刀具磨損狀態(tài)智能監(jiān)測技術(shù)研究現(xiàn)狀與展望

田佩彬， 王寶金*， 沈錦桃

(1.南京林業(yè)大學(xué)材料科學(xué)與工程學(xué)院，江蘇 南京 210037；2.鎮(zhèn)江中福馬機械有限公司，江蘇 鎮(zhèn)江 212127)

切削加工是指在各種機床上使用工藝要求所對應(yīng)的刀具對毛坯件進行加工，以獲得形狀、尺寸、表面質(zhì)量等符合工藝要求產(chǎn)品的過程。在切削過程中，由于切削載荷等復(fù)雜的作用，刀具會逐漸磨損[1]。使用磨損的刀具進行切削作業(yè)，不僅使得加工精度下降、效率降低，還會導(dǎo)致安全風(fēng)險，并降低機床的使用壽命[2]。從20世紀(jì)80年代開始，刀具管理已成為生產(chǎn)車間管理的重要組成部分[3]。研究顯示，基于刀具磨損狀態(tài)監(jiān)測的刀具管理機制能夠有效降低生產(chǎn)成本，提高生產(chǎn)效率和加工質(zhì)量，提高生產(chǎn)過程的可靠性和安全性[4]。

傳統(tǒng)的刀具磨損狀態(tài)監(jiān)測方法大多依靠工人根據(jù)切削過程中的產(chǎn)生的噪聲、振動等現(xiàn)象來判斷刀具的磨損情況，或者每隔一段時間做一次停機檢測。人工識別的準(zhǔn)確率低，而停機檢測需要頻繁啟停機床，對加工效率影響大。刀具磨損狀態(tài)智能監(jiān)測技術(shù)是基于電子信息技術(shù)和人工智能技術(shù)的一種刀具磨損狀態(tài)在線監(jiān)測技術(shù)，利用非線性建模和智能算法等技術(shù)手段對采集的切削過程中的電子信號進行實時處理與分析，實現(xiàn)對刀具磨損狀態(tài)的信號識別和預(yù)測。刀具磨損狀態(tài)智能監(jiān)測技術(shù)主要包括刀具狀態(tài)信號的采集、處理以及識別三個部分。

1 刀具磨損狀態(tài)信號采集

刀具磨損狀態(tài)信號采集是刀具磨損狀態(tài)智能監(jiān)測的第一步。常用的刀具磨損狀態(tài)信號采集方式主要有直接檢測法和間接監(jiān)測法。直接檢測就是通過測量刀具刃口的形狀變化、位置變化等與刀具磨損直接相關(guān)的物理量來直觀判斷刀具磨損狀態(tài)。隨著機器視覺技術(shù)的發(fā)展，直接檢測除了用尺子、對刀儀等儀器外，還可以直接采用計算機圖像識別方式進行檢測[5]。直接檢測技術(shù)必須停機測量，限制了其推廣應(yīng)用。不同于直接檢測法，間接監(jiān)測方法主要采集切削過程中能間接反映刀具磨損的物理量或物理現(xiàn)象的信號，利用所采集的信號與相應(yīng)刀具狀態(tài)的映射關(guān)系來監(jiān)測刀具磨損程度。例如申志剛等[6]基于對切削力信號的監(jiān)測和識別搭建了具有較高適應(yīng)性的智能刀具狀態(tài)監(jiān)測系統(tǒng)，Li X等[7]利用聲發(fā)射信號監(jiān)測刀具磨損，Dimla[8]證明了振動信號特征與刀具磨損階段之間的關(guān)系。由于間接監(jiān)測不需停機，能夠?qū)崿F(xiàn)在線信號采集，所以適用于高效自動化的生產(chǎn)場合。

但是，間接監(jiān)測所獲取的信號不僅對刀具磨損狀態(tài)的變化敏感，對于系統(tǒng)剛度、加工材料性質(zhì)等工藝參數(shù)的變化也很敏感，所以通過采集單個物理量信號來判斷刀具磨損狀態(tài)的方法很不穩(wěn)定。而通過放置多種類型的傳感器采集切削過程中的信號，再經(jīng)過特定算法融合不同類型的信號，可以彌補單個物理量信號不穩(wěn)定的缺陷。目前基于多信號融合采集刀具磨損狀態(tài)信號已有許多研究：NAKAI等[9]基于多層感知器和徑向基神經(jīng)網(wǎng)絡(luò)融合了切削聲發(fā)射信號和切削功率信號，R.Tetia[10]基于主成分分析法融合了聲發(fā)射信號、切削力信號和振動信號，李鵬等[11]基于一維卷積長短時記憶網(wǎng)絡(luò)融合了主軸和工作臺的振動和切削聲發(fā)射信號，均發(fā)現(xiàn)基于多信號融合的監(jiān)測系統(tǒng)比單信號系統(tǒng)更加穩(wěn)定、可靠。

2 刀具磨損狀態(tài)信號濾波處理

間接監(jiān)測所獲取的信號需要經(jīng)過濾波處理后才可以用來識別刀具磨損狀態(tài)。這是因為間接監(jiān)測所采集到的信號不僅包含刀具磨損狀態(tài)信息，通常還有大量其他的工況信息，如所采集的切削聲信號中會含有環(huán)境噪音，切削功率信號易受工件材質(zhì)影響，機床剛性會干擾切削振動信號的采集等等。因而，傳感器采集的原始信號需要先濾去與刀具磨損狀態(tài)不相關(guān)的信息，提高信號的信噪比，才能在識別刀具磨損狀態(tài)時獲得更好的穩(wěn)定性和準(zhǔn)確性。對采集的刀具磨損狀態(tài)信號進行濾波的方法主要有時域法、頻域法和時頻域法[12]。

時域法即根據(jù)時域序列來捕捉特征信號，使用時域法分析刀具磨損狀態(tài)信號，需要提取切削過程中隨刀具磨損狀態(tài)變化而變化的時域特征參數(shù)。Jiao F等[13]在建立基于時間序列分析方法的刀具磨損預(yù)測模型時發(fā)現(xiàn)，利用時域分析法處理刀具磨損狀態(tài)信號雖然可以捕捉較全面的時序信息，但難以反映信號周期成分的變化，且對使用環(huán)境要求較高，無法作為典型工況下刀具磨損狀態(tài)信號處理的優(yōu)選方法。

頻域法即通過分析信號頻譜捕捉信號中與目標(biāo)狀態(tài)顯著相關(guān)的周期成分。Bhuiyan M S H[14]在對車削加工過程中的振動信號進行頻域法處理時發(fā)現(xiàn)，不同信號的頻率在不同刀具磨損狀態(tài)下和不同切削條件下產(chǎn)生的振動分量均集中于某個特定頻段內(nèi)，證明了頻域法能很好地提取出反映刀具磨損狀態(tài)的特征信號，但也發(fā)現(xiàn)頻域法對信號的局部變化不敏感，因而對切削過程中的大量非平穩(wěn)信號處理效果欠佳。

時頻域法兼顧時域分析與頻域分析的特點，能夠先對輸入信號進行頻帶分解，刪除信噪比較高的細(xì)節(jié)部分，再對信號進行重構(gòu)，從而獲得濾去噪音的刀具磨損狀態(tài)信號[15]。時頻分析法中的小波變換方法是目前研究刀具磨損狀態(tài)信號處理中應(yīng)用最多的方法[16]。由于小波變換法能夠根據(jù)輸入信號的性質(zhì)以及濾波要求自適應(yīng)地調(diào)整至合適的信號頻譜，在對切削過程中產(chǎn)生的大量非穩(wěn)態(tài)信號進行濾波時，能夠兼顧濾波精度與濾波效率[17]，可靠性較高。

3 刀具磨損狀態(tài)信號智能識別

刀具磨損狀態(tài)識別就是要將所采集到并完成濾波處理的信號識別為相應(yīng)的刀具狀態(tài)。刀具磨損狀態(tài)信號的識別方法可分為基于閾值的識別法和基于智能算法的識別法兩類。閾值方法即通過統(tǒng)計不同樣本的狀態(tài)在低維特征圖上的范圍，得到各狀態(tài)的特征閾值，再通過比較目標(biāo)特征與閾值的關(guān)系得到目標(biāo)狀態(tài)的識別結(jié)果。基于機理的識別方法[18][19][20]多屬于這一類。閾值方法的優(yōu)點是簡單直觀，但不適合于解決比較復(fù)雜的信號識別問題。

與特征閾值方法相比，人工智能方法具有更強大的復(fù)雜非線性建模能力，能夠更好地解決復(fù)雜工況下的狀態(tài)信號識別問題。在智能識別系統(tǒng)中，識別模型不再關(guān)心復(fù)雜的切削過程和中間物理量變化，而是把它們視為黑箱，直接建立輸入的信號特征向量與輸出的刀具磨損狀態(tài)之間的非線性映射關(guān)系，極大地簡化了復(fù)雜狀態(tài)下的識別難度。常用于刀具磨損狀態(tài)監(jiān)測的智能算法有人工神經(jīng)網(wǎng)絡(luò)、模糊推理、貝葉斯網(wǎng)絡(luò)以及支持向量機等[21]。

3.1 人工神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)是一類仿生物神經(jīng)信號傳遞模式的并行計算模型，含有大量廣泛互聯(lián)的自適應(yīng)處理單元。人工神經(jīng)網(wǎng)絡(luò)模型構(gòu)建所包含的層數(shù)、節(jié)點數(shù)、傳遞函數(shù)、性能函數(shù)、訓(xùn)練函數(shù)等都可以根據(jù)模型需求以及調(diào)試過程中的實際情況進行靈活調(diào)整，建模人員只需要不斷輸入樣本即可讓網(wǎng)絡(luò)模型的各節(jié)點實現(xiàn)自適應(yīng)的權(quán)值修正，因而在非線性建模領(lǐng)域表現(xiàn)突出。另外，人工智能數(shù)據(jù)服務(wù)業(yè)的興起，也為人工神經(jīng)網(wǎng)絡(luò)訓(xùn)練模型所需的大量高質(zhì)量數(shù)據(jù)需求提供了解決方案。目前，在刀具磨損狀態(tài)監(jiān)測領(lǐng)域常用的神經(jīng)網(wǎng)絡(luò)模型包括BP神經(jīng)網(wǎng)絡(luò)、多層感知器、RBF神經(jīng)網(wǎng)絡(luò)等。

Venkata Rao等[22]訓(xùn)練出的神經(jīng)網(wǎng)絡(luò)模型，能夠根據(jù)工件表面粗糙度及振動情況預(yù)測刀具磨損狀態(tài)，最終平均誤差低至2.92%。張明松等[23]分別通過BP神經(jīng)網(wǎng)絡(luò)和RBF神經(jīng)網(wǎng)絡(luò)根據(jù)圓鋸片基體外圓斷續(xù)車削加工過程中的切削力和刃口溫度來識別刀具狀態(tài)和預(yù)測磨損，結(jié)果表明RBF神經(jīng)網(wǎng)絡(luò)識別精度更高。Krishnakumar等[24]采集振動信號輸入BP神經(jīng)網(wǎng)絡(luò)以識別鈦合金高速銑削刀具的磨損狀態(tài)，最終識別精度為95.4%。李鑫等[25]將切削速度、切削深度、主軸轉(zhuǎn)速等作為輸入量訓(xùn)練人工神經(jīng)網(wǎng)絡(luò)識別模型，通過對比經(jīng)驗公式證明了用神經(jīng)網(wǎng)絡(luò)模型識別刀具磨損狀態(tài)具有可行性。

人工神經(jīng)網(wǎng)絡(luò)的商業(yè)化應(yīng)用已經(jīng)非常成熟，具有開發(fā)便捷、適應(yīng)性強的特點，但需要有大量的訓(xùn)練樣本才能達到精度要求，無論是自行采集數(shù)據(jù)、構(gòu)建訓(xùn)練集，還是向?qū)I(yè)的數(shù)據(jù)供應(yīng)商購買訓(xùn)練集，都使得基于人工神經(jīng)網(wǎng)絡(luò)的刀具狀態(tài)識別系統(tǒng)的構(gòu)建成本偏高。另外，為了避免出現(xiàn)的過擬合和局部最優(yōu)解，人工神經(jīng)網(wǎng)絡(luò)通常與其他智能算法結(jié)合使用。

3.2 模糊推理

模糊推理是一種近似推理模型，其模仿人腦的主觀判斷思維方式而摒棄了對精確信息的要求。顧名思義，模糊推理模型用于通過不確定的信息做出判斷，所謂不確定信息包括低精度的輸入量、不完整的知識庫等。模糊推理模型首先將這些不確定信息按給定的算法變?yōu)槟：盘?，利用適配控制規(guī)則進行類主觀的推理，最后輸出去模糊化后的推理結(jié)果，作為決策、評估、審核等主觀行為的結(jié)論參考。模糊推理通常結(jié)合其他智能算法用于刀具磨損信號識別。

吳軍等[26]訓(xùn)練了一種自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)用于識別刀具磨損程度，實驗發(fā)現(xiàn)該模型通過引入模糊推理過程使得識別精度要高于單純的BP網(wǎng)絡(luò)或ABP網(wǎng)絡(luò)。朱永猛等[27]通過訓(xùn)練自適應(yīng)神經(jīng)模糊推理系統(tǒng)建立了一種刀具磨損信號識別模型，能夠利用高速銑床的振動信號、電流信號和噪聲信號來監(jiān)控銑床的刀具磨損狀態(tài)，識別的平均準(zhǔn)確率達到為95.21%。A.Gajate等[28]通過實驗比較了三種模糊推理模型在刀具磨損信號識別方面的精度，實驗結(jié)果表明，直推式加權(quán)模糊神經(jīng)網(wǎng)絡(luò)比自適應(yīng)模糊推理和動態(tài)演化模糊神經(jīng)網(wǎng)絡(luò)識別精度更高。

模糊推理能以較低的輸入信息精度得到準(zhǔn)確率較高的識別輸出結(jié)果，適合于刀具磨損狀態(tài)的定性分析，因無需具備完備的先驗知識庫，其在刀具磨損狀態(tài)信號識別領(lǐng)域的研究與應(yīng)用備受關(guān)注。

3.3 貝葉斯網(wǎng)絡(luò)-隱馬爾可夫模型

貝葉斯網(wǎng)絡(luò)是一種圖形化網(wǎng)絡(luò)模型，其原理為基于變量的概率推理，與模糊推理一樣常用于信息不精確情況下的決策模擬[29]。貝葉斯網(wǎng)絡(luò)的一種簡化特例——隱馬爾可夫模型應(yīng)用更為廣泛，其常用于模擬一個動態(tài)過程，利用過程中的隱含參數(shù)進行模式識別等[30]。隱馬爾可夫模型在刀具磨損信號識別領(lǐng)域中有較多的應(yīng)用研究。

余勁松等[31]設(shè)計了一種基于加權(quán)隱馬爾可夫模型的刀具磨損狀態(tài)監(jiān)測系統(tǒng)，識別精度較高。王海峰等[32]采用和BFA算法結(jié)合優(yōu)化的隱馬爾可夫模型進行刀具磨損狀態(tài)信號識別，準(zhǔn)確度和可靠性均較高。張棟梁等[33]采用隱馬爾可夫模型進行刀具磨損信號識別，識別準(zhǔn)確率高于93%。何棟磊等[34]通過遺傳算法優(yōu)化后的隱馬爾可夫模型進行刀具磨損狀態(tài)信號識別，發(fā)現(xiàn)該模型識別準(zhǔn)確有效。呂俊杰等[35]利用SOM-識別端面銑刀的磨損狀態(tài)信號，獲得了較高的準(zhǔn)確度。

使用貝葉斯網(wǎng)絡(luò)-隱馬爾可夫模型進行刀具磨損狀態(tài)識別的初始樣本需求量小，且具備根據(jù)使用中產(chǎn)生的數(shù)據(jù)或新導(dǎo)入數(shù)據(jù)改進模型的能力，能夠隨著加工生產(chǎn)過程逐步完善模型、提高精度，因此在刀具磨損狀態(tài)識別領(lǐng)域具有較好的實用性。

3.4 支持向量機

支持向量機本質(zhì)上是一種二元線性分類器，其算法原理是先針對輸入量構(gòu)建一個樣本空間，再構(gòu)建出能夠按照目的類別有效分隔樣本空間的超平面，實現(xiàn)分類器的建立。支持向量機雖然是一種有導(dǎo)師的學(xué)習(xí)方法，但由于其泛化能力很強，所以對于樣本的需求量遠(yuǎn)比人工神經(jīng)網(wǎng)絡(luò)小，常在解決實際工程問題中使用，目前在刀具磨損狀態(tài)監(jiān)測領(lǐng)域也有較多的應(yīng)用研究。

施東風(fēng)等[36]基于最小二乘法構(gòu)建用于刀具磨損信號識別的支持向量機，識別精度較高。劉富等[37]采用仿生應(yīng)變傳感器采集機床刀具振動信號，使用支持向量機算法建立刀具磨損狀態(tài)信號識別模型，實驗表明識別準(zhǔn)確率較高。Samik Dutta 等[38]以已加工工件表面圖像的相關(guān)特征值作為輸入量建立了一種支持向量機模型，實驗證明該模型的刀具磨損信號識別準(zhǔn)確率較高。王國鋒[39]等利用多分類支持向量機根據(jù)多傳感器信號進行刀具磨損信號識別，實驗表明該模型在小樣本情況下識別精度較高。

基于支持向量機的識別方法能夠避免人工神經(jīng)網(wǎng)絡(luò)樣本成本高、結(jié)構(gòu)復(fù)雜、收斂速率低、易產(chǎn)生過擬合或欠擬合等問題，使得小樣本條件下的模型訓(xùn)練依然能夠迅速收斂。另外，多分類支持向量機在多傳感器信號融合的識別模型中表現(xiàn)優(yōu)異[40]。

4 展望

切削加工是工業(yè)生產(chǎn)中重要的加工形式之一，而科學(xué)的切削刀具磨損狀態(tài)監(jiān)測，以及基于識別結(jié)果的合理處理，有助于提質(zhì)量、增效率、降成本和促安全。因此，刀具磨損狀態(tài)智能監(jiān)測技術(shù)的發(fā)展有利于提高切削加工的自動化、智能化水平，促進各種工藝不斷優(yōu)化。另外，刀具磨損狀態(tài)智能監(jiān)測技術(shù)的應(yīng)用是智能制造的一部分，對推動數(shù)字化車間或智能工廠的發(fā)展具有重要意義。

當(dāng)然，刀具磨損狀態(tài)智能監(jiān)測技術(shù)還處于發(fā)展的初期，成熟度較低，智能化程度不高，應(yīng)用不廣泛。本文就此提出以下幾點展望：

(1)通過提高系統(tǒng)的魯棒性來增強系統(tǒng)的實用性。目前刀具磨損狀態(tài)智能監(jiān)測技術(shù)受限于工廠現(xiàn)場的復(fù)雜環(huán)境，若想提高系統(tǒng)的實用性，還要進一步提高系統(tǒng)的魯棒性以及降低系統(tǒng)對訓(xùn)練樣本的需求。實驗室環(huán)境下開發(fā)的系統(tǒng)未必適應(yīng)工廠現(xiàn)場復(fù)雜的環(huán)境，例如對于聲發(fā)射信號，多刀頭同時工作就會對單個刀頭的切削聲信號采集造成干擾；對于切削力信號，可能工件本身的各向異性(如木材類工件)就會對切削造成不亞于刀具磨損所產(chǎn)生的干擾。研究如何利用智能算法去厘清這些工廠復(fù)雜環(huán)境下的干擾信號，將是增強刀具磨損狀態(tài)智能識別系統(tǒng)實用性的關(guān)鍵。

(2)提高信號采集、信號處理的智能化程度。刀具磨損狀態(tài)監(jiān)測分為信號采集、信號處理以及模式識別三個階段，目前對于刀具磨損狀態(tài)智能監(jiān)測技術(shù)的“智能化”大多體現(xiàn)在模式識別階段，而較少地對信號采集和信號處理階段做智能化升級。事實上，刀具磨損狀態(tài)智能監(jiān)測技術(shù)進一步改進的關(guān)鍵問題其實已不再是對信號特征和刀具磨損狀態(tài)之間映射關(guān)系的分析，而已轉(zhuǎn)變成如何獲取高質(zhì)量的數(shù)據(jù)，以及如何將數(shù)據(jù)處理為特征顯著的樣本。因此，刀具磨損狀態(tài)監(jiān)測技術(shù)的智能化不能只集中在狀態(tài)識別階段，應(yīng)當(dāng)結(jié)合數(shù)據(jù)治理技術(shù)和深度置信網(wǎng)絡(luò)、稀疏自動編碼器等進一步提高信號采集、信號處理階段的智能化水平，實現(xiàn)刀具磨損狀態(tài)監(jiān)測全過程的智能化。

(3)利用工業(yè)物聯(lián)網(wǎng)技術(shù)拓展刀具磨損狀態(tài)智能監(jiān)測技術(shù)的應(yīng)用領(lǐng)域。切削不應(yīng)該是工業(yè)系統(tǒng)中獨立的一環(huán)，而是深度地鑲嵌在精密的工業(yè)生產(chǎn)線中，對于智能化工廠更是如此。如果刀具磨損狀態(tài)智能監(jiān)測系統(tǒng)僅僅是將刀具的狀態(tài)信息輸出，而不再干預(yù)后續(xù)處理步驟，那么這種智能化程度是不完全的。局部的智能化無法釋放智能制造的高效率，應(yīng)當(dāng)積極利用工業(yè)互聯(lián)網(wǎng)技術(shù)，將刀具磨損狀態(tài)智能監(jiān)測系統(tǒng)與整條生產(chǎn)線乃至整個車間的智能化、自動化管理聯(lián)結(jié)起來，從而提高刀具磨損狀態(tài)智能監(jiān)測系統(tǒng)的拓展性與邊際收益，因此應(yīng)當(dāng)重視刀具磨損狀態(tài)智能監(jiān)測系統(tǒng)輸出數(shù)據(jù)的去向和利用問題。如果生產(chǎn)線能夠根據(jù)刀具磨損狀態(tài)智能監(jiān)測系統(tǒng)的提示，自適應(yīng)地進行換刀、刃磨、生產(chǎn)線調(diào)整以及預(yù)測生產(chǎn)日程變動等，這就切實提高了刀具狀態(tài)智能監(jiān)測技術(shù)的拓展性。如何利用工業(yè)物聯(lián)網(wǎng)技術(shù)將刀具磨損狀態(tài)智能監(jiān)測系統(tǒng)的輸出數(shù)據(jù)高效利用起來，將是更有挑戰(zhàn)性的課題。