張愷 徐裕盛

摘 要：本文主要進行基于切削參數(shù)的刀具狀態(tài)監(jiān)測系統(tǒng)的研究。主要研究內(nèi)容包括搭建刀具磨損銑削力信號數(shù)據(jù)采集平臺，利用智能測力刀柄，實現(xiàn)高精度的銑削參數(shù)測量;依托銑削數(shù)據(jù)集和神經(jīng)網(wǎng)絡算法，構(gòu)建刀具磨損狀態(tài)監(jiān)測模型，進行特征提取和模型訓練，實現(xiàn)準確的刀具磨損狀態(tài)預測。

關鍵詞：刀具磨損;銑削力;銑削振動信號;監(jiān)測

1 引言

隨著材料學和加工工藝學的不斷發(fā)展，零部件材料的加工難度愈發(fā)增加，加工精度要求也愈發(fā)提高，這樣一來，制造業(yè)對加工機床提出了更高要求：一方面，要求機床運行過程中要盡可能保持平穩(wěn)，即擁有較小的噪聲和振動;另一方面，則要求機床在即將出現(xiàn)故障時能及時報警，停機，避免無法預期的后果。尤其是后者，對于提高零件加工質(zhì)量，保證加工安全具有重要意義。本文聚焦于機床故障中的刀具磨損問題，通過合適的實驗，模型，及驗證，找到刀具磨損與切削力信號的對應關系，從而達到刀具磨損現(xiàn)象的預測和規(guī)避。

當?shù)毒甙l(fā)生磨損后，由于刀尖變鈍、表面形貌不平整，使得切削力增加、切削溫度升高，甚至發(fā)生切削顫振現(xiàn)象，導致零部件表面粗糙度上升、尺寸超差或切削區(qū)域燒傷，引起加工質(zhì)量和加工精度下降，并可能在未來應用中引起生產(chǎn)安全事故。在加工過程中，若未及時發(fā)現(xiàn)并制止刀具磨損，甚至會出現(xiàn)“打刀”現(xiàn)象，導致工件報廢或機床損壞，影響加工效率并造成巨大的經(jīng)濟損失。

本文擬解決刀具磨損狀態(tài)的提取特征分析與基于神經(jīng)網(wǎng)絡模型的刀具磨損狀態(tài)監(jiān)測兩大關鍵問題。根據(jù)切削參數(shù)信號，選擇合適的特征進行刀具磨損狀態(tài)表征對于刀具磨損的準確預測至關重要，如何合理運用時域、頻域以及時頻域分析方法選擇與刀具磨損相關度最高的特征。從而根據(jù)提取的特征確定神經(jīng)網(wǎng)絡模型以實現(xiàn)刀具磨損狀態(tài)監(jiān)測，合理確定模型的輸入層，隱含層，輸出層參數(shù)。

2 模型建立

2.1 相關性模型

多個變量之間的相關性普遍由相關系數(shù)反映，相關系數(shù)可以體現(xiàn)任何測量尺度的變量之間的相關強度。本文首先利用實驗監(jiān)測的數(shù)據(jù)探究X、Y、Z三向銑削力信號，X、Y、Z三向銑削振動信號以及聲發(fā)射均方根值與后刀面磨損量的相關性，可利用SPSS軟件分析皮爾遜相關系數(shù)。

2.2 回歸分析模型

基于銑削參數(shù)與后刀面磨損量之間的相關性分析，可進一步建立回歸分析模型?；貧w模型是最常用的研究假設檢驗方法，通?？杀碚髯宰兞繉σ蜃兞康慕忉屃蝾A測力。本文采用SPSS軟件來建立七種銑削參數(shù)與后刀面磨損量的線性回歸模型并進行預測檢驗。

2.3 BP神經(jīng)網(wǎng)絡模型

設后刀面磨損量為，一個全壽命周期實驗中每次走刀磨損量值分別為。計算出相鄰兩次的后刀面磨損量差值為，得到個磨損量差值，構(gòu)建污染物磨損量差值的兩個矩陣為：

其中矩陣的每一行表示三次實驗中相鄰的兩個磨損量差值，矩陣為所要預測的第三個磨損量差值。根據(jù)題意可知，的第行與的第（）行之間有著一定的對應關系，顯然的最后一行和的前兩行沒有相互聯(lián)系，可以舍去。將兩個矩陣輸入MATLAB的神經(jīng)網(wǎng)絡模型進行學習，找出的第行與的第（）行之間的關系。

利用磨損量差值進行歸一化處理（函數(shù)為[Y，PS]= mapminmax（X，0，1）），即把相鄰兩天的磨損量差值壓縮到[0，1]之間。

使用神經(jīng)網(wǎng)絡進行學習得到和對應行之間的關系后，便可以用中的最后一行來預測不在學習區(qū)間內(nèi)的，把矩陣中得到的預測磨損量差值放入矩陣中相應位置充當已知磨損量差值，來進行中下一個磨損量差值的預測。

通過模型的反歸一化處理（函數(shù)為X= mapminmax（‘reverse，Y，PS））可以得到具體的預測數(shù)值并與真實值比較分析。BP神經(jīng)網(wǎng)絡算法流程圖如圖1所示。

3 刀具磨損監(jiān)測流程

本文通過搭建平臺采集數(shù)據(jù)，實驗硬件條件為高速數(shù)控機床Roders Tech RFM760、Kistler 9265B三向測力儀、Kistler 5019A多通道電荷放大器、NI DAQ數(shù)據(jù)采集卡，由LEICA MZ12顯微鏡測量刀具磨損量，銑削材料為長方形的Inconel 718（鉻鎳鐵合金718），選用3齒的球頭硬質(zhì)合金銑刀作為實驗器材。切削條件如表1所示，實驗條件如圖2所示。

實驗在上述切削條件下進行全壽命周期實驗，每次走刀端面銑削的長度為108mm且每次走刀時間相等，每次走刀后測量刀具的后刀面磨損量。實驗監(jiān)測數(shù)據(jù)有X、Y、Z三向銑削力信號（N），X、Y、Z三向銑削振動信號（g）以及聲發(fā)射均方根值AE-RMS（V）。

實驗依托測力刀柄硬件系統(tǒng)，避免了傳統(tǒng)板式測力儀易受切削液腐蝕，零件裝夾不便的缺陷，可在不更改機床結(jié)構(gòu)的情況下，實現(xiàn)切削力信號的高精、高效采集。

本文主要基于神經(jīng)網(wǎng)絡平臺，通過實驗得到切削參數(shù)與刀具磨損值，建立神經(jīng)網(wǎng)絡模型框架，確定其輸入、輸出及隱含層參數(shù)，將切削實驗結(jié)果分為訓練集和測試集，訓練集輸入神經(jīng)網(wǎng)絡模型進行訓練，經(jīng)大量樣本訓練可得到切削力與刀具磨損二者間的對應關系，測試集用來測試模型訓練準確度。從而確定刀具磨損的判定閾值，最終采用閾值法判斷是否發(fā)生刀具磨損，實現(xiàn)機床故障診斷。研究方法流程圖如圖3所示。

4 模型求解

本文根據(jù)C1組數(shù)據(jù)集進行研究分析，即一把銑刀進行全壽命周期實驗共銑削315次，每次采集大于21萬組數(shù)據(jù)，本文以一次實驗為單位求七種銑削信號的平均值，共可得到315組銑削信號數(shù)據(jù)集。每次實驗進行3次后刀面磨損量的測量，取平均值來進行銑削信號與后刀面磨損量的研究分析。

4.1 相關性分析

首先探究三向銑削力信號、三向銑削振動信號、聲發(fā)射均方根值與后刀面磨損量的相關性，利用SPSS軟件的偏相關分析指令成列排除個案后可得表2所示的相關系數(shù)。

由表2可知，后刀面磨損量與Z向力、Y向力的相關系數(shù)分別為0.956、0.932，達到了極強相關程度;后刀面磨損量與聲發(fā)射均方根值、X向力的相關系數(shù)分別為0.558、0.500，達到了中等相關程度;后刀面磨損量與三向銑削振動信號的相關系數(shù)均小于0.1，可認為極弱相關或無相關性。通過相關性分析可得，后刀面磨損量與銑削力信號具有很強的相關性，與銑削振動信號關系很弱。

4.2 后刀面磨損量數(shù)值預測分析

本文對315組數(shù)據(jù)進行劃分，前300組數(shù)據(jù)作為訓練集，后15組數(shù)據(jù)作為測試集，以下將從回歸分析和神經(jīng)網(wǎng)絡分析兩種方式對后刀面磨損量數(shù)值預測。

4.2.1 回歸分析

本文采取SPSS軟件對前300組數(shù)據(jù)做回歸分析，如表3～5所示。表3中R表示擬合優(yōu)度，值越接近1表示模型越好，調(diào)整前、調(diào)整后的R值都在90%以上，因此這個模型是合理的。表4主要代表分析結(jié)果， F值對應的Sig值小于0.05，因此可得出七種銑削參數(shù)與后刀面磨損量具有顯著的線性關系。

4.2.2 BP神經(jīng)網(wǎng)絡分析

通過對前300組后刀面磨損量數(shù)值訓練可對后15組的數(shù)值預測，預測結(jié)果見表7，后刀面磨損量歸一化處理后預測及觀測數(shù)據(jù)示意圖如圖3所示。平均相對誤差0.34%，由此可見模型擬合度較好。后刀面磨損量歸一化處理后預測及觀測數(shù)據(jù)分析圖如圖4所示。

作者簡介：張愷（1998-），男，河北邢臺人，本科，研究方向：機械制造及其自動化。