Top

SNS

  • Facebook
  • 使用messenger傳訊給MAonline
技術在線
基於小樣本數據驅動的滾珠螺桿預壓監測診斷技術
2024.06.16∣瀏覽數:435

MA工具機與零組件雜誌-技術在線

基於小樣本數據驅動的滾珠螺桿預壓監測診斷技術

國立中央大學(NCU)太空及遙測研究中心應用科學研究員 郭奕志
  國立中央大學(NCU)機械工程研究所教授 潘敏俊

MA160-技術在線-滾珠螺桿示意圖 作為機器設備重要零組件之一,滾珠螺桿健康監測問題備受關注,已有眾多工業機械系受益於滾珠螺桿的應用,如飛機的 高精度調平控制系統、機床的進給驅動系統等。滾珠螺桿健康狀態在於監測滾珠預壓狀態,預壓力失效將影響定位精度,在長期高轉速、重負荷運轉下,滾珠與螺桿及螺帽溝槽相互摩擦而磨耗,預壓失效導致螺桿產生背隙(Backlash)、造成失步 (Lost motion),使得定位精度降低。工業機械使用的滾珠螺桿(圖1),將旋轉運動轉換為直線運動,具高精度及高效率的特點。滾珠和軌道製造時產生的間隙、或由外力引起偏轉 所導致的背隙,可透過施加預壓來消除。預壓可藉雙螺帽預壓片、偏位導程單螺帽或以調整單螺帽的滾珠尺寸來獲得,預壓 力不足會降低剛性並導致可能的空轉;相反地,額外預壓力會增加摩擦扭矩、並產生熱量,從而降低滾珠螺桿的預期壽命; 然而,適當且恆定的預壓力是滾珠螺桿保持定位精度可靠性的基本要求。長時間運轉引起的滾珠螺桿磨損,導致預壓力下降,進而導致定位精度變差。因此,檢測預壓力損失是一重要課題,尤其是高速和高精度設計的機器。基於上述工業實務需求,中央大學感測監測暨診斷評估實驗室致力於發展螺桿故障診斷暨狀態監測方法。

滾珠螺桿包含螺桿、螺帽、滾珠以及迴流系統( Re-circulating tube) 等組件,其中迴流系統使滾珠在螺帽與螺桿間滾動及持續循環。滾珠因螺桿旋轉及在螺帽 溝槽內而呈螺旋線運動,期間前排滾珠會進入 迴流道內,並依序逆向迴流至後排滾珠之後, 藉此完成滾珠循環。圖2(a)為內循環式滾 珠螺桿之迴流道設計,為該研究所使用的迴流 系統[1],利用迴流蓋連接相鄰溝槽,而跨越到 另一溝槽,由於迴流蓋非固定於螺帽上,當滾 珠經過迴流蓋時,造成滾珠與迴流蓋之間多次 碰撞,常應用於3D印表機等內部空間較小的 機器;圖2(b)顯示外循環式之滾珠螺桿, 其滾珠進入迴流道時路徑非螺旋溝槽之切線方 向,其進入迴流管之角度稱為起身角(Pickup Angle),在入口處唇部(Lip,又稱為舌 頭Tongue)與出口處會受到滾珠撞擊;圖2 (c)則為端塞式滾珠螺桿,其滾珠循環路徑 設置於螺帽內,貫穿孔洞相通於前後兩端,使 得滾珠沿著溝槽軌道切線方向進入迴流系統, 當進入迴流入口時不會直接撞擊迴流管,離開 迴流管時也不會劇烈撞擊螺桿溝槽。

MA160-技術在線-滾珠螺桿迴流系統種類

造成滾珠螺桿精度不足或老化衰退的主要原因有(1)預壓力損失、(2)潤滑(系統)失效/不足、(3)螺帽/螺桿螺旋溝槽磨損、(4)滾珠迴流系統破壞以及(5)熱誤差等5種情況。其中螺桿預壓衰退是較為常見且棘手的問題,滾珠螺桿設計製造商根據客戶需求來調整滾珠螺桿預壓力。一般而言,預壓力會調整為基本額定動負荷8%以下,基本額定動負荷的定義,為一批相同規格滾珠螺桿經運轉100萬次後,90%之螺紋軌道、鋼珠表面沒有發生疲勞損壞、剝蝕、或點蝕情況之最大軸向負荷。長時間高速高負荷運轉下,滾珠與螺桿及螺帽螺旋溝槽相互摩擦造成磨耗,導致滾珠螺桿產生背隙(Backlash),而使得原先預壓力喪失及定位精度降低,進而發生失步(Lostmotion)問題,影響工作效率,使用者往往無法及時反應,造成稼動率下降。基於上述,若能預先估測預壓力降低或已產生背隙,則可預先安排時程更換螺桿,如此加工機械不會因螺桿失效而影響產能。

近年來,人工智慧(Artificial Intelligence, AI)已從一門模糊科學轉變為推動工業發展的重要力量,其中機器學習(Machine Learning)、深度學習(Deep Learning)可以實現工業、廣告、教育及醫療等自動化決 策;AI應用在大樣本數據中非常成功,但樣本較小時則受到阻礙,在某些應用場景下數據收集極為嚴峻,無法收集足夠資料訓練模型,如醫學影像、少數客群及特定元件振動等。訓練數據量少會導致模型預測失準,而若數據集有 特定類別(Label)與其他相比非常少量,以二分類問題為例,數據集的正類樣本數遠大於 負類即不平衡狀況發生,則該數據集稱為不平衡數據集(Imbalanced dataset)。在檢測欺詐性電話、駭客入侵、製造過程中無法回溯的零件狀態或診斷罕見的醫學疾病等領域中, 收集特定樣本極為困難,容易造成不平衡狀況,限制了分類模型性能。

為了解決數據不足問題,簡單方法是使用既有數據產生更多的類別資料,此過程稱為數據擴增(data augmentation),在數據不足的子集中添加生成、合成數據得到更大資料集,提升模型泛化能力(Generalization)與穩健性(Robustness)。近年來,研究人員提出少樣本訓練(Few-shot Learning, FSL)方法增強ML辨別能力。FSL技巧可分為數據、模型、演算法三種類型;數據方法透過 人工擴增數據訓練模型,萃取特徵不變性, 以圖像數據為例,使用翻轉(Flipping)、 縮放(Scaling)、反射(Reflection)與裁 剪(Cropping)等技巧進行數據擴增;模型方法的核心概念在於,最小化假設空間 (Hypothesis space)與真實樣本的分佈距離,這一類方法可進一步分為四種類型,即多任務學習(Multitask learning)、嵌入式 學習(Embedding learning)、外部記憶學習(Learning with external memory)與生 成模型(Generative modeling);演算法的 核心概念是在假設空間中尋找最佳參數來優化ML預測性能,例如使用隨機梯度下降法 (Stochastic gradient descent)與其變種,並透過疊代更新參數,而較新的方法是利用生成 對抗網路(Generative Adversarial Network, GAN)產生與原始數據分佈相近的生成數據, 並將原始及生成數據做混合達到數據擴增,此法無須先驗知識,且僅需少量資料即可生成大量數據。

GAN為Ian Goodfellow所發明的一項AI技術 [2]。GAN分別由生成器(Generator)與鑑別器(Discriminator)兩組訓練模型組成,前者用來生成假資料,後者用以區分真假資料, 模型架構如圖3。「Generative」一詞為GAN 的終極目標,資料的生成型態取決於訓練集 (Training dataset);「Adversarial」則意旨兩模型將相互對抗,生成器與鑑別器好比印鈔 機與驗鈔機,印鈔機不斷印製假鈔,而驗鈔機 需在海量鈔票中辨別真偽,兩者互相競爭直至印鈔機可以印製足夠逼真的假鈔,使驗鈔機辨別不出真偽。

隨著研究的推進,GAN延伸出許多變體,在大量樣本生成、風格轉換、影樣解析度提升與少量樣本數據擴增上有著良好的效果。例如將卷積神經網路(Convolutional Neural Network, CNN)整合至GAN模型提出深度卷積生成對抗網路(Deep Convolutional GAN, DCGAN),在影像處理上效能卓越[3];或是條件式GAN(Conditional GAN)可附加額外資訊,將雜訊與標籤樣本結合來制約模型,使其可生成指定樣本[4];將傳統GAN改為雙向結構的Cycle-GAN,只需少量樣本即可進行風格轉換[5];2019年全球受到新型冠狀病毒(Coronavirus Disease 2019, COVID-19)肆虐,在疫情爆發的最初有數百人死亡,數千人感染,在樣本不足的情況下,研究人員盡力收集可能存在COVID-19的肺部X光影像來建立數據集,並使用GAN生成更多影像提高模型準確率[6]。

MA160-技術在線-GAN架構圖

MA160-技術在線-數據擴增概念示意圖 基於GAN對於數據擴增的優異性能,我們提出一種基於小樣本數據擴增的滾珠螺桿狀態監測方法,以克服運行中機台不可回溯至初始狀態,難以收集健康狀態螺桿振動數據的問題,使用GAN來擴增數據解決滾珠螺桿健康預壓狀態樣本數據不足問題,改善不平衡數據集對於AI模型預測性能影響[7]。概念如圖4。

MA160-技術在線-實驗平台架構 實驗平台量測架構如圖5所示[1]。測試載台採單軸式設計,感測器使用PCB 356B21三軸加速規,滾珠螺桿螺帽法蘭(Flange)最接近滾珠迴流系統,故將感測器安裝至螺帽法蘭面量測軸向(X)振動;滾珠螺桿型號1R20-05T4-1FSIC-711-805-0.018(銀泰科技),螺帽內有4個內循環式迴流系統,詳細規格如表,本研究比較三種螺桿預壓狀態,分別為4%、1%預壓及12 µm背隙,用以模擬原始預壓、預壓衰退及預壓失效,馬達以位置模式等速1000 rpm來回運轉使載重平台往復運動,行程為400 mm(去、回程各4.3秒) 如圖5所示,整合監測系統做運轉過程振動、轉速資料擷取,而振動、轉速分別屬於高、低頻訊號,故系統採樣頻率分別設定10 kHz及200 Hz。實驗模擬30 kgw砝碼載重狀態下,4%預壓監測數據不足,30 kgw砝碼收集個別預壓狀態往復來回資料共7500筆資料作為源域數據,當中僅使用500筆4%預壓數據作GAN模型訓練。

MA160-技術在線-振動頻譜圖1000–2000-Hz上-4%預壓 研究擷取並收集螺桿運轉時所產生的振動訊號,該訊號為滾珠撞擊迴蓋時所產生之頻率,即為球通頻率(Ball Pass Frequency, BPF),將時域訊號轉換到頻率域,能突顯時域中無法看出的特徵。頻域分析(Frequency analysis)即是對時域訊號進行傅立葉變換(Fourier transform)轉換成頻譜,將訊號所組成的頻率成分顯明出來,對於旋轉機械,不同轉動件運轉時動態訊號具有不同頻率成分。根據理論推導以及滾珠螺桿之幾何規格,可計算出BPF為178 Hz。等速1000rpm運轉時4%預壓及12µm背隙6-10 BPF頻譜如圖6。

MA160-技術在線-生成及鑑別器

MA160-技術在線-數據擴增後數據集成分 在GAN模型架構中,因為遞迴神經網路具有學習序列數據長期依賴關係的強大能力,其變體LSTM更能有效地對時間序列數據的長期依賴關係進行預測,故生成器以LSTM為架構,末層以全連階層作為最終輸出;鑑別器使用三層一維卷積網路架構,優點在於有強大的序列數據識別能力及簡潔的計算能力,可降低網路運算效能,最後以平坦層將矩陣轉化為一維的陣列後,輸入至全連接層做最終決策。生成、鑑別器架構與訓練流程如圖7。我們也比較以專家先驗知識所產出模擬訊號與藉由GAN產生的生成訊號對於數據擴增提升模型預測準確率的差異,產生類似於4%預壓特性的模擬訊號,並以三種人工智慧模型做比較,分別為CNN、MLP及XGBoost。建構模擬訊號後,用 來比較模擬與生成訊號個別對於模型分類準確率的有效性。為模擬數據不平衡狀況,研究以4%預壓狀態為基準,與其他不同預壓狀態數據以1:2、1:10之比例分為dataset 1與dataset 2兩不平衡數據集。為方便後續比較,以 dataset 1為例,將數據集再細分成未作數據擴增(dataset 1_O)、增加生成數據(dataset 1_G)及增加模擬數據(dataset 1_S)三種數 據集,dataset 2亦是如此(表1)。

圖8為dataset 1、dataset 2在三種模型訓練後驗證與測試準確率。dataset 1中,CNN模型的分類表現最好,以生成數據訓練三種分類模型的驗證、測試準確率相較於其他數據集有更好的結果,CNN模型的測試準確率達到97.4%,未擴增數據準確率最低,CNN模型的測試準確率僅有80.1%;dataset 2訓練的模型整體的準確率在XGBoost及MLP有顯著提升, 未擴增數據最低,生成、模擬數據訓練的CNN模型驗證準確率為98.8、98.5%,測試準確率為相同的98.6%。

MA160-技術在線-模型訓練後驗證與測試準確率

比較可得出以下結論。傳統擴增數據方法(使用模擬訊號)無法提升模型的泛化能力,現有樣本產生出的模擬訊號缺乏多樣性,局限了模型預測準確率;從GAN的理論基礎可以得知,模型最終目標是透過兩模型對抗得到最佳生成器,使生成數據逼近真實分佈(模型學習到真實樣本的數據分佈),故相較於模擬數據,生成數據更近似於原始訊號特徵分佈,對於數據擴增有更加優異的結果。

通過本研究,我們成功地提出了一種基於GAN的數據擴增方法,用於解決滾珠螺桿預壓狀態數據不足的問題,通過生成數據,以增加現有數據集的規模和多樣性。在實驗中證明了該方法能夠有效地擴充現有的數據集,使得在預壓狀態預測任務中取得了更好的性能。通過比較實驗結果,我們發現,使用擴充後的數據集訓練的模型在預測準確度和泛化能力方面,表現優於使用原始數據集的模型,這代表數據擴充方法對於解決滾珠螺桿預壓狀態數據不足的問題是一種有效且可行的解決方案。

研究為滾珠螺桿預壓狀態數據不足問題提供了一種新的解決思路,同時也為其他相關領域的數據擴充研究提供了一定的參考價值。未來的工作可以進一步探索更加高效和準確的數據擴充方法,以應對更加複雜和多變的實際應用場景[7]。

參考文獻
[1] 蔡政良,「基於二維動態訊號分析技術之滾珠螺桿預壓失效監測暨診斷研究」,碩士論文,國立中央大學機械工程學系,2022。
[2] I. Goodfellow et al., "Generative adversarial nets," Advances in neural information processing systems, vol. 27, 2014.
[3] A. Radford, L. Metz, and S. Chintala, "Unsupervised representation learning with deep convolutional generative adversarial networks," arXiv preprint arXiv:1511.06434, 2015.
[4] M. Mirza and S. Osindero, "Conditional generative adversarial nets," arXiv preprint arXiv:1411.1784, 2014.
[5] J.-Y. Zhu, T. Park, P. Isola, and A. A. Efros, "Unpaired image-to-image translation using cycle-consistent adversarial networks," in Proceedings of the IEEE international conference on computer vision, pp. 2223-2232, 2017.
[6] M. Loey, F. Smarandache, and N. E. M Khalifa, "Within the lack of chest COVID-19 X-ray dataset: a novel detection model based on GAN and deep transfer learning," Symmetry, vol. 12, no. 4, p. 651, 2020.
[7] 郭奕志,「基於深度遷移學習之滾珠螺桿差別運轉條件預壓監測研究」,碩士論文,國立中央大學機械工程學系,2022。