刀具磨損狀態(tài)識別與智能監(jiān)測方法綜述*

董江磊 代月幫 雍建華 李宏坤

（1.大連理工大學(xué)機(jī)械工程學(xué)院；2.沈陽鼓風(fēng)機(jī)集團(tuán)股份有限公司；3.大連理工大學(xué)機(jī)械工程學(xué)院）

0 引言

現(xiàn)如今制造業(yè)已經(jīng)成為國家經(jīng)濟(jì)發(fā)展的中流砥柱，而制造業(yè)與目前信息時代的發(fā)展相融合的重要前提就是利用先進(jìn)的制造技術(shù)來提高生產(chǎn)效率。機(jī)械加工中對于機(jī)械設(shè)備或者工件的監(jiān)測技術(shù)不斷發(fā)展[1]，而刀具作為機(jī)械自動化生產(chǎn)中機(jī)床加工的執(zhí)行件，其磨損狀態(tài)智能監(jiān)測技術(shù)是一項新興的現(xiàn)代化智能診斷技術(shù)，也是隨著不斷發(fā)展的傳感器、信號處理、計算機(jī)和智能制造等高新技術(shù)的基礎(chǔ)上發(fā)展起來的新型技術(shù)，因此，關(guān)于刀具磨損狀態(tài)智能監(jiān)測技術(shù)的研究對于目前信息時代的自動化、智能化制造業(yè)發(fā)展具有重大的意義和作用[2]。刀具切削加工過程中，會隨著切屑的不斷產(chǎn)生和去除而逐漸磨損或者甚至發(fā)生破損。刀具隨著自身的磨損，會導(dǎo)致加工工件的加工精度降低、表面粗糙度增大以及切削溫度的升高，甚至于產(chǎn)生嚴(yán)重的振動而無法正常工作[3]，這對于葉片等有高精度要求的工件有致命影響[4]。因此，刀具的磨損加劇會直接影響加工的效率、生產(chǎn)的質(zhì)量以及成本，對生產(chǎn)效益產(chǎn)生不良的影響，若刀具磨損嚴(yán)重至達(dá)到破損狀態(tài)而發(fā)生崩刃，也會對人身安全造成威脅[5]。因此，通過刀具磨損信號的分析對刀具磨損狀態(tài)進(jìn)行準(zhǔn)確識別并預(yù)警的智能監(jiān)測方法具有重要意義。

1 傳統(tǒng)刀具信號特征提取及故障診斷

1.1 刀具磨損形式與磨損階段

圖1 典型刀具磨損曲線Fig.1 Typical tool wear curve

通常刀具的磨損形式有前刀面磨損、后刀面磨損以及邊界磨損三種主要形式。前刀面磨損主要發(fā)生在切削塑性材料的過程中，常由于切削速度和厚度較大而導(dǎo)致切屑在前刀面上磨出月牙洼。刀具的后刀面磨損是由于后刀面和加工表面的強(qiáng)烈摩擦，導(dǎo)致后刀面靠近切削刃部位會逐漸磨損成為后角為零的小棱面。刀具的后刀面磨損根據(jù)磨損速度的變化一般可分為三個階段：初期磨損階段、正常磨損階段、急劇磨損階段[6]。如圖1所示，刀具切削過程中對其后刀面磨損量VB進(jìn)行定時間隔測量，再對其數(shù)據(jù)點(diǎn)進(jìn)行曲線圖繪制，可得到典型的刀具磨損曲線。在加工的開始和刀具臨近破損極限的區(qū)間，刀具的磨損量增長速度更快，因此，在刀具進(jìn)入急劇磨損階段時應(yīng)及時更換刀具，避免對生產(chǎn)加工產(chǎn)生更嚴(yán)重的危害。同時，對刀具急劇磨損狀態(tài)下的預(yù)警和提示可以有效防止加工質(zhì)量的下降和刀具磨損帶來的危險[7]。刀具的邊界磨損常常發(fā)生在切削鋼材過程中，在主切削刃靠近工件外皮的部位以及副切削刃靠近刀尖的部位發(fā)生磨損并出現(xiàn)較深的溝紋。

傳統(tǒng)刀具信號分析是利用已獲得的刀具磨損信號的數(shù)據(jù)進(jìn)行分析，從時域分析、頻譜分析、階次譜分析等角度入手，對信號進(jìn)行進(jìn)一步分解，提取其內(nèi)在的特征信息，根據(jù)有效特征的信息來做判斷分析，主要步驟為特征提取和狀態(tài)識別與診斷。

1.2 刀具磨損信號特征提取

對刀具進(jìn)行磨損狀態(tài)識別和狀態(tài)監(jiān)測，首先需要采集加工過程中的刀具信號再加以分析。刀具磨損信號可以是切削力信號、聲發(fā)射信號、加速度信號以及電流信號[8-11]。為了區(qū)分刀具的不同磨損狀態(tài)，需要對刀具信號進(jìn)行特征提取，目前主流的特征提取方法有：時頻域分析、小波分解、經(jīng)驗?zāi)B(tài)分解等[12]。

1.2.1 時頻域分析

刀具磨損信號的時頻域分析是對采集的刀具磨損信號進(jìn)行一系列時頻域計算和變換，利用傅里葉變換可得到相應(yīng)的頻譜，利用時域譜的有效值和頻域譜的峭度、特征峰值和頻率等關(guān)鍵特征參數(shù)來對刀具磨損信號進(jìn)行特征提取[13-14]。

1.2.2 小波分解

小波分解能夠?qū)Ψ瞧椒€(wěn)信號進(jìn)行處理，小波變換能夠同時提供時間和頻率信息，因此給出了信號的一種時頻表示[15]。高頻信號在時域內(nèi)便于分析，低頻信號則在頻域內(nèi)便于分析。利用小波分解對信號處理可將信號正交化分解到一系列獨(dú)立頻段，并且無冗余、無疏漏得到低維度的信號特征[16-17]。由于刀具正常機(jī)械加工時的信號通常是低頻信號，信號突變時會在高頻段出現(xiàn)多個特征頻率。小波分解可過濾掉的低頻分量，從而使高頻分量信息更突出，進(jìn)而分析各頻段信號的能量比來進(jìn)行分析[18-19]。

1.2.3 經(jīng)驗?zāi)B(tài)分解

經(jīng)驗?zāi)B(tài)分解方法本質(zhì)上是對信號進(jìn)行平穩(wěn)化處理的方法[20]，EMD方法以信號波動和趨勢的不同尺度為依據(jù)，將信號逐級分解，得到特征尺度不同的一系列固有模態(tài)函數(shù)IMF分量。而通常前幾個IMF分量集中了原信號最重要的信息，通過對這些分量進(jìn)一步分析研究來完成對刀具磨損信號的分析[21]。

1.2.4 其它特征提取方法

除了上述常用的基本信號特征提取方法之外，還有一些根據(jù)不同情況需要所衍生或者改進(jìn)優(yōu)化的方法?；陔p譜的振動信號特征提取方法時利用了雙譜估計法和奇異值分解得到不同磨損狀態(tài)下的特征[22-23]；基于J-EEMD的刀具磨損狀態(tài)特征提取方法，應(yīng)用了近似聯(lián)合對角化下的集合經(jīng)驗?zāi)B(tài)分解處理信號，得到自適應(yīng)分解得到的IMF分量，再通過比對分量能量提取狀態(tài)特征[24]；基于希爾伯特黃變換的特征提取方法則對局部特征的反映更為準(zhǔn)確，適用于分析非線性的非平穩(wěn)信號[25]。綜合來說，特征提取方法是在具體分析環(huán)境中不斷調(diào)整和改進(jìn)優(yōu)化的，通過比對分析或者多種方法結(jié)合得到最適合、最優(yōu)化的特征提取方法是最終目標(biāo)。

1.3 刀具磨損狀態(tài)識別與診斷

傳統(tǒng)刀具磨損狀態(tài)識別和故障診斷是在特征提取基礎(chǔ)上進(jìn)行的特征判別分類技術(shù)[26]。故障診斷技術(shù)往往是根據(jù)采集信息的特征與結(jié)果對應(yīng)的映射關(guān)系來判別故障類型，因此應(yīng)用在刀具磨損狀態(tài)識別中，需要建立提取的特征與磨損狀態(tài)之間的對應(yīng)關(guān)系模型，由此來通過特征的輸入得到最終的磨損狀態(tài)結(jié)果[27-28]。以往的故障診斷方法往往是根據(jù)經(jīng)驗判別或者已有的數(shù)據(jù)記錄等對刀具的磨損狀態(tài)進(jìn)行區(qū)分和判定，這樣的方法既無法滿足準(zhǔn)確性的要求，又過于依賴人工經(jīng)驗，無法實現(xiàn)自動化。后來出現(xiàn)了模糊聚類、支持向量機(jī)以及BP神經(jīng)網(wǎng)絡(luò)等分類算法，逐漸被應(yīng)用到工程領(lǐng)域的模式識別和特征分類領(lǐng)域。

模糊聚類方法是根據(jù)刀具本身屬性構(gòu)造出模糊矩陣并在其基礎(chǔ)上根據(jù)隸屬度確定分類關(guān)系，從而利用相似性初讀來衡量相應(yīng)的親疏關(guān)系，確定分類結(jié)果。支持向量機(jī)與BP神經(jīng)網(wǎng)絡(luò)的使用是在對刀具信號進(jìn)行特征提取后，將得到的特征變量或者信息輸入到BP神經(jīng)網(wǎng)絡(luò)或者支持向量機(jī)模型中，利用已有的數(shù)據(jù)和標(biāo)簽進(jìn)行訓(xùn)練，得到相應(yīng)含有特征與分類映射關(guān)系的算法模型[29-30]。由此再將新提取的特征輸入到算法模型中，就能完成刀具磨損狀態(tài)識別分類，進(jìn)而實現(xiàn)診斷。

2 基于深度學(xué)習(xí)算法的智能診斷

2.1 深度學(xué)習(xí)算法概述

深度學(xué)習(xí)的概念誕生于人工神經(jīng)網(wǎng)絡(luò)的研究，基本的輸入層、隱層、輸出層構(gòu)成了神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)結(jié)構(gòu)[31]。深度學(xué)習(xí)通過對表層信息的特征提取，不斷深入挖掘，將低層特征信息組合成高層特征信息，從而找出數(shù)據(jù)的深層特征和規(guī)律。利用深度學(xué)習(xí)算法來對刀具磨損信號進(jìn)行訓(xùn)練和預(yù)測分析，是近年來廣泛研究和發(fā)展應(yīng)用的一種智能信號處理方法[32-33]。1986年Dechter首先給出了一階深度學(xué)習(xí)和二階深度學(xué)習(xí)的概念，由此深度學(xué)習(xí)方法逐漸成為了特征提取的熱點(diǎn)方法[34]。非線性處理單元可將信息中的隱藏特征轉(zhuǎn)換并表征，而多層的非線性處理單元串聯(lián)組合就構(gòu)成了神經(jīng)網(wǎng)絡(luò)的信息挖掘結(jié)構(gòu)[35]。隨著網(wǎng)絡(luò)層數(shù)的不斷增加，更深層次的特征信息被提取和挖掘，神經(jīng)網(wǎng)絡(luò)演變?yōu)樯疃葘W(xué)習(xí)的算法。而正式的深度學(xué)習(xí)概念是由Hinton等人于2006年所提出[36]，并且在如今的數(shù)據(jù)時代得到了飛速的發(fā)展和應(yīng)用。

2.2 卷積神經(jīng)網(wǎng)絡(luò)CNN

Lecun等人所提出的卷積神經(jīng)網(wǎng)絡(luò)（CNN）作為首個真正的多層結(jié)構(gòu)深度學(xué)習(xí)算法，其充分利用了數(shù)據(jù)的空間關(guān)系，來對數(shù)據(jù)進(jìn)行降維和壓縮，大大減少了計算量，加快了訓(xùn)練速度[37-38]。卷積神經(jīng)網(wǎng)絡(luò)實際上是一種前饋型神經(jīng)網(wǎng)絡(luò)，通過與標(biāo)簽信息的比對，反向傳播誤差，通過誤差減小函數(shù)不斷調(diào)整優(yōu)化算法模型[39]。如圖2所示，卷積神經(jīng)網(wǎng)絡(luò)的主體結(jié)構(gòu)為卷積層和池化層，在前端接入輸入層，尾端接入softmax分類器和輸出層，就構(gòu)建成了一個基本的卷積神經(jīng)網(wǎng)絡(luò)。

圖2 卷積神經(jīng)網(wǎng)絡(luò)算法結(jié)構(gòu)Fig.2 Structure of CNN algorithm

CNN通過卷積的方式來提取數(shù)據(jù)特征，利用權(quán)值共享及池化對數(shù)據(jù)進(jìn)行壓縮降維，最后連接全連接層，區(qū)分特征，完成分類等任務(wù)[40]。將采集的刀具磨損信號以向量或者矩陣的形式輸入卷積神經(jīng)網(wǎng)絡(luò)，通過卷積層進(jìn)行信號特征的提取，池化層對特征進(jìn)行進(jìn)一步的壓縮，再由分類器對特征進(jìn)行分類，通過與數(shù)據(jù)標(biāo)簽的比對，由誤差減小函數(shù)對模型進(jìn)行優(yōu)化改進(jìn)，最終得到準(zhǔn)確度較高的算法模型，借由此算法模型來對刀具的磨損狀態(tài)進(jìn)行評估和預(yù)測。

2.3 深度置信網(wǎng)絡(luò)DBN

深度置信網(wǎng)絡(luò)（DBN）也被用于機(jī)械工程領(lǐng)域?qū)C(jī)械產(chǎn)品的可靠性評估。深度置信網(wǎng)絡(luò)是以受限玻爾茲曼機(jī)（RBM）為結(jié)構(gòu)基礎(chǔ)來構(gòu)建的神經(jīng)網(wǎng)絡(luò)[41-43]。玻爾茲曼分布也叫吉布斯分布，是一種覆蓋系統(tǒng)各種狀態(tài)的概率分布、概率測量或者頻率分布[41]。其概率分布函數(shù)為式(1)所示：

式中，m為粒子質(zhì)量；kT為玻爾茲曼常數(shù)與熱力學(xué)溫度的乘積。

如圖3所示為DBN的網(wǎng)絡(luò)算法結(jié)構(gòu)，在已知輸入層信息s的情況下，節(jié)點(diǎn)之間不存在連接，所以所有的隱藏節(jié)點(diǎn)之間是條件獨(dú)立的。同理，在已知隱層信息t的情況下，所有的可視節(jié)點(diǎn)都是條件獨(dú)立的，且所有的s和t滿足Boltzmann分布。因此，由公式（2）可知，當(dāng)可視層為s時，通過條件概率分布p(t|s)可以得到隱層信息t，再已知t，通過p(t|s)又能得到s。由此可知，可通過調(diào)整參數(shù)，使得經(jīng)過隱層輸出的可視層與原來的可視層一致，則隱層就是可視層一種特征表達(dá)，這樣隱層就可以作為可視層輸入數(shù)據(jù)的特征來進(jìn)行進(jìn)一步的分析。

圖3 深度置信網(wǎng)絡(luò)算法結(jié)構(gòu)Fig.3 Structure of DBN algorithm

式中，v為輸入數(shù)據(jù)分布；h為隱藏層數(shù)據(jù)分布。

深度置信網(wǎng)絡(luò)DBN首先對每一層的RBM進(jìn)行無監(jiān)督訓(xùn)練，并在最后設(shè)置一層BP神經(jīng)網(wǎng)絡(luò)和分類器，接收多層RBM訓(xùn)練提取的數(shù)據(jù)特征，并且有監(jiān)督地訓(xùn)練分類，完成整個網(wǎng)絡(luò)的訓(xùn)練。DBN的網(wǎng)絡(luò)訓(xùn)練模型的過程可以看作對一個深層BP網(wǎng)絡(luò)權(quán)值參數(shù)的初始化，使DBN克服了BP網(wǎng)絡(luò)因隨機(jī)初始化權(quán)值參數(shù)，而容易陷入局部最優(yōu)和訓(xùn)練時間長的缺點(diǎn)[44-45]。DBN作為刀具磨損信號的狀態(tài)識別算法同樣具有較好的應(yīng)用前景。

2.4 稀疏自動編碼器SAE

自編碼器（AE）可以用于壓縮輸入信息，提取有用的輸入特征。稀疏自動編碼器（SAE）是一種無監(jiān)督機(jī)器學(xué)習(xí)算法，加入稀疏性限制并通過計算自編碼的輸出與原輸入的誤差，不斷調(diào)節(jié)自編碼器的參數(shù)，最終訓(xùn)練出模型[46-47]。對于沒有帶類別標(biāo)簽的數(shù)據(jù)，由于為其增加類別標(biāo)記是一個非常麻煩的過程，因此我們希望機(jī)器能夠自己學(xué)習(xí)到樣本中的一些重要特征。通過對隱藏層施加一些限制，能夠使得它在惡劣的環(huán)境下學(xué)習(xí)到能最好表達(dá)樣本的特征，并能有效地對樣本進(jìn)行降維[48]。這種限制可以是對隱藏層稀疏性的限制。如圖4、圖5所示，普通神經(jīng)網(wǎng)絡(luò)隱層神經(jīng)元是全激活的，而稀疏自動編碼器的隱層神經(jīng)元只有部分激活，剩余的則被抑制，這樣就實現(xiàn)了刀具磨損信號特征的提取和數(shù)據(jù)的壓縮，逐層學(xué)習(xí)特征之后利用分類器來實現(xiàn)刀具磨損程度的分類和狀態(tài)識別[49]。此外，稀疏自動編碼器還可以堆疊使用，組成SSAE，即堆棧稀疏自動編碼器來挖掘數(shù)據(jù)更深層次的特征[50-51]。

圖4 非稀疏性神經(jīng)元連接Fig.4 Non-sparse neuronal connections

圖5 稀疏性神經(jīng)元連接Fig.5 Sparse neuronal connections

3 刀具磨損狀態(tài)智能監(jiān)測

3.1 刀具磨損狀態(tài)在線監(jiān)測系統(tǒng)

刀具磨損狀態(tài)在線監(jiān)測技術(shù)是自動化機(jī)械加工與制造發(fā)展過程中越來越被關(guān)注和需要的一項高新技術(shù)。而刀具磨損狀態(tài)在線監(jiān)測系統(tǒng)的搭建和實現(xiàn)就是其技術(shù)核心。

3.1.1 基于傳感器信號的刀具在線監(jiān)測系統(tǒng)

如圖6所示，基于傳感器信號的刀具磨損狀態(tài)在線監(jiān)測系統(tǒng)的結(jié)構(gòu)包括數(shù)據(jù)采集模塊和數(shù)據(jù)分析模塊兩大部分。數(shù)據(jù)采集模塊利用了傳感器的外部連接和軟件的信號采集實現(xiàn)對刀具磨損信號的數(shù)據(jù)采集、存儲。數(shù)據(jù)分析模塊則是監(jiān)測刀具磨損狀態(tài)的關(guān)鍵，將訓(xùn)練完成的算法模型嵌入到系統(tǒng)模塊中，通過對應(yīng)的數(shù)據(jù)點(diǎn)連接，將采集存儲的原始數(shù)據(jù)傳輸進(jìn)去算法模型中，算法模型可利用傳統(tǒng)特征提取與模式識別算法或者深度學(xué)習(xí)算法，并通過算法模型計算分析得出結(jié)果，給出刀具磨損狀態(tài)并給出相應(yīng)的提示和預(yù)警。

圖6 基于傳感器信號的刀具在線監(jiān)測系統(tǒng)結(jié)構(gòu)Fig.6 Structure of tool on-line monitoring system based on sensor signal

3.1.2 智能化刀具磨損視在線監(jiān)測系統(tǒng)

如圖7所示，該刀具磨損在線監(jiān)測系統(tǒng)是針對刀具從入庫刀報廢進(jìn)行全程的監(jiān)控。通過物聯(lián)網(wǎng)技術(shù)構(gòu)建無線網(wǎng)絡(luò)來進(jìn)行各類信息的實時傳輸，并根據(jù)在線的視覺分析模塊監(jiān)測刀具的磨損狀態(tài)[52]。該監(jiān)測系統(tǒng)通過刀具編碼規(guī)范化來實現(xiàn)刀具的科學(xué)化管理，并結(jié)合改進(jìn)的貝葉斯算法實現(xiàn)刀具流的合理調(diào)度，采用CCD工業(yè)相機(jī)拍攝清晰的刀具磨損區(qū)域圖像，輸入到視覺分析模塊中對刀具的磨損狀態(tài)予以實時的監(jiān)測，從而通過刀具磨損狀態(tài)的反饋來合理的規(guī)劃刀具的使用。

圖7 智能化刀具磨損視在線監(jiān)測系統(tǒng)Fig.7 Intelligent tool wear on-line monitoring system

3.1.3 其它刀具磨損在線監(jiān)測系統(tǒng)

盧志遠(yuǎn)[53]等人使用ToolScope監(jiān)控系統(tǒng)監(jiān)測刀具狀態(tài)，通過西門子840Dsl數(shù)控系統(tǒng)采集多類機(jī)床信息，再將采集的數(shù)據(jù)信息輸入到卷積神經(jīng)網(wǎng)絡(luò)算法模型中得出磨損分類的結(jié)果。Kunpeng Zhu[54]等人利用隱半馬爾可夫模型來作為算法分析模型來實現(xiàn)刀具磨損在線監(jiān)測。G.Xu[53]等人利用CNC系統(tǒng)內(nèi)部數(shù)據(jù)結(jié)合敏感支持向量機(jī)實現(xiàn)了對銑刀損壞的監(jiān)測。

3.2 大數(shù)據(jù)平臺應(yīng)用

大數(shù)據(jù)技術(shù)在刀具磨損分類和可靠性評估方面旨在將已有的數(shù)據(jù)整合存儲，通過大數(shù)據(jù)平臺調(diào)用數(shù)據(jù)進(jìn)行模型的訓(xùn)練，進(jìn)而利用模型對數(shù)據(jù)進(jìn)行預(yù)測分析。同時大數(shù)據(jù)技術(shù)可以通過和信號采集模塊相結(jié)合，將實時采集的刀具信號通過數(shù)據(jù)流的形式傳輸?shù)狡脚_的存儲部分，然后計算模塊調(diào)用分析存儲的新數(shù)據(jù)，對新數(shù)據(jù)進(jìn)行結(jié)果預(yù)測，給出可靠性評估，從而利用大數(shù)據(jù)平臺實現(xiàn)刀具的在線監(jiān)測和可靠性評估[53]。大數(shù)據(jù)技術(shù)需要兩個關(guān)鍵能力：大數(shù)據(jù)存儲能力和高速數(shù)據(jù)分析能力。而目前使用的大數(shù)據(jù)框架主要是Hadoop和Spark。

Hadoop是由Apache基金會所開發(fā)的分布式系統(tǒng)基礎(chǔ)架構(gòu)。它可以為用戶提供海量的數(shù)據(jù)存儲功能，可嵌入分布式程序并利用計算機(jī)集群的高速計算性能進(jìn)行分析[56]。Hadoop的數(shù)據(jù)存儲依靠其分布式文件系統(tǒng)HDFS。HDFS由于其分布式存儲結(jié)構(gòu)而具有高容錯率，可將超大數(shù)據(jù)集的數(shù)據(jù)分裝存儲在集群的多臺設(shè)備中，能實現(xiàn)即時的數(shù)據(jù)調(diào)用和數(shù)據(jù)存儲。Hadoop的框架核心的設(shè)計就是HDFS和MapReduce。HDFS使超大數(shù)據(jù)集的存儲成為可能，MapReduce為海量數(shù)據(jù)的分析計算提供了保障。

Apache Spark是專為大規(guī)模數(shù)據(jù)處理而設(shè)計的快速通用的計算引擎[57]。Spark在形式上與Hadoop相似，它們都具有開源的開發(fā)和計算環(huán)境，但是兩者之間仍有區(qū)別。首先，Spark在數(shù)據(jù)存儲方面啟用了內(nèi)存分布數(shù)據(jù)集，即它直接存儲和讀取內(nèi)存中的數(shù)據(jù)，更快捷更高效。其次Spark優(yōu)化了數(shù)據(jù)分析算法，它所具備的數(shù)據(jù)分析功能比Hadoop更加強(qiáng)大。

大數(shù)據(jù)平臺可通過結(jié)合Hadoop的數(shù)據(jù)存儲和讀取功能以及Spark的算法分析功能，利用深度學(xué)習(xí)算法的模型編譯算法，實現(xiàn)基于大數(shù)據(jù)平臺對刀具磨損狀態(tài)進(jìn)行識別的功能。

3.3 發(fā)展趨勢

結(jié)合大數(shù)據(jù)技術(shù)和深度學(xué)習(xí)算法的刀具磨損在線監(jiān)測技術(shù)已成為該領(lǐng)域目前發(fā)展的趨勢。利用大數(shù)據(jù)平臺對數(shù)據(jù)的大容量存儲與處理性能和深度學(xué)習(xí)算法模型的快速泛用性的特點(diǎn)搭建整體算法平臺框架，再配合硬件采集和軟件集成，可以建立以大數(shù)據(jù)平臺為數(shù)據(jù)存儲調(diào)用庫，以深度學(xué)習(xí)算法模型為數(shù)據(jù)分析核心方法的刀具可靠性評估系統(tǒng)。隨著工業(yè)物聯(lián)網(wǎng)的更新和迅速發(fā)展，企業(yè)與工廠中對于機(jī)床刀具的管理和使用愈發(fā)規(guī)范化，智能化，對于刀具的磨損狀態(tài)識別與在線監(jiān)測技術(shù)也將向智能化、大數(shù)據(jù)化發(fā)展，充分利用大數(shù)據(jù)云平臺和不斷改進(jìn)的模式識別與診斷算法相結(jié)合才能實現(xiàn)刀具磨損在線監(jiān)測智能化的突破。

4 總結(jié)

傳統(tǒng)機(jī)械加工過程中，刀具磨損狀態(tài)識別是用人工方法來根據(jù)切削顏色和加工中的噪聲，或者是在加工工序之間拆卸刀具測量磨損量和破損程度這類方法來進(jìn)行判斷是否更換刀具，顯然這樣的基于人工經(jīng)驗的方法不適用于目前追求生產(chǎn)效率和智能化自動化生產(chǎn)的大環(huán)境。刀具的磨損狀態(tài)識別與監(jiān)測技術(shù)的應(yīng)用可有效提高生產(chǎn)效益，但是傳統(tǒng)的刀具磨損信號分析都是利用經(jīng)驗方法對信號進(jìn)行處理，利用信號分解方法進(jìn)行特征提取獲得有效特征加以分析，得到最終的結(jié)論。這樣的刀具信號處理方法過程較為復(fù)雜，效率不高，且無法適應(yīng)目前的實時分析監(jiān)測技術(shù)的需要，理論價值高于實際應(yīng)用價值。

隨著大數(shù)據(jù)技術(shù)的快速發(fā)展，隨之興起的數(shù)據(jù)挖掘、機(jī)器學(xué)習(xí)和人工智能等相關(guān)技術(shù)在多個學(xué)科研究中實現(xiàn)了技術(shù)上的突破。深度學(xué)習(xí)方法作為一種人工智能計算分析方法，在近幾年獲得了快速的研究發(fā)展，多種深度學(xué)習(xí)的網(wǎng)絡(luò)結(jié)構(gòu)被加以優(yōu)化和應(yīng)用。工程領(lǐng)域?qū)τ谏疃葘W(xué)習(xí)方法的研究和應(yīng)用也越來越多，而刀具磨損狀態(tài)識別與智能監(jiān)測技術(shù)也應(yīng)用了深度學(xué)習(xí)算法作為核心算法分析，更智能化、簡易化。因此，把握好大數(shù)據(jù)時代的發(fā)展理念，結(jié)合機(jī)械學(xué)科的相關(guān)專業(yè)思想去完成新的技術(shù)突破是今后必然的發(fā)展趨勢。