劉鴻智

（鶴壁職業(yè)技術(shù)學(xué)院，河南 鶴壁 458030）

0 引言

刀具是實(shí)現(xiàn)高速切削加工的關(guān)鍵。高速切削時(shí)切削溫度急劇升高，刀具承受的沖擊和振動(dòng)逐漸增大，使刀具的磨損加速，導(dǎo)致工件表面質(zhì)量下降，造成斷裂和崩刃。據(jù)統(tǒng)計(jì)，在大型加工中心中因未及時(shí)更換磨損嚴(yán)重的刀具而造成刀具損壞的數(shù)量每天達(dá)到40～50 把[1]，刀具損傷引起的停機(jī)時(shí)間達(dá)到了機(jī)床總停機(jī)時(shí)間的7%～20%[2]，刀具的損耗達(dá)到了總加工生產(chǎn)成本的20%～30%[3]。調(diào)查顯示，在實(shí)際的生產(chǎn)加工過程中刀具的壽命利用率往往只有50%～80%[4]。因此，如何有效對(duì)刀具磨損進(jìn)行研究監(jiān)測(cè)，提升刀具的壽命和利用率成為推動(dòng)當(dāng)前制造業(yè)邁向智能化發(fā)展的關(guān)鍵問題。研究表明，刀具監(jiān)測(cè)技術(shù)能將加工效率提高10%～50%，降低生產(chǎn)成本10%～40%。刀具磨損狀態(tài)監(jiān)測(cè)技術(shù)通過傳感器的信號(hào)變化量來監(jiān)測(cè)刀具的磨損狀態(tài)，隨后對(duì)采集的信號(hào)進(jìn)行分析、處理和提取，進(jìn)而進(jìn)行特征參數(shù)狀態(tài)識(shí)別，得到刀具的當(dāng)前磨損狀態(tài)。近年來，國內(nèi)外的學(xué)者在刀具磨損狀態(tài)信號(hào)監(jiān)測(cè)和識(shí)別方面做了大量的研究工作，提出了許多有效的刀具磨損狀態(tài)識(shí)別方法。本文論述了研究現(xiàn)狀，分析了現(xiàn)有技術(shù)的研究難點(diǎn)，并對(duì)未來的發(fā)展方向進(jìn)行了展望。

刀具磨損狀態(tài)的智能監(jiān)測(cè)本質(zhì)上是模式識(shí)別問題，一個(gè)完整的刀具在線監(jiān)測(cè)系統(tǒng)主要由信號(hào)采集、特征提取及模式識(shí)別3部分組成，如圖1。

圖1 刀具狀態(tài)磨損監(jiān)測(cè)流程

1 刀具切削信號(hào)采集方法研究現(xiàn)狀

根據(jù)對(duì)刀具磨損信號(hào)采集方法的形式不同，分為直接法和間接法。直接法通過直接識(shí)別切削刃幾何形狀和表面質(zhì)量的變化來判斷磨損狀態(tài)。目前常用的方法有直接接觸法、電阻法、放射線法和光學(xué)圖像法等。間接法是通過采集與刀具本身相關(guān)的信號(hào)，根據(jù)切削過程中信號(hào)的變化獲取刀具磨損狀態(tài)信息。直接監(jiān)測(cè)法優(yōu)點(diǎn)是精度高，但是只能在停機(jī)情況下進(jìn)行監(jiān)測(cè)，同時(shí)也受到加工環(huán)境和切削液的影響，影響正常的生產(chǎn)加工過程及設(shè)備運(yùn)行，從而限制了其應(yīng)用范圍。相較于直接監(jiān)測(cè)法，間接法使用的傳感器易于安裝，可進(jìn)行實(shí)時(shí)在線監(jiān)測(cè)，但是準(zhǔn)確率低于直接法，如圖2。目前常用的間接法有4 種，由于間接法應(yīng)用范圍廣，對(duì)加工過程的影響較小，近幾年被廣泛應(yīng)用于刀具磨損監(jiān)測(cè)中，成為了目前國內(nèi)外研究的主流方向。

圖2 間接檢測(cè)法的工作原理及缺點(diǎn)

1.1 切削力信號(hào)法

切削過程中，刀具與工件表面的運(yùn)動(dòng)導(dǎo)致刀具不斷產(chǎn)生磨損，刀具磨損程度不同會(huì)使切削力隨之改變，因此將切削力信號(hào)當(dāng)作監(jiān)測(cè)信號(hào)。李錫文等人[5]通過對(duì)刀具后刀面瞬時(shí)切削力和平均切削力進(jìn)行分析，提出了一種基于后刀面磨損帶面積（AB）的切削力模型，為研究切削力監(jiān)測(cè)提供了理論依據(jù)；王定[6]針對(duì)加工過程中Ti6-Al4-V鈦合金的銑削特點(diǎn)對(duì)切削質(zhì)量控制和刀具壽命進(jìn)行研究，建立了單齒銑削力理論數(shù)學(xué)模型，在軸向力與刀具的磨損值之間建立了關(guān)系，改善了刀具的磨損情況。

1.2 振動(dòng)信號(hào)法

在切削過程中刀具和工件之間的直接接觸會(huì)產(chǎn)生振動(dòng)，Snr[7]通過對(duì)所采集振動(dòng)信號(hào)的共振峰頻率進(jìn)行研究，發(fā)現(xiàn)其與刀具急劇磨損間存在一定的映射關(guān)系，使用振動(dòng)加速度法對(duì)銑削過程中的刀具的磨損狀態(tài)進(jìn)行監(jiān)測(cè)，建立了基于深度學(xué)習(xí)算法的刀具狀態(tài)識(shí)別模型，實(shí)現(xiàn)了刀具磨損狀態(tài)的監(jiān)測(cè)。

1.3 聲發(fā)射信號(hào)法

聲發(fā)射（Acoustic Emission，AE）信號(hào)是材料去除過程中由于材料變形等不可逆塑性變形產(chǎn)生大量能量，能量釋放過程中生成的應(yīng)力波，這些應(yīng)力波通過工件傳遞，可被采集監(jiān)測(cè)。聲發(fā)射信號(hào)受切削條件變化影響小，與刀具磨損狀態(tài)相關(guān)性高且具有高靈敏度、快速響應(yīng)等優(yōu)點(diǎn)。關(guān)山[8]使用AE信號(hào)作為輸入信號(hào)，通過對(duì)其在時(shí)頻域上采用多種方法提取多類特征，將多特征進(jìn)行融合，實(shí)現(xiàn)了對(duì)車削加工刀具磨損狀態(tài)的識(shí)別和分類。Ravidra等人通過將變切削條件中所獲取的AE信號(hào)的多種特征與切削時(shí)間進(jìn)行分析，發(fā)現(xiàn)可通過切削過程中產(chǎn)生的不同AE信號(hào)對(duì)不同磨損狀態(tài)的刀具切削進(jìn)行劃分。Alexandre 等人對(duì)鉆削過程中AE信號(hào)的能量進(jìn)行了分析，發(fā)現(xiàn)能量會(huì)隨著刀具磨損逐漸增加。王麗華等人將AE信號(hào)經(jīng)過傅里葉變換生成的頻域樣本作為輸入，建立了基于堆疊降噪自編碼網(wǎng)絡(luò)的刀具磨損識(shí)別模型。

1.4 電流與功率信號(hào)法

刀具磨損時(shí)切削力會(huì)增大，切削功率隨之增大，最終造成機(jī)床的電機(jī)電流和負(fù)載功率增大。謝楠等通過功率傳感器采集切削過程中的電流和功率信號(hào)，采用PCA對(duì)采集的參數(shù)進(jìn)行特征提取，實(shí)現(xiàn)了對(duì)刀具磨損狀態(tài)的準(zhǔn)確識(shí)別。

2 切削信號(hào)處理及提取方法研究

對(duì)采集到的信號(hào)進(jìn)行處理和提取，獲得可用于狀態(tài)識(shí)別的信息是整個(gè)過程的關(guān)鍵，常用時(shí)域、頻域、時(shí)頻域以及深度學(xué)習(xí)方法對(duì)信號(hào)進(jìn)行特征提取。

2.1 時(shí)域信號(hào)分析

時(shí)域分析是指動(dòng)態(tài)信號(hào)在時(shí)間上變化的表征，主要包含動(dòng)態(tài)信號(hào)的幅值變化、自相關(guān)和互相關(guān)分析等，主要對(duì)采集的信號(hào)與刀具磨損值以及原始信號(hào)與處理后信號(hào)間的相關(guān)性進(jìn)行分析。劉銳等人通過對(duì)銑削力信號(hào)進(jìn)行時(shí)域分析，提取了有效監(jiān)測(cè)特征，發(fā)現(xiàn)能夠準(zhǔn)確的對(duì)刀具磨損狀態(tài)進(jìn)行監(jiān)測(cè)。李錫文等通過分析主電機(jī)功率信號(hào)并提取多種信號(hào)時(shí)域特征實(shí)現(xiàn)了對(duì)于銑刀磨損狀態(tài)的判斷，同時(shí)認(rèn)為單一時(shí)域特征參數(shù)無法全面反映刀具磨損狀態(tài)且時(shí)域分析對(duì)于揭示切削信號(hào)的頻率成分和各分量大小存在一定困難。

2.2 頻域信號(hào)分析

通過傅里葉級(jí)數(shù)和傅里葉變換可將信號(hào)由時(shí)域轉(zhuǎn)換到頻域，從信號(hào)的本質(zhì)進(jìn)行分析，揭示信號(hào)的頻率組成和各頻率分量大小，頻域分析對(duì)于信號(hào)更為簡單和深刻。吳迪等通過對(duì)車削過程所產(chǎn)生的振動(dòng)信號(hào)進(jìn)行分析，發(fā)現(xiàn)頻域分析能夠反映刀具的磨損情況。朱會(huì)杰等使用字典學(xué)習(xí)對(duì)振動(dòng)信號(hào)的頻譜數(shù)據(jù)進(jìn)行稀疏重構(gòu)提取特征，發(fā)現(xiàn)能夠有效地表征故障信息。Bhuiyan等人使用聲發(fā)射技術(shù)采集信號(hào)對(duì)其進(jìn)行頻域分析，發(fā)現(xiàn)聲發(fā)射信號(hào)的局部頻域信號(hào)能夠反映對(duì)于刀具磨損狀態(tài)的映射關(guān)系。

2.3 時(shí)頻域信號(hào)分析

在對(duì)非平穩(wěn)信號(hào)進(jìn)行分析時(shí)，有時(shí)候單獨(dú)的時(shí)、頻域信號(hào)分析可能不能完全表征刀具磨損狀態(tài)相關(guān)的信息，因此時(shí)頻域分析被科研人員提出，目前時(shí)頻域分析已經(jīng)成為提取特征的重要方法。Kamarthi等通過對(duì)不同信號(hào)使用頻域分析和小波分析進(jìn)行對(duì)比試驗(yàn)發(fā)現(xiàn)不同信號(hào)不一定適用于同種信號(hào)處理方法，頻域分析對(duì)振動(dòng)信號(hào)更加敏感，而小波分析對(duì)力信號(hào)的表征能力更強(qiáng)；王東磊等使用小波分析對(duì)聲發(fā)射信號(hào)進(jìn)行處理，分析了小波分解后的能量頻帶作為輸入信號(hào)的可行性并為小波基的選取提供了理論基礎(chǔ)。孫惠斌提出了基于小波降噪和希爾伯特黃變換的刀具振動(dòng)信號(hào)特征提取方法，有效地保留了刀具磨損的相關(guān)非平穩(wěn)特征。

3 刀具磨損狀態(tài)識(shí)別方法研究

對(duì)信號(hào)進(jìn)行上述分析和處理后能夠在降低信號(hào)丟失的情況下提高監(jiān)測(cè)過程的運(yùn)算速度。通過信息處理獲取的高維特征信息需要采用模式識(shí)別技術(shù)來實(shí)現(xiàn)對(duì)刀具磨損的監(jiān)測(cè)。模式識(shí)別技術(shù)主要分為兩大類：第一類是傳統(tǒng)機(jī)器學(xué)習(xí)方法，常見的有神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)（SVM）和隱馬爾科夫模型（HMM）等模式識(shí)別方法；另一類是以深度學(xué)習(xí)為代表的現(xiàn)代算法，常用的有深度置信網(wǎng)絡(luò)（DBN）、卷積神經(jīng)網(wǎng)絡(luò)（CNN）和長短時(shí)神經(jīng)網(wǎng)絡(luò)（Lstm）等模式識(shí)別算法。

3.1 傳統(tǒng)機(jī)器學(xué)習(xí)方法

機(jī)器學(xué)習(xí)就是通過算法使機(jī)器從大量歷史數(shù)據(jù)中學(xué)習(xí)規(guī)律，從而對(duì)新的樣本做智能識(shí)別或?qū)ξ磥碜鲱A(yù)測(cè)?；谏窠?jīng)網(wǎng)絡(luò)的刀具磨損狀態(tài)識(shí)別方法相較于傳統(tǒng)方法具有模型簡單、預(yù)測(cè)效率高、精度高等優(yōu)點(diǎn)，但是也存在一定的缺點(diǎn)，如BP神經(jīng)網(wǎng)絡(luò)各層權(quán)值與閾值為隨機(jī)產(chǎn)生，易陷入局部極小值點(diǎn)，使預(yù)測(cè)結(jié)果不穩(wěn)定。在BP神經(jīng)網(wǎng)絡(luò)方面，諸多學(xué)者開展了優(yōu)化研究，安華等人[9]針對(duì)提取特征不穩(wěn)定的問題提出了自適應(yīng)提取特征的模型，結(jié)合神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)了對(duì)于刀具剩余壽命的預(yù)測(cè)。聶鵬等人[10]通過將小波分解的AE信號(hào)提取的頻段能量和切削參數(shù)作為輸入特征提出了混合粒子優(yōu)化的BP網(wǎng)絡(luò)模型，基于微切削平臺(tái)上所采集振動(dòng)信號(hào)的時(shí)域、頻域和時(shí)頻域提取能量、均方根值、峰度系數(shù)三類特征搭建了模糊神經(jīng)網(wǎng)絡(luò)模型對(duì)刀具的磨損狀態(tài)進(jìn)行識(shí)別，實(shí)現(xiàn)了對(duì)刀具磨損狀態(tài)的預(yù)測(cè)。

3.2 深度學(xué)習(xí)方法

深度學(xué)習(xí)是以神經(jīng)網(wǎng)絡(luò)算法為基礎(chǔ)的深度結(jié)構(gòu)模型，通過高效數(shù)據(jù)處理突破了傳統(tǒng)機(jī)器學(xué)習(xí)算法的瓶頸，是機(jī)器學(xué)習(xí)衍生的新領(lǐng)域，其關(guān)系如圖3。由于近幾年人工智能的快速發(fā)展，深度學(xué)習(xí)算法逐漸被應(yīng)用于工業(yè)領(lǐng)域，為實(shí)現(xiàn)刀具狀態(tài)監(jiān)測(cè)提供了新的思路。Zhao[11]等人將手工特征設(shè)計(jì)與自動(dòng)特征學(xué)習(xí)相結(jié)合，提出了基于局部特征的門控循環(huán)單元網(wǎng)絡(luò)用于監(jiān)測(cè)刀具磨損。Sheng 等人提出了多個(gè)LSTM變體架構(gòu)，可以根據(jù)相應(yīng)的趨勢(shì)來預(yù)測(cè)剩余壽命，該模型被用于解決刀具狀態(tài)監(jiān)測(cè)問題。Wang[13]等人通過粒子濾波結(jié)合了物理模型和回歸模型，不僅可以準(zhǔn)確預(yù)測(cè)刀具磨損，還可以給出結(jié)果的置信區(qū)間。通過分析以上研究成果，基于深度學(xué)習(xí)的刀具磨損監(jiān)測(cè)模型憑借其強(qiáng)大的數(shù)據(jù)處理和特征提取能力可有效實(shí)現(xiàn)對(duì)刀具磨損的監(jiān)測(cè)，在刀具磨損監(jiān)測(cè)方面得到了廣泛應(yīng)用。但目前仍主要傾向于通過原始信號(hào)對(duì)低頻特征進(jìn)行分析并人為提取，忽視了高頻特征稀缺性和隨機(jī)性，導(dǎo)致在提取過程中特征信息的丟失，同時(shí)樣本的多樣性也限制了模型在不同工況中刀具磨損檢測(cè)的泛化性。

圖3 深度學(xué)習(xí)與機(jī)器學(xué)習(xí)及人工智能的關(guān)系

4 結(jié)語

刀具磨損監(jiān)測(cè)技術(shù)有利于提高生產(chǎn)效率，隨著對(duì)人工智能的研究越來越深入，深度學(xué)習(xí)更是近年來的研究熱門。深度學(xué)習(xí)應(yīng)用于刀具磨損監(jiān)測(cè)是一個(gè)新的研究方向。