閆　杉，胡小鋒，劉穎超，張　潔

(上海交通大學(xué) 機(jī)械與動(dòng)力工程學(xué)院 計(jì)算機(jī)集成制造研究所，上?！?00240)

?

輪槽半精銑刀壽命自適應(yīng)預(yù)測(cè)方法研究*

閆杉，胡小鋒，劉穎超，張潔

(上海交通大學(xué) 機(jī)械與動(dòng)力工程學(xué)院 計(jì)算機(jī)集成制造研究所，上海200240)

為預(yù)測(cè)汽輪機(jī)轉(zhuǎn)子樅樹型輪槽半精銑刀壽命，提出了一種基于非線性回歸模型的刀具壽命自適應(yīng)在線預(yù)測(cè)方法，即通過(guò)提取與刀具磨損相關(guān)的功率信號(hào)特征和聲發(fā)射信號(hào)特征，利用Kmeans聚類分析對(duì)半精銑削過(guò)程進(jìn)行分類，針對(duì)不同類別的加工過(guò)程分別建立刀具壽命非線性預(yù)測(cè)模型，實(shí)現(xiàn)自適應(yīng)的刀具狀態(tài)在線預(yù)測(cè)及刀具壽命的估算。實(shí)驗(yàn)結(jié)果表明此方法可以準(zhǔn)確預(yù)測(cè)出刀具的失效時(shí)間，為刀具的合理更換提供依據(jù)。

非線性回歸模型；刀具壽命；聚類分析；自適應(yīng)在線預(yù)測(cè)

0　引言

汽輪機(jī)轉(zhuǎn)子輪槽半精銑刀用來(lái)銑出輪槽粗型線，消耗量大而昂貴[1-2]?，F(xiàn)場(chǎng)加工中，一方面刀具過(guò)度使用導(dǎo)致刀具可修磨次數(shù)減少，刀具消耗量變多；另一方面操作人員為防止后續(xù)精加工余量過(guò)多，影響加工質(zhì)量，常提前換刀。為充分利用刀具壽命，減少刀具消耗，有必要研究半精銑刀壽命在線監(jiān)控技術(shù)。

國(guó)內(nèi)外學(xué)者對(duì)刀具壽命在線預(yù)測(cè)的研究較多，如基于神經(jīng)網(wǎng)絡(luò)的刀具壽命預(yù)測(cè)[3-4]、運(yùn)用理論公式計(jì)算刀具壽命[5]等，這些方法運(yùn)算量大，效率低下，實(shí)際應(yīng)用受限。近年來(lái)運(yùn)用回歸分析預(yù)測(cè)刀具壽命的研究較多，效果良好：鄭堤等[6]對(duì)機(jī)械加工尺寸跟蹤檢測(cè)，利用多項(xiàng)式擬合加工尺寸分布標(biāo)準(zhǔn)差，建立刀具壽命預(yù)測(cè)模型。何楨等[7]利用線性回歸擬合刀具磨損量，再用Glejser檢驗(yàn)方法擬合出殘差模型，并假設(shè)刀具磨損是緩慢的線性過(guò)程，以計(jì)算刀具壽命。陳保家[8]在線測(cè)取振動(dòng)信號(hào)，建立Logistic刀具壽命回歸模型。上述研究雖取得一定理論成果，但實(shí)驗(yàn)在實(shí)驗(yàn)室中進(jìn)行，采用標(biāo)準(zhǔn)刀具，加工條件單一，而現(xiàn)場(chǎng)加工中刀具是否改制、修磨次數(shù)、生產(chǎn)廠家、生產(chǎn)批次、轉(zhuǎn)子硬度等因素都會(huì)影響監(jiān)測(cè)信號(hào)的變化，使得單一刀具壽命預(yù)測(cè)模型不再適用。

針對(duì)以上問題，本文提出一種基于非線性回歸模型的刀具壽命自適應(yīng)在線預(yù)測(cè)方法。采集加工過(guò)程中功率與聲發(fā)射信號(hào)，提取與刀具磨損相關(guān)的特征值，通過(guò)Kmeans聚類對(duì)特征值進(jìn)行分類，并對(duì)不同類別分別建立非線性模型，使用相關(guān)分析法自動(dòng)判斷待測(cè)刀具信號(hào)所屬類別，自適應(yīng)選擇非線性模型預(yù)測(cè)刀具壽命。

1　輪槽半精銑刀壽命自適應(yīng)預(yù)測(cè)模型的建立

1.1刀具壽命自適應(yīng)預(yù)測(cè)過(guò)程

轉(zhuǎn)子輪槽半精銑刀壽命自適應(yīng)預(yù)測(cè)主要包括五個(gè)步驟：①信號(hào)獲?。虎谛盘?hào)分析與特征提??；③加工過(guò)程分類；④非線性預(yù)測(cè)模型的建立；⑤待測(cè)刀具信號(hào)的自適應(yīng)匹配與壽命預(yù)測(cè)。輪槽半精銑刀加工輪槽數(shù)通常為5～7道槽，本文采用輪槽加工前3道槽的信號(hào)特征值進(jìn)行聚類分析，各類別區(qū)分度較高，預(yù)測(cè)效果較好。輪槽半精銑刀壽命自適應(yīng)預(yù)測(cè)流程如圖1所示。

圖1　輪槽半精銑刀壽命自適應(yīng)預(yù)測(cè)流程圖

在線監(jiān)測(cè)輪槽半精銑削加工過(guò)程中的信號(hào)，進(jìn)行信號(hào)分析與特征提取，通過(guò)聚類分析將加工過(guò)程分成不同類別，分別建立非線性模型；使用相關(guān)分析自動(dòng)判斷待測(cè)刀具加工過(guò)程的類別，自適應(yīng)地選擇非線性模型預(yù)測(cè)刀具壽命。

1.2信號(hào)獲取與特征提取

在銑削加工過(guò)程中刀具磨損監(jiān)測(cè)法可以分為直接監(jiān)測(cè)法和間接監(jiān)測(cè)法。直接監(jiān)測(cè)法直接測(cè)量與刀具材料體積損失有關(guān)的參量，準(zhǔn)確性高，其缺點(diǎn)在于不能實(shí)現(xiàn)在線監(jiān)測(cè)，因此實(shí)際應(yīng)用不多。間接監(jiān)測(cè)法通過(guò)測(cè)量與刀具狀態(tài)相關(guān)的信號(hào)，間接推斷出刀具的退化狀態(tài)。某廠現(xiàn)場(chǎng)監(jiān)測(cè)不能改造機(jī)床、破壞刀具及刀柄，由于功率信號(hào)的獲取只需要從機(jī)床電氣柜引出相應(yīng)的電流線和電壓線，聲發(fā)射信號(hào)的獲取只需將傳感器安置在轉(zhuǎn)子表面，均不必改裝機(jī)床，因此本文選定間接監(jiān)測(cè)方法中的功率、聲發(fā)射監(jiān)測(cè)方法在線監(jiān)測(cè)刀具退化狀態(tài)，所選擇的功率及聲發(fā)射信號(hào)的特征參數(shù)如表1所示。

表1　選用的信號(hào)特征參數(shù)

針對(duì)表1中的特征量，選用刀具銑削加工的第1、2、3道槽的特征量進(jìn)行聚類。特征向量矩陣可以表示為：

(1)

式中，X表示特征向量矩陣；xi為特征矢量，xi=(x1i,x2i,…,xni)T；n表示信號(hào)特征值的種類數(shù)，本文中n=4；xji表示刀具加工到第i個(gè)輪槽的第j個(gè)特征值，j=1,2,…,n，i=1,2,3。

轉(zhuǎn)子輪槽半精銑削加工刀具不同加工過(guò)程的信號(hào)之間沒有明確的分界點(diǎn)，故提出采用Kmeans聚類算法來(lái)劃分刀具信號(hào)類別。具體過(guò)程如下：①現(xiàn)場(chǎng)采集加工信號(hào)；②提取功率及聲發(fā)射信號(hào)的特征值，構(gòu)成樣本特征矩陣；③利用Kmeans算法劃分刀具信號(hào)特征值。

1.3刀具壽命非線性預(yù)測(cè)模型

若輪槽半精銑刀的磨損狀態(tài)可以由1.2中提取的特征矢量來(lái)描述，刀具的特征矢量矩陣可以表示為：

(2)

由Weierstrass第一定理可知：任何函數(shù)都可以用多項(xiàng)式以任意精度逼近[10]。因此本文刀具壽命預(yù)測(cè)模型可采用多項(xiàng)式非線性回歸模型，則：

(3)

式中，ak000,ak111,ak112,…,ak1ji,…,akr43為回歸系數(shù)，可通過(guò)r+1組樣本數(shù)據(jù)求得；Xk代表第k把刀的特征向量；Pk代表第k把刀具壽命的多項(xiàng)式預(yù)測(cè)模型；k=1,2,…,N，N代表給定刀具的樣本數(shù)量。

2　實(shí)驗(yàn)及數(shù)據(jù)分析

2.1實(shí)驗(yàn)數(shù)據(jù)的獲取

汽輪機(jī)轉(zhuǎn)子尺寸大，樅樹型輪槽型線復(fù)雜，加工制造困難，價(jià)格昂貴，無(wú)法在實(shí)驗(yàn)室條件下進(jìn)行。本實(shí)驗(yàn)平臺(tái)由某汽輪機(jī)廠提供。樅樹型輪槽半精銑在意大利INNSE-BERARDI公司研發(fā)的專用數(shù)控輪槽銑床上進(jìn)行，轉(zhuǎn)子的材料為26NiCrMoV145，銑刀為含鈷高速鋼等前角等螺旋角波形刃成型銑刀。加工參數(shù)為：主軸轉(zhuǎn)速為150r/min，進(jìn)給速度為16mm/min。銑削加工過(guò)程中通過(guò)霍爾電流傳感器從機(jī)床電氣柜中導(dǎo)出電流信號(hào)和電壓信號(hào)，而后使用自主開發(fā)的ARM單片機(jī)功率采集系統(tǒng)對(duì)功率信號(hào)進(jìn)行采集，聲發(fā)射信號(hào)利用美國(guó)物理聲學(xué)公司PK151聲發(fā)射傳感器和AEwin數(shù)據(jù)采集軟件進(jìn)行采集。輪槽半精銑刀在線監(jiān)測(cè)系統(tǒng)如圖2所示。

圖2　半精銑刀在線監(jiān)測(cè)系統(tǒng)

2.2信號(hào)分析與特征提取

不失一般性的，本文選取某汽輪機(jī)不同日期進(jìn)行輪槽加工的20把半精刀具，其中前14把為樣本刀具，后6把用于驗(yàn)證，所選刀具的詳細(xì)信息如表2所示。功率監(jiān)測(cè)信號(hào)的原始圖形如圖3。聲發(fā)射監(jiān)測(cè)信號(hào)的原始RMS圖形如圖4所示。

表2　刀具詳細(xì)信息記錄表

圖3　功率信號(hào)的局部圖形

圖4　聲發(fā)射信號(hào)的局部RMS圖

對(duì)所采集到的原始數(shù)據(jù)進(jìn)行分析，利用Matlab計(jì)算功率信號(hào)的均值和方差以及聲發(fā)射信號(hào)RMS的均值和方差，可以得到20把半精銑刀的銑削加工前三道槽的監(jiān)測(cè)信號(hào)特征值樣本，如表3所示，其中前14把刀具的特征值為樣本，后6把刀具的特征值用于驗(yàn)證。

表3　刀具銑削前三道槽特征值

將前14把刀的信號(hào)特征值進(jìn)行進(jìn)行K-means聚類，設(shè)定聚類數(shù)為2，聚類結(jié)果如圖5所示，由圖可知兩類刀具的相似度都在0.8以上，聚類結(jié)果良好，從而將14把刀具的信號(hào)特征值分為兩類。分別對(duì)此兩類刀具信號(hào)特征值再次進(jìn)行聚類，其過(guò)程相似，在此不一一詳述，最終可得刀具加工過(guò)程的類別如表4所示，刀具加工過(guò)程共被分為4類，其中非改制刀的加工過(guò)程對(duì)應(yīng)第1類和第2類，改制刀加工過(guò)程對(duì)應(yīng)第3類和第4類。這4類刀具信號(hào)特征值的聚類中心如表5所示。

圖5　前14把刀具進(jìn)行聚類分析的結(jié)果

刀具編號(hào)是否改制刀刀具類別2014.05.10是32014.1.26否22014.3.17否22014.3.12否12014.3.10否12014.3.13否22014.1.10否12014.3.13否12014.5.25是42014.5.26是32014.5.39是42014.5.31是32014.5.32是42014.5.23是4

表5　聚類中心

2.3輪槽半精銑刀壽命自適應(yīng)預(yù)測(cè)

根據(jù)表4，刀具加工過(guò)程共被分為4類，利用2.2中提取的特征值分別建立4類刀具加工過(guò)程的非線性壽命預(yù)測(cè)模型，將前14把刀具的特征矢量X作為模型的自變量，刀具實(shí)際加工的輪槽總數(shù)量作為應(yīng)變量，利用MATLAB軟件進(jìn)行非線性建模，可得刀具的非線性預(yù)測(cè)模型如表6所示。

表6　非線性預(yù)測(cè)模型

運(yùn)用相關(guān)分析方法分別求6把刀加工過(guò)程的類別，再將特征值帶入對(duì)應(yīng)的非線性預(yù)測(cè)模型中，所得結(jié)果如下表7。由表7可以看出：當(dāng)?shù)毒呒庸ち?個(gè)槽時(shí)，此模型可以自適應(yīng)的挑選出適合的非線性壽命預(yù)測(cè)模型對(duì)刀具壽命進(jìn)行預(yù)測(cè)。刀具2014.3.16的刀具壽命預(yù)測(cè)結(jié)果與實(shí)際差距最大，誤差為0.67道槽。其余5把刀具的壽命預(yù)測(cè)結(jié)果4舍5入后與實(shí)際加工輪槽總數(shù)一致。因此，該方法能夠在沒有人工參與的情況下準(zhǔn)確預(yù)測(cè)刀具的壽命，指導(dǎo)現(xiàn)場(chǎng)換刀。

表7　驗(yàn)證刀具的加工過(guò)程類別和刀具壽命預(yù)測(cè)結(jié)果

3　結(jié)論

本文提出了一種在線預(yù)測(cè)汽輪機(jī)轉(zhuǎn)子輪槽半精銑刀壽命的方法，通過(guò)對(duì)汽輪機(jī)轉(zhuǎn)子輪槽加工現(xiàn)場(chǎng)的數(shù)據(jù)進(jìn)行分析得到自適應(yīng)的非線性刀具壽命預(yù)測(cè)模型，并可得到以下結(jié)論：

(1)本文對(duì)刀具加工前3道槽的信號(hào)特征值采用Kmeans聚類的方法將刀具加工過(guò)程分為4類，分別對(duì)4類刀具加工過(guò)程建立非線性模型，提高了預(yù)測(cè)模型對(duì)不同加工過(guò)程的適應(yīng)性；

(2)基于輪槽加工過(guò)程中的狀態(tài)監(jiān)測(cè)信息，建立了自適應(yīng)的刀具壽命非線性預(yù)測(cè)模型，可以準(zhǔn)確的預(yù)測(cè)刀具壽命，為刀具的適時(shí)更換提供依據(jù)，并且可以有效的指導(dǎo)實(shí)際生產(chǎn)加工和刀具修磨，對(duì)減少刀具消耗數(shù)量及提高生產(chǎn)效率有著重要的意義。

[1] 汪津澤, 汪超林. 汽輪機(jī)轉(zhuǎn)子輪槽分屑粗銑刀的研制[J].工具技術(shù),2003(10):42-43.

[2] 孟漪. 高效精密樅樹型輪槽銑刀設(shè)計(jì)制備準(zhǔn)則及其試驗(yàn)研究[D]. 上海:上海交通大學(xué)，2011.

[3] 徐玲, 楊丹, 王時(shí)龍,等. 基于進(jìn)化神經(jīng)網(wǎng)絡(luò)的刀具壽命預(yù)測(cè)[J]. 計(jì)算機(jī)集成制造系統(tǒng), 2008,14(1):167-173.

[4] 丁怡, 何衛(wèi)平, 張維,等. 基于BP神經(jīng)網(wǎng)絡(luò)的刀具壽命預(yù)測(cè)模型[J].航空制造技術(shù), 2010(8):93-96.

[5] 王永新. 球頭銑刀壽命在線監(jiān)測(cè)和管理[J]. 組合機(jī)床與自動(dòng)化加工技術(shù),2005(1): 96-99.

[6] 鄭堤, 孫令貽. 基于加工尺寸檢測(cè)數(shù)據(jù)的刀具磨損及壽命研究[J]. 組合機(jī)床與自動(dòng)化加工技術(shù),2002(8):32-35.

[7] 何楨, 張敏, 董延峰. 基于過(guò)程能力指數(shù)的刀具壽命研究[J]. 中國(guó)機(jī)械工程,2006,17(3): 295-297.

[8] 陳保家, 陳雪峰, 李兵,等. Logistic回歸模型在機(jī)床刀具可靠性評(píng)估中的應(yīng)用[J]. 機(jī)械工程學(xué)報(bào), 2011, 47(18): 158-164.

[9] 董大校. 基于MATLAB的多元非線性回歸模型[J]. 云南師范大學(xué)學(xué)報(bào), 2009, 29(2): 45-48.

[10] 吳云亮, 沈陽(yáng)武, 林超,等. 基于多元非線性回歸模型的環(huán)型中壓配電網(wǎng)最大供電能力評(píng)估方法[J]. 電氣自動(dòng)化設(shè)備, 2013, 33(12): 7-13.

(編輯李秀敏)

Adaptive Life Prediction Method of Wheel Groove Semi Finishing Cutter

YAN Shan，HU Xiao-feng，LIU Ying-chao，ZHANG Jie

(CIMS Institute, School of Mechanical Engineering, Shanghai Jiao Tong University, Shanghai 200240, China)

The online life adaptive prediction method is proposed to predict turbine rotor groove wheel fir tree semi finishing milling cutter’s life, which is based on nonlinear regression model. The features of power signal and acoustic emission signal features are extracted, which is associated with tool wear, then semi finishing milling process are classified using K-means clustering analysis. For different processes, nonlinear tool life prediction models are established individually to achieve the on-line adaptive tool condition prediction and tool life calculation. Experimental results show that this method can accurately predict the tool failure time, which provides a basis for the reasonable replacement of the tool.

nonlinear regression model; tool life; clustering analysis; online life adaptive prediction

1001-2265(2016)09-0095-04DOI:10.13462/j.cnki.mmtamt.2016.09.027

2015-09-24；

2015-10-08

國(guó)家自然科學(xué)基金重點(diǎn)項(xiàng)目(51435009);上海市科委高新技術(shù)領(lǐng)域項(xiàng)目資助(14111104801)

閆杉(1990—)，男，安徽滁州人，上海交通大學(xué)碩士研究生，研究方向?yàn)橹圃煜到y(tǒng)可靠性與智能加工制造，(E-mail)2991924635@qq.com；通訊作者：胡小鋒(1977—)，男，浙江蘭溪人，上海交通大學(xué)副教授，博士生導(dǎo)師，博士，研究領(lǐng)域?yàn)橹圃爝^(guò)程可靠性與制造系統(tǒng)規(guī)劃、調(diào)度與信息化管理，(E-mail)wshxf@sjtu.edu.cn。

TH17;TG506

A