徐曉亮，魏　東，汪駿飛，王永泉，陳花玲

(西安交通大學(xué) 機(jī)械工程學(xué)院，陜西 西安　710049)

0　引　言

隨著制造業(yè)信息化的升級換代，過去憑經(jīng)驗(yàn)的刀具健康狀態(tài)評估已經(jīng)不適合大規(guī)模大批量自動化的生產(chǎn)過程，必須依靠計(jì)算機(jī)技術(shù)和傳感器技術(shù)的結(jié)合，開發(fā)出智能化的刀具磨破損監(jiān)測系統(tǒng)，將刀具的磨損量實(shí)時輸出到數(shù)控系統(tǒng)中，進(jìn)行誤差補(bǔ)償，保證加工精度時刻在允許范圍之內(nèi)；通過對刀具破損進(jìn)行及時警報(bào)，及時更換破損刀具，避免傷害工件表面質(zhì)量[1]。顯然，只有這樣才能夠有效滿足高效率、高精度的自動化生產(chǎn)的需求。

通過理論與實(shí)驗(yàn)研究相結(jié)合的方法，研究銑刀在金屬切削過程中的切削力、工件的振動與銑刀的聲發(fā)射(AE)信號的信號特征，提取出信號在不同的磨損和破損狀態(tài)中的特征值。通過對特征值的計(jì)算與篩選，得到最優(yōu)的特征向量。通過特征向量數(shù)據(jù)對刀具磨破損狀態(tài)進(jìn)行建模，從而得到刀具的磨破損模型，可利用該模型為參考對刀具加工狀態(tài)進(jìn)行實(shí)際監(jiān)測。

1　銑刀的磨破損形式

1.1　研究對象選擇

采用的銑刀是三刃整體式高速鋼立銑刀，它具有三個切削刃，并且三個切削刃集中在一個刀柱上，是一次性整體制造而成。該刀具外觀如圖1所示，其中，D1=D2=10 mm，L1=72 mm，L2=22 mm。

圖1　三刃高速鋼立銑刀外觀圖

一般的銑削刀具材料有高速鋼、硬質(zhì)合金和陶瓷等，其中高速鋼在銑刀材料中耐磨程度最差，硬質(zhì)合金次之，而陶瓷的耐磨程度最好。為了達(dá)到快速完成銑刀的全壽命監(jiān)測的目的，實(shí)驗(yàn)研究中選用了高速鋼材料刀具。由于它具有成本低廉，應(yīng)用程度最廣泛等特點(diǎn)，因此具有較好的代表性。

1.2　銑刀的磨損形式

銑刀的磨損是由于刀具在切削過程中與工件的加工表面、切屑等撞擊、摩擦產(chǎn)生。它的形式包括前刀面磨損，后刀面磨損，邊界磨損、刀尖磨損等。對于實(shí)驗(yàn)中用的銑刀而言，典型的磨損狀態(tài)如圖2所示。

圖2　銑刀的磨損形式示意圖

實(shí)驗(yàn)中銑刀的磨損形式主要包括有：刀尖磨損、新刀的主切削刃磨損、后刀面磨損。

邊界磨損、前刀面磨損以及副后刀面磨損均不是不是重要磨損區(qū)域。

一般來說，對于磨損量VB的測定，是以主后面磨損帶長度的1/2處的寬度為作為刀具磨損量。對于文中采用的整體式三刃立銑刀，磨損量的計(jì)算按照每個刃后面的1/2寬度VB的平均值折算。

1.3　銑刀的破損形式

銑刀的破損主要是加工過程中由于切削力過大，切削過程中摩擦加劇，導(dǎo)致刀具溫度升高，使刀刃變脆，從而使銑刀崩刃。銑刀的崩刃主要發(fā)生在刀尖處，崩刃以后銑刀切削力明顯增大，如果繼續(xù)加工，容易導(dǎo)致銑刀崩斷。銑刀崩斷后，加工終止，無法進(jìn)行，會給生產(chǎn)造成很大的停滯和麻煩。因此預(yù)防銑刀的破損在加工過程中是非常重要的。銑刀的破損形態(tài)如圖3所示。

圖3　銑刀的破損形式示意圖

刀具的破損量不折算，所有破損形式都?xì)w為刀具的破損一類。

2　銑刀磨破損監(jiān)測平臺實(shí)驗(yàn)系統(tǒng)的構(gòu)建

在刀具的磨破損狀態(tài)監(jiān)測中，機(jī)床在加工中的切削力信號、加速度信號、聲發(fā)射信號和主軸電機(jī)電流與功率信號是最常用的監(jiān)測信號[2]，采用振動加速度傳感器、聲發(fā)射傳感器以及切削力傳感器三種傳感器對刀具的磨破損進(jìn)行研究。文中構(gòu)建的銑刀磨破損監(jiān)測的實(shí)驗(yàn)系統(tǒng)主要由數(shù)控銑床、傳感器、傳感器的調(diào)理電路、信號采集卡和計(jì)算機(jī)組成。其構(gòu)成如圖4所示。

圖4　銑刀磨破損實(shí)驗(yàn)加工平臺

在銑床工作臺上通過螺栓固定測力儀，測力儀上固定工件。聲發(fā)射傳感器安放在工件中間位置，距離切削中心不遠(yuǎn)，使得加工過程中刀具產(chǎn)生的能量波盡可能少衰減地進(jìn)入聲發(fā)射傳感器。加速度傳感器布置在工件左側(cè)，通過強(qiáng)力磁座與工件相連。刀具在加工過程中會引起工件振動，振動通過工件傳遞到加速度傳感器上，從而被加速度傳感器采集。

3　信號采集與特征提取

3.1　信號采集

刀具在加工過程中經(jīng)歷了新刀、輕微磨損、中度磨損、重度磨損、磨損報(bào)廢和偶有發(fā)生的破損階段。將每個階段的信號進(jìn)行采集，分別觀察每個階段信號的特點(diǎn)。實(shí)驗(yàn)采集到了刀具從新刀到磨損報(bào)廢和破損共520個樣本，下面僅給出刀具每種磨破狀態(tài)的1個樣本信號曲線圖，如圖5～7所示從上到下顯示的是其中一把刀具隨著加工的進(jìn)行，從新刀、輕微磨損、中度磨損、重度磨損到磨損報(bào)廢和刀具破損時的加速度信號的變化。圖5～7中從左到右依次是加速度x、y、z三個方向的信號。

圖5　加速度信號隨著刀具磨破損的變化

圖6　切削力信號隨著刀具磨破損狀態(tài)的變化

圖7　聲發(fā)射信號隨著刀具磨破損狀態(tài)的變化

3.2　信號的特征提取

對信號進(jìn)行采集后，并不能直接建立信號和刀具磨損量之間的關(guān)系。信號本身含有大量的信息，只有對信號中包含的信息進(jìn)行提取處理，提取出和刀具磨損量有關(guān)的特征值，進(jìn)行評估與篩選，才能夠建立刀具磨損狀態(tài)的模型。

原始信號采集進(jìn)計(jì)算機(jī)后，對原始信號進(jìn)行3層小波包分解，得到各子頻帶的小波包分解系數(shù)，然后對每個子頻帶進(jìn)行重構(gòu)，生成每個子頻帶的重構(gòu)信號，分別提取原始信號和各子頻帶的10個特征指標(biāo)(均值、均方根值、均方差、峰值、偏斜度、峭度、裕度因子、峰值因子、整流平均值、方根幅值)。這樣就得到了原始信號和經(jīng)過分解后的信號的特征值。經(jīng)過對特征值的歸一化，將這些特征值組成一個向量，就得到了銑刀的加工信號的特征向量。信號特征提取的流程如圖8所示。

圖8　原始信號特征提取流程

提取出的信號各個特征值對刀具磨損程度的敏感性并不是相同的，必須對特征值對刀具磨損程度的敏感性進(jìn)行評估[3]。特征分類能力評估是基于將特征值的類間距離比特征值的類內(nèi)距離，比值越大越代表這種特征值的分類能力越敏感。按照該方法將信號提取出的n個特征值評估后按照評估因子α的大小依次排列，依次取前i(i=1,2,…,n)個特征，組成包含前i個特征的特征向量Ei=[e1,e2,…,ei](i=1,2,…,n)，就得到了共n類特征向量[4]。分別將這n個類別的特征向量E1,E2,…,En輸入支持向量機(jī)中進(jìn)行訓(xùn)練，就得到了基于n個不同類別的特征向量所訓(xùn)練成的刀具磨損模型。

4　基于粒子群算法優(yōu)化的支持向量回歸機(jī)用于刀具磨損量建模

將在信號中提取到的所有特征指標(biāo)按照評估因子的大小排列：e1,e2,…,en，組成一個n維特征向量E=[e1,e2,…,en]，每次提取該特征向量的前i維特征組成新的特征向量Ei=[e1,e2,…,ei]其中i=1,2,…,n。將特征向量Ei輸入到粒子群算法中進(jìn)行優(yōu)化，得到在該維度的特征向量下支持向量回歸機(jī)中的最佳學(xué)習(xí)參數(shù)c和g，然后再利用支持向量回歸機(jī)計(jì)算預(yù)測磨損量和實(shí)際磨損量之間的誤差的均方根值，最后輸出每個維度i對應(yīng)的均方誤差[5-6]。算法流程圖如圖9所示。

圖9　　　　基于粒子群算法優(yōu)化的支持向量回歸機(jī)用于刀具磨損量建模

經(jīng)過上述算法的計(jì)算，就得到了刀具磨損量預(yù)測的均方誤差和特征向量的維度i之間的關(guān)系。當(dāng)均方誤差值最小時，此時的特征向量的維度就是訓(xùn)練刀具磨損量模型的最佳維度ibest[7]。

實(shí)驗(yàn)在加工過程中，每進(jìn)行相等時間內(nèi)的切削，卸刀并采集一次銑刀的磨損量。然后再重新對刀，進(jìn)行下一段切削過程。銑刀在加工過程中采集到的磨損量的變化如圖10所示。

圖10　銑刀磨損量隨加工進(jìn)行的變化

將信號中提取出的特征按照前面算法進(jìn)行評估，得到540個特征值，按照評估因子從小到大排列e1,e2,…,e540，分別選取i=1,2,…,540，計(jì)算支持向量回歸機(jī)在訓(xùn)練每一個維度的特征向量時的最佳適應(yīng)度值，即均方誤差(Mean Square Error, MSE)的最優(yōu)值，最后可以得到每個維度的特征向量對應(yīng)的均方誤差的最優(yōu)值[8]，如圖11所示。

圖11中均方誤差最小值出現(xiàn)在特征向量的維度i=72時，為2.197×10-5。從圖中可以看出，當(dāng)特征向量的維度從1開始增加時，銑刀磨損量預(yù)測的均方誤差值迅速下降，最終在72時達(dá)到最小值；而此后維度繼續(xù)上升，磨損量的均方誤差值逐漸增大。

圖11　每個維度的特征向量的均方誤差的最優(yōu)值

開始時，銑刀磨損量預(yù)測值的均方誤差隨著特征指標(biāo)的增大，有用信息的量逐漸增大，預(yù)測精度逐漸增加；但信息量增加到一定程度后，冗余信息和噪聲就逐漸增加，從而干擾到銑刀磨損量的預(yù)測精度。

當(dāng)特征向量的維度i=72時，粒子群算法的最佳適應(yīng)度隨粒子群的進(jìn)化代數(shù)的變化如圖12所示。

圖12　粒子群的最佳適應(yīng)度隨進(jìn)化代數(shù)的變化

可見，隨著進(jìn)化代數(shù)的增加，粒子群的最佳適應(yīng)度逐漸下降，當(dāng)?shù)?0代以后，粒子群的最佳適應(yīng)度達(dá)到一個穩(wěn)定的極小值。

隨機(jī)選取108個測試樣本來測試銑刀磨損量預(yù)測模型的準(zhǔn)確率。預(yù)測結(jié)果如圖13所示。

圖13　108個測試樣本預(yù)測銑刀的磨損量

5　結(jié)　論

通過搭建銑刀磨破損監(jiān)測信號采集實(shí)驗(yàn)系統(tǒng)，對信號特征的提取評估，把粒子群算法和支持向量回歸機(jī)緊密結(jié)合在一起。利用粒子群算法的尋優(yōu)能力，得到了支持向量回歸機(jī)的最優(yōu)學(xué)習(xí)參數(shù)，通過循環(huán)迭代，得到特征向量的最佳維度，從而建立了較精確的銑刀磨損量預(yù)測模型。利用隨機(jī)選取的真實(shí)測試樣本經(jīng)過預(yù)測，驗(yàn)證了基于粒子群算法優(yōu)化的支持向量回歸機(jī)的可靠性，預(yù)測結(jié)果和實(shí)際值之間誤差在較小的范圍之內(nèi)。以該預(yù)測模型為參考對刀具加工狀態(tài)可以進(jìn)行實(shí)際監(jiān)測，為刀具磨損在線實(shí)時補(bǔ)償?shù)於肆己玫幕A(chǔ)。