朱永猛,吳 軍,吳超勇,蘇永衡
(華中科技大學(xué) 船舶與海洋工程學(xué)院,武漢 430074)
?
【機(jī)械制造與檢測(cè)技術(shù)】
基于自適應(yīng)神經(jīng)模糊推理系統(tǒng)的刀具磨損監(jiān)測(cè)
朱永猛,吳軍,吳超勇,蘇永衡
(華中科技大學(xué) 船舶與海洋工程學(xué)院,武漢430074)
為精確地監(jiān)測(cè)高速銑床刀具在加工過(guò)程中的刀具磨損量,通過(guò)采集高速銑床加工過(guò)程中的振動(dòng)信號(hào)、電流信號(hào)和噪聲信號(hào),經(jīng)數(shù)據(jù)預(yù)處理與數(shù)據(jù)融合,建立基于自適應(yīng)神經(jīng)模糊推理系統(tǒng)的刀具磨損過(guò)程變化模型,實(shí)現(xiàn)在高速銑床不停機(jī)的前提下對(duì)銑床刀具進(jìn)行狀態(tài)監(jiān)控。實(shí)驗(yàn)結(jié)果顯示:針對(duì)銑床刀具磨損量的監(jiān)測(cè)平均準(zhǔn)確率為95.21%,最大監(jiān)測(cè)準(zhǔn)確率為99.74%。這表明文中所采用的方法具有較高的可行性。
銑床;刀具磨損監(jiān)測(cè);ANFIS
高速銑床作為一種較為先進(jìn)的智能制造裝備,在加工過(guò)程中,刀具加工工件,產(chǎn)生磨損,影響最后的成品品質(zhì)。刀具的磨損受到科研人員的極大關(guān)注,曾嘗試用各種不同的方法監(jiān)測(cè)刀具的磨損。
早期的科研人員利用單一傳感器采集到的信號(hào)數(shù)據(jù),如噪聲信號(hào)[1]、振動(dòng)信號(hào)[2]和切削力信號(hào)[3],進(jìn)行刀具的狀態(tài)監(jiān)控(toolconditionmonitoring,TCM)。伴隨著科學(xué)技術(shù)的不斷發(fā)展,一些通過(guò)建立刀具磨損動(dòng)力學(xué)模型進(jìn)行刀具磨損量監(jiān)測(cè)的方法,顯示了廣闊的適用性。對(duì)于模型的建立,一般有2種:① 假設(shè)可以完全通過(guò)數(shù)學(xué)模型描述刀具磨損過(guò)程中所有的物理規(guī)律,基于這種假設(shè)提出“白盒子”方法[4];② 假設(shè)刀具磨損過(guò)程為不可知,也沒(méi)有任何的先驗(yàn)知識(shí),但可以通過(guò)采集數(shù)據(jù)獲得未知模型的輸入、輸出關(guān)系,實(shí)現(xiàn)對(duì)未知過(guò)程的認(rèn)知,這樣的方法稱為“黑盒子”方法?!昂诤凶印狈椒ㄗ畲蟮膬?yōu)點(diǎn),是可以在不需要對(duì)磨損過(guò)程中的物理意義有任何了解的前提下,通過(guò)采集準(zhǔn)確的實(shí)驗(yàn)過(guò)程數(shù)據(jù),進(jìn)行磨損過(guò)程模型的搭建[5],最大的缺點(diǎn)是對(duì)磨損過(guò)程中物理意義的認(rèn)知缺乏。實(shí)際應(yīng)用過(guò)程中,最好是將2種方法進(jìn)行融合,得到“灰盒子”方法[6]。但是,在復(fù)雜的工況下,難以采集準(zhǔn)確的過(guò)程數(shù)據(jù),以及缺乏經(jīng)驗(yàn)知識(shí),都對(duì)刀具磨損過(guò)程的動(dòng)力學(xué)模型正確搭建造成不良影響。
Jang于1991年提出了基于模糊神經(jīng)網(wǎng)絡(luò)的自適應(yīng)模糊推理,1993年又撰文將之前提出的算法稱為自適應(yīng)神經(jīng)模糊推理系統(tǒng)(adaptivenetwork-basedfuzzyinferencesystem,ANFIS)。模糊推理系統(tǒng)使得顯性知識(shí)更加詳盡和精確,神經(jīng)網(wǎng)絡(luò)通過(guò)學(xué)習(xí)算法建立數(shù)學(xué)模型解釋隱性知識(shí),這使得模糊神經(jīng)網(wǎng)絡(luò)的優(yōu)勢(shì)更加凸顯,這也是模糊神經(jīng)網(wǎng)絡(luò)被廣泛應(yīng)用到刀具磨損量監(jiān)測(cè)領(lǐng)域的原因。ChenSL等人則利用多個(gè)傳感器數(shù)據(jù),如振動(dòng)信號(hào)和切削力信號(hào),提出新的數(shù)據(jù)融合算法,結(jié)合ANFIS進(jìn)行刀具磨損狀態(tài)的監(jiān)測(cè)[7];UrosZ等人利用切削力信號(hào),對(duì)比了三角形隸屬度函數(shù)和梯形隸屬度函數(shù)應(yīng)用到ANFIS中的刀具磨損量監(jiān)測(cè)結(jié)果[8];GillSS等人利用經(jīng)過(guò)低溫處理的M2高速鋼車刀在加工過(guò)程中的切削速度、工作時(shí)間和低溫浸泡均熱溫度等參數(shù),結(jié)合ANFIS進(jìn)行刀具磨損量的監(jiān)測(cè)[9];RizalM等人利用刀具切削速度、切削深度、進(jìn)給速率和融合系數(shù)等參數(shù),結(jié)合ANFIS進(jìn)行刀具磨損量的監(jiān)測(cè)[10]。
本文利用高速銑床加工過(guò)程中的主軸和工作臺(tái)振動(dòng)信號(hào)、主軸直流電流和交流電流信號(hào)、主軸與工作臺(tái)噪聲信號(hào),結(jié)合自適應(yīng)神經(jīng)模糊推理系統(tǒng)ANFIS,實(shí)現(xiàn)對(duì)刀具磨損量的監(jiān)測(cè)。實(shí)現(xiàn)過(guò)程中,首先對(duì)傳感器信號(hào)進(jìn)行預(yù)處理和特征融合,再經(jīng)過(guò)Takagi-Sugeno模糊推理進(jìn)行模糊規(guī)則劃分和隸屬度函數(shù)的計(jì)算,最后利用神經(jīng)網(wǎng)絡(luò)訓(xùn)練模型,實(shí)現(xiàn)刀具磨損量監(jiān)測(cè)。
ANFIS模型如圖1,等價(jià)于Takagi-Sugeno模糊推理與人工神經(jīng)網(wǎng)絡(luò)相結(jié)合的結(jié)構(gòu)模型。為了更方便介紹ANFIS模型,設(shè)特征參數(shù)集{x1…xi…xn},i=2,3,…,n-1作為模型輸入量, f作為模型輸出值,系統(tǒng)模型中包含如下模糊規(guī)則:
記Ok(k=1,2,3,4,5)表示第k層的某個(gè)節(jié)點(diǎn)輸出。每一層的功能及意義介紹如下:
Layer1:模糊化層。每個(gè)節(jié)點(diǎn)代表一個(gè)語(yǔ)言變量值,它的作用是計(jì)算每個(gè)輸入分量屬于各語(yǔ)言變量值模糊集合的隸屬度函數(shù),若隸屬度函數(shù)采用高斯函數(shù)表示的鈴型函數(shù),則:
(1)
式中,aj和cj分別表示隸屬度中心的作用半徑和隸屬度函數(shù)的中心。
圖1 基于Takagi-Sugeno模糊推理的ANFIS網(wǎng)絡(luò)
Layer 2:計(jì)算規(guī)則使用度。每個(gè)節(jié)點(diǎn)代表一條模糊規(guī)則,它的作用是用來(lái)匹配模糊規(guī)則的前件,每一個(gè)節(jié)點(diǎn)的輸出是所有輸入信號(hào)的乘積,計(jì)算出每個(gè)規(guī)則的適用度,則:
(2)
式中,j1={1,2,…,m1},ji={1,2,…,mi},…,jn={1,2,…,mn},i={2,…,n-1},mi(mi=1,2,…)為第i個(gè)特征參數(shù)的聚類簇的個(gè)數(shù)。
Layer 3:歸一化適用度。計(jì)算第l個(gè)節(jié)點(diǎn)的規(guī)則適用度與所有規(guī)則適用度之和的比值:
(3)
Layer 4:Takagi-Sugeno輸出。計(jì)算每條模糊規(guī)則的輸出:
(4)
Layer 5:總輸出。計(jì)算所有傳遞過(guò)來(lái)的信號(hào)之和作為總輸出,總輸出為:
(5)
由以上分析和定義可得一個(gè)與基于Takagi-Sugeno模糊模型的神經(jīng)網(wǎng)絡(luò)相等價(jià)的ANFIS模型。在實(shí)際應(yīng)用中,可以合并不同的分層構(gòu)建不同的ANFIS模型。
本研究采用一個(gè)實(shí)際的銑床監(jiān)測(cè)數(shù)據(jù)集[11],數(shù)據(jù)集包含16組刀具全壽命周期,共167個(gè)運(yùn)行次數(shù)的銑床刀具磨損實(shí)驗(yàn)數(shù)據(jù)。文中選擇第13組刀具全壽命周期數(shù)據(jù)實(shí)現(xiàn)刀具磨損量監(jiān)測(cè)算法。在刀具正常運(yùn)行過(guò)程中,傳感器每次采集數(shù)據(jù)可得到9 000個(gè)數(shù)據(jù)點(diǎn),去空值和去奇異點(diǎn)后,繪制主軸直流電流信號(hào)如圖2。
圖2 主軸直流電流信號(hào)
從圖2中曲線可以發(fā)現(xiàn),信號(hào)數(shù)據(jù)有很明顯的階段性特征,包括空轉(zhuǎn)階段、接觸階段和穩(wěn)定階段。為了使實(shí)驗(yàn)過(guò)程更具代表性、監(jiān)測(cè)結(jié)果更具準(zhǔn)確性,本文選取第4 500個(gè)點(diǎn)后的穩(wěn)定階段的信號(hào)作為原始數(shù)據(jù)。提取均值、均方差、方根幅值、均方根、最大值、偏斜度、峭度、峰值因子和裕度因子9種時(shí)域特征參數(shù),并歸一化。
針對(duì)不同傳感器計(jì)算得到的時(shí)域特征,利用式(6)進(jìn)行相關(guān)性分析,式中,X表示時(shí)域特征參數(shù),Y表示刀具磨損量,Cov(X,Y)為X和Y的協(xié)方差,D(X)為X的方差,D(Y)為Y的方差。
(6)
利用式(7)進(jìn)行殘差分析,式中,S1(x)和S2(x)是根據(jù)特征值點(diǎn)擬合的曲線,N為數(shù)據(jù)點(diǎn)個(gè)數(shù)。結(jié)果如表1、表2。表1中NaN表示非數(shù)字,即Not a Number,當(dāng)分母為0時(shí),計(jì)算結(jié)果為NaN。首先,保留皮爾遜相關(guān)系數(shù)大于0.8的強(qiáng)相關(guān)特征參數(shù)。其次,在保留下來(lái)的特征參數(shù)中,選取殘差值最小[12]的特征參數(shù)組成最終的特征參數(shù)集,獲得的特征參數(shù)集為:主軸噪聲信號(hào)的方根幅值、工作臺(tái)噪聲信號(hào)的均方差、主軸交流電流信號(hào)的最大值和主軸直流電流信號(hào)的均方根。
(7)
在實(shí)驗(yàn)獲得的第13組的13個(gè)數(shù)據(jù)點(diǎn)中,選擇8個(gè)數(shù)據(jù)點(diǎn)作為訓(xùn)練數(shù)據(jù),5個(gè)數(shù)據(jù)點(diǎn)作為校驗(yàn)數(shù)據(jù),同種工況下采集的4個(gè)數(shù)據(jù)點(diǎn)作為驗(yàn)證數(shù)據(jù)。將融合得到的特征參數(shù)集輸入到ANFIS網(wǎng)絡(luò)進(jìn)行刀具磨損量監(jiān)測(cè),結(jié)果如表3所示。
表1 各時(shí)域特征與磨損量的皮爾遜相關(guān)系數(shù)
表2 各時(shí)域特征自身間的殘差值
表3 實(shí)際值與模型監(jiān)測(cè)值的結(jié)果對(duì)比
銑床刀具作為工業(yè)生產(chǎn)中與被加工件直接接觸的部分,刀具的磨損會(huì)直接影響被加工件的成品品質(zhì),降低企業(yè)的經(jīng)濟(jì)收益。本研究提出的刀具磨損監(jiān)測(cè)方法,可以在銑床正常運(yùn)行過(guò)程中進(jìn)行刀具磨損監(jiān)測(cè),為企業(yè)提供刀具更換與維修的依據(jù)。
[1]HAYASHI S R,THOMAS C E,WILDES D G,et al.Tool Break Detection by Monitoring Ultrasonic Vibrations[J].CIRP Annals-Manufacturing Technology,1988,37(1):61-64.
[2]TARNG Y S.Measurement of quasi-mean resultant force using the vibrational signal of spindle in milling[J].International Journal of Machine Tools & Manufacture,1991,31(3):295-304.
[3]ALTINTAS Y,YELLOWLEY I.In-Process Detection of Tool Failure in Milling Using Cutting Force Models[J].Journal of Engineering for Industry,1989,111(2):149-157.
[4]LJUNG L.System identification:Theory for the user.Upper Saddle River:Prentice-Hall,1999.
[5]SJ?BERG J,ZHANG Q,LJUNG L,et al.Nonlinear black-box modeling in system identification:a unified overview[J].Automatica,1995,31(95):1691-1724.
[6]BOHLIN T.A case study of grey box identification[J].Automatica,1994,30(94):307-318.
[7]CHEN S L,JEN Y W.Data fusion neural network for tool condition monitoring in CNC milling machining[J].International Journal of Machine Tools & Manufacture,2000,40(3):381-400.
[8]UROS Z,FRANC C,EDI K.Adaptive network based inference system for estimation of flank wear in end-milling[J].Journal of Materials Processing Technology,2009,209(3):1504-1511.
[9]GILLSS,SINGHR,SINGHJ,etal.Adaptiveneuro-fuzzyinferencesystemmodelingofcryogenicallytreatedAISIM2HSSturningtoolforestimationofflankwear[J].ExpertSystemswithApplications,2012,39(4):4171-4180.
[10]RIZALM,GHANIJA,NUAWIMZ,etal.Onlinetoolwearpredictionsystemintheturningprocessusinganadaptiveneuro-fuzzyinferencesystem[J].AppliedSoftComputing,2013,13(4):1960-1968.
[11]AGOGINOA,GOEBELK.MillDataSet[EB/OL].BESTlab,UCBerkeley,NASAAmesPrognosticsDataRepository,http://ti.arc.nasa.gov/project/prognostic-data-repository,NASAAmes,MoffettField,CA,2007.
[12]李斌,劉紅奇,毛新勇,等.一種數(shù)控機(jī)床銑削加工刀具破損監(jiān)測(cè)方法[P].中國(guó)專利:CN103324139A,2013-09-25.
[13]柯曉龍,黃海濱,劉建春. 基于精密磨削的振動(dòng)監(jiān)測(cè)技術(shù)研究與應(yīng)用[J].重慶理工大學(xué)學(xué)報(bào)(自然科學(xué)),2013(12):77-81.
(責(zé)任編輯唐定國(guó))
ResearchonMethodofToolWearMonitoringBasedonANFIS
ZHUYong-meng,WUJun,WUChao-yong,SUYong-heng
(SchoolofNavalArchitectureandOceanEngineering,HuazhongUniversityofScienceandTechnology,Wuhan430074,China)
Inordertomonitorthetoolwearofamillingmachineaccurately,thesignalsoftableandspindlevibration,thesignalsofspindleACandDCcurrent,andthesignalsoftableandspindleacousticemissionwerecollectedtoestablishamodelofthetoolwearprocessvariationsbasingonANFIS.Atlast,theestablishedmodelwillbeusedtomonitorthemillingmachinetoolwearwithoutthemachinestoprunning.Accordingtotheoutputofthemodel,theaveragemonitoringaccuracyis95.21%,andthehighestmonitoringaccuracyisupto99.74%,whichmeansthemethodofthepaperproposedhasahighfeasibility.
millingmachine;toolwearmonitoring;ANFIS
2016-05-13;
2016-05-28
國(guó)家自然科學(xué)基金面上項(xiàng)目(51475189);中央高校基本科研業(yè)務(wù)費(fèi)專項(xiàng)資金資助(2016YXMS050)
朱永猛(1990—),男,碩士,主要從事裝備故障檢測(cè)與剩余壽命研究。
10.11809/scbgxb2016.09.027
format:ZHUYong-meng,WUJun,WUChao-yong,etal.ResearchonMethodofToolWearMonitoringBasedonANFIS[J].JournalofOrdnanceEquipmentEngineering,2016(9):115-118.
TG501
A
2096-2304(2016)09-0115-05
本文引用格式:朱永猛,吳軍,吳超勇,等.基于自適應(yīng)神經(jīng)模糊推理系統(tǒng)的刀具磨損監(jiān)測(cè)[J].兵器裝備工程學(xué)報(bào),2016(9):115-118.