数控机床节能策略TL-DBN模型设计及优化
数控机床节能策略TL-DBN模型设计及优化
翟桂敏
泰州技师学院，机电工程系，江苏泰州 225300
摘要：机床运行控制性能受到实际车间环境与生产工艺条件的综合影响，如何提高节能效果是保证机械制造成本的一个关键。为了提高数控机床多台设备协调工作的能力，进而实现节能的效果，设计了一种利用迁移学习方法来实现CNC机床的节能控制过程。建立了以RF实现驱动功能的离散CNC机床能耗调控模型，由此减小等待阶段所消耗的能量。研究结果表明：相比较其它算法，TL-DBN模型决策误差达到3.2%的最低值，迁移学习过程能够优化节能决策的效果，能够使机床达到理想的节能效果。该研究的控制方案为实现生产过程管控提供指导，为后续的控制优化奠定一定的理论基础。
关键词：迁移学习；节能控制；CNC机床；深度置信网络
中图分类号：TH166
Design and optimization of TL-DBN model for energy saving strategy of NC machine tools
Zhai Guimin
Department of Mechanical and Electrical Engineering, Taizhou Technician College, Taizhou 225300, China
Abstract: The operation control performance of machine tools is affected by the actual workshop environment and production process conditions. How to improve the energy saving effect is a key to ensure the cost of machinery manufacturing. In order to improve the coordination ability of NC machine tools and realize the effect of energy saving, a transfer learning method was designed to realize the energy saving control process of CNC machine tools. The energy consumption control model of discrete CNC machine tool with RF driving function was established to reduce the energy consumed in the waiting stage. The results show that, compared with other algorithms, the decision error of TL-DBN model reaches the lowest value of 3.2%. The transfer learning process can optimize the effect of energy saving decision, and can make the machine tool achieve the ideal effect of energy saving. The control scheme of this study provides guidance for the realization of production process control and lays a certain theoretical foundation for the subsequent control optimization.
Key words: transfer learning; Energy saving control; CNC machine tools; Deep Belief Networks
1 引言
机床运行控制性能受到实际车间环境与生产工艺条件的综合影响，如何实现对设备生产状态的高效监控已成为当前的一项重要研究课题[1-2]。随着射频识别技术的应用推广，引入数据处理系统后可以将采集获得的设备参数信息、物料参数、生产数据进行高效分析，由此实现对生产过程的高效监控[3-4]。苏春燕[5]开发了一种利用RF作为车间生产环节调控的处理系统，根据加工时间积累误差对车间扰动变化进行快速分析。李聪波等[6-7]利用RF对数据实时采集，通过构建智能多目标模型对物料调度统计；曹伟[8]利用RF技术来实现对离散车间数据实时采集。由于离散生产产品种类多样并且存在多批次特征，进行实际生产的时候，需要对订单进行插入、延迟、取消处理，极大增加了车间运行过程的复杂性，产生了大量不确定影响因素，大幅增加了生产过程的数据。张博[9]主要研究了离散制造系统节能控制过程，对机床加工优化主要是从工艺规划层面来达到节能效果。虽然张中伟[10]已经将深度学习过程引入了CNC机床状态控制中，但上述方法都只对同一订单与同一台机开展决策分析，但不能实现对多台机床的各类订单同时分析的目标。
为了提高数控机床多台设备协调工作的能力，进而实现节能的效果，设计了一种利用迁移学习方法来实现CNC机床的节能控制过程，并开展案例分析。
2 机床节能控制决策方法
采集获得订单生产过程的数据后，则可以获得更高精度的机床节能控制决策。对于实际生产过程，会实时生成大量订单数据，这些数据量只占历史数据的很低比例，尤其是在初期订单加工过程中该比例更小[11]。根据以上分析，本文选择迁移学习的模式来达到对机床进行节能控制的效果，具体处理过程见图1。
图1 机床节能控制决策方法
先根据历史订单数据完成机床节能决策训练，并确定合适深度置信网络。设置模型各项参数，再利用迁移学习来实现对参数调控，进而构建机床节能决策的置信网络模型。本文机床节能控制决策方法对采集的数据结合分析，获得更高精度决策结果，促进机床决策效率的快速提升。
2.1构建深度置信网络模型
对DBN各层进行分析发现都存在限制玻耳兹曼机（RBM），再按照由下往上逐层训练的方式建立网络模型。由于DBN中包含了不同层的RBM，将其表示为R层，各RBM中由可见层v与隐含层h组成，同时还受到两层连接权重的影响[12]。分别以V与H表示显层维数与隐层维数，由此得到RBM状态负对数概率的表达式如下：
其中，wf表示可见层单元f和隐含层单元g的连接权重；af、bg依次对应可见层单元f和隐含层单元g产生的偏差；σ表示参变量；vf为可见层单元；hg为隐含层单元。
此外还可以计算最大似然估计的过程按照训练wf、af、bg来确定最小能量函数，假定总共采集获得Ｌ条生产数据，将其表示成｛X1，X2，…，Xl｝，此时可以将训练参数wf、af、bg的过程理解成以下的优化问题：
按照以上训练得到深度置信网络模型，采用深度置信网络模参数组成初始参数，再对当前订单数据进行训练，再以控制随机梯度减小的方式调整深度置信网络模型中的各项参数，由此确定合理参数。以下为微调阶段对参数进行迭代的计算过程：
式中，β表示迁移学习时经过微调后得到的学习率；R表示RBM层数。
3案例验证
3.1案例介绍与算法参数设置
为了对CNC机床节能决策模型与算法进行有效性测试，重点研究了某电梯控制系统的部件生产车间运行情况。该车间共包含了8台机床，表1给出了各机床对应的信息。车间内需要加工的零部件类型为10种，具体时间如表2所示。
表1 机床信息
按照五折交叉验证方法进行分析，以4∶1的数量比对目标订单参数进行分割得到训练与测试样本，再以随机方式从目标订单内选出353条数据组成迁移学习样本，再对剩余80条数据见测试，实现模型验证的功能。以MATLAB软件构建得到TL-DBN算法的程序。按照交叉验证的形式优化设置各项参数，对每种试验分别处理10次，图2给出了各参数下所得的测试结果。
图2 决策误差与计算时间结果
图2a是对10组隐含层进行测试的结果，此时隐含层数最佳为5，决策误差为3.1%；隐含层数增加后，所需的计算时间也发生了线性上升的变化趋势。最终将TL-DBN模型中的隐含层数量设置在5层。图2b是对各隐含节点数条件下进行测试的结果，当设置300个节点的情况下，采用TL-DBN模型计算获得的决策误差达到最小。同时发现，当节点数量增加后，计算时间也发生了线性上升的趋势，因此将模型节点数量设定在300。图2c显示了模型与学习率的关系，当学习率为0.9时进行决策计算时获得了最大精度。
4结论
本文开展数控机床节能策略TL-DBN模型设计及其优化分析，得到如下结果：
相比较其它算法，TL-DBN模型决策误差达到3.2%的最低值；
迁移学习过程能够优化节能决策效果，能够使机床达到理想的节能效果。
参考文献
[1]裴雪巍, 张爱梅, 李焕昭, 等. 机床主轴系统热变形分析与实验研究[J]. 机械设计与制造, 2022(06): 286-289+294.
[2]柏森, 孙长江, 江录春, 等. 基于机器视觉的工业机床信息识别方法[J]. 机械设计与研究, 2022, 38(01): 78-84.
[3]陆金鑫, 王汝贵, 陈培民, 等. 基于牛顿迭代法的并联机床运动学分析[J]. 机械设计与研究, 2022, 38(01): 114-117+127.
[4]杨英豪, 王会良, 苏建新. RBF神经网络在数控机床可靠性评估中的应用[J]. 机械设计与制造, 2022(01): 177-180.
[5]苏春燕, 孟祥懿, 崔建辉. 基于C#联网数控机床运行监控与信息管理系统[J]. 制造技术与机床, 2021(04): 14-19.
[6]李聪波, 王睿, 寇阳, 等. 考虑设备预维护的柔性作业车间调度节能优化方法[J]. 机械工程学报, 2021, 57(10): 220-230.
[7]李聪波, 余必胜, 肖溱鸽, 等. 考虑刀具磨损的数控车削批量加工工艺参数节能优化方法[J]. 机械工程学报, 2021, 57(01): 217-229.
[8] 曹伟, 江平宇, 江开勇, 等. 基于RFID技术的离散制造车间实时数据采集与可视化监控方法[J]. 计算机集成制造系统, 2017, 23(02): 273-284.
[9]张博, 梁艳艳. 基于改进的多目标PSO算法的离散型FJSP的研究[J]. 组合机床与自动化加工技术, 2022(09): 33-37.
[10]张中伟, 孟亚, 李艺, 等. 考虑工件分批的混合流水车间节能调度研究[J]. 制造技术与机床, 2022(08): 161-170.
[11]张朝阳, 吉卫喜, 彭威. 基于迁移学习的数控机床节能控制决策方法[J]. 中国机械工程, 2020, 31(23): 2855-2863.
[12]徐秀玲, 王红亮, 于天彪. 数控机床能耗控制的优化研究与应用[J]. 制造技术与机床, 2020, 700(10): 111-114.
数控机床节能策略TL-DBN模型设计及优化.doc
