于固定的機(jī)床型號(hào)來(lái)說(shuō)，本文的研究對(duì)象為數(shù)控機(jī)床 C2-6150HK/1a，數(shù)控機(jī)床加工過(guò)程的能耗變化不僅與時(shí)間參數(shù)有關(guān)，同時(shí)還與待機(jī)功率、機(jī)床空載功率、材料切削功率以及輔助階段功率有關(guān)。其中，待機(jī)功率、主軸轉(zhuǎn)速、材料屬性、刀具屬性、切削參數(shù)等是數(shù)控機(jī)床加工過(guò)程中的主要影響因素。由于待機(jī)階段、機(jī)床空轉(zhuǎn)階段的能耗值可直接測(cè)量且比較恒定，材料屬性和刀具屬性在實(shí)際加工中不會(huì)發(fā)生改變，在不考慮刀具磨損的情況下，影響數(shù)控機(jī)床加工能耗的主要為時(shí)間參數(shù)、主軸轉(zhuǎn)速和切削參數(shù)。故本文研究主要考慮數(shù)控機(jī)床切削加工能耗及相應(yīng)的切削參數(shù)：切削速度、切削深度和進(jìn)給量。

2 基于BP神經(jīng)網(wǎng)絡(luò)的數(shù)控機(jī)床狀態(tài)監(jiān)測(cè)模型

2.1 BP神經(jīng)網(wǎng)絡(luò)原理及特點(diǎn)

人工神經(jīng)網(wǎng)絡(luò)利用仿生的方法，在生物神經(jīng)元工作過(guò)程的基礎(chǔ)上，通過(guò)模擬其過(guò)程，建立具有其結(jié)構(gòu)和特點(diǎn)的運(yùn)算模型，圖2是人工神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)示意圖。它從信息處理角度對(duì)人腦神經(jīng)元網(wǎng)絡(luò)進(jìn)行抽象，建立某種簡(jiǎn)單模型，按不同的連接方式組成不同的網(wǎng)絡(luò)，它看似結(jié)構(gòu)簡(jiǎn)單，卻由大量的節(jié)點(diǎn)（或稱(chēng)神經(jīng)元）之間相互聯(lián)接構(gòu)成，每個(gè)節(jié)點(diǎn)代表一種特定的輸出函數(shù)，稱(chēng)為激勵(lì)函數(shù)（activation function）。每?jī)蓚€(gè)節(jié)點(diǎn)間的連接都代表一個(gè)對(duì)于通過(guò)該連接信號(hào)的加權(quán)值，稱(chēng)之為權(quán)重，這相當(dāng)于人工神經(jīng)網(wǎng)絡(luò)的記憶。網(wǎng)絡(luò)的輸出則依網(wǎng)絡(luò)的連接方式，權(quán)重值和激勵(lì)函數(shù)的不同而不同。

如圖2所示，BP網(wǎng)絡(luò)與感知器模型不同，傳遞函數(shù)必須是可微的，不能使用感知器網(wǎng)絡(luò)中的二值數(shù)。為具體說(shuō)明BP網(wǎng)絡(luò)的學(xué)習(xí)過(guò)程，流程如下：

（1）輸入層結(jié)點(diǎn)數(shù)為，隱含層結(jié)點(diǎn)數(shù)為，輸出層結(jié)點(diǎn)數(shù)為；相應(yīng)各層結(jié)點(diǎn)的編號(hào)。

（2）表示輸入層與隱含層各結(jié)點(diǎn)之間的連接權(quán)重矩陣，表示隱含層各結(jié)點(diǎn)的閾值向量。

（3）表示輸入層的輸入，表示輸出層的期望輸出。

（4）輸入層的輸出為，隱含層的輸出為，輸出層的實(shí)際輸出為。

隱含層和輸出層的激勵(lì)函數(shù)采用Sigmoid函數(shù)：

式中：為神經(jīng)元收到的加權(quán)信號(hào)和。為神經(jīng)元的閾值。

隱含層第號(hào)結(jié)點(diǎn)的輸入和閾值分別為和，且：

2.2 BP神經(jīng)網(wǎng)絡(luò)狀態(tài)監(jiān)測(cè)模型

（1）BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)：torch庫(kù)中的nn.Module是torch庫(kù)中自帶的經(jīng)典神經(jīng)網(wǎng)絡(luò)架構(gòu)，本文搭建的神經(jīng)網(wǎng)絡(luò)通過(guò)繼承的方式構(gòu)建3層神經(jīng)網(wǎng)絡(luò)的基本架構(gòu)，再將切削速度、切削深度和進(jìn)給量f作為自變量，機(jī)床的切削能耗為因變量，搭建出 BP 神經(jīng)網(wǎng)絡(luò)車(chē)削能耗預(yù)測(cè)模型，其中各層之間的激活函數(shù)采用可以修正線(xiàn)性單元的ReLU函數(shù)，ReLU函數(shù)相較于其他激活函數(shù)具有稀疏性，可以更好地挖掘數(shù)據(jù)特征、不出現(xiàn)梯度飽和梯度消失等情況、計(jì)算方便等優(yōu)勢(shì)。

（2）定義損失函數(shù)和優(yōu)化器：搭建BP神經(jīng)網(wǎng)絡(luò)車(chē)削能耗預(yù)測(cè)模型在繼承 nn. Module形成基本架構(gòu)之后，需要對(duì)神經(jīng)網(wǎng)絡(luò)定義損失函數(shù)和優(yōu)化器。損失函數(shù)，又叫目標(biāo)函數(shù)，是編譯一個(gè)神經(jīng)網(wǎng)絡(luò)模型必需的兩個(gè)要素之一，另一個(gè)必不可少的要素是優(yōu)化器。

（3）學(xué)習(xí)速率的選擇：為了根據(jù)各個(gè)階段誤差的情況進(jìn)行調(diào)節(jié)，一般采用自適應(yīng)的學(xué)習(xí)速率。當(dāng)誤差減小時(shí)，會(huì)采用較大的學(xué)習(xí)速率以加快網(wǎng)絡(luò)的收斂速度；相反，在誤差增大時(shí)，會(huì)采用較小的學(xué)習(xí)速率，以避免誤差進(jìn)一步擴(kuò)大，通過(guò)閱讀相關(guān)文獻(xiàn)，BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)速率通常設(shè)置在 0.01-0.1 之間，使用 Adam 優(yōu)化器默認(rèn)的初始學(xué)習(xí)率為 0.01。根據(jù)學(xué)習(xí)速率的設(shè)置范圍手動(dòng)調(diào)整，并通過(guò)預(yù)測(cè)模型測(cè)試集損失確定最佳學(xué)習(xí)率為0.04。

3 實(shí)驗(yàn)結(jié)果分析

為了直觀的表現(xiàn)各模型預(yù)測(cè)結(jié)果與實(shí)際能耗值之間的關(guān)系，本文采用Python 中的matplotlib 庫(kù)進(jìn)行繪圖，將測(cè)試集中的25組測(cè)試結(jié)果與實(shí)際能耗值進(jìn)行比較。圖3為各模型預(yù)測(cè)值與實(shí)測(cè)值對(duì)比圖。

通過(guò)各模型之間的預(yù)測(cè)值與實(shí)測(cè)值的對(duì)比，可以看出擬合效果做好的是BP神經(jīng)網(wǎng)絡(luò)狀態(tài)監(jiān)測(cè)模型。對(duì)于數(shù)控機(jī)床切削加工狀態(tài)監(jiān)測(cè)來(lái)說(shuō)，BP神經(jīng)網(wǎng)絡(luò)模型具有較強(qiáng)的可行性。根據(jù)本文的研究對(duì)于數(shù)控機(jī)床切削加工能耗預(yù)測(cè)優(yōu)先推薦隨機(jī)森林能耗預(yù)測(cè)模型。

4 結(jié)論

本文通過(guò)研究基于深度學(xué)習(xí)的數(shù)控機(jī)床狀態(tài)監(jiān)測(cè)技術(shù)，提出了一種基于深度學(xué)習(xí)的算法，并驗(yàn)證了其在機(jī)床狀態(tài)監(jiān)測(cè)方面的優(yōu)越性和實(shí)用性。本研究的實(shí)際應(yīng)用價(jià)值主要體現(xiàn)在兩個(gè)方面：一方面，機(jī)床狀態(tài)監(jiān)測(cè)技術(shù)的應(yīng)用可以提高機(jī)床設(shè)備的運(yùn)行效率和穩(wěn)定性，減少設(shè)備故障和損壞，降低維修和更換成本，提高生產(chǎn)效率和質(zhì)量。另一方面，通過(guò)對(duì)機(jī)床狀態(tài)的實(shí)時(shí)監(jiān)測(cè)和預(yù)測(cè)，可以實(shí)現(xiàn)設(shè)備故障的早期預(yù)警和維修計(jì)劃的優(yōu)化，提高設(shè)備可靠性和生命周期管理。

基金項(xiàng)目：四川省教育廳 2022－2024 年職業(yè)教育人才培養(yǎng)和教育教學(xué)改革研究項(xiàng)目GZJG2022-705《基于技能大師工作室的“創(chuàng)新型”高技術(shù)技能人才培養(yǎng)模式探索與實(shí)踐》。

參考文獻(xiàn)

[1]王金鋒.基于成本管理視角的數(shù)控機(jī)床運(yùn)行監(jiān)測(cè)維護(hù)分析[J].設(shè)備管理與維修，2023（24）：154-156.

[2]周麗蓉.數(shù)控機(jī)床能耗建模與面向能量的加工參數(shù)優(yōu)化[D].濟(jì)南：山東大學(xué)，2018.

[3]孟悅.銑削加工過(guò)程能耗建模及工藝參數(shù)優(yōu)化[D].哈爾濱：哈爾濱理工大學(xué)，2019.

[4]宋宜璇，童一飛，繆方雷，等.基于物聯(lián)網(wǎng)的數(shù)控機(jī)床群狀態(tài)監(jiān)測(cè)研究[J].機(jī)械設(shè)計(jì)與制造工程，2023，52（06）：13-18.

[5]陳露萌.高檔數(shù)控機(jī)床進(jìn)給系統(tǒng)在線(xiàn)監(jiān)測(cè)與故障診斷[D].北京：北京信息科技大學(xué)，2023.

[6]李福佳.基于狀態(tài)監(jiān)測(cè)數(shù)據(jù)的數(shù)控機(jī)床運(yùn)輸安全性評(píng)價(jià)及包裝優(yōu)化設(shè)計(jì)[D].長(zhǎng)春：吉林大學(xué)，2024.