基于機床信息的加工過程刀具磨損狀態(tài)在線監(jiān)測

盧志遠(yuǎn) 馬鵬飛 肖江林 王美清 唐曉青

1.北京航空航天大學(xué)機械工程及自動化學(xué)院，北京，100191 2.中車株洲電力機車研究所有限公司，株洲，412005

0 引言

傳統(tǒng)的刀具磨損狀態(tài)監(jiān)測主要是由有經(jīng)驗的加工人員根據(jù)加工噪聲、切屑顏色、切削振動以及刀具的切削時間來估計磨損情況，這種方法依賴于人的經(jīng)驗，不利于推廣。為實現(xiàn)對刀具磨損狀態(tài)的在線監(jiān)測，人們提出許多先進(jìn)的狀態(tài)監(jiān)測方法[1-6]，一些先進(jìn)的信號處理方法和機器學(xué)習(xí)技術(shù)也廣泛應(yīng)用于在線或離線的刀具磨損狀態(tài)監(jiān)測[2]。圖像識別是最早用于刀具磨損狀態(tài)識別的方法，通過先進(jìn)的光學(xué)設(shè)備在線記錄刀具磨損的圖像[7-8]來檢測磨損狀態(tài)。隨著機器學(xué)習(xí)技術(shù)的發(fā)展，刀具磨損區(qū)域的圖像信息也用來訓(xùn)練預(yù)測模型[9]。這種方法盡管可以準(zhǔn)確直觀地監(jiān)測刀具的磨損狀態(tài)，但傳感器易受加工環(huán)境的影響，且圖像傳輸也會影響識別速度。

ToolScope加工過程監(jiān)控系統(tǒng)是少數(shù)能用于實際生產(chǎn)過程的刀具狀態(tài)監(jiān)測系統(tǒng)，它通過接入數(shù)控系統(tǒng)獲取機床內(nèi)部的狀態(tài)參數(shù)和加工參數(shù)，結(jié)合系統(tǒng)自帶的傳感器對整個加工過程進(jìn)行監(jiān)控。ToolScope系統(tǒng)主要通過監(jiān)測刀具加工過程中的平均切削力來監(jiān)測刀具的磨損情況，通過自動監(jiān)測換刀操作與人工錄入刀具初始使用時間和刀具壽命終點，在大批量、同類型的加工過程中分析和監(jiān)測刀具的磨損狀態(tài)，并設(shè)置警戒限來提醒刀具使用時間終點的到來。但該系統(tǒng)主要基于六西格瑪技術(shù)的統(tǒng)計過程控制，適用于大批量相同加工過程的加工場景，先記錄和更新相同加工過程的相同時刻的各狀態(tài)值的上下限，再判斷加工狀態(tài)，對小批量加工產(chǎn)品的效果較差。另外，該系統(tǒng)的使用成本較高，只能用于一臺機床的監(jiān)控，難以投入大規(guī)模的生產(chǎn)加工。

用于過程控制的對象鏈接與嵌入(object linking and embedding for process control，OPC)基金會發(fā)布了OPC統(tǒng)一架構(gòu)(OPC UA)，其服務(wù)器允許客戶端通過解釋所提供的數(shù)據(jù)的語義來處理非常復(fù)雜的任務(wù)，實現(xiàn)對制造現(xiàn)場數(shù)據(jù)的采集、傳輸、顯示、存儲以及數(shù)據(jù)的分析應(yīng)用，因此可以利用OPC UA采集加工過程中機床內(nèi)部的信息來監(jiān)測當(dāng)前的加工狀態(tài)。謝春秋等[10]設(shè)計了一套基于OPC UA 的數(shù)控機床遠(yuǎn)程監(jiān)控系統(tǒng)。

本文基于OPC UA技術(shù)，在線采集加工過程中機床內(nèi)部的信息，并基于卷積神經(jīng)網(wǎng)絡(luò)(CNN)建立一種泛化能力更強的刀具狀態(tài)預(yù)測模型，構(gòu)建出刀具磨損狀態(tài)在線監(jiān)測系統(tǒng)。該系統(tǒng)能夠?qū)崿F(xiàn)對加工數(shù)據(jù)的在線采集、存儲，并基于這些數(shù)據(jù)實現(xiàn)對刀具磨損狀態(tài)的在線識別，提高監(jiān)測系統(tǒng)的實用價值。

1 磨損機理分析

刀具的磨損量隨著磨損時間的延長而增加，磨損速度主要取決于刀具材料、工件材料和切削速度，但是實驗表明，不同的切削條件下的刀具磨損過程基本相似，可以分為三個階段：初期磨損、正常磨損、急劇磨損。

切削過程中，當(dāng)?shù)度心p加劇時，一些與切削過程密切相關(guān)的物理量都將會發(fā)生變化，如切削力、振動、溫度、噪聲等。通過監(jiān)測這些參數(shù)的變化，可實現(xiàn)刀具狀態(tài)的監(jiān)測[11]。因此，與機床運行相關(guān)的現(xiàn)象或參數(shù)都能夠作為刀具磨損狀態(tài)監(jiān)測的依據(jù)[12]。

切削力是最能夠體現(xiàn)加工過程狀態(tài)的變量[13]，對刀具的磨損狀態(tài)非常敏感。當(dāng)?shù)毒甙l(fā)生磨損變鈍時，刀具的幾何參數(shù)會發(fā)生變化，導(dǎo)致切削能力下降，引起刀具和加工工件之間的摩擦力迅速上升，很容易被檢測到。在OPC UA所采集到的機床內(nèi)部數(shù)據(jù)中，主軸負(fù)載、主軸扭矩及電流等都與實際的切削力有著重要的關(guān)聯(lián)性，本文通過這些與切削力相關(guān)性較強的數(shù)據(jù)實現(xiàn)對刀具磨損狀態(tài)的監(jiān)測。

在實際的生產(chǎn)加工中，刀具的磨損量受各種因素的影響較大，經(jīng)常存在加工了一段時間后實際磨損量并沒有發(fā)生變化的情況；另外，在磨損量的測量過程中，測量者所選的磨損區(qū)域并不是每次都是完全一致的，導(dǎo)致所測量的磨損量受人的主觀因素影響較大，只有完全理想的磨損量數(shù)據(jù)才能夠建立有效的磨損量預(yù)測模型。對于真實加工來說，根據(jù)所要求的加工質(zhì)量，刀具只有正常與磨鈍兩個狀態(tài)。因此，本文建立的刀具磨損狀態(tài)預(yù)測模型將刀具分為兩類來預(yù)測當(dāng)前刀具所處的磨損狀態(tài)。圖1所示為本研究所提刀具磨損監(jiān)測方案。

圖1 刀具磨損在線監(jiān)測方案Fig.1 Tool wear online monitoring solution

2 基于OPC UA的機床數(shù)據(jù)采集

本文采用西門子840D sl數(shù)控系統(tǒng)實現(xiàn)對機床數(shù)據(jù)的采集。圖2所示為數(shù)據(jù)采集方案框架。數(shù)控系統(tǒng)中，設(shè)備物理層會產(chǎn)生各種數(shù)據(jù)，如電氣系統(tǒng)開關(guān)量、交互指令、反饋信號(電流、轉(zhuǎn)速)等。840D sl數(shù)控系統(tǒng)中，設(shè)備物理層產(chǎn)生的數(shù)據(jù)經(jīng)NCU、PLC處理后，由內(nèi)部總線傳遞到PCU內(nèi)部的NCDDE服務(wù)器。NCDDE服務(wù)器完成數(shù)控系統(tǒng)對各種應(yīng)用程序的數(shù)據(jù)交互，將數(shù)據(jù)傳遞給OPC UA服務(wù)器，UA服務(wù)器完成數(shù)據(jù)封裝。運行于PC的OPC UA客戶端按照規(guī)范連接OPC UA服務(wù)器，使用訂閱方法采集數(shù)據(jù)。

圖2 數(shù)據(jù)流向圖Fig.2 Data flow diagram

數(shù)據(jù)采集設(shè)備為一臺PC機，利用網(wǎng)線將PC機與數(shù)控機床的控制系統(tǒng)相聯(lián)，通過TCP/IP協(xié)議實現(xiàn)數(shù)據(jù)的傳輸。PC機作為邏輯上的OPC客戶端，訪問作為OPC服務(wù)器的數(shù)控系統(tǒng)提供的機床加工工況數(shù)據(jù)。其中，OPC服務(wù)器提供的數(shù)據(jù)項是由設(shè)備供應(yīng)商定義的。研究中，OPC客戶端程序采用C#編程語言開發(fā)，實現(xiàn)了一個通用的OPC UA瀏覽器的功能?？蛻舳顺绦虻牧鞒虉D見圖3。

某高層住宅樓在建設(shè)施工過程中，共配置了310根樁（75根摩擦樁+235根嵌巖樁）。在對施工現(xiàn)場進(jìn)行地質(zhì)勘察時，了解到房屋建筑施工現(xiàn)場地勢較為平坦，有雜填土、粘性土、淤泥質(zhì)粘性土、含礫粉質(zhì)粘性土等巖土類型。與此同時，工程要求部分樁基需嵌入到風(fēng)化巖，采用灌注樁施工法時，樁基沉渣厚度應(yīng)不超過5cm。這在一定程度上為樁基施工增添了難度，工作人員在施工過程中需嚴(yán)格控制施工質(zhì)量，保證施工質(zhì)量符合規(guī)定，滿足房屋建設(shè)要求。

圖3 客戶端程序流程圖Fig.3 Client program flow chart

本研究利用主軸負(fù)載、主軸扭矩等與切削力相關(guān)的機床內(nèi)部信息來預(yù)測刀具磨損狀態(tài)，因此在實際采集中僅需要提取與分析部分參數(shù)，這些變量名稱及物理意義如下所示：①Channel/GeometricAxis/actToolBasePos[u1,1]為1通道進(jìn)給軸1軸刀具實際坐標(biāo)；②Channel/ChannelDiagnose/cycle-Time[u1,1]為當(dāng)前程序運行時間；③Channel/State/actToolIdent[u1]為當(dāng)前刀具名稱；④Channel/GeometricAxis/actFeedRate[u1,1]為1通道進(jìn)給軸1軸實際進(jìn)給速度；⑤Channel/Spindle/cmdSpeed[u1,1]為1通道1號主軸轉(zhuǎn)速設(shè)定值；⑥Channel/Spindle/actSpeed[u1,1]為1通道1號主軸轉(zhuǎn)速實際值；⑦Channel/MachineAxis/aaLoad[u1,1]為1通道1軸負(fù)載；⑧NCK/MachineAxis/aaTorque[8]為1通道1號主軸扭矩。

3 基于卷積神經(jīng)網(wǎng)絡(luò)的刀具磨損監(jiān)測

本研究建立的卷積神經(jīng)網(wǎng)絡(luò)CNN要完成的工作是將一定時間內(nèi)的輸入的信號X映射為一個0或1的值s，其中，X表示在一段加工時間內(nèi)連續(xù)測得信號值；s表示刀具的磨損狀態(tài)，0表示正常刀具，1表示異常刀具。

本研究使用的模型結(jié)構(gòu)借鑒了吳恩達(dá)團隊對心率不齊現(xiàn)象進(jìn)行訓(xùn)練的殘差網(wǎng)絡(luò)的設(shè)計思路[14]，CNN的結(jié)構(gòu)如圖4所示。由于BN(batch normalization)歸一化層具有防止過擬合、加快模型收斂等優(yōu)點，因此在模型各層都加入了BN歸一化層。BN歸一化層后的“ReLU”表示對特征矩陣進(jìn)行非線性變換，這里使用的是修正線性激活函數(shù)f(x)=max(0,x)。運算時使用該函數(shù)對特征矩陣中的所有元素單獨進(jìn)行操作，即

yk=ReLU(xk)=max(0,xk)

(1)

其中，xk為輸入，yk為xk的輸出。ReLU轉(zhuǎn)換后，特征矩陣的維度保持不變，該函數(shù)增大了網(wǎng)絡(luò)的稀疏性，使提取出來的特征更具代表性，泛化能力更強。

池化層的特征矩陣的每個值對應(yīng)BN歸一化層特征矩陣中相鄰2個位置元素中的較大值。對BN層中的特征矩陣進(jìn)行操作時，各區(qū)域是不重疊的。

第一個池化層后出現(xiàn)了殘差結(jié)構(gòu)，池化后的輸出結(jié)果經(jīng)過下采樣，與第二次池化后的輸出結(jié)果直接相加，這一操作使兩個特征矩陣的行數(shù)與列數(shù)保持不變。殘差結(jié)構(gòu)的設(shè)定有助于加快模型的收斂，防止梯度消失。后續(xù)卷積與池化過程與上述描述類似。在執(zhí)行完卷積和池化操作后，CNN的輸出連接2個全連接層。全連接層后，網(wǎng)絡(luò)引入1個“dropout”層，將全連接層中的神經(jīng)元以0.5的概率置零，以防止過擬合。神經(jīng)網(wǎng)絡(luò)參數(shù)優(yōu)化算法選用Adam優(yōu)化器對模型進(jìn)行訓(xùn)練，基礎(chǔ)學(xué)習(xí)率為0.001，學(xué)習(xí)率隨著訓(xùn)練集次數(shù)的增加而逐漸減小。當(dāng)誤差隨著訓(xùn)練次數(shù)增加不再減小時，則將學(xué)習(xí)率減少為原來的一半。

受數(shù)據(jù)采樣頻率的限制，本文設(shè)置輸入為含64個元素的向量，即將每3.2s采集到的機床主軸負(fù)載和扭矩作為一個輸入樣本，來預(yù)測當(dāng)前的刀具磨損狀態(tài)。訓(xùn)練過程中，每次隨機取20個樣本進(jìn)行訓(xùn)練，用剩余的樣本進(jìn)行測試，直到模型滿足精度要求時結(jié)束訓(xùn)練，得到最優(yōu)的磨損狀態(tài)識別模型。

4 案例應(yīng)用

4.1 試驗描述

4.2 模型訓(xùn)練與驗證

訓(xùn)練過程中，每個樣本的輸入是主軸負(fù)載的32個信號與扭矩的32個信號的疊加向量。由圖6可見，500次迭代后，最終損失函數(shù)值較小，穩(wěn)定在0.001左右，最終的訓(xùn)練精度趨近于100%，訓(xùn)練效果較好。

圖5 試驗環(huán)境及刀具狀態(tài)Fig.5 Experiment environment and tool status

圖6 訓(xùn)練模型時的精度與損失函數(shù)變化情況Fig.6 Accuracy and loss function value variation in the training model

試驗采用實時驗證的方式，利用OPC UA采集加工過程中的主軸負(fù)載和扭矩，通過C#客戶端調(diào)用訓(xùn)練好的識別模型，對當(dāng)前的刀具狀態(tài)進(jìn)行識別，得到識別精度與平均刀具磨損狀態(tài)識別響應(yīng)時間。該響應(yīng)時間為采集用來識別的數(shù)據(jù)量所花費的時間與模型預(yù)測的時間之和，該試驗的識別精度達(dá)到了89.9%，平均響應(yīng)時間為3.005 s。由試驗結(jié)果可以看到，模型在訓(xùn)練集上的識別效果非常好，在驗證集上盡管有所下降，但還是接近90%，識別精度滿足要求。

為了驗證本研究所提出方法的優(yōu)越性，對同時采集到的振動信號，利用傳統(tǒng)的“信號分析+特征提取”的方法，用分類樹算法建立了相應(yīng)的預(yù)測模型，該模型的訓(xùn)練精度為99.7%，驗證集上的識別精度為83.8%，平均響應(yīng)時間為3.008 s。通過結(jié)果可以發(fā)現(xiàn)，本研究所提出的方法的泛化能力更好。

最后，本文比較了幾種方案在刀具磨損狀態(tài)監(jiān)測上的表現(xiàn)，如表1所示。盡管對ToolScope系統(tǒng)的預(yù)測精度不得而知，但是該方案的成本對目前國內(nèi)的大多數(shù)生產(chǎn)廠商來說都難以真正用于實際。綜合比較監(jiān)測性能及方案成本，本方案相比于其他方案更適用于實際的生產(chǎn)加工。

表1 各類方案性能及適用度比較

5 結(jié)語

本文針對刀具磨損狀態(tài)在實際生產(chǎn)加工過程中難以在線監(jiān)測這一問題，提出一種通過OPC UA通信技術(shù)獲取機床內(nèi)部數(shù)據(jù)，對當(dāng)前的刀具磨損狀態(tài)進(jìn)行識別的方法。通過OPC UA采集機床內(nèi)部實時數(shù)據(jù)并將其與實際加工情景緊密結(jié)合，能直接反映當(dāng)前的加工狀態(tài)。將卷積神經(jīng)網(wǎng)絡(luò)用于構(gòu)建刀具磨損狀態(tài)識別模型，直接將采集到的數(shù)據(jù)作為輸入，得到了和傳統(tǒng)方法精度近似的預(yù)測模型，模型在訓(xùn)練集和在線驗證試驗中的表現(xiàn)都符合預(yù)期。

本文的刀具磨損狀態(tài)識別的方法在投入使用時還有一些問題有待解決：①現(xiàn)有數(shù)據(jù)是在相同的加工條件下測得的，而實際加工過程中，加工參數(shù)以及加工情景是不斷變化的，因此需要在下一步的研究中，進(jìn)行變參數(shù)試驗，考慮加工參數(shù)對于刀具磨損的影響，并針對常用的一些加工場景，建立不同的模型庫。變換加工場景時，通過OPC UA獲取當(dāng)前場景，及時匹配相應(yīng)的預(yù)測模型即可。②本研究中的模型是一個固定的模型。今后需要根據(jù)實時的信號以及已知的磨損狀態(tài)，對模型進(jìn)行實時更新，從而在實時監(jiān)測過程中實現(xiàn)自學(xué)習(xí)，不斷提升模型的精度和預(yù)測效果。