原文信息
摘要由于机床内部热量的产生或它与周围环境的热交换而导致的机床结构的温度变化引起了热变形。为了补偿变形的机床，已经提出了各种方法。然而，这些方法无法在严峻的情况下补偿机床，例如意外的温度变化和传感器故障。本文提出了一种新的利用深度学习补偿热位移的方法。在所提出的算法中，基于深度学习评估了热位移预测的可靠性，以自适应地改变补偿权重。最后给出了车削中心的高性能热位移补偿结果。 关键词：机床，热误差，补偿 1. 引言近年来，由于制造业缺乏劳动力，无人或减少人员的工厂需要自动化系统和自动化工件运输系统。对于通过自动化实现的连续加工运行，重要的是抑制精度的劣化。热变形对加工操作下的加工精度有显著影响。机床内部和外部的热源及其变化是降低加工精度的主要因素。为了实现高质量和高性能的自动化制造系统，需要能够成功抑制热位移的技术。关于这一主题已经进行了大量研究。然而，在实践中没有获得太多好的结果。 针对这个问题，已经开发了多种通过温度控制和补偿实现的热位移控制技术[1,2]。例如：使用热传感器的方法[3–6]，利用数控单元的内部数据进行预测[7] 以及神经网络预测[8] 。近年来，在包括深度学习在内的人工智能技术中，图像识别的性能变得更加准确[9–11]。 作者提出，使用深度学习的卷积神经网络模型具有从外界温度变化下的温度来预测热位移的高性能[12]。另一方面，为了将深度学习技术应用于工业领域并补偿热位移，重要的是阐明预测的可靠性。在预测可靠性低的情况下，例如未学习的运行条件和传感器故障，必须抑制精度的劣化。 本文给出了基于贝叶斯Dropout法的可靠性评估方法[13]，提出了基于评估可靠性值来调整补偿值的自适应补偿方法。该方法可以防止由传感器故障引起的极端补偿值导致的精度劣化和由连接断开而导致测量值的极端波动。该方法还适用于切割热量产生，运行热量产生，如主轴旋转和轴移动，以及环境温度变化。结果表明，根据传感器故障的模式，可以自适应地防止精度的劣化。 2. 计算深度学习中的预测不确定性深度学习回归可以根据输入数据来预测某些值。在热位移的预测中，位移值是根据诸如温度传感器所测值的数据来预测的。在深度学习分类中，预测的可靠性是通过使用'softmax'作为输出函数来进行评估的[13]。然而在深度学习回归中，便捷地计算可靠性则较为困难。 图1 Dropout算法原理图 贝叶斯Dropout法使用Dropout算法，通过计算不确定性来评估可靠性。Dropout技术已被广泛用于防止深度学习模型的过拟合[14,15]。用于深度学习的神经网络Dropout算法的概念如图1所示。Dropout技术通常用于训练模型，但贝叶斯Dropout算法不仅在训练期间使用丢失技术，而且在预测期间也是如此。这种方法可以很容易地实现，因为训练的模型可以在没有修改的情况下使用，并且输入数据也不需要额外的处理。 使用贝叶斯Dropout算法从温度数据预测的位移结果如图2所示。蓝线是在主轴工作条件下测量的车削中心在X轴方向（直径变化的方向）上的热位移。为了对预测不确定性范围进行计算，将Dropout应用于训练的深度学习模型以进行位移预测，并且在切换要丢弃节点的同时重复计算100次。根据计算值，预测值的分布表示成绿色的深浅程度。红色细线是预测不确定性的范围(平均值±2σ)。红色粗线是预测的热位移。 图2 预测不确定度的计算结果 3. 根据不同工况下的温度进行热位移预测3.1 不同工况下的热位移收集切削中心的热位移和温度数据，用以研究不同工况下热位移预测的准确性和不确定度。 图3 车削中心的机械结构 如图3所示，安装在车削中心机器结构上的热电偶可以测得温度值。如图4所示，通过有5个位移传感器测量工件与刀塔之间的相对运动可以得到位移值，其中2个用于测量机器x轴方向，2个用于y轴方向，1个用于z轴方向的位移测量。 图4 位移传感器和方向 表1显示了实验条件下的变量。通过开/关来冷却剂模拟切削热、主轴运转、轴运动和环境温度变化都是变量。采用单一工况和两种工况组合进行热位移测量。图5所示的移动式变温室用于改变机床外界环境温度。 表1 实验变量
图5 移动式变温室及空调 3.2 利用深度学习和预测不确定度的评价进行热位移预测利用收集到的数据，通过深度学习进行热位移预测和预测不确定度计算。采用图6所示的神经网络模型进行训练和预测。12个温度传感器在30分钟内的温度值作为输入数据，5个位移值也作为监督数据。在收集的数据中，来自3台机器的41个数据作为培训数据，另外3台机器的8个数据作为评估数据。 图6 神经网络模型原理图 预测结果和预测不确定度如图7所示。蓝线是测量到的x轴方向的热位移。粗红线表示预测位移，细红线表示预测的不确定性。(a1)、(a2)图为评价数据，(b1)、(b2)图为培训数据，(a1)、(b1)图为环境温度变化情况，(a2)、(b2)图为主轴工况。 虽然训练数据和评价数据是在相同的条件下的不同机器上测量的，但它们的预测精度和不确定度是相似的。由此可见，训练后的模型对未学习数据具有鲁棒性。 图7 x轴位移预测结果 4. 热位移补偿值预测的不确定度变化及自适应调整4.1 传感器失效模拟引起的预测不确定性变化为了研究输入温度数据出现非预期波动时，热位移预测精度和预测不确定性的变化，采用故意篡改温度传感器数据的方法对热位移进行预测，模拟传感器故障。表2为传感器失效模式。当传感器断开时，两种不同类型的温度传感器会有不同的模拟值。电阻式传感器(模式1和模式3)在断开时输出一个极端异常值(-128℃)。在断开的情况下，电压传感器(模式2和模式4)输出零值。 表2 传感器故障失效模式
假设其中一个输入温度传感器发生故障，将图8所示的波形输入训练后的模型，预测位移。 图8 模拟传感器故障波形 图9为x轴热位移预测结果及预测不确定度。在失效模式1和3中，当传感器信号失效时，在10h左右，预测热位移值变化较大，预测不确定性也随之增加。另一方面，在失效模式2和模式4中，对预测精度的影响较小，不确定度变化不大。 图9 传感器故障仿真结果 综上所述，在传感器失效导致预测精度下降的情况下，可能确定由于预测不确定性的增加导致预测可靠性下降。如果为不确定性设置阈值，则有可能检测到预测精度下降。 4.2 基于预测不确定性的补偿值自适应调整预测不确定性越大，预测可靠性越差。为了抑制补偿精度的下降，采用不确定值函数对补偿值进行覆盖。并对移动平均滤波参数进行了调整，使补偿值平稳波动。图10为基于预测不确定性调整补偿值的仿真结果。蓝线是测量到的x轴方向的热位移。红线是预测位移。淡蓝色的线是调整后的补偿值。
图10 传感器故障时补偿值调整的仿真结果 在失效模式1和模式3下，传感器失效模拟对不确定度值影响较大。通过调整补偿值，可以抑制精度的下降。另一方面，在对传感器故障不确定度影响较小的失效模式2和失效模式4中，不调整补偿值，并保持了良好的精度。通过根据不确定性调整补偿值，可以自适应地防止传感器发生故障或机器出现意外工况时的精度下降。 5. 结论本文提出了一种基于贝叶斯dropout算法的热位移预测可靠性评价方法。该方法不仅适用于环境温度的变化，而且适用于主轴旋转或轴向运动所产生的切削热。结果表明，训练后的深度学习模型具有较好的预测性能，该方法可以将预测的可靠性作为不确定性进行评价。该方法通过调整基于不确定性的补偿值，可以防止由于传感器故障导致的极端预测值所导致的精度下降。 原文作者介绍Makoto Fujishima和Masahiko Mori是DMG MORI CO., LTD.的董事，Koichiro Narimatsu和Naruhiro Irino是DMG MORI CO., LTD.的雇员。Soichi Ibaraki是Koichiro Narimatsu的学术导师。 参考文献[1] Mori, M., Mizuguchi, H., Fujishima, M., Ido, Y., Mingkai, N., Konishi, K., 2009, Design Optimization and Development of CNC Lathe Headstock to Minimize Thermal Deformation. CIRP Annals — Manufacturing Technology, 58/1: 331–334. [2] Mayr, J., Jedrzejewski, J., Uhlmann, E., Donmez, M.A., Knapp, W., Härtig, F., Brecher, C., 2012, Thermal Issues in Machine Tools. CIRP Annals — Manufactur- ing Technology, 61/2: 771–791. [3] Moriwaki, T., 1988, Thermal Deformation and Its On-line Compensation of Hydrostatically Supported Precision Spindle. CIRP Annals — Manufacturing Technology, 37/1: 393–396. [4] Moriwaki, T., Shamoto, E., 1998, Analysis of Thermal Deformation of an Ultraprecision Air Spindle System. CIRP Annals — Manufacturing Technology, 47/1: 315–319. [5] Moriwaki, T., Shamoto, E., Kawano, M., 1995, Estimation of Thermal Deforma- tion of Machine Tool by Applying Neural Network (Improvement of Estimation Accuracy by Utilizing Time-series Data of Temperature on Machine Surfaces). Transactions of the Japan Society of Mechanical Engineers Part C, 61/584: 1691–1696. (in Japanese). [6] Mayr, J., Blaser, P., Ryser, A., Hernandez-Becerroa, P., 2018, An Adaptive Self- learning Compensation Approach for Thermal Errors on 5-axis Machine Tools Handling an Arbitrary Set of Sample Rates. CIRP Annals — Manufacturing Technology, 67/1: 551–554. [7] Brecher, C., Hirsch, P., Weck, M., 2004, Compensation of Thermo-elastic Machine Tool Deformation Based on Control Internal Data. CIRP Annals — Manufacturing Technology, 53/1: 299–304. [8] Kang, Y., Chang, C.W., Huang, Y., Hsu, C.L., Nieh, I.F., 2007, Modification of a Neural Network Utilizing Hybrid Filters for the Compensation of Thermal Deformation in Machine Tools. International Journal of Machine Tools and Manufacture, 47/2: 376–387. [9] Schroff, F., Kalenichenko, D., Philbin, J., 2015, Facenet: A Unified Embedding for Face Recognition and Clustering. in: Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, 815–823. [10] He, K., Zhang, X., Ren, S., Sun, J., 2015, Delving Deep into Rectifiers: Surpassing Human-level Performance on Imagenet Classification. in: Proceedings of the IEEE International Conference on Computer Vision, 1026–1034. [11] He, K., Zhang, X., Ren, S., Sun, J., 2016, Deep Residual Learning for Image Recognition. in: Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, 770–778. [12] Fujishima, M., Narimatsu, K., Irino, N., Ido, Y., 2018, Thermal Displacement Reduction and Compensation of a Turning Center. CIRP Journal of Manufactur- ing Science and Technology, 22:111–115. [13] Gal, Y., Ghahramani, Z., 2016, Dropout as a Bayesian Approximation: Repre- senting Model Uncertainty in Deep Learning. International Conference on Machine Learning, 1050–1059. [14] Hinton, G.E., Srivastava, N., Krizhevsky, A., Sutskever, I., Salakhutdinov, R.R., 2012, Improving Neural Networks by Preventing Co-adaptation of Feature Detectors.. https:///abs/1207.0580. [15] Srivastava, N., Hinton, G., Krizhevsky, A., Sutskever, I., Salakhutdinov, R., 2014, Dropout: a Simple Way to Prevent Neural Networks from Overfitting. The Journal of Machine Learning Research, 15/1: 1929–1958. |
|
|
