刀具磨损量监测的多传感器信息融合技术研究

DOI：10.19392/j.cnki.16717341.201720006

摘要：在数控加工中，采用各种数控刀具进行切削会不可避免的产生磨损，并且这些刀具磨损会造成零件加工质量下降甚至于报废及新购买刀具成本开支的增加。为此，能有效监测刀具磨损并进行适时换刀是必要的研究内容。信息融合技术又被称为多传感器信息融合技术。目前国内外众多学者对信息融合技术在刀具磨损监测中的应用进行了较多的研究，本文从信息融合技术功能模型、信息融合级别及特点、信息融合方式及其特点、以及国内外学者的研究成果，结合当前融合技术的新发展，确定一种支持向量机这种多传感器信息融合技术应用于刀具磨损监测是一种有效的方法。

关键词：刀具磨损；信息融合技术；支持向量机；研究

信息融合技术自20世纪70年代产生于军事领域，近五十年来，随着计算机技术、微电子技术、大规模集成电路技术、现代信号处理技术和新型传感器技术的发展，信息融合技术在许多领域已展示出无可比拟的优势，在生产、生活军事等领域成为新的学科发展方向。由于该技术是使用多种传感器或者多类型传感器对同一被测对象进行监测，从这一层面上来说，信息融合技术又被称为多传感器信息融合技术。由于信息融合应用于各行各业，在各行各业中研究的层次不同，虽有几十年的发展，但至今没有一个同一的定义。同时，在数控加工中，采用各种数控刀具进行切削会不可避免的产生磨损，并且这些刀具磨损会造成零件加工质量下降甚至于报废及新购买刀具成本开支的增加，而刀具的磨损有些是由正常加工磨损所造成的，有些则是由于加工不当导致的，如是否选择合适的加工参数。因此，为了正确认识刀具磨损机理以达到在满足核心部件加工质量前提下减少刀具的磨损，减少停机时间及刀具购买成本费用，对刀具的磨损进行监控与分析是必不可少的。尤其在制造业利润空间相对缩小的前提下，减小刀具应用成本，开源节流更显得十分重要。因此利用信息整合技术对刀具磨损量监测也是当前研究的一个课题。

国外对于刀具磨损方面所作的研究比较早，日本、美国、欧洲地区的研究者对于在机械加工过程中出现的刀具磨损现象尝试着进行刀具磨损融合方面的研究，并取得了一定的经验。知名学者如美国的Benhard Seck、欧洲Transeal、日本的江田弘等，他们分别提出了用不同类型的多传感器采集刀具发生的磨损，并用一些人工模式识别方法如神经网络等对刀具磨损状况进行了分类识别，从而在刀具磨损的监测识别方面提供了基本的方法与思路。

目前，美国主要进行的是刀具磨损监测前沿方面研究，例如D.W.Wust等人将最新打磨机器人视觉技术运用于刀具磨损监测过程中，通过三维识别技术进行刀具磨损边缘的监测，提高了分辨精度，达到了微米级测量，但是该系统的动态、连续监测效果不好，有待于提高[3]。

欧洲如德国、瑞典，亚洲如日本等国主要将一定成果的刀具磨损监测系统开发出了刀具监测仪器与设备，如德国的SICK公司研制的刀具破损监测仪、日本的Makino公司研制的具有高识别精度的刀具破损监测仪、瑞典的SANDVIK公司研制出了6通道的刀具监控仪，均取得了一定的经济效益。

根据目前各相比较发达国家如德国刀具监测方面的研究，我国对于刀具磨损监测这方面的研究相对较少，但随着我国制造业的崛起，数控设备的使用已非常普遍。在一些制造汽车、挖掘机等大型国企、外资、合资等大企业中，数控加工设备在总设备的占比高达60%以上。刀具监控技术将是数控设备高效高精度生产的有力保证。因此，国内设计、制造业学者对于数控刀具磨损的监控技术进行了相关研究，也取得较好的成果。

天津技术师范大学的王志强、宫虎等，通过对铣刀振动信号采集，用长度分形维数法进行特征提取，并且依据区间估计法得出参考样本的聚类域，从而进行特征值与聚类域比较，判断出刀具磨损的状态效果[2]。

各行各业的研究成果，信息融合技术可表述为：利用多传感器在不同时间、空间采集数据资源，利用计算机技术完成数据处理，从而在多方面描述与解释被测量，最终完成被测量的决策、估计，从而避免单一信息对整体被测对象的误差。

信息融合要满足以下三个因素：（1）被测对象为多信号源处理对象；（2）数据的检测、关联、估计与合并是其信息融合特点；（3）信息融合的最终结果具有向高层次处理趋势。

一、信息融合在各行各业中的作用

（1）与单一传感器相比，多传感器可以提高信息的准确性和全面性；

（2）通过结构相同、功能范围有变化多传感器融合，可以提高测量范围；

（3）多种相同类型、结构相同的多传感器整合，可以解决单一传感器故障后不能工作或精度降低问题；

（4）改进检测对象的识别效果，改善单一传感器仅能从某一方面来识别对象问题；

（5）大大提高被测对象的时空覆盖，在多时空范围内得到更多的识别支持，提高适应环境的能力。

二、信息融合技术结构与三个级别

（一）信息融合技术功能模型

如图1所示的信息融合，其功能主要有特征提取、分类、识别和估计。下表1为其各层次及输出特点。

（二）信息融合级别及其特点

表2 信息融合级别及特点

信息融合级别融合特点

像素级最低层、数据的融合，主要依靠传感器提供的多源原始数据及其预处理阶段信息进行整合，数据较多，速度融合较慢，处理代价高，信噪比不佳，要求多個同一类型传感器融合，主要用于多源同类型图像分析与处理。

特征级基于像素级，属于信息融合层次的中间级，主要是对多源信号不同类型特征提取，进行分类、综合、处理给决策级提供所需要的多特征值。在模式识别、机器人视觉、语音分析方面有许多方法可以根据需要选用。

决策级利用特征级融合所得出的目标各类特征信息，并在某一类型传感器失效后，仍能提供较好的决策效果，反应速度快，容错性好，但决策比重的确定是其难点。

信息融合过程如图2所示：首先将多传感器检测来的多源信号转换为对应电信号，经输入量模拟通道或数字量输入通道进行信号放大、滤波，模拟量信号经过A/D器变换将电信号（如是信号本身为数字量信号无需A/D器转换）转换为数字量。数字化后电信号需经过计算机数字滤波等手段消噪，选取有用特征信息，进行信息融合，最终输出結果。

三、信息融合方式及其特点

信息整合方式特点

集中式多传感器信号输送到同一个处理器（融合中心）处理并融合，对硬件要求较少、精度较高但是融合速度慢，实时性较差，要求足够大的带宽。

分布式多传感器针对自己检测内容进行单独处理，由融合中心处理器对局部结果整合，运行速度快，可靠性高、实时性好、精度稍差。

混合式上述两种方式的组合，用于大型系统中的一种融合机制。

四、信息融合主要研究方法及其应用特点

目前，各行各业已根据各自的行业特点，提出了相对成熟、有效的多传感器融合方法如加权平均法、卡尔曼滤波、贝叶斯估计、DS证据推理法、神经网络方法、支持向量机法等。

目前，对于多传感器及其特征融合算法方面研究较多，如前所述常用的融合算法，以及基于上述算法结合一些新理论及参数优化衍生出新型融合算法，如当前的基于粗糙集理论的信息融合算法、基于模糊理论的信息融合算法、基于微粒群信息融合算法、基于非线性S函数调参策略的改进微粒群算法、嵌入隔离小生境技术的混沌微粒群算法、基于微粒群模糊密度自适应赋值的多分类器融合算法、基于支持向量机的信息融合算法、基于神经网络方法的信息融合及其演化形式等。

实际选用各种传感器信息融合算法时，要注意传感器信息的特点及各种融合方法的适用条件及研究现状，对于刀具磨损量监测的多传感器及其信息融合，国内外学者使用较为成熟的融合方法主要集中于各种神经网络融合方法、支持向量机融合方法及其参数优化方面的研究，如国内学者刘芽在其车刀多传感器信息融合算法中分别应用了BP神经网络、RBF神经网络、支持向量机三种方法分别对刀具磨损量特征值数据进行识别；谢锋云在神经网络的基础上利用粒子群对神经网络的参数进行了优化完成了刀具磨损量特征值数据进行识别[1]；聂鹏等利用Elman神经网络对于刀具磨损量特征值数据进行识别；王利伟等基于云理论与支持向量机的数控机床刀具磨损特征值数据进行识别，通过这些融合方法的使用，不仅从理论上论证了融合的可行性，并从实际的研究结果对各种识别方法在刀具磨损特征值融合效果上如精度、融合时间的长短及收敛性进行了分析。

特别是学者刘芽在车刀磨损量特征值数据整合中对比BP神经网络、RBF神经网络、支持向量机三种典型的融合算法，从诊断精度、训练时间长短、对于核函数选择的难易性及依赖程度上进行了对比分析，发现在刀具磨损量特征值数据融合众多方法中，支持向量机诊断精度最高、训练时间最短、对于核函数的依赖性低，因此本文是基于支持向量机融合算法，另外国内学者尝试用遗传算法、粒子群优化算法等算法对神经网络的参数进行了优化，如学者李敏通过BP神经网络与粒子群优化后的BP神经网络对同一个刀具磨损量特征值融合的两种方法比较，发现两种方法均能正确的反映刀具磨损状态，但是两种方法在测试样本上的均方误差是有差别的，粒子群优化神经网络误差更小，识别准确率更高。因此本文是基于支持向量机，并结合当前效果较好的的参数优化手段蝙蝠算法而确定的一种对铣刀磨损量特征值数据的融合算法，从而建立铣刀磨损量多传感器融合监测模型。

五、结语

由于多种传感器对铣刀磨损量识别时，多种不同信号的融合方法是本文核心技术内容，目前，在各种行业中广泛使用的模式识别融合算法较多如加权平均、卡尔曼滤波、贝叶斯估计、DS证据推理法、神经网络方法、支持向量机法等，并根据这些融合算法产生了相当多的参数优化算法，支持向量机这种模式识别方法对刀具磨损量监测的多传感器融合算法是可行的、有效的。

参考文献：

[1]谢锋云，曹青松，黄志刚.基于小波包BP神经网络的切削颤振监测[J].仪表技术与传感器，2015（10）：1315.

[2]王志强，宫虎，等.长度分形维数在微铣刀磨损状态识别中的应用[J].振动、测试与诊断，2016，20（13）：3032.

[3]HUANG，M.Study on highgrade CNC machine tool wear monitoring methods and experimental system[J].Advanced Materials Research.2015，91（11）：18441848.

作者简介：尹勇（1982），男，江苏连云港人，硕士在读，讲师，主要从事机械制造、工业机器人等方面的教学与研究。