基于多传感器数据融合的刀具磨损状态监测研究^*

基于多传感器数据融合的刀具磨损状态监测研究*

陈 刚，焦 黎，颜 培，王西彬，史雪春，彭振新

(北京理工大学 机械与车辆学院 先进加工研究所，北京 100081)

摘 要：刀具磨损状态是影响加工质量和生产效率的重要因素之一，传感器、特征提取、信息融合和机器学习等技术的发展为刀具状态监测提供了新思路，然而，建立精度高、鲁棒性好的多传感器系统仍是刀具状态检测的难点。以涂层硬质合金刀具对难加工材料30CrMnMoRE的铣削试验为基础，通过对不同刀具磨损状态下的切削力和切削振动进行采集分析，并比较多种特征提取和模式识别方法，建立了一种更为可靠的铣刀状态监测系统，实现了对高强度钢切削时的刀具磨损状态识别。

关键词：刀具磨损；多传感器系统；特征提取；机器学习

1 刀具状态监测系统

在机械加工中，70%～80%的零件成形是通过切削加工完成的。常见的加工方式有铣削、钻削和车削等。切削加工是零件成形中最主要的加工手段，而刀具作为切削加工的工具，其状态会影响加工产品的尺寸精度、表面质量和生产效率；因此，刀具状态监测对于保证加工质量、实现连续自动化加工非常重要[1]。

在传统的刀具状态监测中，刀具状态是由技工通过加工时间、加工振动或加工噪声等来判断，这样不仅要求技工有丰富的经验，而且精度有限，因此，需要发展现代刀具状态监测技术。刀具状态监测系统[2]从监测策略上可分为离线监测系统和在线监测系统。离线监测要求停机检测，不能满足自动化加工的要求，应用也受限。近年来，随着传感器等相关技术的发展，将先进的硬件采集及数据处理技术应用于刀具状态监测中成为研究热点之一。

刀具状态监测系统主要运用了传感器技术、信息处理和特征提取技术、特征选择技术、机器学习与模式识别技术。实施刀具状态监测的主要步骤如下：1)传感器采集加工信息；2)信号处理及特征信号的提取；3)特征降维及选择；4)使用模式识别、模糊逻辑、神经网络和回归分析等对刀具磨损的预测[3]。

2 多传感器信息采集及试验设计

切削过程中的不同传感信息可从不同角度反映切削状态的变化，且各有优势和局限。本文采集X、Y、Z等3个方向的切削力信号和X、Y等2个方向的振动信号作为刀具状态监测的信息来源。切削振动与切削力、切削系统本身动态特性有着很密切的联系，随着刀具磨损量的增加或刀具破损，会改变刀具与工件之间的接触部分摩擦状态，进而导致切削力增大以及加工系统振动频率和幅值的改变。

本试验工件材质为30CrMnMoRE。该材质是一种耐热高强度特种钢，具有极高的高温综合力学性能。切削方式采用直线逆铣和干式切削。试验在DMG五轴加工中心上进行，通过Kistler9257B采集三向切削力，通过东方时代噪声研究所的INV9822采集X和Y方向振动。试验刀片为XOMX090308TR—M08，采用单齿铣削。

影响监测信号的因子主要是刀具参数、切削速度、进给量、切削深度和刀具磨损量等，本文选取切削三要素作为变量进行试验设计。传感器安装位置图如图1所示。刀具主要信息和切削参数分别见表1和表2。

图1 传感器安装位置图

表1 刀具主要信息

材质涂层材料刀具直径/mm刀片厚度/mm刀片长度/mm硬质合金TiCN202.456.94

表2 切削参数

序号vc/m·min-1fz/mm·z-1ap/mmae/mm11500.050.81221500.050.41231000.0250.4642000.050.412

试验过程中，使用Kenyence显微镜对刀具后刀面磨损宽度进行观测，直至刀具后刀面平均磨损量达到0.25 mm，认为刀具失效，获取刀具从新刀至刀具失效的切削信号和刀具磨损曲线(见图2)。

图2 刀具磨损曲线图

3 信号特征提取及分析

3.1 特征提取

特征提取能维持与刀具状态相关信息，同时在时域和频域上显著减少原始数据的维数。本文所选取的特征提取方法包括时域分析(均值、方差、能量和峰值因子)、频域分析(功率谱密度)和时频分析(小波包分解)等。

选择从5个传感器所提取的101个特征，其指标编号见表3。其中，各向切削力有8个时域参数、4个频域参数及8个小波频带能量参数，故切削力共有61个(3×20+1)切削特征；2个方向振动包括8个时域参数、4个频域参数及8个小波频带能量参数，有40个(2×20)特征。

表3 总特征指标编号

X向切削力Y向切削力Z向切削力切削合力X方向振动Y方向振动1～2021～4041～606162～8182～101

假设信号{x(t)，i=1,2,…,N}及其功率谱p(f)，本文对每一个传感信号所提取的时域及频域上的特征及其公式[4]见表4。

表4 时域及频域特征

名称定义公式均值 刀具状态信号的中心趋势x=1N∑Ni=1xi标准差 描述信号的波动量σ=1N∑Ni=1(xi-x)2[]1/2均方根 表征信号强度,也称平均功率Xrms=1N∑Ni=1x2i()1/2方差 表征信号的波动程度σ2x=1N-1∑Ni=1(xi-x)2峰值因子 波形的振幅除以均方根C=|x|peak/Xrms峭度指标 衡量信号概率分布的峰态K=1N∑Ni=1(xi-x)4[]/1N∑Ni=1(xi-x)2[]2偏度指标 反映信号的非对称性S=1N∑Ni=1(xi-x)3[]/1N∑Ni=1(xi-x)2[]3/2频段能量 对应频段的能量总和E=∑f2f=f1p2(f)重心频率 反映频谱重心的位置变化FC=[∑N/2f=1fp(f)]/[∑N/2f=1p(f)]频率方差 反映谱能量的分散程度VF=[∑N/2f=1(f-FC)2p(f)]/[∑N/2f=1p(f)]均方频率 功率谱主频带位置的变化MSF=[∑N/2f=1f2p(f)]/[∑N/2f=1p(f)]

3.2 特征分析

以第3组铣刀试验为例研究刀具磨损对时域参数的影响，按照上文所述公式对每次走刀的切削力及振动信号相关指标进行计算，分析相关参数的变化规律。

切削合力以及三方向切削力均方根值随刀具磨损量的变化曲线如图3所示。图3中，2条竖线为磨损100、200 mm处，即被竖线所分开的三段可分别视为初期、稳定期及剧烈磨损期。随着刀具磨损，切削合力变化比较明显，且在初期至稳定期以及接近磨钝时，切削合力急剧增大，而各磨损阶段内则无明显规律。均方根值(又称为平均功率)能够表征信号强度，在刀具接近失效时，均方根值急剧增大，而刀具崩刃完全失效后，每次切削力均方根值变化较大，与正常刀具切削力递增规律不同。

图3 切削力时域特征图

振动信号呈周期性变化，周期为0.025 s，与刀具转动周期一致。振动平均幅值在零点附近，刀具失效后有轻微变化，表明刀具正常切削时振动平稳，未出现颤振现象。振动均方根值和最大、最小值随切削时间变化曲线如图4所示。由图4可以看出，随着刀具磨损，振动均方根值呈稳定增长趋势，最大、最小值的绝对值对切削状态变化辨识度不大，且在刀具接近失效时，均方根值急剧变化，表明了该特征辨识磨钝的有效性。

图4 振动时域特征图

刀具监测信号的时域统计参数是以信号的时间序列为基础的，然而刀具磨损的产生往往引起信号频率结构的变化；因此，为得到更丰富的状态特征信息，往往需要对监测信号进行频域分析。不同刀具磨损条件下X向振动功率谱如图5所示。由图5可以看出，随着切削的进行，功率谱峰值增大，且高频成分明显增加。

图5 不同刀具磨损振动功率谱变化图

4 特征选择及降维

特征选择指从已知特征集内选择一个使评价结果最优的子集来降低特征时间和空间复杂度、提高数据质量和泛化能力的过程。根据特征选择方法与学习算法的关系，特征选择算法主要可分为过滤法(Filter)和封装法(Wrapper)[5]。

本文选择过滤法中的相关性特征选择算法。该算法通过计算两两特征之间的相关性，以特征相关性强弱为依据，对数据集的所有非目标特征进行聚类，再从中选择有代表性的特征。用P(xi)表示特征x取第i个值的概率，P(xi|yi)表示特征y取值为yi时特征值x取值为xi的概率。x的信息熵H(x)及已知变量y后x的条件信息熵H(x|y)计算公式为：

(1)

H(x|y)=-p(yi)P(xi|yi)lbP(xi|yi)

(2)

变量x、y间的互信息MI(x,y)可按以下公式计算：

MI(x,y)=H(x)-H(x|y)=

(3)

即得x与y间的相关性为：

Sim(x,y)=

(4)

按式4计算，得到1～101号特征两两之间相关性，以及这些特征与刀具磨损的相关性(见图6)，然后将两两之间相关性值Sim(x,y)gt;0.85的特征归为一类，重新整理归纳出新的特征簇，再根据与刀具磨损相关性绝对值大小(假设为δ)选取合适特征。本文将其分为δlt;0.4、0.4lt;δlt;0.7和 δgt;0.7等3类，选取特征比例分别为1/3、1/5和1/10。最终的特征簇与所选特征见表5，共选择了25个特征。

图6 特征相关性比较示意图

表5 特征分类及选择结果

δ特征簇选择特征gt;0.7248911121314333445515253549321233519331042436163656667707334267700.4～0.715161718192018202224262728293058602229313538394041444849505556575935485562647172787981718174758283858687909194959875909896979910010196100lt;0.4156721232532364669463747687677808488899292

5 基于BP神经网络对磨损状态识别

5.1 BP神经网络原理及设计

由Rumelhart和McCelland为首的科学小组于1986年提出的BP神经网络是一种按误差逆传播算法训练的多层前馈网络，能够学习和存储大量的输入-输出模式的映射关系，而不需要事前揭示描述关系的数学方程[6]。BP神经网络的拓扑结构包括1个输入层、1个输出层和多个隐含层网络结构，且每层的网络均有多个神经元，各个相邻的神经元之间以权值的方式相连。其具体过程包括正向传播和反向传播等2步：正向传播时，样本数据经隐含层逐层处理后，将结果传给输出层，如果当前的输出结果不满足训练目标(均方误差低于设定值)，则进入反向传播；反向传播时，计算反馈信号与网络输出之间的误差，修正权值使其误差减小，然后再重复输入样本数据，进行训练。如此重复训练，网络的实际输出逐渐向各自所对应的期望输出逼近，网络对输入模式的响应的正确率也不断上升，直到误差小于设定值，学习过程结束。其具体实现流程图如图7所示。

图7 神经网络流程图

对于三层BP网络，只要隐含层有足够神经元，即可逼近任意非线性连续函数。模式识别中，比较重要的是对输入层、隐含层和输出层的设计。

1)输入层设计。在模式识别中，输入层节点数等于训练样本的特征属性个数，本文即为所提取的特征个数。

2)输出层设计。输出层节点数等于所想得到的状态个数，本文将铣刀磨损阶段分为3类，即输出层节点数为3，分别为0～100 、100～200 和gt;200 mm。将其设定为 [1,0,0]、[0,1,0]、[0,0,1]。

3)隐含层设计。隐含层节点数选择是BP神经网络中影响计算精度的重要环节之一，本文选择了15、30、41和60等隐含层数进行比较。

此外，本文选取学习因子为0.1，期望误差为0.000 001，取训练步数为1 000。在输出矩阵中，以输出值最接近1为准，判断其状态为磨损阶段的类别。若判断类别与该测试集所属类别相同，则为正确；否则，分类错误。最终所有正确组别占总测试集个数的百分比定义为测试准确度。

5.2 不同物理特征识别精度比较

按上述参数建立BP神经网络，选取第1、3、4组内共计120组切削试验作为切削特征输入组，此3组剩余组及第2组切削试验共45组作为测试组。

以1～20、21～40、41～60、1～60号特征指标作为输入层和以15、30、41和60作为隐含层数时建立神经网络识别精度结果如图8a所示。由图8a可以看出，切削力在隐含层为60层时准确度较高，其次为15层，对比各方向准确度，Fx的准确率最高，平均准确率可到75%，X向是进给方向，其与刀具磨损最为相关，实际生产中在条件有限时，对进给方向切削力采集是对刀具磨损监测行之有效的方法；Fz准确率最低，即轴向力对刀具磨损辨识度较低。三向综合特征表现优于任一单独方向，表明在融合了各方向特征后所表现的特征与刀具磨损更为相关，验证了特征融合的必要性。

以68～87、88～107、68～107号特征指标作为输入层和以15、30、41、 60为隐含层建立神经网络识别精度结果如图8b所示。由图8b可知，振动信号的整体准确率比切削力更高，说明在铣削时，刀具振动稳定性更好，与刀具磨损更相关，且X、Y向综合精度比任一单独方向精度都要高。

图8 切削力和振动特征为输入层准确度比较

5.3 整体特征属性识别精度

以单一物理特征作为输入时精度还不够高，特别是切削力作为输入特征时，达不到应用的要求；因此，对多传感器实现特征层融合，提高刀具磨损识别精度很有必要。

经历特征选择前后的算法表现见表6。由表6可知，隐含层节点数为7层时的计算时间最短，收敛最快，但表现也较差，主要是由于特征量多而所选隐含层太少，导致无法拟合所致的；且隐含层数越大，收敛速度越慢，计算时间也越长；当隐含层数到15层时，表现已趋于稳定。由表6还可以看出，相比于101个特征的输入特征集，以25个特征为输入层时收敛更快，计算用时更短，且最终的表现更好，整个网络的性能都有提升，最终的均方差值误差进一步减少了，表明了相关性特征选择法是有效的。

表6 特征选择前后表现对比

输入层隐含层计算时间/s收敛步数表现准确度/%10174318.19×10-777.78156174.51×10-682.223034121.23×10-788.894579147.99×10-780.002571115.49×10-884.44153124.39×10-791.113027111.39×10-893.33454191.54×10-993.33

6 结语

本文设计并搭建了基于多传感器数据融合的铣刀状态监测系统，主要工作及结论如下。

1)进行刀具磨损试验，采集切削过程中的切削力与振动信号，通过时域分析、频域分析和小波包分析等对切削力与振动信号进行特征提取，并对部分特征与刀具磨损关系进行分析。

2)比较了三向切削力和两向振动所提取特征建立的神经网络识别精度。结果显示，不论是切削力信号还是振动信号，进行特征融合后识别精度更高，单独来看，进给方向振动和切削力信号提取特征有更高的识别精度。

3)对比所有提取特征和经过选择后的部分特征识别精度可知，起到降维作用的相关性选择法可以提高分类的准确性和系统鲁棒性，对刀具监测系统具有重要作用。

参考文献

[1] 陈雷明, 杨润泽, 张治. 刀具检测方法综述[J]. 机械制造与自动化, 2011, 40(1): 49-50,144.

[2] Byrne G, Dornfeld D, Inasaki I, et al. Tool condition monitoring-the status of research and industrial application[J]. CIRP Annals-Manufacturing Technology,1995,44(2):541-567.

[3] Lei M, Yang S, Yang X H. Tool wear length estimation with a self-learning fuzzy inference algorithm in finish milling[J]. International Journal of Advanced Manufacturing Tcehnology, 1999,15(8):537-54.

[4] 王细洋, 龙亮, 郭敏. 基于振动信号的刀具状态监控技术研究[J].南京航空大学学报,2012, 25(3): 42-47.

[5] Liu C Q, Li Y G, Shen W M. Integrated manufacturing process planning and control based on intelligent agents and multi-dimension features[J]. The International Journal of Advanced Manufacturing Technology, 2014(75):1457-1471.

[6] 孙艳杰, 艾长胜. 基于切削声和切削力参数融合的刀具磨损状态监测[J]. 组合机床与自动化加工技术, 2011 (5): 42-45.

* 国家自然科学基金项目(51575050)

作者简介：陈刚(1993-)，男，硕士研究生，主要从事机械制造等方面的研究。

收稿日期：2017-06-01

责任编辑 马彤

Research on Tool Wear Condition Monitoring Based on Multi-sensor Data Fusion

CHEN Gang, JIAO Li, YAN Pei, WANG Xibin, SHI Xuechun, PENG Zhenxin

(Key Laboratory of Fundamental Science for Advanced Machining, School of Mechanical Engineering, Beijing Institute of Technology, Beijing 100081, China)

Abstract： The state of the tool is an important factor that affects the processing quality and production efficiency. The development of signal processing technology, such as sensors, feature extraction and machine learning, provides new ideas for tool condition monitoring. However, the establishment of high precision and good robustness of the multi-sensor system is still the difficulty of tool condition monitoring. Based on the experiment of milling 30CrMnMoRE, the physical parameters such as cutting force and vibration under different tool conditions are analyzed, and a more reliable method is proposed by comparing various feature extraction and pattern recognition methods. Cutter state monitoring system is used to achieve high-strength steel cutting tool wear state recognition.

Key words: tool condition monitoring, multi-sensor system, feature extraction, machine learning

中图分类号：TG 501.1

文献标志码:A