基于机器学习的刀具监控系统的研究

古鹏

摘 要：随着“智能制造”的提出和相关领域科学技术的快速发展，提升数控加工技术和管理的“智能化”是制造型企业面临的重要课题。刀具是数控加工中影响产品质量、生产效率和生产成本的关键因素。通过机床物联网和MDC（Manufacturing Data Collection）数据采集平台，利用数控系统反馈的实时数据，通过决策树、线性回归等机器学习算法对采集数据进行算法建模，实现对刀具磨损状态预测的刀具监控系统。

关键词：刀具;数控系统;物联网;机器学习;监控系统

引言

随着数控技术的进步，数控机床的集成度、复杂度也持续提升。数控机床的运行和加工过程，是一个动态、非线性、时变、非确定性的环境，随着加工中材料的切除和刀具的磨损，伴随着多种复杂的物理现象，隐含了丰富的数据信息。本文研究的课题就是以数控机床及其刀具的实际工程应用环境为导向，采用“机床物联网”技术建设一套针对数控机床的数据采集、传输、存储和分析的系统平台，并利用机器学习算法、建立模型，由系统平台输出刀具磨损状态的自动智能的分析、预测结果，以规避人为工艺经验值、人工判断偏差所造成的刀具浪费或加工异常。

一、数控机床物联网

目前国内总体上仍是机床数量多、种类杂、联网率较低的状况，尚未能实现与数控系统的深度互联，绝大部分的机床动态实时数据被忽略、遗弃。但随着企业对生产过程、生产现场管理精细化的要求提升，人们逐渐认识到对加工运行状态进行实时监控、对数控机床进行信息化集中管理的重要性。而随着现场总线以及工业以太网技术的进步，乃至物联网技术的飞速发展，使得企业的数控设备能够互通、互联，以及对信息数据的实时、集成管理成为了可能。

二、刀具监测技术

从上世纪开始发展的监测刀具磨损状态的相关技术和理论，在当前已取得了很大的进步。加工过程刀具磨损在线自动监测对于数控机床切削加工至关重要，美国学者B.M.Kramer提出了：“在提高计算机集成制造系统生产率方没有任何一项技术比准确地估计刀具寿命更重要”。

三、刀具磨损及其信号

数控CNC机床多为铣削加工，铣削的刀具通常是多刃刀具，其加工过程是断续地间歇性的加工。切削过程中，刀具与工件、切屑发生强烈摩擦并产生高温高压，导致刀具与工件材料之间有黏结和扩散现象，其表面涂层被逐步消耗从而造成磨损，该过程的持续导致磨损加剧，刀具的切削性能下降并最终丧失切削能力而寿命殆尽。

随着切削时间的增加，刀具磨损量逐渐增大直至報废。使用者常常要对刀具的磨损和使用寿命进行估算，并将此作为加工成本预算、生产效率规划的参考依据。理论上通常用泰勒（F.W.Taylor）公式来表示刀具耐用度（T）与切削线速度（v）之间的关系：

vcT m=C0

不同的工件材料、不同的刀具材料、不同的切削条件有不同的系数和指数。

但在企业实际应用中，习惯使用估算刀具寿命的方法来得到刀具耐用度：经验估算、切削时间估算、切削距离估算、加工次数估算。

数控机床加工过程中，在刀具出现磨损情况时，通常会表现出下表的各种现象：

以上是可通过目视耳听、检测仪器、传感器等方式获知的在刀具发生磨损时较为明显的现象和信号特征。

为了能够准确地进行刀具的磨损预测，针对不同的特征信号，本文选择的采集并分析数控系统的信号数据为：主轴负载、进给值、主轴转速、刀具已用次数。目前市面上大多数数控系统，其内置提供的数据接口功能，均能反馈采集涵盖以上信号值。

四、样本数据采集与分析

本文用于建模算法测试、分析的样本数据集，是通过机床物联网MDC平台采集数控机床连续加工同一程序的运行状态，采集到共计约30余万条数据。由于样本数据集存在数据不平衡、数据噪声、异常值等情况，会对机器学习算法的训练效果造成一定的影响。因此在实施算法训练前，需要对数据集的数据状况进行分析，明确采集到的数据集的质量，判断可否用于算法训练。为确保实际采集到的机床信号样本数据集的可用性，本文使用了Python语言及其数据分析、科学计算模块，对该样本数据集进行了特征分析，分析各项机床信号变量的数据状况，得出该数据集可用于算法训练、测试的结论。

五、刀具磨损状态的预测算法

任何机器学习算法都有一定的局限性，通常只有在“特定情境”下，某种算法可能才是最优的，所以评估算法的性能和选择最优算法都是非常重要的。针对刀具磨损状态，本文采用CART算法作为刀具磨损状态的预测分析算法。

CART分类算法是根据基尼系数（Gini Impurity基尼不纯度）构造二叉决策树，Gini系数的值越小，划分效果越好。对于一个有K种状态对应的概率为p1，p2，…，pK 的随机变量X，其 Gini 定义如下：

对于二分类问题，若样本的第一类概率为p，则Gini系数的值为：

为避免模型过度拟合，需要对生成的树进行剪枝，使用的损失函数为：

C（T）表示对训练数据的预测误差，|T|表示模型的复杂度，损失函数表达了两者的平衡。

将上述CART决策树机器学习算法用Python语言的数据分析、科学计算模块开发实现MDA（Manufacturing Data Analysis）数据分析平台，并输入采集的样本数据集，对算法进行训练，建立算法模型。根据测试的预测结果和实际结果进行分析，CART决策树作为预测刀具是否磨损的算法，通过混淆矩阵计算得知其预测准确率Precision=98.624%，准确度较好，具备工程应用的条件。

六、结束语

在全面提升数控机床的“智能化”的过程中，本文研究建立一个系统，以低成本、高效、安全地在线监测数控机床刀具的实时运行状况，并能科学地预测刀具磨损状态，具备自动监测、自动采集、自主学习、模型建立、预测分析、自主优化等功能的“智能化”的新型平台。可为国内的数控机床或刀具制造行业、使用数控机床的制造企业等提供相关的技术理论参考。同时，该研究对解决数控机床其他领域的各项实时、在线数据的智能化处理与分析，具有一定的引导和示范意义。

参考文献：

[1]季宏宇.刀具磨损监测技术的国内外研究现状浅析[J]. 考试周刊， 2016（100）：170-170.

（广东智源机器人科技有限公司，广东佛山528000）