刀具磨损状态智能监测技术研究现状与展望
2021-12-28田佩彬王宝金沈锦桃
田佩彬, 王宝金*, 沈锦桃
(1.南京林业大学材料科学与工程学院,江苏 南京 210037;2.镇江中福马机械有限公司,江苏 镇江 212127)
切削加工是指在各种机床上使用工艺要求所对应的刀具对毛坯件进行加工,以获得形状、尺寸、表面质量等符合工艺要求产品的过程。在切削过程中,由于切削载荷等复杂的作用,刀具会逐渐磨损[1]。使用磨损的刀具进行切削作业,不仅使得加工精度下降、效率降低,还会导致安全风险,并降低机床的使用寿命[2]。从20世纪80年代开始,刀具管理已成为生产车间管理的重要组成部分[3]。研究显示,基于刀具磨损状态监测的刀具管理机制能够有效降低生产成本,提高生产效率和加工质量,提高生产过程的可靠性和安全性[4]。
传统的刀具磨损状态监测方法大多依靠工人根据切削过程中的产生的噪声、振动等现象来判断刀具的磨损情况,或者每隔一段时间做一次停机检测。人工识别的准确率低,而停机检测需要频繁启停机床,对加工效率影响大。刀具磨损状态智能监测技术是基于电子信息技术和人工智能技术的一种刀具磨损状态在线监测技术,利用非线性建模和智能算法等技术手段对采集的切削过程中的电子信号进行实时处理与分析,实现对刀具磨损状态的信号识别和预测。刀具磨损状态智能监测技术主要包括刀具状态信号的采集、处理以及识别三个部分。
1 刀具磨损状态信号采集
刀具磨损状态信号采集是刀具磨损状态智能监测的第一步。常用的刀具磨损状态信号采集方式主要有直接检测法和间接监测法。直接检测就是通过测量刀具刃口的形状变化、位置变化等与刀具磨损直接相关的物理量来直观判断刀具磨损状态。随着机器视觉技术的发展,直接检测除了用尺子、对刀仪等仪器外,还可以直接采用计算机图像识别方式进行检测[5]。直接检测技术必须停机测量,限制了其推广应用。不同于直接检测法,间接监测方法主要采集切削过程中能间接反映刀具磨损的物理量或物理现象的信号,利用所采集的信号与相应刀具状态的映射关系来监测刀具磨损程度。例如申志刚等[6]基于对切削力信号的监测和识别搭建了具有较高适应性的智能刀具状态监测系统,Li X等[7]利用声发射信号监测刀具磨损,Dimla[8]证明了振动信号特征与刀具磨损阶段之间的关系。由于间接监测不需停机,能够实现在线信号采集,所以适用于高效自动化的生产场合。
但是,间接监测所获取的信号不仅对刀具磨损状态的变化敏感,对于系统刚度、加工材料性质等工艺参数的变化也很敏感,所以通过采集单个物理量信号来判断刀具磨损状态的方法很不稳定。而通过放置多种类型的传感器采集切削过程中的信号,再经过特定算法融合不同类型的信号,可以弥补单个物理量信号不稳定的缺陷。目前基于多信号融合采集刀具磨损状态信号已有许多研究:NAKAI等[9]基于多层感知器和径向基神经网络融合了切削声发射信号和切削功率信号,R.Tetia[10]基于主成分分析法融合了声发射信号、切削力信号和振动信号,李鹏等[11]基于一维卷积长短时记忆网络融合了主轴和工作台的振动和切削声发射信号,均发现基于多信号融合的监测系统比单信号系统更加稳定、可靠。
2 刀具磨损状态信号滤波处理
间接监测所获取的信号需要经过滤波处理后才可以用来识别刀具磨损状态。这是因为间接监测所采集到的信号不仅包含刀具磨损状态信息,通常还有大量其他的工况信息,如所采集的切削声信号中会含有环境噪音,切削功率信号易受工件材质影响,机床刚性会干扰切削振动信号的采集等等。因而,传感器采集的原始信号需要先滤去与刀具磨损状态不相关的信息,提高信号的信噪比,才能在识别刀具磨损状态时获得更好的稳定性和准确性。对采集的刀具磨损状态信号进行滤波的方法主要有时域法、频域法和时频域法[12]。
时域法即根据时域序列来捕捉特征信号,使用时域法分析刀具磨损状态信号,需要提取切削过程中随刀具磨损状态变化而变化的时域特征参数。Jiao F等[13]在建立基于时间序列分析方法的刀具磨损预测模型时发现,利用时域分析法处理刀具磨损状态信号虽然可以捕捉较全面的时序信息,但难以反映信号周期成分的变化,且对使用环境要求较高,无法作为典型工况下刀具磨损状态信号处理的优选方法。
频域法即通过分析信号频谱捕捉信号中与目标状态显著相关的周期成分。Bhuiyan M S H[14]在对车削加工过程中的振动信号进行频域法处理时发现,不同信号的频率在不同刀具磨损状态下和不同切削条件下产生的振动分量均集中于某个特定频段内,证明了频域法能很好地提取出反映刀具磨损状态的特征信号,但也发现频域法对信号的局部变化不敏感,因而对切削过程中的大量非平稳信号处理效果欠佳。
时频域法兼顾时域分析与频域分析的特点,能够先对输入信号进行频带分解,删除信噪比较高的细节部分,再对信号进行重构,从而获得滤去噪音的刀具磨损状态信号[15]。时频分析法中的小波变换方法是目前研究刀具磨损状态信号处理中应用最多的方法[16]。由于小波变换法能够根据输入信号的性质以及滤波要求自适应地调整至合适的信号频谱,在对切削过程中产生的大量非稳态信号进行滤波时,能够兼顾滤波精度与滤波效率[17],可靠性较高。
3 刀具磨损状态信号智能识别
刀具磨损状态识别就是要将所采集到并完成滤波处理的信号识别为相应的刀具状态。刀具磨损状态信号的识别方法可分为基于阈值的识别法和基于智能算法的识别法两类。阈值方法即通过统计不同样本的状态在低维特征图上的范围,得到各状态的特征阈值,再通过比较目标特征与阈值的关系得到目标状态的识别结果。基于机理的识别方法[18][19][20]多属于这一类。阈值方法的优点是简单直观,但不适合于解决比较复杂的信号识别问题。
与特征阈值方法相比,人工智能方法具有更强大的复杂非线性建模能力,能够更好地解决复杂工况下的状态信号识别问题。在智能识别系统中,识别模型不再关心复杂的切削过程和中间物理量变化,而是把它们视为黑箱,直接建立输入的信号特征向量与输出的刀具磨损状态之间的非线性映射关系,极大地简化了复杂状态下的识别难度。常用于刀具磨损状态监测的智能算法有人工神经网络、模糊推理、贝叶斯网络以及支持向量机等[21]。
3.1 人工神经网络
人工神经网络是一类仿生物神经信号传递模式的并行计算模型,含有大量广泛互联的自适应处理单元。人工神经网络模型构建所包含的层数、节点数、传递函数、性能函数、训练函数等都可以根据模型需求以及调试过程中的实际情况进行灵活调整,建模人员只需要不断输入样本即可让网络模型的各节点实现自适应的权值修正,因而在非线性建模领域表现突出。另外,人工智能数据服务业的兴起,也为人工神经网络训练模型所需的大量高质量数据需求提供了解决方案。目前,在刀具磨损状态监测领域常用的神经网络模型包括BP神经网络、多层感知器、RBF神经网络等。
Venkata Rao等[22]训练出的神经网络模型,能够根据工件表面粗糙度及振动情况预测刀具磨损状态,最终平均误差低至2.92%。张明松等[23]分别通过BP神经网络和RBF神经网络根据圆锯片基体外圆断续车削加工过程中的切削力和刃口温度来识别刀具状态和预测磨损,结果表明RBF神经网络识别精度更高。Krishnakumar等[24]采集振动信号输入BP神经网络以识别钛合金高速铣削刀具的磨损状态,最终识别精度为95.4%。李鑫等[25]将切削速度、切削深度、主轴转速等作为输入量训练人工神经网络识别模型,通过对比经验公式证明了用神经网络模型识别刀具磨损状态具有可行性。
人工神经网络的商业化应用已经非常成熟,具有开发便捷、适应性强的特点,但需要有大量的训练样本才能达到精度要求,无论是自行采集数据、构建训练集,还是向专业的数据供应商购买训练集,都使得基于人工神经网络的刀具状态识别系统的构建成本偏高。另外,为了避免出现的过拟合和局部最优解,人工神经网络通常与其他智能算法结合使用。
3.2 模糊推理
模糊推理是一种近似推理模型,其模仿人脑的主观判断思维方式而摒弃了对精确信息的要求。顾名思义,模糊推理模型用于通过不确定的信息做出判断,所谓不确定信息包括低精度的输入量、不完整的知识库等。模糊推理模型首先将这些不确定信息按给定的算法变为模糊化信号,利用适配控制规则进行类主观的推理,最后输出去模糊化后的推理结果,作为决策、评估、审核等主观行为的结论参考。模糊推理通常结合其他智能算法用于刀具磨损信号识别。
吴军等[26]训练了一种自适应模糊神经网络用于识别刀具磨损程度,实验发现该模型通过引入模糊推理过程使得识别精度要高于单纯的BP网络或ABP网络。朱永猛等[27]通过训练自适应神经模糊推理系统建立了一种刀具磨损信号识别模型,能够利用高速铣床的振动信号、电流信号和噪声信号来监控铣床的刀具磨损状态,识别的平均准确率达到为95.21%。A.Gajate等[28]通过实验比较了三种模糊推理模型在刀具磨损信号识别方面的精度,实验结果表明,直推式加权模糊神经网络比自适应模糊推理和动态演化模糊神经网络识别精度更高。
模糊推理能以较低的输入信息精度得到准确率较高的识别输出结果,适合于刀具磨损状态的定性分析,因无需具备完备的先验知识库,其在刀具磨损状态信号识别领域的研究与应用备受关注。
3.3 贝叶斯网络-隐马尔可夫模型
贝叶斯网络是一种图形化网络模型,其原理为基于变量的概率推理,与模糊推理一样常用于信息不精确情况下的决策模拟[29]。贝叶斯网络的一种简化特例——隐马尔可夫模型应用更为广泛,其常用于模拟一个动态过程,利用过程中的隐含参数进行模式识别等[30]。隐马尔可夫模型在刀具磨损信号识别领域中有较多的应用研究。
余劲松等[31]设计了一种基于加权隐马尔可夫模型的刀具磨损状态监测系统,识别精度较高。王海峰等[32]采用和BFA算法结合优化的隐马尔可夫模型进行刀具磨损状态信号识别,准确度和可靠性均较高。张栋梁等[33]采用隐马尔可夫模型进行刀具磨损信号识别,识别准确率高于93%。何栋磊等[34]通过遗传算法优化后的隐马尔可夫模型进行刀具磨损状态信号识别,发现该模型识别准确有效。吕俊杰等[35]利用SOM-识别端面铣刀的磨损状态信号,获得了较高的准确度。
使用贝叶斯网络-隐马尔可夫模型进行刀具磨损状态识别的初始样本需求量小,且具备根据使用中产生的数据或新导入数据改进模型的能力,能够随着加工生产过程逐步完善模型、提高精度,因此在刀具磨损状态识别领域具有较好的实用性。
3.4 支持向量机
支持向量机本质上是一种二元线性分类器,其算法原理是先针对输入量构建一个样本空间,再构建出能够按照目的类别有效分隔样本空间的超平面,实现分类器的建立。支持向量机虽然是一种有导师的学习方法,但由于其泛化能力很强,所以对于样本的需求量远比人工神经网络小,常在解决实际工程问题中使用,目前在刀具磨损状态监测领域也有较多的应用研究。
施东风等[36]基于最小二乘法构建用于刀具磨损信号识别的支持向量机,识别精度较高。刘富等[37]采用仿生应变传感器采集机床刀具振动信号,使用支持向量机算法建立刀具磨损状态信号识别模型,实验表明识别准确率较高。Samik Dutta 等[38]以已加工工件表面图像的相关特征值作为输入量建立了一种支持向量机模型,实验证明该模型的刀具磨损信号识别准确率较高。王国锋[39]等利用多分类支持向量机根据多传感器信号进行刀具磨损信号识别,实验表明该模型在小样本情况下识别精度较高。
基于支持向量机的识别方法能够避免人工神经网络样本成本高、结构复杂、收敛速率低、易产生过拟合或欠拟合等问题,使得小样本条件下的模型训练依然能够迅速收敛。另外,多分类支持向量机在多传感器信号融合的识别模型中表现优异[40]。
4 展望
切削加工是工业生产中重要的加工形式之一,而科学的切削刀具磨损状态监测,以及基于识别结果的合理处理,有助于提质量、增效率、降成本和促安全。因此,刀具磨损状态智能监测技术的发展有利于提高切削加工的自动化、智能化水平,促进各种工艺不断优化。另外,刀具磨损状态智能监测技术的应用是智能制造的一部分,对推动数字化车间或智能工厂的发展具有重要意义。
当然,刀具磨损状态智能监测技术还处于发展的初期,成熟度较低,智能化程度不高,应用不广泛。本文就此提出以下几点展望:
(1)通过提高系统的鲁棒性来增强系统的实用性。目前刀具磨损状态智能监测技术受限于工厂现场的复杂环境,若想提高系统的实用性,还要进一步提高系统的鲁棒性以及降低系统对训练样本的需求。实验室环境下开发的系统未必适应工厂现场复杂的环境,例如对于声发射信号,多刀头同时工作就会对单个刀头的切削声信号采集造成干扰;对于切削力信号,可能工件本身的各向异性(如木材类工件)就会对切削造成不亚于刀具磨损所产生的干扰。研究如何利用智能算法去厘清这些工厂复杂环境下的干扰信号,将是增强刀具磨损状态智能识别系统实用性的关键。
(2)提高信号采集、信号处理的智能化程度。刀具磨损状态监测分为信号采集、信号处理以及模式识别三个阶段,目前对于刀具磨损状态智能监测技术的“智能化”大多体现在模式识别阶段,而较少地对信号采集和信号处理阶段做智能化升级。事实上,刀具磨损状态智能监测技术进一步改进的关键问题其实已不再是对信号特征和刀具磨损状态之间映射关系的分析,而已转变成如何获取高质量的数据,以及如何将数据处理为特征显著的样本。因此,刀具磨损状态监测技术的智能化不能只集中在状态识别阶段,应当结合数据治理技术和深度置信网络、稀疏自动编码器等进一步提高信号采集、信号处理阶段的智能化水平,实现刀具磨损状态监测全过程的智能化。
(3)利用工业物联网技术拓展刀具磨损状态智能监测技术的应用领域。切削不应该是工业系统中独立的一环,而是深度地镶嵌在精密的工业生产线中,对于智能化工厂更是如此。如果刀具磨损状态智能监测系统仅仅是将刀具的状态信息输出,而不再干预后续处理步骤,那么这种智能化程度是不完全的。局部的智能化无法释放智能制造的高效率,应当积极利用工业互联网技术,将刀具磨损状态智能监测系统与整条生产线乃至整个车间的智能化、自动化管理联结起来,从而提高刀具磨损状态智能监测系统的拓展性与边际收益,因此应当重视刀具磨损状态智能监测系统输出数据的去向和利用问题。如果生产线能够根据刀具磨损状态智能监测系统的提示,自适应地进行换刀、刃磨、生产线调整以及预测生产日程变动等,这就切实提高了刀具状态智能监测技术的拓展性。如何利用工业物联网技术将刀具磨损状态智能监测系统的输出数据高效利用起来,将是更有挑战性的课题。