對(duì)刀具磨損獲取信號(hào)處理方法的探討

□ 賈 娜 □ 馬雪亭

東北林業(yè)大學(xué) 機(jī)電工程學(xué)院 哈爾濱 150040

對(duì)刀具磨損獲取信號(hào)處理方法的探討

□ 賈 娜 □ 馬雪亭

東北林業(yè)大學(xué) 機(jī)電工程學(xué)院 哈爾濱 150040

建立了監(jiān)測(cè)信號(hào)與刀具磨損之間的關(guān)系，利用監(jiān)測(cè)信號(hào)直接或間接反映刀具磨損狀態(tài)。針對(duì)磨損信號(hào)多種的處理方法（建立刀具磨損的關(guān)系），總結(jié)了近幾年來學(xué)者對(duì)監(jiān)測(cè)信號(hào)采用的不同處理方法。

刀具磨損 信號(hào)處理 監(jiān)測(cè)信號(hào)

刀具磨損會(huì)帶來加工精度下降，并產(chǎn)生噪聲污染。頻繁更換刀具增加了加工輔助時(shí)間，使加工成本提高，生產(chǎn)效率降低。研究刀具磨損的一個(gè)重要步驟就是對(duì)于獲取信號(hào)的處理方法，常用的信號(hào)處理方法有時(shí)域分析、頻域分析、時(shí)頻分析、模糊聚類、分形理論、隱馬爾可夫模型、偏最小二乘回歸、人工神經(jīng)網(wǎng)絡(luò)分析、支持向量機(jī)分析、云模型以及機(jī)器視覺識(shí)別等諸多方法，本文將分別予以闡述。

眾所周知，無論是由直接測(cè)量和間接測(cè)量獲取的信號(hào)，其信息量很龐大，而有用的信息量比重較少，不能直接用于研究刀具磨損狀態(tài)，需要對(duì)信號(hào)進(jìn)行細(xì)致處理，當(dāng)然，不同的監(jiān)測(cè)信號(hào)所用的處理方法也可能有所不同。

1 信號(hào)處理的方法

監(jiān)測(cè)信號(hào)的處理是研究刀具磨損的一個(gè)重要步驟，從傳感器檢測(cè)到的信號(hào)，由于其信息量龐大且有價(jià)值的信息較少，并不能直接作為刀具磨損狀況的識(shí)別特征，需要經(jīng)過處理，建立信號(hào)與刀具磨損狀態(tài)之間的關(guān)系。可以說，信號(hào)處理決定著刀具磨損在線監(jiān)測(cè)技術(shù)的成敗，不同的信號(hào)處理方式得出的結(jié)果有所不同，對(duì)于在線監(jiān)測(cè)的準(zhǔn)確性也將有所不同。

（1）時(shí)域分析方法。時(shí)域分析方法是指將信號(hào)整理成橫軸為時(shí)間的信號(hào)函數(shù)圖像來進(jìn)行分析，在刀具磨損的研究領(lǐng)域中，無論是傳統(tǒng)分析和現(xiàn)代分析是比較常見的方法，它符合人們認(rèn)識(shí)事物規(guī)律的習(xí)慣，易于理解，比較直觀，常被用作信號(hào)后續(xù)處理的第一個(gè)階段。比較常見的時(shí)域分析有均值法、均方根值法、方差和自相關(guān)分析等。董全成等［1］利用均方根值統(tǒng)計(jì)方法建立聲信號(hào)與刀具磨損的關(guān)系，對(duì)刀具磨損狀態(tài)作了詳細(xì)研究，為刀具在線監(jiān)測(cè)奠定了基礎(chǔ)。

（2）頻域分析方法。信號(hào)不僅和時(shí)間有關(guān)，在不同頻率下信號(hào)的響應(yīng)也是不一樣的，這就要用到頻域分析的方法。

在刀具加工過程中，不同磨損狀態(tài)對(duì)應(yīng)信號(hào)的頻率分布是不同的，根據(jù)頻譜圖像可以推斷出刀具處于什么樣的磨損狀態(tài)［2］。在刀具磨損領(lǐng)域，頻譜分析能得到信號(hào)中各頻率上的幅值或能量大小，反映信號(hào)的頻率結(jié)構(gòu)，進(jìn)而與刀具磨損建立很好的相關(guān)性［3］。張建國(guó)等［4］用頻譜分析的方法研究超精密車削單晶硅刀具振動(dòng)信號(hào)，研究了單晶硅超精密車削時(shí)刀具振動(dòng)頻譜分布與切削參數(shù)的關(guān)系，并對(duì)刀具振動(dòng)頻譜的變化規(guī)律及其演變機(jī)理進(jìn)行了分析。

（3）時(shí)頻分析方法。時(shí)頻分析方法是設(shè)計(jì)時(shí)間和頻率的聯(lián)合函數(shù)，用它同時(shí)描述信號(hào)在不同時(shí)間和頻率的能量密集度或強(qiáng)度，這樣就能更加直觀地體現(xiàn)出兩者之間的關(guān)系，得到的信息也會(huì)更加完善。常見的時(shí)頻分析方法主要有窗口傅里葉變換、小波分析、希爾伯特黃變換等。

小波分析方法易與人類視覺特性相結(jié)合，對(duì)于獲取的信號(hào)還有去噪的功能，是目前研究刀具磨損時(shí)頻分析方法中應(yīng)用最多的方法［5］。陳曉智等［6］用小波分析方法通過多層小波分解對(duì)信號(hào)主能量所處頻段進(jìn)行局部特性刻畫，利用小波分解系數(shù)特征統(tǒng)計(jì)值在統(tǒng)計(jì)量與刀具狀態(tài)間建立物理聯(lián)系，實(shí)例表明，該方法能有效地判斷刀具狀態(tài)，比常用的神經(jīng)網(wǎng)絡(luò)進(jìn)行狀態(tài)分析的方法更具有理論直觀性與操作的時(shí)效性。

（4）模糊聚類方法。模糊聚類分析是以模糊數(shù)學(xué)為理論基礎(chǔ)，用該方法來衡量樣本之間的差異程度，調(diào)節(jié)閾值，這樣就可以調(diào)整樣本按照需要分成的種類個(gè)數(shù)，操作簡(jiǎn)單，準(zhǔn)確率高，并且可以通過軟件編程來實(shí)現(xiàn)，大大提高了識(shí)別效率［7］。

在刀具磨損過程中，可以將采集到的切削力、噪聲、振動(dòng)、聲發(fā)射等磨損信號(hào)的特征量作為分類要素，最終經(jīng)過處理得到一個(gè)模糊等價(jià)矩陣，適當(dāng)調(diào)整閾值，直到得到所需要的分類。在以后的刀具加工過程中，可以隨時(shí)將獲取的刀具磨損信號(hào)作為待分類信息，并合理歸類，進(jìn)而得出刀具的磨損情況。模糊矩陣具有需要樣本數(shù)量少、分析結(jié)果可靠的優(yōu)點(diǎn)。陳愛弟等［8］將聲發(fā)射信號(hào)和振動(dòng)信號(hào)進(jìn)行模糊聚類處理，以此來檢測(cè)和預(yù)報(bào)刀具的磨損量，達(dá)到精確預(yù)測(cè)刀具磨損狀況的目的。

（5）分形理論的方法。不規(guī)則的信號(hào)在不同的時(shí)間點(diǎn)上其復(fù)雜程度可以借助分形維數(shù)來描述，對(duì)于刀具磨損，每個(gè)采樣點(diǎn)的信號(hào)圖像復(fù)雜程度不同，可以對(duì)應(yīng)不同的分形維數(shù)，根據(jù)維數(shù)可以反映出刀具磨損狀態(tài)［9］。林穎等［10］利用分形理論對(duì)刀具磨損信號(hào)進(jìn)行處理，研究表明，利用分形理論對(duì)切削力動(dòng)態(tài)分量信號(hào)來提取分形維數(shù)，而分形維數(shù)和刀具磨損的狀態(tài)具有相關(guān)性，可以作為表征刀具磨損狀態(tài)的一個(gè)特征值，能有效識(shí)別刀具的磨損狀態(tài)。

（6）隱馬爾可夫模型。隱馬爾可夫模型（Hidden Markov Model，HMM）是統(tǒng)計(jì)模型，它用來描述一個(gè)含有隱含未知參數(shù)的馬爾可夫過程，是描述識(shí)別動(dòng)態(tài)過程的一種有效方法，它是一個(gè)雙重隨機(jī)過程：非平穩(wěn)信號(hào)可以認(rèn)為是多個(gè)平穩(wěn)信號(hào)段組成的，隱馬爾可夫模型可用于描述每個(gè)平穩(wěn)信號(hào)段特征，又可描述多個(gè)短期平穩(wěn)信號(hào)段之間的動(dòng)態(tài)變化。隱馬爾可夫模型中的狀態(tài)不直接可見，但受狀態(tài)影響的部分變量可見。狀態(tài)所輸出的符號(hào)是有概率規(guī)律的，因此輸出符號(hào)序列與狀態(tài)序列有一定的相關(guān)性［11］。

呂俊杰等［12］用隱馬爾可夫模型方法對(duì)銑削力信號(hào)進(jìn)行提取，對(duì)信號(hào)特征矢量進(jìn)行量化編碼，作為隱馬爾可夫模型的輸入向量，分別訓(xùn)練3個(gè)不同磨損階段的隱馬爾可夫模型來對(duì)未知的刀具磨損狀態(tài)進(jìn)行預(yù)測(cè)，能對(duì)刀具磨損狀態(tài)進(jìn)行較好的識(shí)別。

（7）偏最小二乘回歸方法。偏最小二乘回歸法采用對(duì)變量X和Y都進(jìn)行分解的方法，從變量X和Y同時(shí)提取因子，再將因子按照它們之間的相關(guān)性從小到大排列；偏最小二乘回歸法能允許樣本個(gè)數(shù)少于變量個(gè)數(shù)，約束條件更少，靈活度更大。在刀具磨損方面，可以將兩個(gè)或兩個(gè)以上的參數(shù)組成樣本預(yù)測(cè)刀具的磨損狀況，起到在線監(jiān)測(cè)的作用［13］。

徐創(chuàng)文等［14］采用主軸電機(jī)功率信號(hào)和進(jìn)給伺服電機(jī)功率信號(hào)作為監(jiān)測(cè)信號(hào)，將樣本變量篩選為自變量，因變量是后刀面磨損量，在不同的參數(shù)環(huán)境下對(duì)工件進(jìn)行加工，會(huì)產(chǎn)生多組試驗(yàn)數(shù)據(jù)，然后用偏最小二乘回歸分析方法建立模型，用來預(yù)測(cè)刀具磨損狀況。

（8）人工神經(jīng)網(wǎng)絡(luò)分析方法。人工神經(jīng)網(wǎng)絡(luò)是對(duì)生物上的神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和功能進(jìn)行效仿，它是一種強(qiáng)大的信息數(shù)據(jù)處理系統(tǒng)，大致分為輸入層、中間層和輸出層。輸入層是對(duì)獲取的信號(hào)數(shù)據(jù)進(jìn)行接收，中間層負(fù)責(zé)處理信號(hào)數(shù)據(jù)，輸出層是將處理的結(jié)果進(jìn)行輸出，如果輸出的結(jié)果與期望相同，那么訓(xùn)練結(jié)束；如果不同則會(huì)反向計(jì)算，修改各層權(quán)值和閾值，直到符合期望為止［15］。

王軍平等［16］利用電流信號(hào)基于隨機(jī)模糊神經(jīng)網(wǎng)絡(luò)建立了刀具磨損量的軟測(cè)量模型，該模型利用切削參數(shù)實(shí)時(shí)地調(diào)整網(wǎng)絡(luò)的部分參數(shù)，從而可以減小切削參數(shù)與電流信號(hào)之間關(guān)系對(duì)于刀具磨損估計(jì)的影響并且使模型具有動(dòng)態(tài)性、實(shí)時(shí)性。通過實(shí)驗(yàn)驗(yàn)證，表明該方法是正確的且分別利用主軸電流值和進(jìn)給電流值估計(jì)刀具磨損量具有較好的一致性。

（9）支持向量機(jī)分析方法。支持向量機(jī)方法對(duì)樣本的需求相對(duì)較少、避免出現(xiàn)過擬合和欠擬合等問題，很好地彌補(bǔ)了人工神經(jīng)網(wǎng)絡(luò)的不足［17］。近年來一些學(xué)者在這方面做了不斷的探索。

王國(guó)鋒等［18］基于多傳感器信號(hào)、采用多分類支持向量機(jī)進(jìn)行多種狀態(tài)下辨識(shí)刀具狀況，通過多傳感器獲取刀具振動(dòng)信號(hào)，把獲得的時(shí)域、頻域和小波域的信息作為刀具磨損分類特征，用以支持向量機(jī)訓(xùn)練和識(shí)別刀具不同磨損狀態(tài)下的特征數(shù)據(jù)。對(duì)切削過程中不同磨損狀態(tài)的分類結(jié)果表明，多分類支持向量機(jī)具有出色的學(xué)習(xí)能力，能夠?qū)崿F(xiàn)在小樣本情況下的不同磨損階段分類，識(shí)別精度比較理想。

（10）云模型。李德毅院士等于1995年提出云模型，它是一種定性定量不確定性轉(zhuǎn)換模型，數(shù)據(jù)樣本之間具有隨機(jī)性和模糊性，而云模型把這兩個(gè)特性都考慮在內(nèi)，由定量到定性，原本復(fù)雜的語言值用數(shù)字特征來表示；再從定性到定量、隨機(jī)性和模糊性以及它們兩者之間的關(guān)系通過云發(fā)生器來模擬和建立。在具體處理中，實(shí)現(xiàn)云模型的方法不是單一的，不同的方法構(gòu)成不同類型的云模型，如正態(tài)云模型、半云模型、對(duì)稱云模型和組合云模型等。接合前文所說的支持向量機(jī)，可以更好地應(yīng)用到對(duì)刀具磨損信號(hào)的處理中。

王利偉等［20］結(jié)合云模型和支持向量機(jī)的優(yōu)點(diǎn)，提出了包含輸入層、云化層、SVM層、逆云化層和輸出層等五層結(jié)構(gòu)的云-SVM模型，利用該模型對(duì)刀具磨損狀態(tài)的識(shí)別和預(yù)測(cè)進(jìn)行了仿真，結(jié)果表明，該模型能夠較真實(shí)地識(shí)別和預(yù)測(cè)磨損狀態(tài)，具有較強(qiáng)實(shí)用性。表明該模型結(jié)合了云模型的隨機(jī)性和模糊性，又保持了SVM模型的優(yōu)點(diǎn)，解決了高維問題和局部極值問題，支持小樣本，適合數(shù)控機(jī)床刀具磨損狀態(tài)識(shí)別。

（11）機(jī)器視覺識(shí)別方法。刀具表面是刀具磨破損狀態(tài)的直接反映，因此基于刀具表面圖像的直接監(jiān)測(cè)方法，具有其它監(jiān)測(cè)方法所不能比擬的優(yōu)點(diǎn)，它由顯微鏡、照相機(jī)、計(jì)算機(jī)及圖像處理軟件等組成，先獲取刀具磨損的圖像信號(hào)，對(duì)其進(jìn)行細(xì)致處理。原理簡(jiǎn)單，操作方便，可以很好地得出刀具的磨損狀況［21］?；诘毒呋蚬ぜ膱D像、紋理或切屑圖像都可以用機(jī)器識(shí)別的方法來進(jìn)行處理。像趙林惠等［24］對(duì)微小型刀具磨損檢測(cè)試驗(yàn)研究、張利等［25］對(duì)刀具磨損狀態(tài)識(shí)別技術(shù)的研究等都是利用機(jī)器視覺識(shí)別技術(shù)對(duì)圖像信號(hào)進(jìn)行的處理，得出相應(yīng)的結(jié)論。

但是在工件切削過程中，切屑擋在刀具的表面，因此，基于刀具表面圖像的視覺監(jiān)測(cè)方法一般不能在切削過程中進(jìn)行，因此只是一種間歇式的監(jiān)測(cè)方法。

2 發(fā)展趨勢(shì)

隨著現(xiàn)代加工方法和對(duì)工件質(zhì)量要求的提高，刀具監(jiān)測(cè)技術(shù)越來越重要，單一的刀具信號(hào)獲取已經(jīng)很少能滿足要求，同樣，單一的信號(hào)處理技術(shù)也會(huì)存在這樣或那樣的不足，所以多種信號(hào)處理方式的融合技術(shù)已經(jīng)越來越成為研究的方向之一。如，模糊邏輯和神經(jīng)網(wǎng)絡(luò)都屬于知識(shí)分布存儲(chǔ)，都具有并行處理的無模型系統(tǒng)。通過效仿人的生理動(dòng)作來解決問題是它們結(jié)合的基礎(chǔ)和目標(biāo)。知識(shí)的獲取與表達(dá)、知識(shí)的存儲(chǔ)與推理等方面是它們的主要區(qū)別。如果采用神經(jīng)網(wǎng)絡(luò)，那么就需要進(jìn)行學(xué)習(xí)，而對(duì)于模糊邏輯僅僅需要從知識(shí)庫中提取出來即可；對(duì)于結(jié)構(gòu)化的知識(shí)用模糊邏輯來處理更適合，而對(duì)于分結(jié)構(gòu)化的知識(shí)用神經(jīng)網(wǎng)絡(luò)處理更有效。結(jié)合這兩種數(shù)據(jù)處理方法，可以發(fā)揮它們共同的優(yōu)點(diǎn)并克服它們各自的缺點(diǎn)。這種互補(bǔ)的特性使它們的結(jié)合越來越得到人們的廣泛關(guān)注。

［1］董全成，艾長(zhǎng)勝，樊寧.刀具磨損聲譜特征的分析［J］.組合機(jī)床與自動(dòng)化加工技術(shù)，2006（3）：35-38.

［2］王國(guó)鋒，李啟銘，秦旭達(dá)，等.支持向量機(jī)在刀具磨損多狀態(tài)監(jiān)測(cè)中的應(yīng)用［J］.天津大學(xué)學(xué)報(bào)，2011（1）：35-39.

［3］游鳳荷，魏莉.材質(zhì)渦流檢測(cè)信號(hào)處理方法［J］.測(cè)控技術(shù)，2002（10）：11-14.

［4］張建國(guó)，宗文俊，孫濤.超精密車削單晶硅刀具振動(dòng)頻譜分析［J］.納米技術(shù)與精密工程，2010，8（6）：491-497.

［5］毛新勇，劉紅奇，李斌.主軸電流信號(hào)中銑削力成分的時(shí)頻分析及提取方法研究［J］.中國(guó)科學(xué)（E輯：技術(shù)科學(xué)），2009（11）：1824-1827.

［6］陳曉智，李蓓智，楊建國(guó).一種新的聲發(fā)射刀具磨損小波分析方法［J］.無損檢測(cè)，2007，29（1）：12-15.

［7］陳洪濤，黃遂，李登萬，等.基于模糊聚類的數(shù)控車削加工刀具磨損檢測(cè)研究［J］.現(xiàn)代制造工程，2010（7）：134-137.

［8］陳愛弟，王信義，王忠民，等.基于模糊聚類的刀具磨損量在線監(jiān)測(cè)方法［J］.北京理工大學(xué)學(xué)報(bào)，2000，20（3）：276-280.

［9］張鍇鋒，袁惠群，聶鵬.基于廣義分形維數(shù)的刀具磨損狀態(tài)監(jiān)測(cè)［J］.振動(dòng)與沖擊，2014（1）：162-164.

［10］林穎，劉亞俊，陳忠.基于分形理論和神經(jīng)網(wǎng)絡(luò)的刀具磨損監(jiān)測(cè)［J］.中國(guó)機(jī)械工程，2004，16（16）：1126-1128.

［11］周忠偉，孟廣耀，徐建，等.基于HMM的刀具磨損和顫振預(yù)報(bào)及切削過程的最優(yōu)化控制研究［J］.裝備制造技術(shù)，2013（1）：108-110.

［12］呂俊杰，王杰，王玫，等.基于S O M和H M M結(jié)合的刀具磨損狀態(tài)監(jiān)測(cè)研究［J］.中國(guó)機(jī)械工程，2009，21（13）：1531-1535.

［13］陳高波.基于最小二乘支持向量機(jī)的刀具磨損預(yù)報(bào)建模［J］.武漢工業(yè)學(xué)院學(xué)報(bào)，2009（2）：112-114，118.

［14］徐創(chuàng)文，陳花玲，劉曉斌.偏最小二乘回歸在刀具磨損試驗(yàn)建模中的應(yīng)用［J］.系統(tǒng)仿真學(xué)報(bào)，2007，19（13）：3115-3118.

［15］崔伯第，郭建亮，殷寶麟.基于神經(jīng)網(wǎng)絡(luò)的高速硬車削切削力預(yù)測(cè)研究［J］.機(jī)械設(shè)計(jì)與制造，2012（9）：175-177.

［16］王軍平，敬忠良，王安.基于隨機(jī)模糊神經(jīng)網(wǎng)絡(luò)的刀具磨損量軟測(cè)量技術(shù)［J］.信息與控制，2002，31（6）：535-537.

［17］彭美武，陳洪濤，鐘成明.基于支持向量機(jī)的刀具磨損決策融合技術(shù) ［J］.組合機(jī)床與自動(dòng)化加工技術(shù)，2014（4）：89-93.

［18］王國(guó)鋒，李啟銘，秦旭達(dá)，等.支持向量機(jī)在刀具磨損多狀態(tài)監(jiān)測(cè)中的應(yīng)用［J］.天津大學(xué)學(xué)報(bào)，2011，44（1）：35-39.

［19］聶鵬，董慧，李正強(qiáng)，等.基于改進(jìn)EMD和LS-SVM的刀具磨損狀態(tài)識(shí)別 ［J］.北京工業(yè)大學(xué)學(xué)報(bào)，2013（12）：1784-1790.

［20］王利偉，王姣.云-SVM模型及在數(shù)控機(jī)床刀具磨損狀態(tài)預(yù)測(cè)中的應(yīng)用［J］.組合機(jī)床與自動(dòng)化加工技術(shù)，2012（9）：25-31.

［21］楊建國(guó)，肖蓉，李蓓智，等.基于機(jī)器視覺的刀具磨損檢測(cè)技術(shù)［J］.東華大學(xué)學(xué)報(bào)（自然科學(xué)版），2012（5）：505-508.

［22］關(guān)山.在線金屬切削刀具磨損狀態(tài)監(jiān)測(cè)研究的回顧與展望Ⅱ：信號(hào)特征的提?。跩］.機(jī)床與液壓，2010（17）：121-125.

［23］夏海濤，孟廣耀，劉松年，等.基于切削力實(shí)現(xiàn)銑刀狀態(tài)監(jiān)測(cè)的特征值選取的研究［J］.制造技術(shù)與機(jī)床，2011（2）：97-99.

［24］趙林惠，張建成，寧淑榮.基于機(jī)器視覺的微小型刀具磨損檢測(cè)試驗(yàn)研究［J］.制造業(yè)自動(dòng)化，2012（10）：53-56.

［25］張利.基于圖像幾何形態(tài)與紋理分析的刀具磨損狀態(tài)監(jiān)測(cè)技術(shù)的研究［D］.杭州：浙江工業(yè)大學(xué)，2002.

（編輯 丁 罡）

上海電氣簽署煤發(fā)電項(xiàng)目

日前，上海電氣集團(tuán)（601727）與格盟國(guó)際能源有限公司簽署山西靈石啟光2×350MW低熱值煤發(fā)電項(xiàng)目總承包合同。

格盟國(guó)際能源有限公司是上海電氣集團(tuán)在國(guó)內(nèi)開展電站EPC項(xiàng)目的首個(gè)合作伙伴。本次簽約山西靈石啟光2×350MW低熱值煤發(fā)電項(xiàng)目，標(biāo)志著雙方的合作將得到進(jìn)一步深化。

（本刊訊）

TB114.3；TG71

A

1000-4998（2015）03-0055-03

2014年9月