鮑先平

(寧波職業(yè)技術(shù)學(xué)院,浙江 寧波 315800)

0 引言

隨著制造業(yè)的不斷發(fā)展和技術(shù)的進(jìn)步,數(shù)控機(jī)床應(yīng)用范圍和功能不斷拓展,生產(chǎn)效率和加工質(zhì)量也在不斷提高[1]。在數(shù)控機(jī)床的加工過(guò)程中,刀具作為直接參與工件加工的關(guān)鍵部件,刀具磨損是數(shù)控機(jī)床加工過(guò)程中不可避免的現(xiàn)象。但是,刀具磨損過(guò)度或未能及時(shí)檢測(cè),將會(huì)導(dǎo)致工件表面質(zhì)量下降、加工精度降低,甚至可能引發(fā)嚴(yán)重事故,造成生產(chǎn)損失[2-4]。因此,開(kāi)發(fā)一種有效的數(shù)控機(jī)床刀具磨損在線監(jiān)測(cè)與預(yù)警技術(shù),對(duì)于提高加工效率、降低生產(chǎn)成本、保障加工質(zhì)量具有重要意義。

目前,刀具磨損檢測(cè)技術(shù)主要包括傳感器技術(shù)、機(jī)器學(xué)習(xí)和多模態(tài)檢測(cè)技術(shù)等,應(yīng)用特點(diǎn)如下。

1)傳感技術(shù)。刀具磨損監(jiān)測(cè)通常依賴(lài)于各種傳感器技術(shù),如聲學(xué)傳感器、振動(dòng)傳感器、電流傳感器等。這些傳感器的性能不斷提升,能夠更精確地捕捉刀具磨損引起的信號(hào)變化。例如,聲音、振動(dòng)和電流的頻譜分析可用于檢測(cè)刀具磨損。但是傳感器技術(shù)會(huì)受到環(huán)境噪聲、振動(dòng)等外部干擾因素的影響,導(dǎo)致數(shù)據(jù)的噪聲和波動(dòng),使得刀具磨損的準(zhǔn)確監(jiān)測(cè)和預(yù)測(cè)變得更加復(fù)雜。

2)機(jī)器學(xué)習(xí)和深度學(xué)習(xí)。近年來(lái),機(jī)器學(xué)習(xí)和深度學(xué)習(xí)技術(shù)已廣泛應(yīng)用于刀具磨損的監(jiān)測(cè)與預(yù)測(cè),能夠處理大量傳感器數(shù)據(jù),并識(shí)別磨損模式,從而實(shí)現(xiàn)更準(zhǔn)確的預(yù)測(cè)和預(yù)警。但是,傳統(tǒng)的機(jī)器學(xué)習(xí)和深度學(xué)習(xí)模型在應(yīng)對(duì)新的工況或刀具材料時(shí)可能會(huì)遇到泛化問(wèn)題,導(dǎo)致模型性能下降。需要不斷調(diào)整和重新訓(xùn)練模型以適應(yīng)不同情況。

3)多模態(tài)監(jiān)測(cè)。為提高監(jiān)測(cè)精度,研究人員越來(lái)越傾向于采用多種傳感器進(jìn)行多模態(tài)監(jiān)測(cè)。不同傳感器可以捕捉刀具狀態(tài)的不同方面,如聲音、振動(dòng)、溫度等,綜合分析有助于更全面地了解刀具磨損情況。

近年來(lái),數(shù)字孿生技術(shù)作為一種新興數(shù)字化仿真技術(shù),通過(guò)建立虛擬模型與實(shí)際設(shè)備實(shí)時(shí)數(shù)據(jù)的對(duì)應(yīng)關(guān)系,實(shí)現(xiàn)對(duì)實(shí)體設(shè)備狀態(tài)的實(shí)時(shí)監(jiān)測(cè)與預(yù)測(cè)[5]。在數(shù)控機(jī)床刀具磨損在線監(jiān)測(cè)與預(yù)警技術(shù)研究中,數(shù)字孿生技術(shù)可以對(duì)數(shù)控機(jī)床和刀具進(jìn)行虛擬建模,并將實(shí)際加工過(guò)程中的數(shù)據(jù)與模型進(jìn)行實(shí)時(shí)對(duì)應(yīng),實(shí)現(xiàn)對(duì)刀具磨損狀態(tài)的實(shí)時(shí)監(jiān)測(cè)。通過(guò)與實(shí)際數(shù)據(jù)的對(duì)比,數(shù)字孿生模型可以精確預(yù)測(cè)刀具的磨損情況,提前發(fā)現(xiàn)磨損并及時(shí)進(jìn)行維護(hù),從而避免因刀具磨損而帶來(lái)的生產(chǎn)問(wèn)題。

本文基于數(shù)字孿生技術(shù),構(gòu)建數(shù)控機(jī)床刀具磨損監(jiān)測(cè)與預(yù)警系統(tǒng),并采用神經(jīng)網(wǎng)絡(luò)技術(shù)進(jìn)行數(shù)據(jù)特征提取,通過(guò)實(shí)驗(yàn)驗(yàn)證和模型評(píng)價(jià),驗(yàn)證所提出技術(shù)的有效性和準(zhǔn)確性。通過(guò)研究,期望能為數(shù)控機(jī)床刀具磨損在線監(jiān)測(cè)與預(yù)警技術(shù)的發(fā)展提供新的思路和方法,逐步推動(dòng)數(shù)字化制造技術(shù)在制造業(yè)中的應(yīng)用。

1 基于數(shù)字孿生技術(shù)下數(shù)控加工體系構(gòu)建

基于數(shù)字孿生技術(shù)的數(shù)控機(jī)床刀具在線監(jiān)測(cè)及預(yù)警系統(tǒng)主要由物理空間、孿生數(shù)據(jù)和虛擬空間三部分組成(圖1),通過(guò)物理空間、孿生數(shù)據(jù)和虛擬空間之間的連接,數(shù)控機(jī)床刀具在線監(jiān)測(cè)系統(tǒng)能夠?qū)崟r(shí)獲取實(shí)體設(shè)備的運(yùn)行狀態(tài),并將這些信息與虛擬環(huán)境中的模型進(jìn)行對(duì)應(yīng),實(shí)現(xiàn)實(shí)體設(shè)備狀態(tài)的在線監(jiān)測(cè)與預(yù)警。

圖1 數(shù)控機(jī)床刀具在線監(jiān)測(cè)系統(tǒng)結(jié)構(gòu)

1.1 物理空間

物理空間是指實(shí)際的數(shù)控機(jī)床及其相關(guān)設(shè)備和刀具在現(xiàn)實(shí)世界中的存在,主要包括數(shù)控機(jī)床本身的硬件設(shè)備、刀具,以及與數(shù)控機(jī)床工作相關(guān)的傳感器和控制系統(tǒng)等,在實(shí)際加工過(guò)程中,傳感器會(huì)收集數(shù)控機(jī)床和刀具的實(shí)時(shí)運(yùn)行數(shù)據(jù),如刀具的轉(zhuǎn)速、切削力、振動(dòng)等工作參數(shù)[6]。物理空間數(shù)據(jù)及信息可以傳遞至虛擬空間進(jìn)行數(shù)字孿生建模、仿真和分析,表明虛擬空間是建立在物理空間的基礎(chǔ)上,用于實(shí)現(xiàn)對(duì)物理設(shè)備狀態(tài)的數(shù)字化建模和分析。

1.2 孿生數(shù)據(jù)

孿生數(shù)據(jù)通過(guò)對(duì)數(shù)控機(jī)床和刀具進(jìn)行數(shù)字化建模,將其幾何形狀、材料特性、運(yùn)行參數(shù)等信息轉(zhuǎn)化為計(jì)算機(jī)可處理的數(shù)據(jù)形式,上述數(shù)據(jù)會(huì)隨著實(shí)際工作過(guò)程中傳感器的數(shù)據(jù)采集而實(shí)時(shí)更新,保持與實(shí)體設(shè)備狀態(tài)同步[7]。

1.3 虛擬機(jī)床

虛擬空間是指基于孿生數(shù)據(jù)所構(gòu)建的數(shù)控機(jī)床和刀具的虛擬環(huán)境。在該虛擬環(huán)境中,通過(guò)數(shù)字孿生技術(shù)將實(shí)體設(shè)備的狀態(tài)進(jìn)行仿真和模擬,以實(shí)現(xiàn)對(duì)實(shí)體設(shè)備狀態(tài)的實(shí)時(shí)監(jiān)測(cè)與預(yù)測(cè),同時(shí),虛擬空間中的模擬、仿真或預(yù)測(cè)結(jié)果可以反饋到物理空間中,以影響或控制實(shí)際設(shè)備的操作或決策。例如,在數(shù)控機(jī)床和刀具的情景下,虛擬空間可以使用數(shù)字孿生技術(shù)模擬機(jī)床和刀具的運(yùn)行情況,然后根據(jù)模擬結(jié)果生成優(yōu)化的操作建議、預(yù)測(cè)設(shè)備維護(hù)需求或?qū)崟r(shí)調(diào)整刀具參數(shù)。這些建議和決策可以反饋到物理空間,通過(guò)自動(dòng)控制系統(tǒng)或操作人員來(lái)實(shí)施,以優(yōu)化生產(chǎn)過(guò)程、延長(zhǎng)設(shè)備壽命、提高加工質(zhì)量等。

2 刀具磨損在線監(jiān)測(cè)及預(yù)警方法

刀具磨損是數(shù)控機(jī)床加工過(guò)程中不可避免的現(xiàn)象,然而,由于刀具的不斷老化,現(xiàn)有的刀具磨損預(yù)測(cè)模型可能存在誤差較大的問(wèn)題。本研究引入神經(jīng)網(wǎng)絡(luò)技術(shù)來(lái)處理加工過(guò)程中產(chǎn)生的多源數(shù)據(jù),通過(guò)采集到的各種數(shù)據(jù)中提取出與刀具磨損相關(guān)的特征信息,綜合考慮機(jī)床刀具的老化情況,建立一種刀具磨損時(shí)變偏差模型,該模型能夠更準(zhǔn)確地預(yù)測(cè)刀具的磨損情況,并考慮了刀具老化對(duì)磨損的影響。

2.1 數(shù)據(jù)特征提取

數(shù)據(jù)特征提取是指從原始數(shù)據(jù)中提取有用的、具有代表性的特征信息,用于表示數(shù)據(jù)的重要特性。在數(shù)控機(jī)床刀具磨損監(jiān)測(cè)系統(tǒng)中,數(shù)據(jù)特征提取是為了從數(shù)控機(jī)床加工過(guò)程中產(chǎn)生的多源數(shù)據(jù)中提取與刀具磨損相關(guān)的特征信息,用于建立刀具磨損預(yù)測(cè)模型。本文基于神經(jīng)網(wǎng)絡(luò)和傅里葉變換針對(duì)不同信號(hào)建立不同神經(jīng)網(wǎng)絡(luò)模型,更好地捕捉不同數(shù)據(jù)信號(hào)之間的非線性關(guān)系,并提高預(yù)測(cè)模型的準(zhǔn)確性。

2.1.1 振動(dòng)與刀具切削力信號(hào)特征提取

在數(shù)控機(jī)床刀具磨損監(jiān)測(cè)中,振動(dòng)信號(hào)和刀具切削力信號(hào)是兩個(gè)重要數(shù)據(jù)源,基于數(shù)字孿生系統(tǒng)中的特征提取模塊,采用卷積神經(jīng)網(wǎng)絡(luò)對(duì)數(shù)控機(jī)床刀具振動(dòng)和切削力信號(hào)特征進(jìn)行提取。假設(shè)振動(dòng)信號(hào)采集的原始數(shù)據(jù)為v(t),刀具切削力信號(hào)采集的原始數(shù)據(jù)為f(t),振動(dòng)信號(hào)采集數(shù)據(jù)如式(1)

v[n]=v(t)t=nTs

(1)

其中,v[n]為振動(dòng)信號(hào)在離散時(shí)間點(diǎn),[n]為采樣得到的信號(hào)值;v(t)是振動(dòng)信號(hào)在連續(xù)時(shí)間域中的信號(hào),表示實(shí)際振動(dòng)隨時(shí)間變化的函數(shù);Ts是振動(dòng)信號(hào)的采樣周期,表示相鄰兩次采樣之間的時(shí)間間隔;n表示第n次采樣。

對(duì)于刀具切削力信號(hào)采集如式(2)

f[n]=f(t)t=nTs

(2)

其中,f[n]是刀具切削力信號(hào)在離散時(shí)間點(diǎn)n采樣得到的信號(hào)值;f(t)是刀具切削力信號(hào)在連續(xù)時(shí)間域中的信號(hào),表示實(shí)際切削力隨時(shí)間變化的函數(shù);Ts是刀具切削力信號(hào)的采樣周期,表示相鄰兩次采樣之間的時(shí)間間隔;n表示第n次采樣。

2.1.2 功率信號(hào)提取

基于數(shù)字孿生技術(shù)的數(shù)控機(jī)床刀具在線監(jiān)測(cè)及預(yù)警系統(tǒng)中,對(duì)于振動(dòng)信號(hào)和刀具切削力信號(hào),可以使用功率信號(hào)提取的方法來(lái)獲取信號(hào)在頻率域上的能量分布情況。本文采用快速傅里葉變換(Fast Fourier Transform,FFT)來(lái)計(jì)算信號(hào)的功率譜密度[8-9]。設(shè)振動(dòng)信號(hào)為v(t),刀具切削力信號(hào)為f(t)。

對(duì)振動(dòng)信號(hào)的功率譜密度計(jì)算公式如式(3)

(3)

其中,Svv(f)表示信號(hào)的功率譜密度(Power Spectral Density of Vibration Signal),通過(guò)傅里葉變換和取模的平方,可以得到振動(dòng)信號(hào)在不同頻率上的功率譜密度,從而了解振動(dòng)信號(hào)的頻譜特性;T表示振動(dòng)信號(hào)采集周期。

對(duì)刀具切削力信號(hào)的功率譜密度計(jì)算公式如式(4)

(4)

其中,,Sff(f)表示刀具切削力信號(hào)在頻率域上的能量分布情況(Power Spectral Density of Cutting Force Signal),通過(guò)傅里葉變換和取模的平方,得到刀具切削力信號(hào)在不同頻率上的功率譜密度。

通過(guò)對(duì)振動(dòng)信號(hào)和刀具切削力信號(hào)進(jìn)行傅里葉變換并取模的平方,可以得到信號(hào)在不同頻率上的功率譜密度,表明振動(dòng)信號(hào)和刀具切削力信號(hào)在頻率域上的能量分布情況,從而可以用于進(jìn)一步特征提取和分析,實(shí)現(xiàn)對(duì)刀具磨損狀態(tài)的在線監(jiān)測(cè)和預(yù)警。

2.2 數(shù)據(jù)特征降維

數(shù)據(jù)特征降維是指在數(shù)據(jù)分析和機(jī)器學(xué)習(xí)中,通過(guò)一系列數(shù)學(xué)變換和算法,將原始數(shù)據(jù)的特征空間映射到一個(gè)更低維度的子空間,從而減少數(shù)據(jù)的維度。特征降維可以幫助解決高維數(shù)據(jù)的處理問(wèn)題,同時(shí)還能提高數(shù)據(jù)分析和機(jī)器學(xué)習(xí)算法的效率和準(zhǔn)確性,避免維度災(zāi)難(curse of dimensionality)[10]。本文采用主成分分析(Principal Component Analysis,PCA)進(jìn)行特征降維。將采集到的數(shù)據(jù)排列成矩陣形式,振動(dòng)信號(hào)和切削力信號(hào)按列合并成兩個(gè)矩陣,處理流程如下。

振動(dòng)信號(hào)矩陣為

切削力信號(hào)矩陣為

將文本數(shù)據(jù)向量與振動(dòng)信號(hào)矩陣、切削力信號(hào)矩陣按列合并,得到最終的數(shù)據(jù)排列成矩陣形式

2.3 基于數(shù)字孿生下刀具磨損在線預(yù)測(cè)模型

考慮到機(jī)床老化對(duì)刀具磨損的影響,本文采用支持向量機(jī)回歸建立刀具磨損在線預(yù)測(cè)模型。經(jīng)過(guò)孿生數(shù)據(jù)處理后,刀具振動(dòng)、切削力及功率信號(hào)的特征集為X={x1,x2,…,xk},構(gòu)建新的數(shù)據(jù)集Q={(Xi,yi),i=1,2,…,m}。其中,Xi和yi分別為輸入值和輸出值,m為條數(shù),則回歸模型為

f(X)=wT×φ(X)+c

(5)

其中,w為決策面的法向量;c為偏置量;φ(X)特征集從低維到高維的映射。

3 數(shù)控機(jī)床刀具磨損及預(yù)警系統(tǒng)測(cè)試

為了驗(yàn)證本文提出的數(shù)控機(jī)床刀具磨損及預(yù)警系統(tǒng)的有效性,對(duì)系統(tǒng)運(yùn)行進(jìn)行測(cè)試與分析。

3.1 實(shí)驗(yàn)條件

試驗(yàn)使用龍門(mén)型立式VGC1500(數(shù)控立式龍門(mén)加工中心)機(jī)床為例進(jìn)行刀具磨損分析,性能參數(shù)如表1所示。

表1 龍門(mén)型立式VGC1500機(jī)床性能參數(shù)

續(xù)表1

刀具磨損在線監(jiān)測(cè)和預(yù)警系統(tǒng)測(cè)試中,軟件環(huán)境配置及參數(shù)設(shè)置如表2所示,數(shù)據(jù)庫(kù)用于存儲(chǔ)采集的原始數(shù)據(jù)和處理后的特征數(shù)據(jù),以及模型訓(xùn)練和優(yōu)化過(guò)程中的中間結(jié)果和參數(shù)。

表2 環(huán)境配置和參數(shù)設(shè)置

3.2 數(shù)據(jù)集

在數(shù)據(jù)集的構(gòu)建過(guò)程中,為了保證數(shù)據(jù)的隨機(jī)性和代表性,本文原始數(shù)據(jù)按照一定比例(如80%和20%)劃分為訓(xùn)練集和測(cè)試集,以用于模型的訓(xùn)練和評(píng)估。數(shù)據(jù)集劃分的目的是驗(yàn)證模型在未見(jiàn)過(guò)的數(shù)據(jù)上的泛化能力,防止模型在訓(xùn)練集上出現(xiàn)過(guò)擬合的情況,80%的數(shù)據(jù)為訓(xùn)練集,20%的數(shù)據(jù)為測(cè)試集,數(shù)據(jù)集中數(shù)據(jù)種類(lèi)和相應(yīng)的采集頻率與數(shù)據(jù)采集種類(lèi)如表3所示。

表3 數(shù)據(jù)集采集頻率與種類(lèi)

續(xù)表3

3.3 結(jié)果與分析

本文通過(guò)對(duì)比四種不同模型(SVM回歸、RNN、CNN和數(shù)據(jù)孿生預(yù)測(cè)模型)在數(shù)控機(jī)床刀具磨損在線監(jiān)測(cè)與預(yù)警任務(wù)中的預(yù)測(cè)精度,結(jié)果如表4所示。數(shù)據(jù)孿生預(yù)測(cè)模型在所有評(píng)價(jià)指標(biāo)上表現(xiàn)最好,具有最低的平均絕對(duì)百分比誤差(Mean Absolute Percentage Error,MAPE)、均方根誤差(Root Mean Square Error,RMSE)和平均絕對(duì)誤差(Mean Absolute Error,MAE)值,說(shuō)明模型集成在預(yù)測(cè)刀具磨損狀態(tài)上具有較高的準(zhǔn)確性和精度。

表4 不同模型評(píng)價(jià)結(jié)果

模型對(duì)刀具磨損值預(yù)測(cè)結(jié)果和實(shí)測(cè)結(jié)果如圖2所示,上下界限是指預(yù)測(cè)值的上限和下限,用來(lái)表示模型預(yù)測(cè)的不確定性范圍。如果預(yù)測(cè)值都在上下界限之間,說(shuō)明模型的預(yù)測(cè)結(jié)果比較可信,并且能夠較好地捕捉刀具磨損的趨勢(shì)。從圖中可看出,測(cè)試集的結(jié)果均在上下界限中,體現(xiàn)了本文方法的有效性。其次,CNN模型在預(yù)測(cè)精度上也表現(xiàn)出色,相較于SVM回歸和RNN模型略優(yōu)。

圖2 數(shù)控機(jī)床刀具磨損實(shí)測(cè)值與預(yù)測(cè)值對(duì)比

4 結(jié)論

本文基于數(shù)字孿生技術(shù),構(gòu)建了數(shù)控機(jī)床刀具磨損在線監(jiān)測(cè)與預(yù)警系統(tǒng),通過(guò)數(shù)據(jù)采集模塊和預(yù)測(cè)模塊的設(shè)計(jì),采集了振動(dòng)信號(hào)、切削力信號(hào)等多源數(shù)據(jù),并利用卷積神經(jīng)網(wǎng)絡(luò)等模型對(duì)這些數(shù)據(jù)進(jìn)行特征提取和刀具磨損預(yù)測(cè)。

以龍門(mén)型立式VGC1500數(shù)控機(jī)床的性能參數(shù)作為實(shí)驗(yàn)樣本,對(duì)比了不同模型的預(yù)測(cè)結(jié)果,并采用MAPE、RMSE和MAE等指標(biāo)對(duì)模型進(jìn)行評(píng)價(jià)。試驗(yàn)結(jié)果表明,數(shù)據(jù)孿生模型在所有評(píng)價(jià)指標(biāo)上表現(xiàn)最優(yōu),其次是CNN模型,驗(yàn)證了本文提出的方法在數(shù)控機(jī)床刀具磨損預(yù)測(cè)中的有效性和優(yōu)越性。