朱堅(jiān)民， 戰(zhàn) 漢， 張統(tǒng)超， 王 健

（上海理工大學(xué)機(jī)械工程學(xué)院，上海200093）

基于切削聲發(fā)射信號(hào)測(cè)量的刀具磨損狀態(tài)判別

朱堅(jiān)民， 戰(zhàn) 漢， 張統(tǒng)超， 王 健

（上海理工大學(xué)機(jī)械工程學(xué)院，上海200093）

針對(duì)刀具磨損狀態(tài)判別方法在變化的加工條件下判別正確率低的問(wèn)題，通過(guò)實(shí)時(shí)采集刀具的切削聲發(fā)射信號(hào)，提出了一種自適應(yīng)獲取聲發(fā)射信號(hào)中刀具磨損狀態(tài)特征的方法和基于磨損狀態(tài)特征數(shù)據(jù)序列之間灰色關(guān)聯(lián)分析結(jié)果的刀具磨損狀態(tài)判別方法。以4把WNMG080408-TM T9125型號(hào)車刀在ZCK20數(shù)控車床上進(jìn)行了車刀的切削磨損實(shí)驗(yàn)和磨損狀態(tài)判別，實(shí)驗(yàn)結(jié)果表明：該方法能夠自適應(yīng)獲取車刀的磨損狀態(tài)特征，車刀的磨損狀態(tài)判別結(jié)果與實(shí)際相符，具有較高的判別正確率。

計(jì)量學(xué)；刀具磨損狀態(tài)判別；聲發(fā)射信號(hào)；自適應(yīng)特征獲??；灰色關(guān)聯(lián)分析；小波包變換

1 引 言

刀具磨損狀態(tài)判別作為制造過(guò)程自動(dòng)化技術(shù)的一部分，已日益為人們所重視。一個(gè)工作可靠的刀具磨損狀態(tài)判別系統(tǒng)可以通過(guò)及時(shí)、準(zhǔn)確地反映刀具磨損狀態(tài)信息來(lái)指導(dǎo)機(jī)床完成自動(dòng)換刀，實(shí)現(xiàn)不間斷生產(chǎn)過(guò)程，穩(wěn)定工件的加工質(zhì)量。刀具磨損狀態(tài)監(jiān)測(cè)方法主要分為直接測(cè)量法和間接測(cè)量法。直接測(cè)量法如光學(xué)法、放射線法、電阻法等［1，2］，其測(cè)量精度高，但易受加工環(huán)境的干擾，不便在實(shí)時(shí)加工中進(jìn)行在線測(cè)量。間接測(cè)量法通過(guò)采集并處理與切削過(guò)程相關(guān)的信號(hào)，如切削力信號(hào)、振動(dòng)信號(hào)、聲發(fā)射信號(hào)、電機(jī)功率或電流信號(hào)等［3，4］，間接獲得反映刀具磨損狀態(tài)的信息。其中，由于聲發(fā)射信號(hào)測(cè)量簡(jiǎn)便［5］，且包含了豐富的刀具切削狀態(tài)信息，故采用切削聲發(fā)射信號(hào)間接判別刀具磨損狀態(tài)已得到廣泛的關(guān)注。目前相關(guān)研究主要集中在利用時(shí)域分析、時(shí)序分析、頻域分析以及時(shí)頻域分析等方法對(duì)聲發(fā)射信號(hào)進(jìn)行處理并從中提取反映刀具磨損狀態(tài)的多種特征［6～10］，這些特征雖可從一定程度上反映刀具的磨損狀態(tài)，但由于實(shí)際切削加工條件變化的復(fù)雜性，這些特征難以全面而有效地反映刀具的磨損狀態(tài)變化。在刀具磨損狀態(tài)的判別方法研究方面，主要有傳統(tǒng)的閾值判別法、基于人工智能理論的人工神經(jīng)網(wǎng)絡(luò)判別法、專家系統(tǒng)判別法、模糊邏輯判別法以及支持向量機(jī)判別法等［11～13］，這些判別方法大多需要較多的數(shù)據(jù)樣本，且主要適用于不變的切削加工條件。如何尋找適用于變化的切削加工條件、對(duì)數(shù)據(jù)樣本量的要求少、且判別正確率高的判別方法仍是刀具磨損狀態(tài)在線監(jiān)測(cè)所面臨的主要問(wèn)題。

本文提出了一種自適應(yīng)獲取切削聲發(fā)射信號(hào)中刀具磨損狀態(tài)特征的方法和基于磨損狀態(tài)特征之間灰色關(guān)聯(lián)分析結(jié)果的刀具磨損狀態(tài)判別方法。對(duì)于處于某固定的切削系統(tǒng)和切削條件下的刀具，本文方法注重直接從切削聲發(fā)射信號(hào)中自適應(yīng)地分離和提取與刀具磨損量相關(guān)性高的特征信息，而不需考慮具體的切削系統(tǒng)和切削條件，并通過(guò)分析刀具與初始磨損狀態(tài)特征之間的關(guān)聯(lián)性來(lái)判斷刀具在切削過(guò)程中的磨損程度。

2 基本原理

本文提出的反映車刀磨損狀態(tài)的聲發(fā)射（Acoustic Emission，AE）信號(hào)檢測(cè)原理如圖1所示。AE傳感器直接安裝在車刀刀柄上，以減少聲發(fā)射信號(hào)在接合面之間傳播時(shí)的較大衰減。車刀在切削加工過(guò)程中產(chǎn)生的聲發(fā)射信號(hào)依次經(jīng)過(guò)信號(hào)放大、抗混疊濾波和A／D轉(zhuǎn)換后存儲(chǔ)在計(jì)算機(jī)中，供后續(xù)處理與分析。

圖1 刀具聲發(fā)射信號(hào)檢測(cè)原理

從聲發(fā)射信號(hào)中分別提取時(shí)域特征和時(shí)序特征來(lái)表征刀具的磨損狀態(tài)。其中，時(shí)域特征包括均方根、方差、偏度、峭度、能量、均值、峰值因子和裕度因子8類特征；時(shí)序特征包括自回歸模型AR（z）（z為模型階數(shù)）的z階自回歸系數(shù)和殘差方差。

圖2 刀具磨損狀態(tài)判別的基本原理

在對(duì)切削聲發(fā)射信號(hào)的處理方法上，針對(duì)切削加工條件多變的實(shí)際工況，本文提出的刀具磨損狀態(tài)判別原理如圖2所示。在相同的加工工藝參數(shù)下，設(shè)當(dāng)前刀具所加工的第n個(gè)工件的一段AE信號(hào)為Xn，對(duì)其進(jìn)行4層小波包分解，得到16組小波包系數(shù)（i＝1，2，…，16）。由于小波濾波器所固有的非理想特性，如果直接將該小波包系數(shù)作為刀具磨損的特征信號(hào)處理會(huì)產(chǎn)生頻率混疊。先對(duì)作單節(jié)點(diǎn)重構(gòu)，得到相應(yīng)16個(gè)頻帶的信號(hào)分量對(duì)于每個(gè)信號(hào)分量進(jìn)行第1次時(shí)域特征提取，分別獲得8類時(shí)域特征值（j＝1，2，…，8）為：j＝1，均方根；j＝2，方差；j＝3，偏度；j＝4，峭度；j＝5，能量；j＝6，均值；j＝7，峰值因子；j＝8，裕度因子。將前n個(gè)工件的時(shí)域特征值（k為工件的序號(hào)，k＝1，2，…，n）組成數(shù)列ri，j＝，求出ri，j與刀具磨損量數(shù)列M的相關(guān)系數(shù)ρi，j并組成數(shù)列ρj＝（ρ1，j，ρ2，j，...，ρ16，j），并基于ρj分別構(gòu)建用于后續(xù)時(shí)域分析和時(shí)序分析的“去噪”信號(hào)。由于刀具磨損量不便在線測(cè)量，為簡(jiǎn)單起見，以同一把刀具所加工的工件個(gè)數(shù)間接反映刀具的磨損量，即認(rèn)為同一把刀具所加工的工件數(shù)越多，則磨損量越大，所構(gòu)造的刀具磨損量數(shù)列為M＝（1，2，...，n）。

選取ρj中絕對(duì)值較大的若干元素，從中找出每個(gè)所選取元素對(duì)應(yīng)的小波包系數(shù)（a∈［1， 16］，a為整數(shù)），利用這些小波包系數(shù)進(jìn)行小波包重構(gòu)，得到與上述8類時(shí)域特征對(duì)應(yīng)的“去噪”信號(hào)對(duì)信號(hào)進(jìn)行第2次時(shí)域特征提取，獲得時(shí)域特征數(shù)列并組成時(shí)域分析特征矩陣為：

在選取ρj中絕對(duì)值較大元素的基礎(chǔ)上，考察這些元素對(duì)應(yīng)的頻帶（即小波包分解時(shí)產(chǎn)生的頻帶），對(duì)絕對(duì)值較大元素集中區(qū)域?qū)?yīng)的若干頻帶，認(rèn)為其包含了反映刀具磨損狀態(tài)的關(guān)鍵信息，并以這些頻帶所對(duì)應(yīng)的小波包系數(shù)進(jìn)行小波包重構(gòu)，得到用于時(shí)序分析的“去噪”信號(hào)建立信號(hào)的AR（z）模型，將其模型系數(shù)與殘差方差vk構(gòu)建時(shí)序分析特征矩陣

式中：Tn包含［n×（8＋z＋1）＝n×（9＋z）］個(gè)元素，其中每一列都可以看作為一個(gè)獨(dú)立的特征數(shù)列。為進(jìn)一步聚焦Tn中反映刀具磨損狀態(tài)的主要特征信息，去除干擾和冗余信息，對(duì)Tn進(jìn)行主成分分析（Principal Component Analysis，PCA），融合Tn中不同的特征數(shù)列，聚焦Tn中反映刀具磨損狀態(tài)的“主成分”信息，得到降維后的磨損狀態(tài)特征融合矩陣如式（4）所示。

以當(dāng)前切削聲發(fā)射信號(hào)的特征數(shù)據(jù)序列fk＝作為比較數(shù)據(jù)序列，以該刀具在切削初期所加工的前3個(gè)（n＝1，2，3）工件聲發(fā)射信號(hào)的特征數(shù)據(jù)序列分別作為參考數(shù)據(jù)序列，采用灰色關(guān)聯(lián)度分析法分別求取比較數(shù)據(jù)序列與參考數(shù)據(jù)序列之間的灰色絕對(duì)關(guān)聯(lián)度εn1、εn2和εn3，計(jì)算方法如式（5）所示。

計(jì)算εn1、εn2、εn3的平均值εn，εn反映了刀具當(dāng)前切削磨損狀態(tài)與切削初期狀態(tài)的特征數(shù)據(jù)序列之間的相似程度。以εn作為判斷刀具磨損狀態(tài)的標(biāo)準(zhǔn)：如果εn較大，則刀具當(dāng)前的磨損狀態(tài)與其切削初期相近，即刀具磨損程度??；如果εn較小，則刀具當(dāng)前的磨損狀態(tài)與其切削初期相差較大，即刀具磨損程度較大。當(dāng)εn小于某一確定的閾值ε′時(shí)，則認(rèn)為刀具磨損程度已較嚴(yán)重。

3 實(shí)驗(yàn)研究

3.1 實(shí)驗(yàn)設(shè)計(jì)

實(shí)驗(yàn)中使用數(shù)控車床（型號(hào)：ZCK20）進(jìn)行車削實(shí)驗(yàn)，車刀刀片可換（刀片型號(hào)：WNMG080408-TM T9125）。實(shí)驗(yàn)中所用聲發(fā)射傳感器為Kistler 8152B型聲發(fā)射傳感器，其響應(yīng)頻率范圍為100 kHz～900 kHz。使用NI公司搭載了PXIe-6368板卡的PXIe-1075數(shù)據(jù)采集系統(tǒng)，采樣頻率為2 000 kHz。實(shí)驗(yàn)原理和步驟如圖1、圖2所示。實(shí)驗(yàn)中所加工工件為法蘭類零件，加工工序分7個(gè)工步，對(duì)大批量相同工件進(jìn)行連續(xù)不間斷的加工，圖3為所采集的單個(gè)工件切削聲發(fā)射信號(hào)的波形。本實(shí)驗(yàn)共采集了4把刀片由新刀磨損至不可再用時(shí)的全部切削聲發(fā)射信號(hào)，按圖3中所示取每個(gè)工件的3 s切削聲發(fā)射信號(hào)進(jìn)行分析，對(duì)每把刀片分別采用前述方法判別其磨損狀態(tài)。由于實(shí)驗(yàn)在生產(chǎn)現(xiàn)場(chǎng)進(jìn)行，受實(shí)驗(yàn)條件限制，且為簡(jiǎn)單起見，本次實(shí)驗(yàn)不對(duì)刀片在切削過(guò)程中的實(shí)際磨損量做直接測(cè)量，而是通過(guò)刀片所加工工件的數(shù)量間接反映刀片的磨損過(guò)程，并以對(duì)加工后工件尺寸和表面質(zhì)量的實(shí)際測(cè)量結(jié)果反映刀具的磨鈍狀態(tài)。實(shí)驗(yàn)中所使用的4把刀片均在加工約75～84個(gè)工件后因磨鈍而需要更換。

3.2 實(shí)驗(yàn)結(jié)果分析

圖4所示為n＝80時(shí)，對(duì)1號(hào)、2號(hào)和3號(hào)刀片在第2次時(shí)域特征提取后，其均方根值、峰值因子、偏度和裕度因子4個(gè)特征隨加工工件個(gè)數(shù)的變化曲線。

由圖4及其他特征的提取結(jié)果可知，對(duì)于變化的刀具，這些特征難以穩(wěn)定地表現(xiàn)出整體單調(diào)變化的趨勢(shì)，這說(shuō)明了從不同角度提取出反映刀具磨損狀態(tài)的多種特征信息并進(jìn)行特征融合是必要的。

通過(guò)觀察第2次時(shí)域特征提取的結(jié)果以及建立AR（z）模型的結(jié)果，可知在組合矩陣Tn中，雖然有少量特征數(shù)列不能反映刀具磨損狀態(tài)的變化規(guī)律，但能夠有效反映刀具磨損變化的特征數(shù)列仍占大多數(shù)，本文對(duì)Tn作主成分分析以突出其中的有效特征信息，所得到的中的所有列向量均對(duì)刀具磨損狀態(tài)變化表現(xiàn)出良好的整體單調(diào)變化趨勢(shì)。圖5所示為對(duì)4把刀片分別進(jìn)行灰色關(guān)聯(lián)分析后εn隨加工工件個(gè)數(shù)的變化曲線，該曲線的變化趨勢(shì)反映了各刀片的磨損狀態(tài)變化過(guò)程。

圖3 單個(gè)工件加工中的切削聲發(fā)射信號(hào)波形

圖4 1號(hào)～3號(hào)刀片部分時(shí)域特征的提取結(jié)果

從圖5可以看出：（1）對(duì)于同一把刀片，隨著所加工工件個(gè)數(shù)的增加，其灰色關(guān)聯(lián)分析曲線在整體上呈現(xiàn)單調(diào)下降的變化趨勢(shì)，說(shuō)明每把刀片的磨損程度在逐漸增大；（2）在從第30個(gè)工件到第80個(gè)工件的分析中，每把刀片的灰色關(guān)聯(lián)分析結(jié)果從（0.9，1）（3號(hào)刀片除外）的范圍逐步下降到（0.6，0.7）的范圍內(nèi)。另外，通過(guò)大量的實(shí)驗(yàn)對(duì)比結(jié)果，確定出在實(shí)驗(yàn)切削系統(tǒng)與條件下該型號(hào)刀片換刀的磨損閾值為ε′＝0.63。以上分析說(shuō)明，當(dāng)以每把刀片的已加工工件個(gè)數(shù)間接表征刀具磨損狀態(tài)時(shí)，灰色關(guān)聯(lián)分析結(jié)果與刀具的不同磨損階段有明顯的對(duì)應(yīng)關(guān)系，且對(duì)4把刀片的分析結(jié)果都與對(duì)應(yīng)刀片的磨損情況相一致。

圖5 灰色關(guān)聯(lián)分析結(jié)果

4 結(jié) 論

提出了基于小波包分析和相關(guān)系數(shù)法的刀具磨損狀態(tài)特征的自適應(yīng)獲取方法。該方法分別提取切削聲發(fā)射信號(hào)中的時(shí)域特征和時(shí)序特征，以融合特征聚焦反映刀具磨損狀態(tài)的主要特征信息，并在刀具磨損過(guò)程中動(dòng)態(tài)更新該融合特征矩陣，該方法對(duì)刀具磨損狀態(tài)的特征提取表現(xiàn)出一定自適應(yīng)性。提出了以灰色關(guān)聯(lián)分析判定刀具磨損狀態(tài)的方法。該方法將融合特征矩陣中反映刀具切削初期狀態(tài)的特征數(shù)據(jù)序列作為參考數(shù)據(jù)序列，將反映刀具當(dāng)前磨損狀態(tài)的特征數(shù)據(jù)序列作為比較數(shù)據(jù)序列，通過(guò)計(jì)算兩者的灰色絕對(duì)關(guān)聯(lián)度定量判別刀具的磨損程度。實(shí)際車削實(shí)驗(yàn)分析結(jié)果表明：本文方法，判別結(jié)果與刀具實(shí)際狀況一致，獲得了較高的刀具磨損狀態(tài)判別正確率。

］

［1］ 李鵬陽(yáng)，郝重陽(yáng)，祝雙武，等.基于脈沖耦合神經(jīng)網(wǎng)絡(luò)的刀具磨損檢測(cè)［J］.中國(guó)機(jī)械工程，2008，19（5）：547-550.

［2］ Niranjan P K，Ramamoorthy B.Tool wear evaluation by stereo vision and prediction by artificial neural network［J］.Journal of Materials Proeessing Technology，2001，112（1）：43-52.

［3］ 歐陽(yáng)八生，唐少農(nóng).CNC車削中刀具磨損實(shí)時(shí)監(jiān)控的試驗(yàn)研究［J］.儀器儀表學(xué)報(bào)，2004，25（4）：127-129.

［4］ 申志剛，何寧，李亮.高速硬銑削加工刀具磨損監(jiān)測(cè)研究［J］.中國(guó)機(jī)械工程，2009，20（13）：1582-1586.

［5］ 姚靜毅，付元杰，袁景陽(yáng).基于DSP的聲發(fā)射信號(hào)采集及分析系統(tǒng)的研究［J］.計(jì)量技術(shù)，2012，（3）：16-19.

［6］ Srinivasa P P，Ramakrishna R P K.Acoustic emission analysis for tool wear monitoring in face milling［J］.International Journal of Production Researeh，2002，40（5）：1081-1093.

［7］ 王彥青，魏連鑫.一種改進(jìn)的小波閾值去噪方法［J］.上海理工大學(xué)學(xué)報(bào)，2011，33（4）：405-408.

［8］ 陳愛(ài)弟，王信義，王忠民，等.用于監(jiān)測(cè)刀具磨損的聲發(fā)射（AE）特征優(yōu)選方法［J］.北京理工大學(xué)學(xué)報(bào)，2000，20（3）：270-275.

［9］ 張定會(huì).基于小波分析的故障診斷［J］.上海理工大學(xué)學(xué)報(bào)，2000，22（2）：137-140.

［10］ 孫勇，景博，覃征，等.基于小波分析的信噪分離方法研究［J］.計(jì)量學(xué)報(bào)，2006，27（2）：153-155.

［11］ Shao H，Wang H L，Zhao X M.A Cutting Power Model for Tool Wear Monitoring in Milling［J］.International Journal of Machine Tools＆Manufacture，2004，44：1503-1509.

［12］ 黃凱鋒，許黎明，范浩，等.基于振動(dòng)信號(hào)的砂輪磨損狀態(tài)的在線特征識(shí)別［J］.儀器儀表學(xué)報(bào)，2005，26（8）：632-633.

［13］ 高宏力，許明恒，傅攀，等.基于動(dòng)態(tài)樹理論的刀具磨損監(jiān)測(cè)技術(shù)［J］.機(jī)械工程學(xué)報(bào)，2006，42（7）：227-230.

ToolWear State Recognition Based on Cutting Acoustic Em ission SignalMeasurement

ZHU Jian-min， ZHAN Han， ZHANG Tong-chao， WANG Jian
（University of Shanghai for Science and Technology，Shanghai200093，China）

Aiming at the low recognition rate under changing processing conditions of the existing tool wear state recognition methods，according to real-time acquisition of acoustic emission signal，an adaptive tool wear state features extraction method from acoustic emission signal and a tool wear state recognition method based on grey relational analysis between wear state feature data sequences are proposed.Experimentwith fourWNMG080408-TM T9125 type turning tools on ZCK20 digital controlled lathewas conducted and toolwear state recognition was implemented，the results show that the proposed methods are able to acquire the turning tools’wear state feature effectively and adaptively，and the tools wear state recognition results are consistentwith the actual condition，and a high recognition rate is achieved.

Metrology；Tool wear state recognition；Acoustic emission signal；Adaptive feature acquiring；Grey relational analysis；Wavelet packet transformation

TB93

：A

：1000-1158（2015）03-0268-05

10.3969／j.issn.1000-1158.2015.03.10

2014-09-29；

：2015-01-07

國(guó)家自然科學(xué)基金（50975179）；上海市教委科研創(chuàng)新項(xiàng)目（11ZZ136）；上海市科委科研計(jì)劃（13160502500）；滬江基金（D14005）

朱堅(jiān)民（1968-），男，江蘇如東人，上海理工大學(xué)教授，博士生導(dǎo)師。主要從事精密測(cè)量與智能控制的研究。jmzhu6688＠163.com