一種基于多特征和支持向量機的刀具磨損狀態(tài)識別技術(shù)

劉 宇，汪惠芬，劉庭煜

（南京理工大學　機械工程學院，南京 210094）

?

一種基于多特征和支持向量機的刀具磨損狀態(tài)識別技術(shù)

劉 宇，汪惠芬，劉庭煜

（南京理工大學機械工程學院，南京 210094）

摘 要：為了實現(xiàn)生產(chǎn)過程中切削條件諸多變化的刀具狀態(tài)識別，對銑削加工中三向切削力信號進行時域、頻域以及時-頻域分析，在提取均方根值、峰值、小波包能量等特征量的基礎(chǔ)上，通過分析提取的特征量，提出采用各方向特征比值的方法。得到的特征比值具有更加明顯地對刀具狀態(tài)比較敏感、但對切削用量不敏感特點。通過對特征與特征比值敏感性分析，分析表明特征與特征比值組合的特征向量最適合作為刀具狀態(tài)監(jiān)測的指標。通過多次選取特征比值、特征量組成的特征向量輸入多分類支持向量機（SVM，Support Vector Machine）網(wǎng)絡(luò)中對刀具狀態(tài)進行訓練和識別，發(fā)現(xiàn)特征與特征比值組成的特征向量對不同磨損狀態(tài)不同切削用量下刀具識別精度更高，具有較好的效果，能夠?qū)崿F(xiàn)在小樣本情況下不同磨損狀態(tài)不同切削條件下的刀具狀態(tài)分類。

關(guān)鍵詞：特征；特征比值；三向切削力；支持向量機

0　引言

刀具磨損狀態(tài)影響機械加工的質(zhì)量、效率和成本。在傳統(tǒng)切削加工中，加工人員通過切削聲音、切削時間等來綜合判斷刀具狀態(tài)，這種方法主觀性較強，對加工人員的經(jīng)驗要求非常高，不可避免地存在兩個問題：1）刀具尚未失效就被卸下，導致停機時間增加，生產(chǎn)效率降低，刀具沒有充分被利用，造成資源浪費，生產(chǎn)成本增加；2）當?shù)毒咭呀?jīng)失效而不能及時更換，導致工件的加工質(zhì)量得不到保證，甚至整個切削加工系統(tǒng)的運行也會受到影響。因此，為了從根本上解決這些問題，須要對刀具狀態(tài)進行監(jiān)測。刀具狀態(tài)監(jiān)測是實現(xiàn)生產(chǎn)自動化的一個關(guān)鍵技術(shù)，對于提高生產(chǎn)效率、降低生產(chǎn)成本以及保證產(chǎn)品質(zhì)量具有十分重要的意義［1］。據(jù)統(tǒng)計，一個準確而可靠的刀具狀態(tài)監(jiān)測系統(tǒng)可以避免由于各種因素造成的停機時間的75%，提高10%～60%的生產(chǎn)率，節(jié)省10%～40%的生產(chǎn)成本［2］。為此，國內(nèi)外研究人員對刀具狀態(tài)監(jiān)測技術(shù)展開大量研究，提出許多監(jiān)測方法，目前主要有切削力法、聲發(fā)射法、電流/功率法、振動加速度法和多傳感器融合法等［3～8］。關(guān)山等采用聲發(fā)射法來研究車削加工的刀具狀態(tài)［3］。Wafaa Rmili等研究高速銑削加工刀具磨損狀態(tài)采用振動加速度法［4］。黃華等研究刀具狀態(tài)監(jiān)測采集了銑削加工過程的電流和電壓信號［5］。Mehdi Nouri等采用切削力法建立銑削狀態(tài)實時監(jiān)測系統(tǒng)［6］。Zhu Kunpeng等采用多傳感器融合方法，采集刀具加工過程中的切削力、聲發(fā)射、振動、電流和圖像等五種信號［7］。N. Ghosh等采集切削力、振動、電流和聲音信號來監(jiān)測刀具磨損狀態(tài)［8］。這些學者都通過采集與刀具密切相關(guān)的各種信號，進行信號處理和特征提取，建立刀具磨損與特征信號之間的數(shù)學模型，來實現(xiàn)監(jiān)測目的。近些年來，許多學者采用SVM來進行故障診斷和模式識別的數(shù)學建模［9～13］。SVM是在統(tǒng)計學理論的VC維理論和結(jié)構(gòu)最小化原理基礎(chǔ)上建立的機器學習方法，它不存在陷入局部極值或者過擬合的可能等問題，而且向量特征旳維數(shù)不影響算法本身復雜度，不僅節(jié)約了時間、成本，還使得監(jiān)測模型的建立更加簡便。全睿等人采用二叉樹分類器的SVM方法進行車用燃料電池系統(tǒng)的多故障診斷［9］。于德介等人采用SVM方法對轉(zhuǎn)子故障進行診斷［10］。同時，SVM也被應用到刀具磨損狀態(tài)監(jiān)測模型。大連交通大學的王嬌、西北工業(yè)大學的張棟梁、西班牙埃斯特雷馬杜拉大學的D.R.Salgado等采用SVM對刀具磨損進行了預報建模和識別［11～13］。但是，目前的SVM應用大多集中在正常磨損和非正常磨損兩類刀具的狀態(tài)識別，很少應用在刀具狀態(tài)的多類識別［14］。刀具狀態(tài)識別主要針對某種或者幾種切削條件，許多學者并沒有對提取的特征在切削條件變化磨損狀態(tài)變化的情況下進行分析，很難實現(xiàn)多種切削條件或切削條件變化情況下刀具狀態(tài)的識別。

本文針對這些問題，以銑削加工過程為研究對象，通過采集切削力信號，并經(jīng)過時域、頻域以及時-頻域分析提取特征，采用提取對刀具狀態(tài)比較敏感、但對切削條件不敏感的特征的方法，在提取大量特征量的基礎(chǔ)上，提出了各方向特征量比值法，發(fā)現(xiàn)特征在某個方向上的比值存在一定規(guī)律，適合用于刀具監(jiān)測。通過多次特征選取組成特征向量輸入多分類支持向量機網(wǎng)絡(luò)進行刀具狀態(tài)識別。實驗結(jié)果表明，優(yōu)化后的特征與特征比值組成的特征向量能夠獲得更滿意的結(jié)果。

1　刀具狀態(tài)監(jiān)測實驗

刀具磨損監(jiān)測系統(tǒng)由研究對象（數(shù)控機床）、傳感器安裝與信號采集、信號處理與特征提取、模式識別等模塊構(gòu)成，如圖1所示。

圖1　刀具磨損狀態(tài)監(jiān)測系統(tǒng)組成

本文試驗采用Φ6硬質(zhì)合金YT15兩刃立銑刀在配備FANUC系統(tǒng)的長征立式加工中心KVC1050CN（最大轉(zhuǎn)速為8000r/min）進行加工2Al2鋁合金試驗。通過三向測力儀Kistler9119AA2對銑削加工進行切削力信號采集，電荷放大器為Kistler5080A，數(shù)據(jù)采集器為Kistler5697A，采樣頻率為20000Hz，得到刀具在不同磨損狀態(tài)下的不同切削參數(shù)的切削力信號。由于目前對刀具磨損狀態(tài)沒有統(tǒng)一劃分標準，一般根據(jù)實際加工中刀具磨損劇烈程度，分為輕度磨損（0～0.1mm）、中度磨損（0.1mm～0.3mm）和嚴重磨損（＞0.3mm）［14］。實驗目的是為了研究刀具在變切削參數(shù)下刀具磨損狀態(tài)的分類問題。如果將試驗所選用的4種因素（切削速度、徑向切深、軸向切寬、每齒進給量）的所有參數(shù)進行全面組合，形成多種切削條件，會導致切削試驗量過大，實驗時間過長，因此，實驗采用正交實驗法，設(shè)計了1 組4因素3水平的正交試驗，參數(shù)選擇如表1所示。

表1　正交試驗切削參數(shù)選擇

實驗步驟：

1）選擇新刀（VB=0）安裝好刀具、測力儀和試件，調(diào)整好試驗系統(tǒng)；

2）開啟數(shù)控機床，使機床空轉(zhuǎn)，啟動Kistler9119AA2測力儀配套的試驗采集軟件，采集空轉(zhuǎn)時切削力信號并保存數(shù)據(jù)；

3）按照正交試驗表，依次選擇一組固定的切削條件，調(diào)整好切削參數(shù)并對刀，開始切削實驗；

4）當?shù)毒呓咏ぜr，啟動Kistler9119AA2測力儀配套的試驗采集軟件，開始數(shù)據(jù)采集，連續(xù)采集切削力信號并保存，以工件寬度50mm，作為一次走刀長度；

5）采用提高切削速度的方法來加快刀具磨損，設(shè)置數(shù)控機床的切削參數(shù)主軸轉(zhuǎn)速為6000r/min，其他參數(shù)不變，每走刀10次卸下銑刀，用體現(xiàn)顯微鏡來觀察刀具磨損狀態(tài)，并測出刀具磨損量；

6）當?shù)毒哌_到中度磨損狀態(tài)，按照步驟4），采集切削力信號；

7）重復步驟5），當?shù)毒哌_到嚴重磨損狀態(tài)時，按照步驟4），采集切削力信號。

實驗加工現(xiàn)場如圖2所示，通過上述實驗步驟在三種磨損狀態(tài)下，按照表1的切削參數(shù)，采集了切削力信號數(shù)據(jù)。圖3是工況4在VB=0.08mm情況下（采樣2s），經(jīng)過消噪后，得到切削力Fx時域波形圖。

圖2　銑削加工試驗現(xiàn)場

圖3　工況7下VB=0.08mm時三向切削力的時域波形

2　特征提取與特征優(yōu)化

通過上述刀具狀態(tài)監(jiān)測實驗，測力儀采集到的切削力信號包含著噪聲信號，所以不能直接用來分析。需要進行信號處理來特征提取，得到對應不同切削條件不同磨損狀態(tài)下的信號特征。

2.1特征提取

為了準確實現(xiàn)磨損狀態(tài)的識別，對銑削力信號進行傅里葉變換來提取頻域特征，三向力的功率譜頻譜能量主要集中在在0～3000Hz范圍內(nèi)，特別是在0～1000Hz。

圖4　工況7下VB=0.01時Fx的小波包重構(gòu)時域波形圖

各頻帶信號s8，i對應的能量表示為E8，i（i=0，1，…，15），能量表達式為：

式（1）中，xi，k（k=（0，1，2，…，n））表示重構(gòu)信號s8，i的離散點的幅值。工況4下銑削力Fx、Fy、Fz在刀具各磨損階段的前16個頻段能量上的分布如圖3所示。

從圖5中可以看出，三個磨損階段的能量分布明顯不同，因此采用能量特征表現(xiàn)磨損狀態(tài)是可行的。通過分析9種工況下各磨損狀態(tài)下的能量分布，發(fā)現(xiàn)最大能量特征值都分布在前4頻段，因此，提取切削力各方向上小波包前4頻段的能量特征（Ex8，0，Ex8，1，Ex8，2，Ex8，3）、（Ey8，0，Ey8，1，Ey8，2，Ey8，3）、（Ez8，0，Ez8，1，Ez8，2，Ez8，3）。

圖5　工況4下Fx、Fy、Fz在各磨損狀態(tài)下的前16頻段能量分布

2.2特征比值提取

定義：比值μpq- M為切削力特征M在方向p上的特征值與在方向q上的特征值的比值，其中M為，F(xiàn)xrms，F(xiàn)yrms，F(xiàn)zrms等特征量，p、q為銑削加工時x，y，z方向。

上面分析得到的特征表現(xiàn)出對刀具狀態(tài)和切削條件都具有較好的敏感性。由于銑削加工各個方向切削力存在一定的比值關(guān)系，所以在提取的這些特征量的基礎(chǔ)上，再通過將各個方向切削力的特征的比值進行分析，由特征比值定義得到切削力信號的6個特征比值：

這6種比值具有對刀具狀態(tài)表現(xiàn)較好敏感性，但對切削條件不敏感的特點（如圖6所示，圖中橫坐標為樣本號，縱坐標為特征比值）。因此，最終選擇作為這6個特征比值來進行分析。

圖6　比值特征分析曲線圖

2.3特征優(yōu)化

本文的特征優(yōu)化主要是對特征與特征比值進行敏感性分析，選擇對刀具狀態(tài)變化較敏感而對切削用量不敏感的特征量。通過分析發(fā)現(xiàn)特征與特征比值對刀具狀態(tài)變化都有較好的敏感性，引入特征的相對變化率、平均相對變化率這兩個概念，來定量的分析各特征對切削用量變化的敏感度，并作出如下定義：

相對變化率?Rn表示刀具在同一刀具狀態(tài)下，某一切削用量下特征相對另一切削用量特征變化率，它們的公式定義如下：

式（2）中，?Rn為某個特征的相對變化率；FRn、FRm為某個磨損狀態(tài)下不同切削用量下的特征值。

由于在實驗中在不同刀具磨損狀態(tài)下，分別采取9種工況下的切削力，為了保證特征量能夠較好地反映各切削用量下的敏感性，求取某方向該特征下所有相對變化率的平均值，定義為平均相對變化率，以平均相對變化率作為特征量對切削用量敏感度的度量標準，公式表示為：

式（3）中：?Rn為特征相對變化率，n為不同的特征相對變化率數(shù)目。

通過上述兩個定義求得所提取特征的平均相對變化率，得到表2、表3。

表2　各切削用量下特征的平均相對變化率

表3　各切削用量下特征比值的平均相對變化率

對各特征與特征比值的平均相對變化率進行由小到大排序：

根據(jù)對刀具切削用量敏感性分析結(jié)果，選擇對切削用量不敏感的前6個特征：作為刀具狀態(tài)監(jiān)測識別會有較好的效果。

3　實驗驗證

多分類SVM模型的建立可以參考文獻［15］，支持向量機采用Radical basis function函數(shù)作為核函數(shù)，通過多次計算驗證后，得出當懲罰系數(shù)c=2，核函數(shù)參數(shù)g=1時，建立的支持向量機模型識別效果最好。在對刀具模式識別中，特征的選取很重要。依據(jù)3種不同磨損狀態(tài)，根據(jù)表3選取的特征，從9種工況下抽取代表不同切削參數(shù)下信號特征的162組特征向量數(shù)據(jù)樣本（54組輕度磨損樣本，81組中度磨損樣本，27組嚴重磨損樣本）。從54組輕度磨損樣本中隨機抽取27組樣本作為訓練樣本，其余作為測試樣本；81組中度磨損樣本中隨機抽取48組樣本作為訓練樣本，其余作為測試樣本，27組嚴重磨損樣本中隨機抽取18組樣本作為訓練樣本，其余作測試樣本。以輸出值1表示輕度磨損，輸出值2表示中度磨損，輸出值3表示嚴重磨損。將這些樣本輸入SVM網(wǎng)絡(luò)，通過MATLAB仿真試驗識別正確率如表5所示。

從表5中可以看出采用特征量比值或比值的組合作為網(wǎng)絡(luò)輸入訓練后的識別精度明顯高于特征量或特征量的組合作為網(wǎng)絡(luò)輸入（除峰值外），這也證明銑削加工切削力各方向特征比值作為刀具狀態(tài)監(jiān)測的可行性。其中采用作為特征量的識別精度最高，識別精度達到98.5714%，識別結(jié)果如圖7所示。

圖7　選擇，作為特征仿真結(jié)果

4　結(jié)束語

本文采用銑削力信號對刀具磨損狀態(tài)進行監(jiān)測，提出采用特征比值的方法作為刀具狀態(tài)監(jiān)測的指標。通過對銑削力信號Fx、Fy、Fz時域、頻域以及小波包分析提取出信號的特征。通過對特征量敏感性進行分析，發(fā)現(xiàn)某些特征量的比值更適合用于刀具狀態(tài)的監(jiān)測。從不同切削條件下選取162組特征向量數(shù)據(jù)樣本輸入SVM進行模式識別。SVM訓練表明，采用特征與特征比值組成特征的識別精度更高，具有較好的識別精度。但是，這種方法研究只針對立銑刀銑削加工沿y方向順銑，因為仿真實驗有時候會有一定的誤差，當加工刀具或材料改變后這種模擬仿真可能正確率會下降，因此，是否適用于其他切削加工須要作進一步的研究。

表4　采用不同特征量識別正確率

參考文獻：

［1］ 柳洋，陳永潔，楊文愷，等.刀具磨損狀態(tài)在線監(jiān)測研究現(xiàn)狀與發(fā)展［J］.機床與液壓.2014，42（19）：174-180.

［2］ 關(guān)山，史志標，劉炎.基于多特征融合的刀具狀態(tài)識別方法［J］.振動、測試與診斷.2014，34（3）：576-584.

［3］ Wafaa Rmili，Abdeljalil Ouahabi.An automatic system based on vibratory analysis for cutting tool wear monitoring［J］. Measurement.2015，77：117-123.

［4］ 黃華，李愛平.基于小波神經(jīng)網(wǎng)絡(luò)的切削力刀具磨損識別［J］.農(nóng)業(yè)機械學報.2008，39（8）：173-177.

［5］ Zhu Kunpeng，Wong Yoke San， Hong Geok Soon.Wavelet analysis of sensor signals for tool condition monitoring ：A review and some new results［J］.International Journal of Machine Tools & Manufacture.2009，49：537-553.

［6］ Mehdi Nouri， Barry K.Fussell，Beth L.Ziniti，et al.Real-time tool wear monitoring in milling using a cutting condition independent method［J］.International Journal of Machine Tools&Manufacture.2015，（89）：1-13.

［7］ Tomas Kalvoda，Yean-Ren Hwang.A cutter tool monitoring in machining process using Hilbert-Huang transform［J］.International Journal of Machine Tools & Manufacture.2010，（50）：495-503.

［8］ N.Ghosh，Y.B. Ravi，A.Patra， et al.Estimation of tool wear during CNC milling using neural network-based sensor fusion［J］. Mechanical Systems and Signal Processing.2007，21：466-479.

［9］ 全睿，全書海，黃亮，等.基于支持向量機的車用燃料電池系統(tǒng)故障診斷［J］.振動、測試與診斷.2012，32（1）：78-83.

［10］ 于德介，陳淼峰，程軍圣，等.基于AR模型和持向量機的轉(zhuǎn)子系統(tǒng)故障診斷方法［J］.系統(tǒng)工程理論與實踐.2007，5（5）：152-157.

［11］ 王嬌，劉海燕.基于支持向量機和遺傳算法的刀具故障診斷［J］.組合機床與自動化加工技術(shù).2013，1（1）：74-76.

［12］ 張棟梁，莫蓉，孫惠斌，等.基于混沌時序分析方法與支持向量機的刀具磨損狀態(tài)識別［J］.計算機集成制造系統(tǒng).2015，21（8）：2138-2146.

［13］ D.R.Salgado，F(xiàn).J.Alonso.An approach based on current and sound signals for in-process tool wear monitoring［J］.Machine Tools and Manufacture.2007，47：2140-2152.

［14］ 王國峰，李啟銘，秦旭達，等.支持向量機在刀具磨損多狀態(tài)監(jiān)試中的應用［J］.天津大學學報.2011，44（1）：35-39.

［15］ 王文劍，門昌騫.支持向量機建模及應用［D］.科學出版社，2014.

An intelligent tool wear estimation technology based on multi-feature and support vector machine

LIU Yu， WANG Hui-fen， LIU Ting-yu

中圖分類號：TG71；TH117

文獻標識碼：A

文章編號：1009-0134（2016）05-0132-07

收稿日期：2016-01-20

基金項目：基于耦合建模的數(shù)控機床進給系統(tǒng)優(yōu)化設(shè)計方法研究（51275246）

作者簡介：劉宇（1989 -），男，湖南衡陽人，碩士研究生，研究方向為數(shù)控機床刀具加工、自動化生產(chǎn)和數(shù)字化制造。