王順欽, 高延峰, 陶鏞光

(南昌航空大學(xué) 航空制造工程學(xué)院, 江西 南昌 330063)

表面粗糙度是指加工表面所具有的較小間距和微小峰谷不平度微觀幾何形狀的尺寸特性，它是由于切削過(guò)程中刀具與工件表面之間的摩擦、刀痕以及切削時(shí)的高頻振動(dòng)等原因所形成的.在機(jī)械加工領(lǐng)域，工件的表面粗糙度有著重要的意義，它影響零件配合的穩(wěn)定性、耐磨性和抗腐蝕性.由于加工環(huán)境、切屑、冷卻液等因素的交互影響，切削表面粗糙度很難控制.

目前測(cè)量加工表面粗糙度的方式是分不同時(shí)間階段將機(jī)床停機(jī)，將工件離線，利用粗糙度儀對(duì)表面粗糙度進(jìn)行測(cè)量，這種方法稱為離線測(cè)量.保證粗糙度的方法是憑借經(jīng)驗(yàn)設(shè)定切削參數(shù)，而設(shè)定的參數(shù)往往比較保守,導(dǎo)致加工效率比較低.由于每次測(cè)量都要重新安裝工件導(dǎo)致誤差，保守的參數(shù)依然難以保證加工質(zhì)量，常常導(dǎo)致廢品出現(xiàn).因此,研究一種能在線監(jiān)測(cè)工件表面粗糙度結(jié)果的模型,不僅可以保證加工質(zhì)量，還能簡(jiǎn)化加工工序，縮短勞動(dòng)時(shí)間，對(duì)提高加工過(guò)程的自動(dòng)化、智能化水平有著重要的意義.

1 影響因素分析

影響已加工表面粗糙度的因素很多，根據(jù)這些因素的性質(zhì)，將它們分為兩種：確定因素和不確定因素.確定因素是指加工過(guò)程中可以人為地確定和控制的因素，包括切削速度、進(jìn)給量、背吃刀量、刀具角度、刀具材料、工件材料等；不確定因素包括積屑瘤、鱗刺、振動(dòng)、刀具刃磨質(zhì)量、工件材料組織缺陷以及切削液使用情況等，這些因素在加工過(guò)程中很不穩(wěn)定，而且大多無(wú)法利用設(shè)備進(jìn)行在線測(cè)量，也無(wú)法直接確定它和表面粗糙度的關(guān)系，因此把他們稱為不確定因素.同時(shí)確定因素和不確定因素之間又有著密切的聯(lián)系.例如，在低、中切削速度的情況下，易產(chǎn)生積屑瘤及鱗刺，表面粗糙度較大，隨著切削速度的提高，積屑瘤和鱗刺減少甚至消失，工件材料的塑性變形也減小，因而表面粗糙度有降低的趨勢(shì)[1].

隨著對(duì)表面粗糙度研究的深入，研究者們總結(jié)出了若干種理想狀態(tài)下的表面粗糙度和切削三要素之間的關(guān)系公式，應(yīng)用最廣泛的公式如下：

(1)

式中：v為切削速度；f為進(jìn)給量；ap為背吃刀量；x、y、z、k為修正系數(shù).

這種理論公式只能一定程度地說(shuō)明理論粗糙度和切削速度、進(jìn)給量、背吃刀量的關(guān)系，在實(shí)際生產(chǎn)中,受到機(jī)床的顫振、刀具狀態(tài)的變化、工件的塑性變形、切屑粘接等多種情況的影響，使得在某些情況下表面粗糙度的實(shí)際結(jié)果和理論結(jié)果相差較大(如圖1所示).因此，要想精確預(yù)測(cè)粗糙度必須考慮更多的影響因素.

圖1 加工表面輪廓對(duì)比圖

2 實(shí)現(xiàn)方案研究

對(duì)表面粗糙度的在線監(jiān)測(cè)有兩種不同的方法，即直接法和間接法.直接法利用激光和超聲波等信號(hào)，通過(guò)傳感器直接反應(yīng)表面粗糙度的狀況.文獻(xiàn)[2]和文獻(xiàn)[3]提供了一種直接測(cè)量方法，作者根據(jù)電磁波散射理論和Fourier技術(shù)，使用陣列采集光信號(hào)，通過(guò)軟件統(tǒng)計(jì)虛擬的環(huán)光能量，從而得到粗糙度的大小.利用該方法測(cè)得的精度達(dá)到0.1μm,并能在線測(cè)量.但是這種方法極易受到加工環(huán)境和冷卻液的影響,而目前的加工冷卻液使用非常廣泛,該設(shè)備受到很多限制，并且設(shè)備昂貴，另外，由于振動(dòng)和切屑的影響,測(cè)量準(zhǔn)確度也不夠高,難以在加工過(guò)程中應(yīng)用.

間接監(jiān)測(cè)的基本思想是：利用一些與加工狀態(tài)相關(guān)的傳感器對(duì)加工信息進(jìn)行采集，通過(guò)對(duì)信息的一系列處理，得出這些間接信號(hào)和加工狀態(tài)的關(guān)系,以此為根據(jù)推斷加工的基本狀態(tài).利用間接方法對(duì)加工過(guò)程進(jìn)行監(jiān)測(cè),適應(yīng)能力更強(qiáng)，更經(jīng)濟(jì)也更容易實(shí)現(xiàn).

根據(jù)文獻(xiàn)可知，開(kāi)發(fā)一個(gè)表面粗糙度在線監(jiān)測(cè)系統(tǒng)有六個(gè)關(guān)鍵步驟，如圖2所示.

圖2 加工在線監(jiān)測(cè)系統(tǒng)關(guān)鍵步驟

①傳感器選擇：對(duì)采集系統(tǒng)選擇適當(dāng)?shù)膫鞲衅鳎?duì)傳感器進(jìn)行安裝，建立信號(hào)源.

②信號(hào)處理：包括信號(hào)放大和濾波兩部分.微弱的傳感器信號(hào)需要放大，這樣更易于識(shí)別，放大之后進(jìn)行濾波，將干擾信號(hào)去除.

③特征生成與提?。簭臅r(shí)域、頻域和小波域?qū)鞲衅餍盘?hào)的顯著特征提取出來(lái)，用于建立模型的有效數(shù)據(jù).

④設(shè)計(jì)實(shí)驗(yàn)：根據(jù)不同切削參數(shù)，進(jìn)行正交試驗(yàn)，獲取完整數(shù)據(jù)，為建立和訓(xùn)練模型做準(zhǔn)備.

⑤建立模型：根據(jù)實(shí)驗(yàn)樣本的數(shù)量、輸入和輸出的關(guān)系和所需結(jié)果的精度建立可靠模型，實(shí)現(xiàn)系統(tǒng)的監(jiān)測(cè).

⑥準(zhǔn)確度檢驗(yàn)：組建的模型需要利用新的實(shí)驗(yàn)數(shù)據(jù)進(jìn)行準(zhǔn)確度檢驗(yàn)，適當(dāng)調(diào)整模型，以滿足準(zhǔn)確度的要求.

從目前大多數(shù)文獻(xiàn)來(lái)看，以上六個(gè)步驟中，使用分歧比較大的是傳感器的選擇，而對(duì)結(jié)果影響比較大的是建模方法.因此，本文將結(jié)合相關(guān)文獻(xiàn)對(duì)這兩個(gè)方面進(jìn)行詳細(xì)論述.

2.1 傳感器的選擇

間接監(jiān)測(cè)方法中，使用傳感器所采集的信息包括:切削力、振動(dòng)、溫度、電流消耗等，測(cè)功機(jī)、加速度計(jì)、聲發(fā)射傳感器、電流傳感器和熱敏電阻等也被廣泛應(yīng)用于監(jiān)測(cè)系統(tǒng).圖3由文獻(xiàn)[4]改變而來(lái)，該圖對(duì)加工監(jiān)測(cè)系統(tǒng)中使用這些傳感器的相對(duì)頻率進(jìn)行了分析.

圖3加工監(jiān)控系統(tǒng)中傳感器的使用頻率

從目前可用于評(píng)估金屬切削表面質(zhì)量的信息來(lái)看，切削力被認(rèn)為是描述切削過(guò)程變量的最好參數(shù)，是監(jiān)測(cè)系統(tǒng)中常用的診斷和預(yù)測(cè)工具，并且精度相對(duì)較高，刀具磨損也可以很容易地被發(fā)現(xiàn)[5].因?yàn)榈毒吣p使得摩擦力大大增加，當(dāng)切割工具的邊緣磨損之后，其切削能力降低，因此切削力也可以與切屑形成狀態(tài)和表面粗糙度等聯(lián)系起來(lái).文西芹等[6]利用切削力對(duì)加工中刀具狀態(tài)和表面粗糙度進(jìn)行了監(jiān)測(cè)，準(zhǔn)確率控制在了80%以上.

在切削過(guò)程中，材料的變形會(huì)產(chǎn)生微弱的應(yīng)力波聲信號(hào)，我們稱之為聲發(fā)射.大多數(shù)材料變形和斷裂時(shí)有聲發(fā)射發(fā)生，但許多材料的聲發(fā)射信號(hào)強(qiáng)度很弱，需要借助靈敏的電子儀器才能檢測(cè)出來(lái).研究發(fā)現(xiàn)聲發(fā)射信號(hào)的有效值和其快速傅里葉變換峰值與工件表面粗糙度有很好的對(duì)應(yīng)關(guān)系.聲發(fā)射信號(hào)及其特征信息能夠反映表面粗糙度的大小和刀具磨損狀態(tài)，并隨它們的變化而變化.切削加工中有用的聲發(fā)射信號(hào)一般都在30kHz以上，避開(kāi)了加工中的振動(dòng)及其他噪聲干擾，并且在一定的頻帶范圍內(nèi)有較高的靈敏度，受切削條件影響較小，適合于工件表面粗糙度的在線智能監(jiān)測(cè)和預(yù)報(bào).李波等[7]利用聲發(fā)射信號(hào)建立表面粗糙度在線監(jiān)測(cè)系統(tǒng)，準(zhǔn)確率控制在了77%以上，基本實(shí)現(xiàn)了在線監(jiān)測(cè).

機(jī)床和刀具的振動(dòng)也直接影響著表面粗糙度的結(jié)果.監(jiān)測(cè)振動(dòng)通常使用加速度計(jì)和振動(dòng)傳感器.Dimla D E[8]認(rèn)為強(qiáng)烈的振動(dòng)信號(hào)，不一定是確定表面粗糙度的最有用的信號(hào).切削速度方向收到振動(dòng)信號(hào)雖然較少，但它對(duì)表面粗糙度的反映最顯著.

測(cè)功機(jī)也可以用于測(cè)量振動(dòng)，但效果不夠明顯.過(guò)程監(jiān)測(cè)使用的其他傳感器還有溫度傳感器、光學(xué)傳感器、超聲波傳感器.由于準(zhǔn)確的切削溫度監(jiān)測(cè)相當(dāng)復(fù)雜，光學(xué)測(cè)量會(huì)受到加工環(huán)境的影響,因此使用不多.超聲波傳感器有不錯(cuò)的前景，但目前應(yīng)用在表面輪廓測(cè)量還比較少見(jiàn).

通過(guò)以上論述，可以確定切削力、聲發(fā)射、振動(dòng)信號(hào)是反映表面粗糙度的較為有效的信息.將這些傳感器進(jìn)行融合，可以作為表面粗糙度在線監(jiān)測(cè)系統(tǒng)的可靠信號(hào)源.

2.2 建模方法分析

早在1982年，Hopfield J[9]就提出了可行的加工過(guò)程監(jiān)測(cè)方法，將切削過(guò)程中的一些物理量作為輸入，以人工智能建立模型進(jìn)行加工過(guò)程在線監(jiān)測(cè).監(jiān)測(cè)系統(tǒng)需要可靠的人工智能模型來(lái)學(xué)習(xí)過(guò)程變量和加工性能之間復(fù)雜的非線性關(guān)系.模型的選擇主要取決于實(shí)驗(yàn)樣本的數(shù)量、過(guò)程中變量的性質(zhì)、所需模型的精度和以往的經(jīng)驗(yàn).用于監(jiān)測(cè)系統(tǒng)建模的人工智能技術(shù)主要是人工神經(jīng)網(wǎng)絡(luò)、模糊控制和這些技術(shù)的融合，其他的人工智能方法使用較少，但近幾年也得到了發(fā)展.圖4由文獻(xiàn)[10]改進(jìn)而來(lái),顯示了近幾年來(lái)不同人工智能的方法在加工監(jiān)測(cè)系統(tǒng)應(yīng)用的比例.

圖4 人工智能的方法應(yīng)用于加工監(jiān)測(cè)系統(tǒng)比例

從圖4可以看出，人工神經(jīng)網(wǎng)絡(luò)在模擬和監(jiān)測(cè)系統(tǒng)中占據(jù)了將近60%.相對(duì)于傳統(tǒng)的數(shù)據(jù)處理方法,人工神經(jīng)網(wǎng)絡(luò)更適合處理模糊的、非線性、含有噪音及模式特征不明確的問(wèn)題.切削加工表面粗糙度受多種因素影響,而這種影響是非線性的、模糊的,適合用人工神經(jīng)網(wǎng)絡(luò)方法來(lái)解決.

從收集到的文獻(xiàn)來(lái)看，在人工神經(jīng)網(wǎng)絡(luò)算法方面使用最多的是BP神經(jīng)網(wǎng)絡(luò)(誤差反向傳播神經(jīng)網(wǎng)絡(luò)).這種算法理論方面相對(duì)成熟，使用簡(jiǎn)單，建模預(yù)測(cè)的準(zhǔn)確度可以接受.盡管多種文獻(xiàn)利用BP神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)了表面粗糙度的在線監(jiān)測(cè)，但誤差在10%以內(nèi)的比較少見(jiàn).郭力等人在文獻(xiàn)[7]和文獻(xiàn)[10]中利用BP神經(jīng)網(wǎng)絡(luò)對(duì)表面粗糙度進(jìn)行監(jiān)測(cè)，誤差控制在了23%和16%以內(nèi)，胡仲翔[11]利用單純的神經(jīng)網(wǎng)絡(luò)進(jìn)行磨削表面粗糙度在線監(jiān)測(cè)，誤差只能控制在18.4%以內(nèi)，而同樣的實(shí)驗(yàn)利用改進(jìn)的神經(jīng)網(wǎng)絡(luò)算法建模，監(jiān)測(cè)誤差小于9%.

Liang S Y等人[12]指出BP算法存在收斂速度慢、容易陷入局部極小以及全局搜索能力弱等問(wèn)題,容易導(dǎo)致模型輸出誤差較大.張永宏等[13]利用遺傳算法神經(jīng)網(wǎng)絡(luò)對(duì)曲面磨削表面粗糙度進(jìn)行監(jiān)測(cè)，誤差控制在了5%以內(nèi).該算法主要按照傳統(tǒng)BP學(xué)習(xí)算法的過(guò)程進(jìn)行學(xué)習(xí),當(dāng)學(xué)習(xí)過(guò)程處于局部極小時(shí),就開(kāi)始使用遺傳算法產(chǎn)生新的子代,從這些新的子代和他們的父代中選擇一個(gè)具有最優(yōu)適合度的染色體作為新的起點(diǎn),經(jīng)過(guò)交叉、變異得出新的權(quán)值,實(shí)現(xiàn)搜索全局最優(yōu)解.最近，陳杰來(lái)等[14]利用遺傳的神經(jīng)網(wǎng)絡(luò)對(duì)鋁合金表面粗糙度在線預(yù)測(cè)，利用種群搜索方式對(duì)網(wǎng)絡(luò)的權(quán)重和閾值進(jìn)行了最優(yōu)配置，來(lái)尋找容易獲得全局最優(yōu)的網(wǎng)絡(luò)參數(shù)，這樣就克服了BP神經(jīng)網(wǎng)絡(luò)過(guò)于依賴梯度信息的缺點(diǎn).最后的試驗(yàn)結(jié)果表明，監(jiān)測(cè)誤差小于4%.

針對(duì)神經(jīng)網(wǎng)絡(luò)存在的過(guò)學(xué)習(xí)和欠學(xué)習(xí)的缺點(diǎn)，黃吉東等人[15]將支持向量機(jī)引入磨削加工領(lǐng)域,在分析目前常用預(yù)測(cè)方法的基礎(chǔ)上，建立了基于最小二乘支持向量機(jī)的外圓縱向磨削表面粗糙度的預(yù)測(cè)模型.該模型采用等式約束，把原來(lái)的求解一個(gè)二次規(guī)劃問(wèn)題轉(zhuǎn)化成求解一個(gè)線性方程組，該方法響應(yīng)時(shí)間短，測(cè)量精度高，誤差僅為常規(guī)BP神經(jīng)網(wǎng)絡(luò)模型的1/4，明顯提高了監(jiān)測(cè)準(zhǔn)確率.作者將生成的預(yù)測(cè)值與工藝要求獲得的粗糙度值進(jìn)行對(duì)比，利用差值引導(dǎo)外圓縱向磨削專家系統(tǒng)修正磨削加工參數(shù)，實(shí)時(shí)形成反饋，形成閉環(huán)控制，組成智能磨削系統(tǒng)，獲得了較好的表面加工效果.但單純的支持向量機(jī)存在抗干擾能力較差,對(duì)訓(xùn)練數(shù)據(jù)要求較高等缺點(diǎn).張釗等人[16]將模糊規(guī)則與支持向量機(jī)相結(jié)合，提出了一種基于二叉樹(shù)的模糊支持向量機(jī)多分類算法.該算法是在基于二叉樹(shù)的支持向量機(jī)多分類算法的基礎(chǔ)上引入模糊隸屬度函數(shù)，根據(jù)每個(gè)樣本數(shù)據(jù)對(duì)分類結(jié)果的不同影響，通過(guò)基于KNN的模糊隸屬度的度量方法計(jì)算出相應(yīng)的值，由此得到不同的懲罰值，這樣在構(gòu)造分類超平面時(shí)，就可以忽略對(duì)分類結(jié)果不重要的數(shù)據(jù).這種模糊支持向量機(jī)可以忽略非重要樣本或噪聲對(duì)支持向量機(jī)學(xué)習(xí)的影響，從而提高算法抵抗噪聲的能力，解決了支持向量機(jī)算法存在的不足.這種算法還未在表面粗糙度建模中應(yīng)用，相信利用這種算法進(jìn)行表面粗糙度在線監(jiān)測(cè)一定會(huì)取得比較好的效果.

3 結(jié)束語(yǔ)

通過(guò)對(duì)上述文獻(xiàn)關(guān)于間接方法對(duì)表面粗糙度在線監(jiān)測(cè)方面的綜述,可以得出結(jié)論:通過(guò)人工智能算法對(duì)切削表面粗糙度在線監(jiān)測(cè)是現(xiàn)實(shí)可行的.從文獻(xiàn)中系統(tǒng)的設(shè)計(jì)步驟來(lái)看，以切削中的物理量作為網(wǎng)絡(luò)輸入，表面粗糙度作為輸出最為常用.

本文參考近幾年文獻(xiàn)中的誤差范圍，對(duì)步驟中目前存在差異和結(jié)果影響最大的傳感器選擇和建模方法進(jìn)行了綜述.在傳感器選擇方面對(duì)目前常用的傳感器進(jìn)行了分析，得出切削力、聲發(fā)射、振動(dòng)是實(shí)現(xiàn)表面粗糙度監(jiān)測(cè)的理想信號(hào)，結(jié)合切削要素作為模型的輸入非常合理的結(jié)論；在模型算法方面，分析了目前最為普遍的BP神經(jīng)網(wǎng)絡(luò)的優(yōu)缺點(diǎn)，指出了單純神經(jīng)網(wǎng)絡(luò)算法的收斂速度慢、容易陷入局部極小以及全局搜索能力弱等問(wèn)題是導(dǎo)致模型輸出誤差較大的原因.利用遺傳算法對(duì)神經(jīng)網(wǎng)絡(luò)中的參數(shù)進(jìn)行優(yōu)化，得到全局最優(yōu)的網(wǎng)絡(luò)參數(shù)，可以優(yōu)化網(wǎng)絡(luò)減小誤差；另一方面利用模糊支持向量機(jī)理論可以減小神經(jīng)網(wǎng)絡(luò)的過(guò)學(xué)習(xí)和欠學(xué)習(xí)對(duì)誤差造成的不良影響，是進(jìn)行表面粗糙度在線監(jiān)測(cè)建模的好方法.從這些文獻(xiàn)來(lái)看，利用改進(jìn)的人工智能算法建模是今后研究的重點(diǎn).這兩種方法會(huì)使開(kāi)發(fā)的表面粗糙度在線監(jiān)測(cè)系統(tǒng)更精確，更有利于指導(dǎo)生產(chǎn).

[1] 何永利,段虹,王仲民.鋁合金高速切削表面粗糙度的實(shí)驗(yàn)研究[J].機(jī)械設(shè)計(jì)與制造,2006(1):117-118.

[2] 孟克,王東紅.表面粗糙度的光學(xué)在線檢測(cè)[J].哈爾濱工程大學(xué)學(xué)報(bào),2003，24(5):560-562.

[3] Ertekin Y M, Kwon Y, Tseng T L. Identification of common sensory features for the control of CNC milling operations under varying cutting conditions[J].Mach. Tools Manuf.,2003,43(9):897-904.

[4] Zhou Y, Orban P, Nikumb S. Sensors for intelligent machining：a research and application survey[C]// IEEE international conference on intelligent systems for the 21st century. Systems, Man and Cybernetics，1995: 1 005-1 010.

[5] Dong J F, Sub K V R,Wong Y S,etal. Bayesian inference-based neural networks for tool wear estimation[J]. Adv. Manuf. Technol., 2006,30(10):797-807.

[6]文西芹,李紀(jì)明,張海濤.基于切削力和神經(jīng)網(wǎng)絡(luò)的銑削刀具狀態(tài)監(jiān)測(cè)研究[J].機(jī)床與液壓,2010,38(5):12-15.

[7]李波,郭力.基于BP神經(jīng)網(wǎng)絡(luò)的表面粗糙度聲發(fā)射預(yù)測(cè)[J].精密制造與自動(dòng)化,2009(1)：10-14.

[8]Dimla D E.The correlation of vibration signal features to cutting tool wear in a metal turning operation[J]. Adv. Manuf. Technol.,2002 ,19(10):705-713.

[9] Hopfield J. Neural networks and physical systems with emergent collective properties[J]. Proc. Natl. Acad. Sci.,1982，79:2 554-2 559.

[10]郭力.基于BP神經(jīng)網(wǎng)絡(luò)的高效深磨工程陶瓷工件表面粗糙度的聲發(fā)射預(yù)測(cè)[J].湖南文理學(xué)院學(xué)報(bào),2008,20(3):62-67.

[11]胡仲翔,滕家緒,錢耀川，等.用聲發(fā)射信號(hào)和改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)磨削表面粗糙度[J].裝甲兵工程學(xué)院學(xué)報(bào),2009,23(6)76-79.

[12] Liang S Y, Hecker R L, Landers R G.Machining process monitoring and control: the state-of-the-art[J]. Manuf. Sci. E-T ASME,2004,126(2):297-301.

[13]張永宏,胡德金,張凱,等.基于進(jìn)化神經(jīng)網(wǎng)絡(luò)的曲面磨削表面粗糙度預(yù)測(cè)[J].上海交通大學(xué)學(xué)報(bào),2005,39(3):373-376.

[14] 陳杰來(lái),孫俊蘭.基于遺傳神經(jīng)網(wǎng)絡(luò)的表面粗糙度預(yù)測(cè)模型[J].制造業(yè)自動(dòng)化,2011,33(12):10-12.

[15]黃吉東,王龍山,李國(guó)發(fā).基于最小二乘支持向量機(jī)的外圓磨削表面粗糙度預(yù)測(cè)系統(tǒng)[J].光學(xué)精密工程，2010,18(11):2 408-2 413.

[16]張釗,費(fèi)一楠,宋麟.基于模糊支持向量機(jī)的多分類算法研究[J].計(jì)算機(jī)應(yīng)用,2008,28(7):1 681-1 683.