具備自動(dòng)特征提取能力的智能監(jiān)測(cè)系統(tǒng)

申志剛，何 寧，李 亮

(南京航空航天大學(xué)機(jī)電學(xué)院，南京210016，pencilshow@yahoo.cn)

加工狀態(tài)監(jiān)測(cè)主要包含3個(gè)環(huán)節(jié):傳感器、信號(hào)處理(特征提取)、基于特征的監(jiān)測(cè)策略.其中各環(huán)節(jié)均存在多種選擇.就傳感器而言，切削力是目前刀具狀況監(jiān)測(cè)(TCM)中最為有效的指示信號(hào)，獲得廣泛運(yùn)用［1－3］.聲發(fā)射、振動(dòng)［1，3，4］、電機(jī)電流［5］、聲音［3］以及切削溫度等傳感器也均為研究者采用.且多傳感器融合趨勢(shì)明顯，文獻(xiàn)［1－3，4］均為對(duì)上述傳感器的組合運(yùn)用.TCM中采用的信號(hào)處理技術(shù)既包括傳統(tǒng)的信號(hào)處理技術(shù)，如時(shí)域分析［6］、頻域分析［7］，也包括短時(shí)傅里葉變換、小波分析等時(shí)頻分析技術(shù)［8］.小波分析對(duì)于切削過程產(chǎn)生的非平穩(wěn)的信號(hào)的處理有其優(yōu)勢(shì)，因此在TCM研究中得到較多的應(yīng)用［9－10］.

監(jiān)測(cè)系統(tǒng)設(shè)計(jì)涉及多種類型傳感器和信號(hào)處理技術(shù)的選擇［11］.不同選擇對(duì)監(jiān)測(cè)系統(tǒng)的效率和實(shí)時(shí)性以及后續(xù)決策判斷階段，會(huì)產(chǎn)生直接而重要的影響.多種類的傳感器和多樣的信息處理技術(shù)產(chǎn)生的搭配組合數(shù)量驚人，對(duì)于一個(gè)具體的監(jiān)測(cè)系統(tǒng)的設(shè)計(jì)，如何摒棄經(jīng)驗(yàn)法和多次嘗試法，快速準(zhǔn)確地做出合理的選擇，提取出與監(jiān)測(cè)目標(biāo)相關(guān)性強(qiáng)的特征量，直接影響系統(tǒng)整體的成本和監(jiān)測(cè)效果.對(duì)這一問題目前尚缺乏系統(tǒng)的研究.A.Al－Habaibeh和N.Gindy提出的ASPS方法是此方面研究的少數(shù)的可見成果［12］.

本文旨在提供一種傳感器與信息處理技術(shù)的自動(dòng)擇取方案，自動(dòng)提取敏感特征，使其更加適應(yīng)于高速銑削過程刀具磨損監(jiān)測(cè)的需要.

1 敏感特征自動(dòng)提取方法

1.1 敏感特征自動(dòng)提取

切削系統(tǒng)初始對(duì)應(yīng)健康狀態(tài)，隨著刀具磨損發(fā)生，出現(xiàn)一個(gè)漸進(jìn)變化過程.對(duì)傳感器信號(hào)進(jìn)行間隔采樣，并施以信號(hào)處理手段，提取出以實(shí)數(shù)形式存在的特征量 SFs，并以此建立特征矩陣SFM.銑削過程多次間隔采樣，每次采樣產(chǎn)生一個(gè)SFM矩陣，從而產(chǎn)生出一系列的特征矩陣，形成3D SFM矩陣.對(duì)應(yīng)過程樣本1到k(k為采樣數(shù)目)，可基于SFM矩陣計(jì)算此過程中各特征量fij對(duì)于刀具磨損的相關(guān)程度或曰敏感程度.所產(chǎn)生的敏感系數(shù)也以矩陣的形式加以存放，稱為相關(guān)矩陣(Association Matrix，ASM)，從而建立敏感系數(shù)與各個(gè)特征量之間的對(duì)應(yīng)關(guān)系.具體的特征提取方法如圖1所示.

圖1 敏感特征自動(dòng)提取方法

對(duì)于敏感系數(shù)的計(jì)算，A.Al－Habaibeh和N.Gindy是以Taguchi’s試驗(yàn)設(shè)計(jì)方法為基礎(chǔ)來建立相關(guān)矩陣.而文獻(xiàn)［12］中針對(duì)固定切削參數(shù)加工過程，采用線性擬合的方法進(jìn)行相關(guān)系數(shù)的計(jì)算.前者雖相對(duì)于全因素試驗(yàn)方法可大大減少試驗(yàn)數(shù)量，但仍需完整設(shè)計(jì)的一系列試驗(yàn)作為其計(jì)算基礎(chǔ);而后者受限于單一的固定切削參數(shù).雖然A.Al-Habaibeh和N.Gindy也將其應(yīng)用于刀具破損這樣的突發(fā)性故障監(jiān)測(cè)，但此情況下運(yùn)用直線擬合的斜率來作為相關(guān)系數(shù)值并不合適.

本文在銑削試驗(yàn)基礎(chǔ)上，提出更加完善的敏感系數(shù)計(jì)算方法，將特征量隨切削時(shí)間的離散變化程度亦作為敏感度的一個(gè)度量指標(biāo).因?yàn)閷?duì)于本文提出的智能監(jiān)測(cè)系統(tǒng)而言，特征量如果跳動(dòng)嚴(yán)重(離散度大)，對(duì)于其循環(huán)直線擬合計(jì)算將帶來較大的誤差.綜合考慮擬合直線斜率b和特征量相對(duì)于擬合直線的離散度(以Δ值來度量)，要求特征量擬合直線在斜率大的同時(shí)，要離散度小，才能滿足監(jiān)測(cè)系統(tǒng)的要求.將傾斜度和離散度同時(shí)納入評(píng)估計(jì)算，將兩者加權(quán)平均，如式(1)所示:

其中:s為敏感系數(shù)，b為直線斜率值，Δ為離散度，a1，a2為權(quán)值系數(shù)，滿足條件(0≤a1，a2≤1，a1+a2=1)，i=1，2，…，n，共 n個(gè)傳感器，j=1，2，…，m，共m種信號(hào)處理技術(shù).

嚴(yán)格來講，離散度的計(jì)算應(yīng)該相對(duì)于真實(shí)磨損曲線.為避免方法過于復(fù)雜(真實(shí)磨損曲線的獲得意味著需要多次的停車卸刀動(dòng)作，違背該方法的初衷——自動(dòng)的特征提取)，且從實(shí)際監(jiān)測(cè)效果來看，此簡(jiǎn)化可以接受.

1.2 傳感器和信號(hào)處理技術(shù)

采用4種類型的傳感器，包括測(cè)力儀、聲音、振動(dòng)和聲發(fā)射傳感器.對(duì)采集的6種信號(hào)，進(jìn)行時(shí)域、頻域和小波分析，每種信號(hào)可提取出22個(gè)特征量，具體見表1.

1.3 特征提取結(jié)果分析

如表1所示，6種傳感器信號(hào)，采用時(shí)域、頻域和小波分析技術(shù)進(jìn)行處理，形成6×22的SFM矩陣.對(duì)應(yīng)新刀到刀具磨損失效這一過程，進(jìn)行間隔采樣.采樣樣本長(zhǎng)度應(yīng)包含若干個(gè)主軸周轉(zhuǎn)周期，取平均意義上量值，可形成較為穩(wěn)定的趨勢(shì)圖，便于擬合.對(duì)采樣樣本長(zhǎng)度的確定，應(yīng)綜合考慮試驗(yàn)采用的最高主軸轉(zhuǎn)速和各傳感器信號(hào)不同的采樣頻率來決定.

表1 傳感器和信號(hào)處理技術(shù)

圖2所示為切削力、振動(dòng)、聲音和聲發(fā)射信號(hào)時(shí)域特征的敏感性分析圖形呈現(xiàn)，各特征量值經(jīng)過歸一化處理.可以看出，不同特征量，其擬合直線的斜率和離散程度均有較大的差別.AE信號(hào)的標(biāo)準(zhǔn)差值，以SF(AE，std)表示，其斜率較大，而離散度較小，敏感性最好.而聲音信號(hào)均值，以SF(Sound，mean)表示，則敏感性很差.而y向切削力信號(hào)的均值SF(Fy，mean)，其值隨著磨損加大而出現(xiàn)減小的趨勢(shì).

圖3所示為頻域特征和小波分解所得特征的分析結(jié)果.

圖2 切削力、振動(dòng)、聲音和聲發(fā)射信號(hào)時(shí)域特征敏感性分析

圖3 X向切削力信號(hào)特征敏感性分析

從圖3(a)、3(b)的對(duì)比可見，特征量的敏感系數(shù)與所處頻率段有很大的關(guān)系.圖3(a)對(duì)應(yīng)此切削條件下的敏感頻段，而圖3(b)對(duì)應(yīng)的為高頻段，為非敏感頻段.敏感頻段與切削參數(shù)(特別是主軸轉(zhuǎn)速)的關(guān)系密切.可見，該方法可通過頻段劃分和敏感性分析過程，自動(dòng)將敏感頻段特征量提取出來.對(duì)于小波分析，其各層細(xì)節(jié)信號(hào)和逼近信號(hào)實(shí)際上也對(duì)應(yīng)于不同的頻率范圍，其敏感性分析的結(jié)果，也驗(yàn)證了上述結(jié)論.

對(duì)于變切削參數(shù)的情況，希望提取的特征可以盡量少受其變化的影響.為此，對(duì)特征量在變切削參數(shù)(Vc，fz和ae)情況下進(jìn)行分析.如圖4所示為切削速度變化下的特征量分析結(jié)果.可以看出，圖4(a)中的特征量(Z向切削力的子頻段1)，參數(shù)的變化對(duì)其影響很小，而圖4(b)中的特征量則在參數(shù)變化的前后呈現(xiàn)出較大的落差，表明其受參數(shù)變化影響很大.

圖4 變切削參數(shù)下Z向切削力信號(hào)特征敏感性分析

2 試驗(yàn)設(shè)置

銑削試驗(yàn)在Micron UCP 710五軸立式加工中心上進(jìn)行，具體試驗(yàn)刀具、工件和采集設(shè)備見表2.每把刀具從新刀至切削磨損失效為一次試驗(yàn).試驗(yàn)分為兩個(gè)階段，第一階段對(duì)提出的敏感特征自動(dòng)提取方法的有效性進(jìn)行驗(yàn)證;第二階段，運(yùn)用3.1節(jié)提出的智能監(jiān)測(cè)系統(tǒng)對(duì)刀具磨損進(jìn)行實(shí)際監(jiān)測(cè)，分別基于未經(jīng)特征優(yōu)選的特征量和已經(jīng)敏感性分析優(yōu)選的特征量來進(jìn)行，并對(duì)實(shí)際監(jiān)測(cè)效果進(jìn)行對(duì)比分析.每一階段試驗(yàn)，均有固定切削參數(shù)和變切削參數(shù)兩種情況.采用不同的切削參數(shù)組合，研究3個(gè)切削用量，切削速度Vc、進(jìn)給速度fz和軸向切深ae對(duì)各特征量的影響，并檢驗(yàn)監(jiān)測(cè)系統(tǒng)對(duì)變切削參數(shù)加工條件的適應(yīng)能力.固定軸向切深(ap)=5 mm.銑削方向均為順銑.銑削路徑為直線走刀.

表2 試驗(yàn)設(shè)備

3 監(jiān)測(cè)系統(tǒng)和結(jié)果分析

3.1 智能監(jiān)測(cè)系統(tǒng)

實(shí)時(shí)智能監(jiān)測(cè)系統(tǒng)以兩個(gè)嵌套的循環(huán)過程為核心.基本思想在于利用刀具磨損曲線的規(guī)律——刀具在初始磨損、正常磨損和劇烈磨損3個(gè)階段的曲線變化率不同——來自動(dòng)判斷刀具所處的磨損階段，并在此判斷基礎(chǔ)上建立MD基準(zhǔn)矩陣(正常磨損階段)以及進(jìn)行MD2閾值的設(shè)定(劇烈磨損階段).監(jiān)測(cè)系統(tǒng)可自動(dòng)進(jìn)行刀具磨損階段的判斷，做出“刀具進(jìn)入劇烈磨損”的預(yù)警判斷，并利用過程中存儲(chǔ)的特征數(shù)據(jù)自動(dòng)建立可為“正常運(yùn)行階段”所用的MD基準(zhǔn)陣和MD2閾值.

3.2 結(jié)果分析

監(jiān)測(cè)系統(tǒng)相對(duì)磨損量的計(jì)算需要對(duì)提取的特征進(jìn)行融合，形成互補(bǔ).用隨機(jī)選擇的特征量進(jìn)行融合，并以此作為監(jiān)測(cè)特征，其結(jié)果圖5(a)所示.相對(duì)磨損量值存在較大的跳動(dòng)，呈現(xiàn)出極大的不穩(wěn)定.運(yùn)用特征敏感性自動(dòng)選擇方案對(duì)特征進(jìn)行優(yōu)化選擇，并用自動(dòng)優(yōu)選出的特征量進(jìn)行試驗(yàn)的驗(yàn)證結(jié)果如圖5(b)所示.對(duì)比可知，經(jīng)過優(yōu)化的特征量其跟隨程度有了很大的改善.

圖5 敏感性優(yōu)選前后的監(jiān)測(cè)效果對(duì)比

在變切削參數(shù)情況下，選擇對(duì)變化的切削參數(shù)敏感與否的特征量來進(jìn)行監(jiān)測(cè)的效果差異也很明顯.如圖6(a)所示，特征量對(duì)切削參數(shù)改變敏感，在改變前后呈現(xiàn)較大落差，與實(shí)際磨損所呈現(xiàn)的連續(xù)穩(wěn)定的變化趨勢(shì)出現(xiàn)較大背離.而圖6(b)中所選用的特征量對(duì)該切削參數(shù)的變化不敏感，故在加工條件改變時(shí)了保持對(duì)真實(shí)磨損情況的跟隨.

圖6 監(jiān)測(cè)效果對(duì)比:對(duì)加工參數(shù)變化敏感特征量vs對(duì)參數(shù)變化不敏感的特征量

4 結(jié)論

1)本文提出的傳感器和信號(hào)處理技術(shù)自動(dòng)選擇、自動(dòng)產(chǎn)生敏感特征量的方法，其優(yōu)勢(shì)在于只需一次切削過程(可增加切削過程以消除隨機(jī)因素)，即可自動(dòng)進(jìn)行敏感特征優(yōu)選，進(jìn)而選擇出對(duì)應(yīng)的傳感器和信號(hào)處理技術(shù).

2)提出的敏感系數(shù)計(jì)算指標(biāo)，兼顧靈敏性與穩(wěn)定性.并對(duì)敏感特征自動(dòng)選擇的結(jié)果進(jìn)行了圖形呈現(xiàn).

3)銑削加工過程中的刀具磨損監(jiān)測(cè)試驗(yàn)結(jié)果表明，對(duì)特征量進(jìn)行自動(dòng)優(yōu)選可提高監(jiān)測(cè)系統(tǒng)的穩(wěn)定性，改善監(jiān)測(cè)效果.

4)本文提出的自動(dòng)選擇方案可以作為監(jiān)測(cè)系統(tǒng)設(shè)計(jì)的第一階段，如何與后續(xù)的監(jiān)測(cè)決策策略配合使用，以達(dá)到更好的監(jiān)測(cè)效果，值得進(jìn)一步研究.3.1中提出的監(jiān)測(cè)系統(tǒng)本身缺乏對(duì)加工參數(shù)變化的適應(yīng)能力，在特征量自動(dòng)生成階段即優(yōu)先選擇對(duì)加工參數(shù)變化不敏感的特征量，可在一定程度上增強(qiáng)監(jiān)測(cè)系統(tǒng)的適應(yīng)性.

［1］DIMLA D E SR，LISTER P M.On－line metal cutting tool condition monitoring I:force and vibration analyses［J］.International Journal of Machine Tools＆Manufacture，2000，40(5):739－768.

［2］MILFELNER M，CUS F，BALIC J.An overview of data acquisition system for cutting force measuring and optimization in milling［J］.Journal of Materials Processing Technology，2005，164－165:1281－1288.

［3］GHOSH N，RAVI Y B，PATRA A，et al.Estimation of tool wear during CNC milling using neural network-based sensor fusion［J］.Mechanical Systems and Signal Processing，2007，21(1):466－479.

［4］KANG M C，KIM J S，KIM J H.A monitoring technique using a multi-sensor in high speed machining［J］.Journal of Materials Processing Technology，2001，113 (1－3):331－336.

［5］LI X L，GUAN X P.Time-frequency-analysis-based minor cutting edge fracture detection during end milling［J］.Mechanical Systems and Signal Processing，2004，18(6):1485－1496.

［6］AMER W，GROSVENOR R I，PRICKETT P W.Sweeping filters and tooth rotation energy estimation (TREE)techniques for machine tool condition monitoring［J］.International Journal of Machine Tools＆Manufacture，2006，46(9):1045－1052.

［7］YESILYURT I.End mill breakage detection using mean frequency analysis of scalogram［J］.International Journal of Machine Tools＆Manufacture，2006，46(3－4): 450－458.

［8］CHOI Y，NARAYANASWAMI R，CHANDRA A.Tool wear monitoring in ramp cuts in end milling using the wavelet transform［J］.International Journal of Advanced Manufacturing Technology，2004，23(5－6):419－428.

［9］LI X L，XIN Y.Multi-scale statistical process monitoring in machining［J］.IEEE Transactions on Industrial Electronics，2005，52(3):924－927.

［10］LIAO W，TING T，CHI-FEN，et al.A wavelet-based methodology for grinding wheel condition monitoring［J］.International Journal of Machine Tools＆Manufacture，2007，47(3－4):580－592.

［11］DIMLA D E JR，LISTER P M，LEIGHTON N J.Neural network solutions to the tool condition monitoring problem in metal cutting——a critical review of methods［J］.International journal of machine tools＆manufacture，1997，37(9):1219－1241.

［12］AL-HABAIBEH A，GINDY N.Self-learning algorithm for automated design of condition monitoring systems for milling operations［J］.International Journal of Advanced Manufacturing Technology，2001，18(6): 448－459.