基于LSTM的轮毂端面变形量在线检测系统

李 江，张 铫，李 博

(东北大学秦皇岛分校 a.控制工程学院；b.计算机与通信工程学院，河北 秦皇岛 066004)

0 引言

现代化生产对互换性的要求越来越高[1]，轮毂端面变形量是指被测实际表面对其理想平面的变动量，即平面度误差[2]，是机械零件及其互换性的重要指标之一，往往是产品质量好坏的关键，在评定机械零件产品质量优劣中起着重要作用。目前对于平面度误差测量的研究大部分停留在实验室内，没有批量应用到工业生产中[3]，当前国内企业对于平面度检测，一般采用抽检的方法，通过与标准板比较、利用人工判别的方法实现平面度的检测，这种老旧的方法不仅易导致漏检、误检等情况，而且人工检测效率低下，很难适应大批量生产的检测需求[4], 在线测量技术可以对成形的零件进行初步质量检验[5]。较之其他的规则特征，平面度在线检测功能的实现是比较复杂的[6]。

近年来，国内外许多学者提出了各种误差分离技术应用于形状误差的测量[7]，主要有逐次两点法和逐次三点法。逐次两点法又有递推逐次两点法和最小二乘逐次两点[8]，其方法虽然简单，但忽略了工业环境对传感器采样的影响，会出现由于传感器采样受到现场光线、粉尘干扰而导致结果存在偏差的情况，无法实现高精度在线检测。针对这一问题，并结合轮毂生产厂家的实际测量需求，设计了一种基于激光测量的嵌入式轮毂端面变形量在线检测系统，提出了利用基于神经网络的时间序列异常检测方法—层叠LSTM(Long Short Term Memory)网络来进行异常识别模型的训练，实现对传感器原始采样数据的异常检测，完成工业环境对传感器采样的干扰分离，提高轮毂端面平面度的在线检测精度，促进工厂智能信息化生产。

1 系统总体设计及功能

系统的总体设计主要由运动控制、数据采集、嵌入式数据处理和上位机交互等部分组成，同时具有快速、精确、易操作等特点。在运动控制部分上，通过由PLC控制的伺服电机进行数据采集时的旋转控制，作为测量系统实现稳定运动控制和精确采样的关键，使用的是由欧姆龙公司生产的AC伺服电机和R88M-K40030T-S2-Z伺服电机驱动器，其特点是转速稳定、定位精准和抗干扰能力强。在数据采集部分上，使用的是光电编码器、嵌入式数据采集系统和高精度激光位移传感器。光电编码器搭载于AC伺服电机上，并与嵌入式数据处理系统相连，确保完成对轮毂端面变形量的等角度采样。而激光位移传感器作为测量系统实现对高精度数据采集的关键器件，使用日本松下公司生产的HL-G112-A-C5型号的传感器，该传感器测量范围为±60 mm，其测量中心距离为120 mm，分辨率可达到8 μm，线性度±0.1% F.S.，满足实验测量和轮毂生产厂家在线检测指标的需求。嵌入式数据处理部分选择是基于ARM Cortex-M3内核的嵌入式开发板，主要包括STM32F407主控模块、电源模块、485通信模块、AD7606数据采集模块和数据输入输出模块，具有低成本、可靠性高、扩展性好等优势。上位机交互部分则是基于 WinForm开发技术对其进行界面设计，使用C#进行逻辑编程，主要功能包括测量系统端面检测的结果显示、采样数据以及测量异常日志的存储。

测量系统的整体设计结构如图1所示，当系统工作时，轮毂位于传送带上由左向右传输，左方光电开关触发下降沿时，传送带传输停止，定心卡盘开始工作，将轮毂固定后触发伺服电机旋转，此时光电编码器向嵌入式系统发送脉冲触发激光位移传感器完成等角度采样，伺服电机旋转一周后停止，嵌入式数据处理系统对采集数据进行异常检测和预处理之后，通过最小二乘法实现对端面平面的拟合，完成对轮毂端面变形量的评定。嵌入式系统触发定心卡盘松开轮毂，传送带继续工作，上位机显示测量结果，完成对轮毂端面变形量的在线检测工作。

图1 系统的整体结构框图

2 基于LSTM的异常检测分析

异常检测在许多领域中都有应用，例如系统运行状况监视，欺诈检测和入侵检测。如图2所示，异常的类型主要有以下两种。

图2 异常类型图

如图2a所示，这种异常类型称为“异常值”，它是位于正常类之外的值。另一种类型的异常是异常数据，它是指时间序列中的周期性崩溃现象，如图2b所示。即使异常数据达到正常数值，但就其周期性而言也是异常现象。在本文中，主要是针对图2b所示的异常进行识别检测。

LSTM是可以应用于时间序列分析的神经网络，相对于传统递归神经网络(RNNs)，LSTM神经网络解决了递归神经网络所遇到的梯度消失问题，它采用乘法门，通过称为“存储单元”的特殊单元的内部状态强制恒定的误差流[9]。输入(IG)、输出(OG)和遗忘(FG)门防止存储器内容被不相关的输入和输出干扰，其结构如图3所示，从而允许长期存储器存储。由于在序列中学习长期相关性的能力，LSTM网络不需要预先指定的时间窗，并且能够精确地模拟复杂的多变量序列，在没有任何预先指定的上下文窗口或预处理的情况下准确地检测出与正常数据的偏差[10]。

图3 LSTM单元示意图

基于LSTM进行异常检测的基本思路是使用一个预测器来模拟正常数据，然后通过预测误差来识别异常数据[11]，因为在真实的异常检测场景中正常数据的实例可能很多，但是异常数据的实例很少。为了可以提取更高层次的时间特征，从而在更稀疏时间序列中得到更快地学习，本文选择叠加周期性隐藏层的层叠LSTM网络作为异常检测模型，如图4所示。在LSTM网络模型的基础上，层叠的LSTM网络架构是在将下LSTM隐层中的每个单元通过前馈连接的方式与上LSTM隐层中的每个单元完全连接，将LSTM层层叠加。

图4 层叠LSTM的体系结构

已知时间序列{X1,…,XT}，训练层叠LSTM从之前d个的数据{Xt-d+1,…,Xt}来预测下l个数据{Xt+1,…,Xt+l}，其向量序列{Xt-d+1,…,Xt}作为层叠LSTM的输入，输出是预测出的向量序列{Xt+1,…,Xt+l}，预测模型学习预测输入变量1 ≤d≤t中d的下一个取值[12]，当d= 2，l= 1时，其预测示意图如图5所示。

图5 LSTM预测示意图

在预测长度为l的情况下，对l

e(t) =X(t)true、X(t)pred

其中，X(t)true、X(t)pred分别为X(t)的真实值与预测值。在正常时间序列上训练的预测模型用于计算、验证和测试序列中每个点的误差向量。对误差进行建模分析，以拟合高斯分布N=N(μ，σ)，计算误差e(t)集合M的期望μ和标准差σ，其中当M中t的数据点满足3σ准则时，则数据点为异常数据，否则数据为正常数据，具体的数据处理流程如图6所示。

图6 数据预处理流程图

3 实验结果分析

本系统在工业现场对多个轮毂实施干扰并进行在线检测，在实验过程中，取d= 10，l= 3，即在非异常数据上对层叠LSTM模型进行训练时，输入步长为10，输出的预测步长为3。将训练完成的层叠LSTM对传感器采集的原始数据进行异常检测，利用预测分析为检测异常的数据提供补偿，并通过最小二乘法实现对端面平面度的求解，完成对端面变形量的在线检测，其部分测量结果如表1所示。

表1 端面变形量在线检测改进前后测量结果比较(mm)

实验结果表明，在工业现场对轮毂端面进行变形量在线检测过程中，由于现场干扰而对采样出现异常时(例如如图7蓝线所示的原始数据曲线)，利用训练完成的层叠LSTM网络对原始数据进行异常检测(其预测数据曲线如图7 橙线所示)，为异常数据提供补偿。通过端面变形量在线检测改进前后的测量结果比较，认为本系统对原始数据进行异常检测及其补偿是有效的，在线检测系统的测量精度达到±0.073 mm，进一步提高了端面变形量在线检测精度。

图7 原始数据与预测数据

4 结论

本文对轮毂平面度在线检测系统和传感器采集数据的异常检测进行了论述，对由于工业现场环境干扰而导致的采样数据异常的问题，提出了利用基于层叠LSTM网络模型的异常检测方法来识别传感器采集的异常数据，并对此进行了工业现场实验，实验结果证明了本系统对原始数据进行异常检测和补偿的方法是有效的，改进后的系统测量精度能达到±0.073 mm，较改进之前的测量系统，在线检测精度提高明显。