張愷 徐裕盛

摘 要：本文主要進(jìn)行基于切削參數(shù)的刀具狀態(tài)監(jiān)測(cè)系統(tǒng)的研究。主要研究?jī)?nèi)容包括搭建刀具磨損銑削力信號(hào)數(shù)據(jù)采集平臺(tái)，利用智能測(cè)力刀柄，實(shí)現(xiàn)高精度的銑削參數(shù)測(cè)量;依托銑削數(shù)據(jù)集和神經(jīng)網(wǎng)絡(luò)算法，構(gòu)建刀具磨損狀態(tài)監(jiān)測(cè)模型，進(jìn)行特征提取和模型訓(xùn)練，實(shí)現(xiàn)準(zhǔn)確的刀具磨損狀態(tài)預(yù)測(cè)。

關(guān)鍵詞：刀具磨損;銑削力;銑削振動(dòng)信號(hào);監(jiān)測(cè)

1 引言

隨著材料學(xué)和加工工藝學(xué)的不斷發(fā)展，零部件材料的加工難度愈發(fā)增加，加工精度要求也愈發(fā)提高，這樣一來，制造業(yè)對(duì)加工機(jī)床提出了更高要求：一方面，要求機(jī)床運(yùn)行過程中要盡可能保持平穩(wěn)，即擁有較小的噪聲和振動(dòng);另一方面，則要求機(jī)床在即將出現(xiàn)故障時(shí)能及時(shí)報(bào)警，停機(jī)，避免無法預(yù)期的后果。尤其是后者，對(duì)于提高零件加工質(zhì)量，保證加工安全具有重要意義。本文聚焦于機(jī)床故障中的刀具磨損問題，通過合適的實(shí)驗(yàn)，模型，及驗(yàn)證，找到刀具磨損與切削力信號(hào)的對(duì)應(yīng)關(guān)系，從而達(dá)到刀具磨損現(xiàn)象的預(yù)測(cè)和規(guī)避。

當(dāng)?shù)毒甙l(fā)生磨損后，由于刀尖變鈍、表面形貌不平整，使得切削力增加、切削溫度升高，甚至發(fā)生切削顫振現(xiàn)象，導(dǎo)致零部件表面粗糙度上升、尺寸超差或切削區(qū)域燒傷，引起加工質(zhì)量和加工精度下降，并可能在未來應(yīng)用中引起生產(chǎn)安全事故。在加工過程中，若未及時(shí)發(fā)現(xiàn)并制止刀具磨損，甚至?xí)霈F(xiàn)“打刀”現(xiàn)象，導(dǎo)致工件報(bào)廢或機(jī)床損壞，影響加工效率并造成巨大的經(jīng)濟(jì)損失。

本文擬解決刀具磨損狀態(tài)的提取特征分析與基于神經(jīng)網(wǎng)絡(luò)模型的刀具磨損狀態(tài)監(jiān)測(cè)兩大關(guān)鍵問題。根據(jù)切削參數(shù)信號(hào)，選擇合適的特征進(jìn)行刀具磨損狀態(tài)表征對(duì)于刀具磨損的準(zhǔn)確預(yù)測(cè)至關(guān)重要，如何合理運(yùn)用時(shí)域、頻域以及時(shí)頻域分析方法選擇與刀具磨損相關(guān)度最高的特征。從而根據(jù)提取的特征確定神經(jīng)網(wǎng)絡(luò)模型以實(shí)現(xiàn)刀具磨損狀態(tài)監(jiān)測(cè)，合理確定模型的輸入層，隱含層，輸出層參數(shù)。

2 模型建立

2.1 相關(guān)性模型

多個(gè)變量之間的相關(guān)性普遍由相關(guān)系數(shù)反映，相關(guān)系數(shù)可以體現(xiàn)任何測(cè)量尺度的變量之間的相關(guān)強(qiáng)度。本文首先利用實(shí)驗(yàn)監(jiān)測(cè)的數(shù)據(jù)探究X、Y、Z三向銑削力信號(hào)，X、Y、Z三向銑削振動(dòng)信號(hào)以及聲發(fā)射均方根值與后刀面磨損量的相關(guān)性，可利用SPSS軟件分析皮爾遜相關(guān)系數(shù)。

2.2 回歸分析模型

基于銑削參數(shù)與后刀面磨損量之間的相關(guān)性分析，可進(jìn)一步建立回歸分析模型。回歸模型是最常用的研究假設(shè)檢驗(yàn)方法，通?？杀碚髯宰兞繉?duì)因變量的解釋力或預(yù)測(cè)力。本文采用SPSS軟件來建立七種銑削參數(shù)與后刀面磨損量的線性回歸模型并進(jìn)行預(yù)測(cè)檢驗(yàn)。

2.3 BP神經(jīng)網(wǎng)絡(luò)模型

設(shè)后刀面磨損量為，一個(gè)全壽命周期實(shí)驗(yàn)中每次走刀磨損量值分別為。計(jì)算出相鄰兩次的后刀面磨損量差值為，得到個(gè)磨損量差值，構(gòu)建污染物磨損量差值的兩個(gè)矩陣為：

其中矩陣的每一行表示三次實(shí)驗(yàn)中相鄰的兩個(gè)磨損量差值，矩陣為所要預(yù)測(cè)的第三個(gè)磨損量差值。根據(jù)題意可知，的第行與的第（）行之間有著一定的對(duì)應(yīng)關(guān)系，顯然的最后一行和的前兩行沒有相互聯(lián)系，可以舍去。將兩個(gè)矩陣輸入MATLAB的神經(jīng)網(wǎng)絡(luò)模型進(jìn)行學(xué)習(xí)，找出的第行與的第（）行之間的關(guān)系。

利用磨損量差值進(jìn)行歸一化處理（函數(shù)為[Y，PS]= mapminmax（X，0，1）），即把相鄰兩天的磨損量差值壓縮到[0，1]之間。

使用神經(jīng)網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)得到和對(duì)應(yīng)行之間的關(guān)系后，便可以用中的最后一行來預(yù)測(cè)不在學(xué)習(xí)區(qū)間內(nèi)的，把矩陣中得到的預(yù)測(cè)磨損量差值放入矩陣中相應(yīng)位置充當(dāng)已知磨損量差值，來進(jìn)行中下一個(gè)磨損量差值的預(yù)測(cè)。

通過模型的反歸一化處理（函數(shù)為X= mapminmax（‘reverse，Y，PS））可以得到具體的預(yù)測(cè)數(shù)值并與真實(shí)值比較分析。BP神經(jīng)網(wǎng)絡(luò)算法流程圖如圖1所示。

3 刀具磨損監(jiān)測(cè)流程

本文通過搭建平臺(tái)采集數(shù)據(jù)，實(shí)驗(yàn)硬件條件為高速數(shù)控機(jī)床Roders Tech RFM760、Kistler 9265B三向測(cè)力儀、Kistler 5019A多通道電荷放大器、NI DAQ數(shù)據(jù)采集卡，由LEICA MZ12顯微鏡測(cè)量刀具磨損量，銑削材料為長(zhǎng)方形的Inconel 718（鉻鎳鐵合金718），選用3齒的球頭硬質(zhì)合金銑刀作為實(shí)驗(yàn)器材。切削條件如表1所示，實(shí)驗(yàn)條件如圖2所示。

實(shí)驗(yàn)在上述切削條件下進(jìn)行全壽命周期實(shí)驗(yàn)，每次走刀端面銑削的長(zhǎng)度為108mm且每次走刀時(shí)間相等，每次走刀后測(cè)量刀具的后刀面磨損量。實(shí)驗(yàn)監(jiān)測(cè)數(shù)據(jù)有X、Y、Z三向銑削力信號(hào)（N），X、Y、Z三向銑削振動(dòng)信號(hào)（g）以及聲發(fā)射均方根值A(chǔ)E-RMS（V）。

實(shí)驗(yàn)依托測(cè)力刀柄硬件系統(tǒng)，避免了傳統(tǒng)板式測(cè)力儀易受切削液腐蝕，零件裝夾不便的缺陷，可在不更改機(jī)床結(jié)構(gòu)的情況下，實(shí)現(xiàn)切削力信號(hào)的高精、高效采集。

本文主要基于神經(jīng)網(wǎng)絡(luò)平臺(tái)，通過實(shí)驗(yàn)得到切削參數(shù)與刀具磨損值，建立神經(jīng)網(wǎng)絡(luò)模型框架，確定其輸入、輸出及隱含層參數(shù)，將切削實(shí)驗(yàn)結(jié)果分為訓(xùn)練集和測(cè)試集，訓(xùn)練集輸入神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，經(jīng)大量樣本訓(xùn)練可得到切削力與刀具磨損二者間的對(duì)應(yīng)關(guān)系，測(cè)試集用來測(cè)試模型訓(xùn)練準(zhǔn)確度。從而確定刀具磨損的判定閾值，最終采用閾值法判斷是否發(fā)生刀具磨損，實(shí)現(xiàn)機(jī)床故障診斷。研究方法流程圖如圖3所示。

4 模型求解

本文根據(jù)C1組數(shù)據(jù)集進(jìn)行研究分析，即一把銑刀進(jìn)行全壽命周期實(shí)驗(yàn)共銑削315次，每次采集大于21萬(wàn)組數(shù)據(jù)，本文以一次實(shí)驗(yàn)為單位求七種銑削信號(hào)的平均值，共可得到315組銑削信號(hào)數(shù)據(jù)集。每次實(shí)驗(yàn)進(jìn)行3次后刀面磨損量的測(cè)量，取平均值來進(jìn)行銑削信號(hào)與后刀面磨損量的研究分析。

4.1 相關(guān)性分析

首先探究三向銑削力信號(hào)、三向銑削振動(dòng)信號(hào)、聲發(fā)射均方根值與后刀面磨損量的相關(guān)性，利用SPSS軟件的偏相關(guān)分析指令成列排除個(gè)案后可得表2所示的相關(guān)系數(shù)。

由表2可知，后刀面磨損量與Z向力、Y向力的相關(guān)系數(shù)分別為0.956、0.932，達(dá)到了極強(qiáng)相關(guān)程度;后刀面磨損量與聲發(fā)射均方根值、X向力的相關(guān)系數(shù)分別為0.558、0.500，達(dá)到了中等相關(guān)程度;后刀面磨損量與三向銑削振動(dòng)信號(hào)的相關(guān)系數(shù)均小于0.1，可認(rèn)為極弱相關(guān)或無相關(guān)性。通過相關(guān)性分析可得，后刀面磨損量與銑削力信號(hào)具有很強(qiáng)的相關(guān)性，與銑削振動(dòng)信號(hào)關(guān)系很弱。

4.2 后刀面磨損量數(shù)值預(yù)測(cè)分析

本文對(duì)315組數(shù)據(jù)進(jìn)行劃分，前300組數(shù)據(jù)作為訓(xùn)練集，后15組數(shù)據(jù)作為測(cè)試集，以下將從回歸分析和神經(jīng)網(wǎng)絡(luò)分析兩種方式對(duì)后刀面磨損量數(shù)值預(yù)測(cè)。

4.2.1 回歸分析

本文采取SPSS軟件對(duì)前300組數(shù)據(jù)做回歸分析，如表3～5所示。表3中R表示擬合優(yōu)度，值越接近1表示模型越好，調(diào)整前、調(diào)整后的R值都在90%以上，因此這個(gè)模型是合理的。表4主要代表分析結(jié)果， F值對(duì)應(yīng)的Sig值小于0.05，因此可得出七種銑削參數(shù)與后刀面磨損量具有顯著的線性關(guān)系。

4.2.2 BP神經(jīng)網(wǎng)絡(luò)分析

通過對(duì)前300組后刀面磨損量數(shù)值訓(xùn)練可對(duì)后15組的數(shù)值預(yù)測(cè)，預(yù)測(cè)結(jié)果見表7，后刀面磨損量歸一化處理后預(yù)測(cè)及觀測(cè)數(shù)據(jù)示意圖如圖3所示。平均相對(duì)誤差0.34%，由此可見模型擬合度較好。后刀面磨損量歸一化處理后預(yù)測(cè)及觀測(cè)數(shù)據(jù)分析圖如圖4所示。

作者簡(jiǎn)介：張愷（1998-），男，河北邢臺(tái)人，本科，研究方向：機(jī)械制造及其自動(dòng)化。