面向磨损检测的切削表面粗糙度评估及AGRNN 预测＊

2023-09-18张玲玲赵凯绅王翠芳

制造技术与机床 2023年9期

孙备张玲玲李峰赵凯绅王翠芳

（①焦作大学机电工程学院，河南焦作 454000；②河南理工大学机械工程学院，河南焦作 454000；③瑞庆汽车发动机技术有限公司，河南焦作 454000）

进行工件切削加工时，通常以表面粗糙度作为判断加工性能的一项参考指标，对部件使用寿命、抗疲劳能力及与其他部件的配合精度都发挥着关键作用[1-3]。因此制备高精度零件是实现制造业高水平发展以及提升产品性能的重要条件。

近年来，已有许多学者针对优化部件切削量展开了深入探讨，同时也为优化产品质量与改善产品性能开发了许多新的技术[4]。智能加工控制技术也在切削加工领域获得了越来越广泛的应用，到目前为止已有较多文献报道了相关研究结果。例如，文献[5]主要研究了智能加工方面的技术进展与成果，全面分析了智能加工技术应用过程所面临的问题及相关技术指标；文献[6]观察了不同轴向跳动和径向跳动状态下的表面形貌差异性，之后进一步预测了粗糙度的变化趋势，实现精确预测表面粗糙度的目标；文献[7]建立了一种预测粗糙度云的新型算法，可以满足不同数据的相互融合，由此获得更强的模型泛化效果。上述方法都有助于促进表面粗糙度预测精度的提升，但并未分析加工阶段的加工质量因素对结果的干扰。文献[8]利用神经网络设计了一种预测表面粗糙度的模型，并对加工阶段的质量检查建立了新的思路，明显缩短了加工阶段的质量特性判断所需的时间；文献[9]则在监测过程中加入了人工智能算法来预测刀具的磨损程度，能够达到表面粗糙度快速预测的功能，上述方法虽然能够提供换刀所需的依据，但并不能提供准确的质量调控参考指标；文献[10]分析了工件表面质量与铣削能耗以及切削工艺参数的关系，可以同时实现低能耗和优异加工表面质量的效果。以上研究结果都有助于制造技术的“智造”进步，不过依然无法克服加工期间面临的质量波动。为了有效控制加工阶段的质量偏差，目前大部分学者都是从减缓加工振动以及降低切削力的层面展开分析。文献[11]利用减缓刀具振动幅度的方式来提升工件加工质量，但在实际计算过程中需要为系统配备智能材料、精密传感器以及高效的信号处理技术；文献[12]在设计控制算法的过程中，加入了切削力的影响因素，促进加工质量的显著提升。但上述算法无法同时获得理想的控制精度与响应效率，不能满足在线监控的要求。

在当前的加工条件下，依然需要结合人工经验以及多次测试的方法来调节获得理想的加工质量。基于这一结果，需要对在线智能优化控制展开更深入的探讨。为了有效发挥加工阶段的历史参数作用，根据历史数据构建系统库，同时构建了监测模型以及经过优化后的加工数学模型。为了同时满足算法精度以及响应速率的要求，引入了可以快速响应和逼近的自适应广义回归神经网络（AGRNN），并根据上述算法原理构建了优化模型。

1 方法描述

本文设计的算法主要包含两部分，首先是进行加工状态监测，主要以刀具磨损程度作为判断指标；其次是对比客户要求的水平与实际加工质量的偏差，再对加工参数进行优化来达到调控的决策目的[13]。此方法可以实现过程质量的监控，确保获得稳定的加工质量。为了满足上述控制目标，要求精确监测加工状态，并对实际加工质量展开精确预测与迅速响应，图1 所示为该方法的具体流程。

图1 质量稳定控制流程图

本文根据历史数据库构建力信号磨损仿真模型，由此完成特征参数的采集与选择并构建模型系统。综合运用时域与频域分析的方式确定力信号参数特征，再以遗传算法确定合适的特征，显著减小学习难度并获得更快的响应速率。对于优化模型也以历史测试参数进行构建，有助于高效发挥历史信息来降低测试成本。但考虑到实际数据量非常大，这会极大增加建模的时间，限制了数据库内容的更新与扩充，导致调整难度明显提高。此时需构建可以有效适应数据库特征的建模系统，本次选择自适应广义回归神经网络（AGRNN）来实现模型的构建。

2 磨损监测

2.1 切削力信号处理

综合运用时域（TD）、频域（FD）与小波包（WP）从切削力信号中提取获得特征指标，确保数据维度被控制在一个较小范围内[14]。利用TD 与FD 提取出共12 个特征，之后再以四层小波包分解形成16 个特征。

实际形成加工切削力信号包括X、Y、Z方向，各方向对应的特征见表1，最终获得84 个切削力信号特征。确定切削力特征后，可以有效压缩数据量，但此时依然保持较大的数据维度，而且也存在部分无关与冗余特征，无法继续提升算法效率与综合性能，同时还会导致整体算法难度的显著增加，从而引起不必要的维数灾难问题[15]。由此可见，需在特征选择过程中设置最佳特征组合条件。本次通过遗传算法（GA）来确定84 个特征值，以GA 来实现整体的模拟，包含数据复制、变异、选择等，实现过程较简单并避免产生局部最优的缺陷。

表1 铣削参数及水平

2.2 磨损监测模型

以切削力经信号特征组成监测模型输入，同时输出刀具的磨损值参数。其中，卷积神经网络相对前馈神经网络（BPNN）以及卷积神经网络（CNN）表现出了更快的学习速度与逼近速率，非常适合用于控制决策、数据分析预测和金融预警等领域。从结构层面分析，AGRNN 属于一种4 层网络结构，分别为模式层、输入层、求和层与输出层，针对各自训练样本数量确定合适的神经元数量。

利用AGRNN 机理，可以建立刀具磨损W和与切削力信号特征XQ之间的关系式：

式中：Wi表示训练样本集内第i条切削力信号特征矢量XQ的刀具磨损值；W(XQ)对应样本点XQ预测结果；σ代表高斯宽度，也称为光滑因子。

AGRNN 只包含了光滑因子σ，随着σ的增大，在模式层中形成了接近1 的输出，存在以下关系：

输出W(XQ)与样本标签均值相近：

保持加工质量平稳的问题,需要进行问题描述，本文采用共轭梯度法（conjugate gradient,CG），使系统快速对加工状态变化做出决策。

相对其他算法，AGRNN 中存在各训练样本初始数据信息，在权值计算的时候也不需进行训练处理，实现响应速率与逼近效率的同步提升，为实现力学参数的响应与数据调整提供了可靠基础。此外考虑到AGRNN 可以存储历史数据以及具备快速学习的能力，为扩充数据库和参数更新创造了有利条件。

3 试验与验证分析

3.1 铣削试验

钛合金可以承受高温环境作用而不被氧化破坏的能力，同时拥有良好的抗腐蚀性能，被广泛应用于精密仪器部件、交通设置等重点领域。但采用钛合金进行部件加工时难度较大，成型精度难以准确控制，同时容易造成刀具的表面磨损，导致实际部件的质量无法获得精确调节。本研究选择Ti600 作为测试材料，对其开展铣削测试，测试机床为X6132-300A，同时选择APMT1135 刀片，图2 所示为部件加工的具体区域。进行实际加工时，按照刀具制造商建议设置各项参数，结果见表1。

图2 切削区域布置

采用CXA1 显微镜观察了切削后的试样表面磨损情况，同时对其粗糙度进行了表征，共测试3 次，并计算各位置的均值。表2 给出了本次设计的正交测试表组合结果，共包含了3 种“切削参数水平”，将其表示为1、2、3，各组参数中都包含了1 组刀片，共9 组，控制各组参数分别走刀100 次，最终形成900 组。

表2 正交试验表L9(34)

3.2 方法验证

以第1 组刀首次走刀后测定的粗糙度0.250 μm为目标值，最后形成了表2 中的9 组组合结果，表中4 个切削参数的1、2、3 对应表1 中所列参数水平。从上述数据中选择720 组构成训练集建立模型，再对其中180 组展开测试，以此判断模型预测能力。为防止受人为因素影响导致选择结果产生主观性，通过随机方式从9 组参数中选择36 组数据。

图3 给出了不同时间下的9 组刀具加工表面粗糙度测试数据，将实际测试值与计算得到的粗糙度进行对比，计算得到预测数据和实际值相关系数达到R2=0.988，由此可以推断预测性能较优。加工阶段的优化值一直位于目标线附近区域，变化幅度最大只达到0.05，同时发生了实际值与预测值的大幅改变，说明该方法能够确保实现稳定的加工效果。

表3 给出了以上述模型开展45 组样本测试情况，其中，W表示实际测定的磨损结果；W1表示监测获得的磨损数据；Ra 表示实际粗糙度；Ra1表示预测粗糙度；Rap表示粗糙度优化值；T表示经过系统控制决策过程需占用的时间。

表3 测试样本预测

通过测试发现，预测与优化模型都达到了理想的控制状态，实际预测精度满足调控标准。测试过程由上一走刀至下一走刀可以实现的最短调控时间是10 s，如果可以在10 s 内完成调控，便可以达到无停顿加工的效果。从表3 中可以看到实际时间符合控制条件。样本点的优化时间已经超过最短允许时间，但对整体加工效率并未造成明显影响，经过设备调节后还可以继续缩短响应时间，实际调控方法符合试验时间需求。

3.3 预测分析

为了验证采用AGRNN 模型进行计算方法的性能，本次加入了卷积神经网络（CNN）、高斯过程回归（GPR）、支持向量机（SVM）和多元线性回归（MLR）4 种方法，与AGRNN 方法开展比较，同时以启发式优化算法遗传算法（GA）与粒子群优化算法（PSO）和改进后CG 算法开展比较。对相同的720 组数据展开训练，构建得到磨损监测模型与粗糙度预测模型，并对45 组数据开展测试，评价上述模型的综合性能，利用测试集评价不同算法的性能指标，具体见表4。

表4 对比分析（45 组测试样本）

以MAPE代表误差均值（mean absolute percentage error），R2代表判定系数（coefficient of determination），T为优化时间均值。当MAPE取值越小时，代表模型获得了更优的预测性能，通常在10 以内时表示模型达到了较理想的评价性能；R2与1 越接近，代表模型具备更优的性能。从表4 中可以看到，AGRNN 对应的磨损与粗糙度MAPE依次为3.685和2.236，低于其他算法的MAPE；R2依次为0.893和0.975，相对其他算法的R2更大，可以判断AGRNN 达到了理想预测效果。对PSO、GA、CG算法开展比较分析可知，CG 可以实现很快优化速率。本文根据AGRNN 原理构建优化模型，利用CG 来实现优化过程，再对CG 开展改进防止产生局部最优的情况，确保获得理想优化性能的条件下，使控制决策时间也明显缩短。由于MLR 模型结构较简单，以该模型进行优化的时间很短，而模型训练时会出现初期信息丢失的情况，无法获得理想的预测性能，从而降低了实际优化精度。虽然利用CNN、SVM、GPR 也能够获得理想预测结果，但整体性能与AGRNN 存在一定的差距，而且在AGRNN 中包含了大部分初始参数信息，进行训练的时候无需计算权值，还可以结合输入数据和样本距离来激神经元，从而获得更快建模速率与计算速率。