□ 郭雙全

上海電氣集團(tuán)股份有限公司 中央研究院 上海 200070

1 研究背景

在金屬切削加工過程中,刀具受到切屑和工件的摩擦與作用力,不斷磨損。刀具磨損程度直接影響工件的加工質(zhì)量、效率和成本,磨損嚴(yán)重時會影響機(jī)床正常運(yùn)行,甚至造成機(jī)床故障停機(jī),引發(fā)安全事故。據(jù)統(tǒng)計,數(shù)控機(jī)床刀具壽命只有50%～80%被合理利用,處理刀具非正常狀態(tài)所用的時間占機(jī)床總停機(jī)時間的10%～40%[1]?？梢?研究可靠的刀具磨損評估方法對提高加工質(zhì)量、縮短加工時間、降低加工成本具有重要意義。

刀具磨損的直接測量方法包括光學(xué)測量、計算機(jī)視覺測量、X 射線測量等[2]。直接測量方法通常操作復(fù)雜,設(shè)備成本高,而且需要頻繁停機(jī)或拆卸刀具,會降低生產(chǎn)過程的連續(xù)性,影響加工效率,一般只適用于高精度產(chǎn)品的加工。刀具磨損的間接測量方法主要采集與刀具磨損相關(guān)的切削力信號、振動信號、聲發(fā)射信號,使用信號處理分析方法提取特征,結(jié)合機(jī)器學(xué)習(xí)算法得到刀具磨損量,可以實現(xiàn)實時監(jiān)測[3]。

隨著人工智能技術(shù)的發(fā)展,神經(jīng)網(wǎng)絡(luò)具有較強(qiáng)的特征學(xué)習(xí)能力和泛化能力,正逐漸被學(xué)者用于刀具磨損狀態(tài)識別中。李德華等[4]提出一種通過電子顯微鏡在線拍攝刀具照片,采用小波變換和卷積神經(jīng)網(wǎng)絡(luò)計算刀具磨損量的方法。朱永猛等[5]提出采用高速銑床加工過程中主軸和工作臺振動信號、主軸電機(jī)直流電流和交流電流信號、主軸與工作臺噪聲信號的時域統(tǒng)計特征,結(jié)合自適應(yīng)神經(jīng)模糊推理系統(tǒng),實現(xiàn)對刀具磨損量的監(jiān)測。庫祥臣等[6]提出采用聲發(fā)射傳感器采集刀具切削時的信號,結(jié)合反向傳播神經(jīng)網(wǎng)絡(luò)識別刀具磨損程度。張存吉等[7]提出對振動信號進(jìn)行小波包分解,結(jié)合卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行刀具磨損狀態(tài)分類監(jiān)測。黃思思等[8]提出采集銑削力信號進(jìn)行小波變換,結(jié)合傳統(tǒng)徑向基神經(jīng)網(wǎng)絡(luò)模型對刀具磨損量進(jìn)行識別。上述方法可以實現(xiàn)對刀具磨損狀態(tài)的評估,但是主要以分類識別為主,定量評估的模型研究相對較少,而且模型信號主要集中在振動、聲發(fā)射、切削力、圖像等方面,基于主軸電機(jī)電流進(jìn)行研究相對較少。楊揚(yáng)等[9]研究發(fā)現(xiàn),在機(jī)床加工過程中,切削力和切削力矩的變化引起刀具受力變形、振動、沖擊,造成刀具磨損,從而影響刀具使用壽命。切削力直接采集相對復(fù)雜,且成本高昂,不利于工程應(yīng)用。有研究表明,切削力和主軸電機(jī)電流有一定關(guān)系,并且時域和頻域特征存在一定相似性,可以使用電機(jī)電流信號作為切削力的間接表征來對刀具磨損進(jìn)行研究[10]。由此,筆者提出采集主軸電機(jī)的直流電流信號和交流電流信號,應(yīng)用短時傅里葉變換對采集的信號進(jìn)行處理,得到對應(yīng)的時頻譜,將時頻譜輸入設(shè)計的卷積神經(jīng)網(wǎng)絡(luò)模型,實現(xiàn)對刀具磨損的評估。

2 方法概述

基于卷積神經(jīng)網(wǎng)絡(luò)的刀具磨損評估流程如圖1所示。采用兩種不同的傳感器采集機(jī)床主軸電機(jī)的直流電流信號和交流電流信號,經(jīng)過預(yù)處理手段獲取有效加工時間段的信號,應(yīng)用短時傅里葉變換對采集的信號進(jìn)行處理,得到時頻譜訓(xùn)練樣本和時頻譜測試樣本。刀具磨損評估包括訓(xùn)練和測試兩個階段。在訓(xùn)練階段,采用時頻譜訓(xùn)練樣本和對應(yīng)的磨損檢測設(shè)備測定的刀具磨損訓(xùn)練樣本,對設(shè)計的卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練,輸出訓(xùn)練好的卷積神經(jīng)網(wǎng)絡(luò)模型。在測試階段,將時頻譜測試樣本輸入卷積神經(jīng)網(wǎng)絡(luò)模型,預(yù)測得到刀具磨損評估值,并與刀具磨損測試樣本進(jìn)行對比,分析模型評估效果。

▲圖1 基于卷積神經(jīng)網(wǎng)絡(luò)的刀具磨損評估流程

3 預(yù)處理

機(jī)床每次加工工件的完整加工過程,一般包括接觸前的空轉(zhuǎn)時段、刀具與工件接觸時段、穩(wěn)定加工時段、加工完成后退刀時段,其中大部分時間為穩(wěn)定加工時段。為了構(gòu)建準(zhǔn)確的刀具磨損評估模型,筆者將穩(wěn)定加工時段的信號作為所采集的原始信號。主軸電機(jī)直流電流信號如圖2所示。t1時刻至t2時刻之間的時段為穩(wěn)定加工時段。查找完整加工過程電流數(shù)據(jù)的電流中位值初始時刻t0,將該時刻推遲一定時間,得到t1時刻。假設(shè)t1時刻為穩(wěn)定加工時段的起始時刻,終止時刻t2根據(jù)工件加工時間的長短確定。筆者試驗中,延遲時間t1-t0為2 s,分析采用的穩(wěn)定加工時段采集原始信號時間長度t2-t1為16 s。

4 短時傅里葉變換

確定分析采用的信號后,可以對信號進(jìn)行短時傅里葉變換,得到時頻譜,作為卷積神經(jīng)網(wǎng)絡(luò)的輸入。短時傅里葉變換的基本原理是選擇一定長度的窗函數(shù),沿信號時間軸連續(xù)移動依次截取小段的局部信號,對每次截取的局部信號進(jìn)行傅里葉變換,得到局部信號的頻譜,所有局部信號頻譜的集合,即為短時傅里葉變換得到的時頻譜。

▲圖2 主軸電機(jī)直流電流信號

(1)

式中:S(t,f)為時頻譜值;τ為時間變量;t為時刻;f為頻率;x(τ)為分析的原始信號;ω(τ-t)為時間變量τ至t時刻所對應(yīng)的窗函數(shù)。

最終輸出的時頻譜時間點(diǎn)數(shù)量和頻率點(diǎn)數(shù)量取決于信號的采樣點(diǎn)數(shù)、窗函數(shù)的長度,以及窗函數(shù)每次移動的時間間隔。主軸電機(jī)采集信號短時傅里葉變換后的時頻譜如圖3所示。時頻譜采用二維矩陣表示,大小為251×36。

▲圖3 主軸電機(jī)采集信號短時傅里葉變換后時頻譜

5 卷積神經(jīng)網(wǎng)絡(luò)

卷積神經(jīng)網(wǎng)絡(luò)一般由輸入層、卷積層、池化層、過渡層、全連接層、輸出層等組成。應(yīng)用卷積神經(jīng)網(wǎng)絡(luò),通過多層網(wǎng)絡(luò)設(shè)計,將主軸電機(jī)直流電流信號和交流電流信號經(jīng)過處理后得到的時頻譜作為輸入層,由卷積神經(jīng)網(wǎng)絡(luò)自適應(yīng)提取識別刀具磨損的特征,實現(xiàn)對刀具磨損進(jìn)行評估。

卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)見表1,共有11層,包括一個輸入層、三個卷積層、三個池化層、一個過渡層、三個全連接層,最后一個全連接層也為輸出層。

輸入層輸入數(shù)據(jù)包括兩個通道,每個通道分別對應(yīng)直流電流信號和交流電流信號處理得到的時頻譜。輸入層不做計算,輸出數(shù)據(jù)和輸入數(shù)據(jù)相同。其余各層網(wǎng)絡(luò)的輸入數(shù)據(jù)為上一層網(wǎng)絡(luò)的輸出數(shù)據(jù)。

卷積層將輸入的各個通道的數(shù)據(jù)與多個卷積核進(jìn)行卷積操作計算后,輸出新的特征數(shù)據(jù)。卷積核的數(shù)量與設(shè)計的通道數(shù)相同,每個通道的輸出數(shù)據(jù)大小取決于卷積核的大小及卷積操作時對應(yīng)的步長。

池化層主要利用池化核進(jìn)行池化操作計算,將池化核對應(yīng)區(qū)域的統(tǒng)計特征作為該區(qū)域的特征數(shù)據(jù)輸出,從而減小輸出數(shù)據(jù)的大小。常用的池化層操作包括最大值池化、平均值池化、隨機(jī)值池化等,表1中有三層池化層,每層均采用最大值池化操作,池化層通道數(shù)與上一層的通道數(shù)相同。

表1 卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)

過渡層將卷積層或池化層所有通道的輸出數(shù)據(jù)展開輸出為一維數(shù)據(jù),然后與全連接層連接,不進(jìn)行實際計算。

全連接層一般對輸入的一維數(shù)據(jù)進(jìn)行加權(quán)求和運(yùn)算,加上偏置后根據(jù)需要選擇合適的激活函數(shù)輸出新的一維特征數(shù)據(jù)。最后一個全連接層也是輸出層,節(jié)點(diǎn)數(shù)為1,輸出數(shù)據(jù)即為刀具磨損評估值。

6 卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練

機(jī)床刀具從最初使用到磨損嚴(yán)重階段一般經(jīng)過多次加工過程,按前述方法,采集每次加工過程中穩(wěn)定加工時段所對應(yīng)的主軸電機(jī)直流電流信號和交流電流信號,經(jīng)過預(yù)處理和短時傅里葉變換后,得到一定數(shù)量的時頻譜樣本,同時收集每次加工后磨損檢測設(shè)備測定的刀具磨損值,形成刀具磨損樣本。對時頻譜樣本與刀具磨損樣本進(jìn)行劃分,得到訓(xùn)練用的時頻譜訓(xùn)練樣本與刀具磨損訓(xùn)練樣本,以及測試用的時頻譜測試樣本與刀具磨損測試樣本。

卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練包括正向傳播和反向傳播兩個階段。正向傳播階段將時頻譜數(shù)據(jù)作為輸入,經(jīng)過設(shè)計的卷積神經(jīng)網(wǎng)絡(luò)各層,完成正向傳播相應(yīng)的計算,最終輸出預(yù)測的刀具磨損評估值。反向傳播階段采用誤差評價函數(shù)計算預(yù)測值與實測值的誤差,反饋回卷積神經(jīng)網(wǎng)絡(luò)后,對網(wǎng)絡(luò)進(jìn)行訓(xùn)練更新。每完成一次訓(xùn)練,即完成一次正向傳播階段和一次反向傳播階段。所有訓(xùn)練樣本均完成一次訓(xùn)練后,即完成一次迭代訓(xùn)練。通常卷積神經(jīng)網(wǎng)絡(luò)經(jīng)過一定迭代次數(shù)的訓(xùn)練后,可以得到較為穩(wěn)定的卷積神經(jīng)網(wǎng)絡(luò)模型,用于刀具磨損評估。

將時頻譜測試樣本輸入卷積神經(jīng)網(wǎng)絡(luò)模型,得到刀具磨損預(yù)測值,并與刀具磨損測試樣本中的實測值進(jìn)行對比,可以評價模型的優(yōu)劣。模型優(yōu)劣指標(biāo)主要包括平均絕對誤差Emae和擬合優(yōu)度R,計算式分別為:

(2)

(3)

7 試驗分析

試驗采用某銑床的加工過程監(jiān)測數(shù)據(jù)集,數(shù)據(jù)集采集了銑床在不同切削深度、進(jìn)給速度、加工工件材料情況下,刀具全壽命周期內(nèi)多次加工過程主軸電機(jī)的直流電流信號和交流電流信號。采用磨損檢測設(shè)備測量加工后的刀具磨損值,選擇兩種工況下的數(shù)據(jù)進(jìn)行卷積神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練和測試研究。第一種工況對應(yīng)切削深度為0.75 mm,進(jìn)給速度為0.5 mm/r,加工工件材料為鑄鐵。第二種工況對應(yīng)切削深度為0.75 mm,進(jìn)給速度為0.25 mm/r,加工工件材料為不銹鋼。每種工況均進(jìn)行兩次全壽命周期的數(shù)據(jù)采集。

采用前述步驟,將每種工況下的一次全壽命周期數(shù)據(jù)用于卷積神經(jīng)網(wǎng)絡(luò)模型的迭代訓(xùn)練,另一次全壽命周期數(shù)據(jù)用于卷積神經(jīng)網(wǎng)絡(luò)模型的測試,得到刀具磨損的預(yù)測值,并與實測值進(jìn)行對比。為得到較好的評估模型,設(shè)置模型迭代訓(xùn)練次數(shù)為60次。在每次迭代訓(xùn)練后,應(yīng)用測試數(shù)據(jù)計算刀具磨損預(yù)測值與實測值的平均絕對誤差,得到模型在不同迭代訓(xùn)練次數(shù)下測試平均絕對誤差變化曲線,如圖4所示。由圖4可以看出,兩種工況下卷積神經(jīng)網(wǎng)絡(luò)模型分別在第51次迭代訓(xùn)練和第25次迭代訓(xùn)練后得到測試平均絕對誤差最小,并且小于0.05 mm。進(jìn)一步可以得到相應(yīng)迭代次數(shù)下卷積神經(jīng)網(wǎng)絡(luò)模型輸出的刀具全壽命周期磨損預(yù)測值與實測值對比曲線,如圖5所示。由圖5可以看出,卷積神經(jīng)網(wǎng)絡(luò)模型預(yù)測值與實測值的變化趨勢基本一致,兩種工況下刀具磨損平均絕對誤差分別為0.038 mm和0.037 mm,擬合優(yōu)度分別為0.913和0.920,均達(dá)到了0.9以上。總體而言,所訓(xùn)練的卷積神經(jīng)網(wǎng)絡(luò)模型可以準(zhǔn)確地評估并輸出刀具磨損值,誤差相對較小,有一定的工程應(yīng)用價值。

▲圖4 不同迭代訓(xùn)練次數(shù)下模型測試平均絕對誤差變化曲線

8 結(jié)束語

筆者提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)的刀具磨損評估方法,在切削深度、進(jìn)給速度、加工工件材料一定的情況下,可以對機(jī)床主軸電機(jī)的交流電流信號和直流電流信號進(jìn)行預(yù)處理、短時傅里葉變換,并通過卷積神經(jīng)網(wǎng)絡(luò)模型實現(xiàn)對刀具磨損值的評估。經(jīng)試驗表明,這一方法評估的刀具磨損值平均絕對誤差較小,能夠較好地擬合刀具磨損變化趨勢,對實現(xiàn)刀具磨損在線監(jiān)測有一定的參考價值。在后續(xù)研究中,可以進(jìn)一步增加對更多、更復(fù)雜工況下的刀具加工磨損情況進(jìn)行分析,并增加采集的樣本數(shù)量,通過優(yōu)化卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu),不斷提高卷積神經(jīng)網(wǎng)絡(luò)模型的穩(wěn)定性和評估精度,為機(jī)床使用優(yōu)化和刀具更換維修提供指導(dǎo)。

▲圖5 刀具全壽命周期磨損預(yù)測值與實測值對比曲線