一种数据增强的卷绕机锭轴运动精度预测方法

技术领域

本发明涉及一种加工技术，特别涉及一种数据增强的卷绕机锭轴运动精度预测方法。

背景技术

化纤工业经过多年发展，我国已成为世界第一化纤生产大国，且朝着化纤强国逐步迈进。化纤面料生产流程包括聚合、卷绕、后整、化纤面料等部分，长丝卷绕阶段起着关键作用，在该生产过程中，高速卷绕机起着初生纤维拉伸和卷绕的作用，高速卷绕锭轴又是卷绕机最为核心部件，其是薄壁长轴的悬臂式结构，运行卷绕阶段参数具有时变特性，即转速时变、质量时变、刚度时变的特点。

卷绕机锭轴单一周期工作流程主要有快速启动、最高速保持、长丝卷绕、降速停止、落卷阶段，其中长丝卷绕阶段是影响整个系统动力学特性最为显著的阶段。卷绕机锭轴在卷绕运行阶段转速最高可达14000r/min,锭轴由于高速运转会发生强烈振动，锭轴的轴端振动位移可表征其运动精度，即锭轴运动精度指标可视为轴端X和Y轴方向的振动位移，若运动精度差则会影响卷绕机锭轴系统稳定性和丝饼卷装质量。锭轴运动精度主要受装配制造精度和运行时变参数的影响，如果可以实现卷绕过程锭轴运动精度的准确预测，对卷绕机性能维护和长丝生产意义重大。卷绕机锭轴运动精度预测具有小样本和参数属时间序列数据，目前卷绕机锭轴运动精度预测主要有运动学分析、动力学仿真来预测精度，也有基于经验进行人工动平衡调试，前者真实工况难以准确模拟，仅仅通过简化模型以及替换参数来进行静态仿真，时间成本高；后者动平衡测试要求测量难度大，需要经过数次修配及调试之后才能达到额定精度，运动精度难以准确预测，致使锭轴运动精度难以保持，丝饼质量下降。

发明内容

针对卷绕机锭轴运动精度预测问题，提出了一种数据增强的卷绕机锭轴运动精度预测方法，适用于卷绕机单间、小批量的卷绕过程运动精度预测，对卷绕机性能维护和长丝生产意义重大。

本发明的技术方案为：一种数据增强的卷绕机锭轴运动精度预测方法，具体包括如下步骤：

1)建立锭轴动力学模型：求解锭轴装配过程中的装配误差的质量偏心距，并将其引起的不平衡力引入转子动力学方程中；定义初始数据、时间变量和时间步长，求解锭轴动力学模型的中间参数和各时间点的锭轴振动响应，形成一一对应关系组成仿真数据用于样本扩充；

2)采集实测数据：采集不同装配工艺下的锭轴最终装配精度参数，装配精度参数包括定位误差和定向误差以及锭轴卷绕运行参数，锭轴卷绕运行参数包括锭轴转速、卷绕丝饼质量、锭轴变形量和锭轴的振动位移，形成一一对应关系组成实测数据样本用于预测验证；

3)生成扩充数据：基于条件生成式对抗网络建立数据扩充模型，将步骤1)的仿真数据和与其一一对应的振动影响因素作为标签输入到对抗网络中生成器生成扩充数据，进而将扩充数据、步骤2)的实测数据和与其一一对应的振动影响因素作为标签输入到对抗网络中判别器进行真假数据判别；根据条件生成式对抗网络的对抗训练原理，生成器和判别器不断对抗更新网络参数，最终生成器生成足够数量更接近真实的扩充数据；

4)建立预测模型：建立长短期记忆网络、注意力机制和BPNN神经网络结合的锭轴运动精度预测模型，其中长短期记忆网络提取时间序列特征信息，注意力机制提供不同特征的重要程度以及BPNN神经网络拟合变量和输出的复杂非线性关系，三者连接方式为横向连接，预测卷绕机锭轴运动精度；

5)训练预测模型：将生成器生成的扩充数据样本进行标准化处理，并以8：2的比例划分训练集和测试集，在长短期记忆网络输入训练集序列数据进行训练，当BPNN神经网络中损失函数停止优化或达到最大训练次数则结束训练，得到最终卷绕机锭轴运动精度预测模型，并用测试集对卷绕机锭轴运动精度预测模型进行验证。

进一步，所述步骤1)中所述锭轴装配精度包括：锭轴定长套与细长轴的同轴度、锭轴定长套与基座的平行度，用于表征锭轴装配过程的最终精度；所述初始数据包括：锭轴装配精度、锭轴初始振动位移、速度、加速度、卷绕阶段运行时间和角加速度，既考虑锭轴装配参数的误差传递，又考虑锭轴运行参数对振动位移的影响；所述锭轴动力学模型的中间参数包括：锭轴系统质量矩阵、刚度矩阵和阻尼矩阵，中间参数用于最终计算各时间点锭轴振动响应，即获取卷绕机锭轴不同装配工艺下的卷绕过程仿真数据。

进一步，所述步骤2)中锭轴转速指锭轴上转轴的角速度；卷绕丝饼质量指锭轴运行时化纤长丝的卷绕成丝饼的质量；锭轴变形量指卷绕过程中锭轴因质量变化所产生的变形量。

进一步，所述步骤3)生成扩充数据方法：考虑锭轴运行参数时序特征的影响，在基于条件生成式对抗网络的生成器和判别器中加入长短期记忆网络，用于提取时序特征参数；所述输入生成器和判别器的标签指锭轴定长套与转轴的同轴度、锭轴定长套与基座的平行度、锭轴转速、卷绕丝饼质量和锭轴变形量。

进一步，所述步骤4)建立长短期记忆网络、注意力机制和BPNN神经网络结合的锭轴运动精度预测模型，其中长短期记忆网络由用于传递循环信息的LSTM单元构成，后续横向连接注意力机制，两者起特征提取作用，而输出层由BPNN网络构成，前者与后者横向连接，最终实现锭轴运动精度的预测；

具体实现方法：

将条件生成对抗网络生成的扩充数据的序列长度定为L，给定滑动窗口长度为S，通过滑动窗口方式将扩充数据截取一系列连续的含有S个数据的子序列，设定长短期记忆网络的时间步长为T，批处理尺寸为A，则长短期记忆网络的输入为(A,T,S)的三维张量，对长短期记忆网络进行训练，处理数据之间的复杂关联关系，提取运行参数的时间序列特征信息；

将长短期记忆网络输出的T个时间步之间的关联时序特征后增加T个共享权值和偏置的注意力机制，更深层次挖掘不同时刻关键时序特征对运动精度的内部关联性，训练后对注意力机制权值进行求和加权；

BPNN神经网络至少具有3层网络结构，分为输入层、隐含层和输出层，负责将前两者提取的参数时序特征信息从高维空间映射到低维空间，利用输出层的误差来估计输出层的直接前导层的误差，再用这个误差估计更前一层的误差，如此下去，就获得了所有其他各层的误差估计，形成将输出端表现出的误差沿着与输入信号传送相反的方向逐级向网络的输入端传递的过程。

本发明的有益效果在于：本发明数据增强的卷绕机锭轴运动精度预测方法，相比于传统深度学习的预测方法，本发明在其基础上引入转子动力学对锭轴振动响应进行求解，该方法考虑了锭轴最终装配精度对卷绕过程锭轴运动精度的影响，提高了仿真数据的准确性以及数据扩充模型的收敛速度；针对锭轴卷绕过程特征参数具有时间序列特点，致使提取卷绕过程工艺数据前后特征困难的问题，本发明提出LSTM-Attention(长短期记忆网络-注意力机制)的预测模型，解决了锭轴卷绕过程时间序列参数特征提取，挖掘了前后时间之间的特征关联关系，且基于数据增强方法，能够实现锭轴运动精度的准确预测，对卷绕机锭轴运动精度的保持性研究具有显著的工程实用价值。

附图说明

图1为本发明数据增强的卷绕机锭轴运动精度预测方法整体思路图；

图2为本发明卷绕机锭轴运动精度指标示意图；

图3为本发明卷绕机锭轴卷绕过程振动响应求解流程示意图；

图4a为本发明卷绕机锭轴结构示意图一；

图4b为本发明卷绕机锭轴结构示意图二；

图5为本发明质量偏心所受不平衡力示意图；

图6为本发明数据增强原理图；

图7为本发明卷绕机锭轴运动精度预测模型示意图；

图8为本发明卷绕机锭轴不同装配工艺下数据增强方法的实验结果图；

图9为本发明卷绕机锭轴运动精度预测模型对比效果图。

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。

如图1所示数据增强的卷绕机锭轴运动精度预测方法整体思路图，具体包括如下步骤：

建立锭轴动力学模型：求解锭轴装配过程中的装配误差的质量偏心距，并将其引起的不平衡力引入转子动力学方程中；定义初始数据、时间变量和时间步长，求解锭轴动力学模型的中间参数和各时间点的锭轴振动响应，形成一一对应关系组成仿真数据用于样本扩充；

采集实测数据：采集不同装配工艺下的锭轴最终装配精度参数，如定位误差和定向误差以及锭轴卷绕运行参数，锭轴卷绕运行参数如锭轴转速、卷绕丝饼质量、锭轴变形量和如图2所示的锭轴X轴以及Y轴方向的振动位移，形成一一对应关系组成实测数据样本用于预测验证；

生成扩充数据：基于条件生成式对抗网络建立数据扩充模型，将根据锭轴动力学模型所求解的仿真数据和与其一一对应的振动影响因素作为标签输入到对抗网络中的生成器生成扩充数据，进而同时将扩充数据、实测数据和与其一一对应的振动影响因素作为标签输入到对抗网络中的判别器进行真假数据判别；根据条件生成式对抗网络的对抗训练原理，生成器和判别器不断对抗更新网络参数，最终生成器生成足够数量更接近真实的扩充数据；

建立预测模型：建立长短期记忆网络、注意力机制和BPNN神经网络结合的锭轴运动精度预测模型，其中长短期记忆网络提取时间序列特征信息，注意力机制提供不同特征的重要程度以及BPNN神经网络拟合变量和输出的复杂非线性关系，三者连接方式为横向连接，预测卷绕机锭轴运动精度；

训练预测模型：将生成器生成的扩充数据样本进行标准化处理，并以8：2的比例划分训练集和测试集，在长短期记忆网络输入训练集序列数据进行训练，当BPNN神经网络中损失函数停止优化或达到最大训练次数则结束训练，得到运动精度预测模型；

实验对比：将部分实测数据划分为验证集，并输入到上述已训练好的预测模型当中，通过对比预测结果与实测结果的差异度，验证预测模型的预测精度。

如图3所示卷绕机锭轴卷绕过程振动响应求解流程示意图，对锭轴动力学模型的中间参数和各时间点的锭轴振动响应进行计算求解；如图4a、4b所示卷绕机锭轴结构示意图，其中卷绕机锭轴装配件由轴承、轴承基座、定长套、短轴、细长轴和旋转长套等零部件组成，而套筒结合件中的定长套直接参与卷绕过程丝饼卷绕，因此定长套的装配精度可视为锭轴最终装配精度，尤其是锭轴定长套与细长轴的同轴度、锭轴定长套与基座的平行度，在锭轴装配完成后可用误差测量仪可测得。以下结合附图对数据增强的卷绕机锭轴运动精度预测方法方法进一步详细阐述：

步骤1：为了表达锭轴装配精度对卷绕过程运动精度的影响，如图5所示，基于惯性坐标系X

式中，m为偏心点质量，ω为锭轴旋转速度，e

根据卷绕机锭轴运行特点建立锭轴转子系统动力学方程，其表达式如下所示：

式中，M表示锭轴系统质量矩阵，C表示系统阻尼矩阵，K表示刚度矩阵,F

若将卷绕机锭轴卷绕过程视为时间或者转轴转速的函数，则可将变质量参数引入锭轴给系统的动力学方程，其变卷装质量单元动力学表达式可表示为：

式中各参数求解公式如下所示：

式中，l、r、r

利用泰勒级数展开式，建立系统在t时刻位移S、速度

步骤2：记录不同装配工艺下的卷绕机锭轴定长套与转轴的同轴度、锭轴定长套与基座的平行度；采集卷绕机锭轴卷绕运行时锭轴转速、卷绕丝饼质量和锭轴变形量。

步骤3：如图6所示，根据步骤1和步骤2所得锭轴振动响应仿真数据和实测数据，将锭轴定长套与转轴的同轴度、锭轴定长套与基座的平行度、锭轴卷绕运行时锭轴转速、卷绕丝饼质量和锭轴变形量作为振动影响因素标签K和锭轴振动位移数据X作为输入，输入到生成器生成扩充数据G，扩充数据G和实测数据Y以及振动影响因素标签K作为输入到判别器，判别器输出数据为“假”和“真”的概率值，经模型的不断训练博弈，计算每次训练的误差，通过目标函数进行生成器和判别器参数更新，实现生成的扩充数据Z和实测数据十分相似。条件生成式对抗网络的目标函数表达式如下所示：

/>

V

扩充数据Z相对实测数据的好坏程度通常采用相关性、平均绝对误差和均方差误差来评判，其相关性R

步骤4：如图7所示，建立长短期记忆网络(long short-term memory，LSTM)、注意力机制(Attention Mechanism)和BPNN神经网络(Back Propagation Neural Network，BPNN)结合的预测模型，其中长短期记忆网络提取时间序列特征信息，注意力机制提供不同特征的重要程度以及BPNN神经网络拟合变量和输出的复杂非线性关系，三者连接方式为横向连接；量纲上，由于卷绕机锭轴装配数据和运行数据维度不同、差异大，为消除量纲影响，在对模型进行输入时首先需要对原输入特征进行数据预处理，输入特征即为经过最大最小值归一化处理以消除量纲影响，归一化公式如下所示：

将步骤3所得到扩充数据Z的序列长度定为L，给定滑动窗口长度为S，通过滑动窗口方式将扩充数据Z截取一系列连续的含有S个数据的子序列，设定长短期记忆网络的时间步长为T，批处理尺寸为A，则长短期记忆网络的输入为(A，T，S)的三维张量，对长短期记忆网络进行训练，处理数据之间的复杂关联关系，提取运行参数的时间序列特征信息，LSTM网络的超参数分别由学习率、批尺寸、时间步长、隐藏神经元数组成，其值分别是0.001、30、12、128，LSTM在卷绕过程中t时刻的数据用x

f

i

O

/>

h

式中，i

将长短期记忆网络输出的T个时间步之间的关联时序特征后增加T个共享权值和偏置的注意力机制，更深层次挖掘不同时刻关键时序特征对运动精度的内部关联性，训练后对注意力机制权值进行求和加权，考虑网络最终输出的注意力大小是运动精度仅为一维数值，因此构建含有隐藏层数目的Attention网络并设置各层神经元节点数逐层递减，Attention网络隐藏层层数设置为1，各层神经元节点数设置为16。

BPNN神经网络至少具有3层网络结构，分为输入层、隐含层和输出层，负责将前两者提取的参数时序特征信息从高维空间映射到低维空间，利用输出层的误差来估计输出层的直接前导层的误差，再用这个误差估计更前一层的误差，如此下去，就获得了所有其他各层的误差估计，形成将输出端表现出的误差沿着与输入信号传送相反的方向逐级向网络的输入端传递的过程；BPNN网络的损失函数设置方面，通过对模型预测值

最后通过不断的循环迭代网络使模型收敛，得到偏差、方差值均较小的稳定模型结构。

步骤5：将生成器生成的扩充数据样本进行标准化处理，并以8：2的比例划分训练集和测试集，在长短期记忆网络输入训练集序列数据进行训练，当BPNN神经网络中损失函数停止优化或达到最大训练次数则结束训练，得到运动精度预测模型；

步骤6：将部分实测数据划分为验证集，并输入到上述已训练好的预测模型当中，通过对比预测结果与实测结果的差异度，并与其他时序预测算法进行对比。验证预测模型的预测精度。

本发明所提出卷绕机锭轴不同装配工艺下卷绕参数样本增强方法的实验结果见图8，图示为卷绕机锭轴定长套与转轴的同轴度为0.022和卷绕机锭轴定长套与基座的平行度为0.189下的锭轴卷绕参数实测振动位移和扩充振动位移的对比，对比发现，由于样本增强模型将仿真数据作为输入，使得模型更好拟合实测数据，扩充数据与实测数据的误差值更小，相关性系数R

以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。