(同濟大學(xué) 上海 200092；上海實極機器人自動化有限公司 上海 201802)

在工業(yè)機器人全自動生產(chǎn)過程中，目前是通過長期的生產(chǎn)經(jīng)驗來設(shè)置銑刀的使用次數(shù)，超過該次數(shù)后就進行強制換刀措施，這樣雖然能夠初步地解決刀具磨損對銑削質(zhì)量的問題，但這樣的措施是不穩(wěn)定的而且是不受控制的，因為當(dāng)?shù)毒吣p程度低于磨鈍標(biāo)準(zhǔn)時，換刀勢必會大大地增加工廠的能耗，而如果當(dāng)?shù)毒叽笥谀モg標(biāo)準(zhǔn)時，雖然延長了刀具的使用壽命，但是其對銑削工藝質(zhì)量勢必會造成很大的影響。更重要的一點是對于工廠智能化管理來說，沒有全自動化的信息處理及故障監(jiān)測技術(shù)，無疑是一個致命的缺陷，刀具磨損狀態(tài)的監(jiān)測作為智能化先進制造技術(shù)的一項重要的組成部分，其集成了現(xiàn)代先進傳感技術(shù)、信號處理技術(shù)、制造工藝技術(shù)以及計算機技術(shù)為一體的以制造設(shè)備為基礎(chǔ)發(fā)展起來的新興技術(shù)的成果，這將大大地推動工廠智能化，甚至無人化管理，對新一代全自動化制造技術(shù)進行了更深一步的詮釋，因此在集成化越來越高的工廠中，人們漸漸開始意識到刀具磨損狀態(tài)監(jiān)測的重要性和必要性。

實驗表明刀具磨損時，切削力就會增大，造成切削功率和扭矩的增加，從而使得主軸電機電流增大。從這一關(guān)系中，人們開始研究分析基于主軸電流的刀具磨損狀態(tài)的監(jiān)測工作。

主軸電流的監(jiān)測方式十分簡單，成本十分低廉，不需要改變設(shè)備的結(jié)構(gòu)，因此成為了最為廣泛的研究方向之一。在工業(yè)機器人銑削設(shè)備應(yīng)用中，目前采用了變頻器來進行對主軸的控制，故可以通過采集變頻器電流的大小對刀具磨損狀態(tài)進行識別。雖然電流信號靈敏度不高，有時無法識別刀具的磨損變化，但是隨著信號處理技術(shù)的不斷發(fā)展，可以利用小波包分析對信號進行有效地精細化處理，使得主軸電流特征信號更為顯著。

基于以上監(jiān)測主軸電流法來監(jiān)測刀具磨損狀態(tài)的利弊分析，這是唯一有效地可以應(yīng)用在工業(yè)機器人柔性化生產(chǎn)中，因其不改變設(shè)備的整體結(jié)構(gòu)，這在不成熟地應(yīng)用中用戶也是能夠接受的。

綜上所述，利用主軸電流監(jiān)測法為依據(jù)來建立刀具磨損狀態(tài)監(jiān)測的實驗平臺，主要以下原因：

①成本低廉，不需要改變設(shè)備的構(gòu)造，也不需要額外增加硬件成本，只需采集主軸電流信號即可。

②維護方便，若某一部件損壞更換，并不需要像計算機視覺、切削力監(jiān)測那樣重新校準(zhǔn)參數(shù)，只需更換部件即可使用。

③改造容易，目前市場上的工業(yè)機器人銑削設(shè)備都是變頻器控制主軸電機的控制方式，那么只要在模型機器上實現(xiàn)刀具磨損監(jiān)測的方法，只需改變相應(yīng)的參數(shù)即可推廣至整個市場。

該刀具磨損的試驗平臺主要通過研究對象(銑刀)，加工工藝(主軸轉(zhuǎn)速、進給速度等)，傳感系統(tǒng)(主軸電流以及六軸機器人扭矩)，信號處理(小波變換)，模式識別(機器學(xué)習(xí)算法)等部分組成。

該機器人銑削實驗平臺由六軸機器人、主軸電機、變頻器、氣動裝置、槽型傳感器以及電氣元器件組成，下圖所示是該機器人銑削實驗平臺現(xiàn)場圖效果，如下圖所示：

圖1 機器人銑削平臺現(xiàn)場示意圖

通過該磨損狀態(tài)自動判斷系統(tǒng)的機器人軌跡計算可以對刀具的長度進行以下定義：

刀具破損斷裂：刀具長度減少1mm以上；

刀具輕度磨損：刀具直徑減少范圍在0-0.3mm之間；

刀具中度磨損：刀具直徑減少范圍在0.3-0.5mm之間；

刀具重度磨損：刀具直徑減少范圍在0.5mm以上；

本論文是通過對變頻器電流的監(jiān)測以及六軸機器人的扭矩參數(shù)達到對主軸切削力的間接監(jiān)測效果，因為主軸電流的變化反映了刀具磨損的程度大小。通過變頻器的采集軟件對主軸電流進行實時采集。

預(yù)先在編寫好一段機器人軌跡程序，該程序能夠使用最優(yōu)的主軸轉(zhuǎn)速，主軸轉(zhuǎn)速設(shè)定為25000轉(zhuǎn)/分鐘，然后利用不同的進給速度進行穩(wěn)定銑削，進給速度為20mm/min，因為目前實驗用的SMC材料的厚度均為2cm，故能夠利用不同的進給速度來體現(xiàn)銑刀的磨損狀況，最后每隔100ms對主軸電流值的采集，直到運行完第一次的軌跡程序，并采集到第一個樣本的數(shù)據(jù)，通過磨損狀態(tài)自動判斷系統(tǒng)給出的結(jié)論，記錄刀具磨損狀態(tài)。再次反復(fù)進行多次實驗，將主軸電流進行多次數(shù)據(jù)采集，并對每一次的刀具磨損程度進行記錄，然后對該數(shù)據(jù)進行小波包分析分解，得到明顯的特征向量值。

下表所示為采集到主軸電流的原始數(shù)據(jù)，實際在實驗中在三種狀態(tài)下各采集到15組數(shù)據(jù)共45組數(shù)據(jù)，其中組為30訓(xùn)練數(shù)據(jù)，15組為測試數(shù)據(jù)。

表1 主軸電流原始數(shù)據(jù)

在進行小波包分析前，需要選擇合適的小波基，目前在工程中使用最普遍的是Daubechie小波、Symlets小波和Coieflets小波，經(jīng)過試驗這三種系列的小波都能對主軸電流信號進行小波包分解，但是其中利用db7作為小波包分解的小波基得到分解結(jié)果較其他類型的小波基更為理想。本論文利用db7作為小波包的小波基將主軸電流信號分解為3層共8個頻段的能量譜，對銑刀在三種磨損狀況下的電流信號數(shù)據(jù)進行小波包三層分解所得到的各個頻段的能量譜的數(shù)據(jù)雖然在數(shù)值上相差的不多，但是還是有明顯的差異性的，所以可以利用小波包分解后的各個頻段的能量譜的數(shù)值大小作為銑刀的磨損狀態(tài)的特征量然后對此進行更進一步地模式識別，最終來預(yù)測銑刀的磨損狀態(tài)。

以下是利用主軸電流幅值信號對其進行小波包三層分解得到的能量譜所獲取的樣本數(shù)據(jù)，如下表所示：

表2 小波包分解的特征信號實驗數(shù)據(jù)

通過BP神經(jīng)網(wǎng)絡(luò)對小波包分析后的信號進行模式識別從而確認(rèn)小波包分析對該信號的判斷更加可靠穩(wěn)定。下圖所示為BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練的誤差曲線圖：

圖2 BP網(wǎng)絡(luò)訓(xùn)練誤差曲線圖

刀具的磨損信號經(jīng)過BP網(wǎng)絡(luò)訓(xùn)練由下表所示：

表3 BP神經(jīng)網(wǎng)絡(luò)實驗分類結(jié)果數(shù)據(jù)

將15組測試數(shù)據(jù)作為BP神經(jīng)算法訓(xùn)練模型的輸入，可以發(fā)現(xiàn)，15組數(shù)據(jù)的磨損判斷完全正確，其準(zhǔn)確率達到了100%。

綜上所述，相比于Softmax回歸算法，BP神經(jīng)算法能夠使網(wǎng)絡(luò)訓(xùn)練得誤差較小，當(dāng)在循環(huán)步數(shù)為910步左右時，其網(wǎng)絡(luò)訓(xùn)練誤差可小于6.5e-4，所以BP神經(jīng)網(wǎng)絡(luò)可以對刀具的磨損信號進行較好地狀態(tài)識別。