基于卷積神經(jīng)網(wǎng)絡(luò)的銑刀后刀面磨損狀態(tài)預(yù)測方法研究

楊博宇，曹忠，郭國強，劉世民，沈彬

1上海航天精密機械研究所；2東華大學；3上海交通大學

1 引言

高超聲速飛行器具有超高速、高機動的快速遠程精確打擊能力，為滿足其輕質(zhì)、高強、耐高溫的需求，結(jié)構(gòu)大多使用高溫合金[1]。高溫合金是典型的難加工材料，加工過程中切削力大，切削溫度高，導致刀具磨損快[2]。在生產(chǎn)加工過程中，若刀具磨損嚴重卻未及時更換，會出現(xiàn)刀具破損的現(xiàn)象，被加工零件表面則會存在切削殘留。切削殘留的存在會對零件后續(xù)的焊接工藝產(chǎn)生影響，造成脫焊虛焊的嚴重后果(見圖1)，所以有必要在生產(chǎn)加工的過程中實時監(jiān)測刀具磨損狀態(tài)。

圖1 切削殘留引起的脫焊虛焊現(xiàn)象

刀具監(jiān)測方法主要包括直接監(jiān)測法和間接監(jiān)測法，其中常用的直接監(jiān)測法為光學圖像法，具有精度高的優(yōu)點，通過使用光學儀器可以獲得較為直觀的刀具磨損狀態(tài)。Samik Dutta等[3]基于小波變換的方法對工件表面圖像進行分解，提取兩個主要特征并建立與刀具磨損的關(guān)系，但其無法始終跟隨刀具的快速運動獲取圖像，所以此方法需要停機檢測，會對正常的生產(chǎn)加工產(chǎn)生影響。因此，通過采集與刀具磨損狀態(tài)密切相關(guān)的其它信號，建立信號與刀具磨損狀態(tài)之間的數(shù)學模型，從而判斷刀具磨損狀態(tài)的間接監(jiān)測法更適合廣泛應(yīng)用在實際生產(chǎn)中。

間接監(jiān)測法中常用的信號有切削力信號、振動信號、功率電流信號和聲發(fā)射信號等。溫坤等[4]利用向量機和概率神經(jīng)網(wǎng)絡(luò)建立了振動信號、聲發(fā)射信號和切削力信號相融合的刀具狀態(tài)監(jiān)測模型，雖然利用多種信號會使預(yù)測結(jié)果更加準確，但同時也提高了應(yīng)用成本且不便安裝。張鍇鋒等[5]采集切削加工過程中的聲發(fā)射信號并分析了聲發(fā)射信號的廣義維數(shù)與刀具磨損狀態(tài)間的關(guān)系，但聲發(fā)射信號在采集過程中損耗很大，所以傳感器的安裝位置必須靠近刀具切削處，會對正常的生產(chǎn)加工產(chǎn)生影響。獲取切削力信號、振動信號和聲發(fā)射信號都需要借助外接傳感器，而傳感器的安裝需要盡可能靠近刀具的切削位置，這會造成布線復(fù)雜和加工干涉等情況，在實際的生產(chǎn)過程中難以實現(xiàn)。袁廣超等[6]基于OPC-UA 技術(shù)和MTConnect協(xié)議與機床建立通信架構(gòu)，獲得來自機床數(shù)控系統(tǒng)的加工數(shù)據(jù)，運用前饋神經(jīng)網(wǎng)絡(luò)預(yù)測刀具剩余使用壽命。利用機床本身的數(shù)控系統(tǒng)獲得切削過程中的電信號是一種可廣泛應(yīng)用于實際生產(chǎn)過程中的方法，它無需外接傳感器，節(jié)約成本，也不會影響工件的正常切削過程。

在模型建立方面，人工神經(jīng)網(wǎng)絡(luò)、隱馬爾科夫模型、支持向量機等機器學習模型具有良好的自主學習能力，在面對復(fù)雜因素影響下處理非線性問題時的表現(xiàn)優(yōu)于傳統(tǒng)線性擬合模型，被廣泛應(yīng)用于分類、回歸、圖像處理和故障診斷等領(lǐng)域。謝楠等[7]基于主成分分析法和支持向量機實現(xiàn)了對刀具磨損狀態(tài)的準確識別。林楊等[8]采用稀疏自編碼網(wǎng)絡(luò)進行特征學習，將單層網(wǎng)絡(luò)堆棧構(gòu)成深度神經(jīng)網(wǎng)絡(luò)并建立了刀具磨損預(yù)測模型。卷積神經(jīng)網(wǎng)絡(luò)(CNN)是一種多層監(jiān)督學習神經(jīng)網(wǎng)絡(luò)，傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)容易陷入局部最小或出現(xiàn)過擬合，而卷積神經(jīng)網(wǎng)絡(luò)收斂速度更快，分類精度更高，適合應(yīng)用于刀具磨損的預(yù)測工作。Huang Zhiwen等[9]基于短時傅里葉變換與深度卷積神經(jīng)網(wǎng)絡(luò)實現(xiàn)了自適應(yīng)特征提取和刀具磨損量的自動預(yù)測。

本文提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)的刀具磨損狀態(tài)監(jiān)測方法。通過建立與機床數(shù)控系統(tǒng)的通信架構(gòu)采集高溫合金銑削加工過程中主軸電流、主軸轉(zhuǎn)矩和主軸負載等數(shù)據(jù)，運用主成分分析法對得到的數(shù)據(jù)進行特征降維，最終通過卷積神經(jīng)網(wǎng)絡(luò)訓練模型并預(yù)測刀具的磨損狀態(tài)。

2 刀具磨損狀態(tài)監(jiān)測模型

一個完整的刀具磨損狀態(tài)監(jiān)測模型流程如圖2所示，主要包括信號采集、特征提取和模型建立三個部分。

圖2 刀具磨損狀態(tài)監(jiān)測模型建立流程

2.1 信號采集

信號采集系統(tǒng)如圖3所示，由硬件設(shè)施和軟件設(shè)施兩個模塊組成，硬件設(shè)施包括數(shù)控機床、交換機和box3000數(shù)據(jù)采集終端。軟件設(shè)施由采集程序、機床數(shù)控系統(tǒng)、redis數(shù)據(jù)庫、圖形顯示界面和MySQL數(shù)據(jù)庫組成。使用Python語言開發(fā)的數(shù)據(jù)采集程序基于TCP/IP協(xié)議實現(xiàn)對數(shù)控機床系統(tǒng)的訪問，獲得基于XML字符串形式的通信服務(wù)，從而得到機床數(shù)控系統(tǒng)中的加工數(shù)據(jù)。

圖3 信號采集系統(tǒng)

客戶端與數(shù)控系統(tǒng)間的通信結(jié)構(gòu)如圖4所示，一般的工作流程為：創(chuàng)建socket并連接到服務(wù)器的服務(wù)端口—循環(huán)發(fā)送命令請求或者數(shù)據(jù)請求—循環(huán)解析來自交互過程服務(wù)端GNC62 Server的應(yīng)答—任務(wù)完成或結(jié)束。將得到的數(shù)據(jù)暫時保存在Redis數(shù)據(jù)庫中，通過客戶端實時顯示在圖形界面，并最終保存在MySQL數(shù)據(jù)庫中。

圖4 客戶端與通信系統(tǒng)間的通信結(jié)構(gòu)

2.2 特征提取

在刀具磨損狀態(tài)監(jiān)測模型的特征提取模塊中運用主成分分析法提取特征。主成分分析法是把較多的特征映射為少數(shù)幾個特征的一種統(tǒng)計分析方法，通過計算樣本協(xié)方差矩陣的特征矢量，將輸入空間的信號特征線性映射到低維的特征空間[10，11]。

主成分分析法的步驟如下[12]：

計算數(shù)據(jù)的協(xié)方差矩陣為

(1)

式中，n為樣本數(shù)量；xi為樣本數(shù)據(jù)向量。

求出C的特征值λi及對應(yīng)的單位正交特征矢量μi，有

λiμi=Cμi

(2)

前m個較大的特征值λ1≥λ2≥…>λm>0，代表前m個主成分的方差，λi對應(yīng)的特征矢量μi為主成分Fi關(guān)于原變量的系數(shù)。

主成分的方差貢獻率表示信息量的大小αi，即

(3)

若m個主成分的累積貢獻率大于85%，則提取的主成分特征可反映原來高維特征的信息。

分別計算主成分得分和信號樣本的主成分，即

U=[u1，u2，…，um]T

(4)

F=UTX

(5)

得到特征的主成分矩陣，即為壓縮后的特征數(shù)據(jù)。

2.3 卷積神經(jīng)網(wǎng)絡(luò)模型

卷積神經(jīng)網(wǎng)絡(luò)(CNN)基本結(jié)構(gòu)如圖5所示，CNN是一個多層神經(jīng)網(wǎng)絡(luò)，包括輸入層、卷積層、池化層、全連接層和輸出層。在本文提出的模型中，輸入層為PCA特征降維后的主軸電信號，卷積層和池化層對輸入信號進行逐層特征提取，得到的特征經(jīng)全連接層映射至輸出層，最終輸出刀具的磨損狀態(tài)。

圖5 卷積神經(jīng)網(wǎng)絡(luò)基本結(jié)構(gòu)

(1)卷積層

卷積層是卷積神經(jīng)網(wǎng)絡(luò)的核心，通過卷積運算對輸入層的數(shù)據(jù)進行特征提取，即

(6)

式中，f為輸入信導；ω為卷積核；n為信號總數(shù)；q為卷積核大小。

(2)池化層

池化操作是指某一位置的輸出用相鄰輸出的總體特征替代，主要目的是降低數(shù)據(jù)的維度，減少計算量，同時防止過擬合現(xiàn)象的出現(xiàn)，提高系統(tǒng)的魯棒性。常用的池化操作有平均值池化、隨機值池化和最大值池化等，本文采用的方法為最大值池化。

(3)全連接層

全連接層將輸出層與經(jīng)過多次卷積和池化過程后得到的數(shù)據(jù)全連接，得到的結(jié)果經(jīng)過輸出層Softmax激活函數(shù)進行分類，計算公式為

(7)

式中，ui為輸出層第i個神經(jīng)元的輸出；N為銑刀磨損狀態(tài)數(shù)量。

(4)卷積神經(jīng)網(wǎng)絡(luò)訓練過程

卷積神經(jīng)網(wǎng)絡(luò)的訓練流程如圖6所示，為使模型能夠滿足精度要求，訓練過程將分為前向傳播和反向傳播兩個部分。前向傳播的過程是建立網(wǎng)絡(luò)并初始化參數(shù)，輸入的數(shù)據(jù)經(jīng)過卷積和池化操作接入全連接層并完成數(shù)據(jù)的分類。反向傳播則應(yīng)用梯度下降法，根據(jù)損失函數(shù)將誤差反饋回卷積層，調(diào)整網(wǎng)絡(luò)參數(shù)并重復(fù)以上步驟，經(jīng)過大量的數(shù)據(jù)訓練直至最終輸出滿足精度要求。

圖6 卷積神經(jīng)網(wǎng)絡(luò)訓練流程

2.4 基于卷積神經(jīng)網(wǎng)絡(luò)的銑刀磨損狀態(tài)監(jiān)測方法

基于卷積神經(jīng)網(wǎng)絡(luò)的銑刀磨損狀態(tài)監(jiān)測方法先與機床數(shù)控系統(tǒng)建立通信，并采集大量不同刀具磨損狀態(tài)下的主軸電流與功率數(shù)據(jù)；對信號進行時域特征提取并應(yīng)用主成分分析法進行特征降維；將樣本集分為訓練組和測試組輸入卷積神經(jīng)網(wǎng)絡(luò)中，通過正向傳播和反向傳播訓練至模型收斂且滿足精度要求，輸出卷積神經(jīng)網(wǎng)絡(luò)網(wǎng)絡(luò)模型；在監(jiān)測階段中，將被測狀態(tài)的數(shù)據(jù)輸入模型并預(yù)測其刀具磨損狀態(tài)。

3 實驗過程

本文以科德數(shù)控KMC600S U五軸立式加工中心為實驗平臺驗證該方法，實驗系統(tǒng)如圖7所示，實驗刀具為硬質(zhì)合金高速立銑刀，參數(shù)見表1。

圖7 實驗系統(tǒng)

表1 硬質(zhì)合金高速立銑刀參數(shù)

切削對象為GH4099高溫合金。實驗過程的切削參數(shù)如下：切削速度為35m/min，切削深度為6mm，切削寬度為1mm，進給量為0.06mm/r。為了識別刀具的磨損狀態(tài)，每切削30min取下銑刀，并通過顯微鏡測量一次刀具后刀面平均磨損寬度VB(見圖8)。VB>0.3mm視為刀具嚴重磨損，VB>0.5mm則結(jié)束實驗。

圖8 顯微鏡下的刀具磨損

刀具開始切削時，機床數(shù)控系統(tǒng)的服務(wù)端與數(shù)據(jù)采集終端建立通信，得到主軸電流與功率的數(shù)據(jù)，按照時序儲存在MySQL數(shù)據(jù)庫中，以便進一步處理數(shù)據(jù)。如圖9所示，采集得到的數(shù)據(jù)在數(shù)據(jù)采集終端以波形圖的形式顯示。

圖9 數(shù)據(jù)采集終端

利用MATLAB軟件的zscore函數(shù)對原始數(shù)據(jù)進行標準化，然后對數(shù)據(jù)進行時域分析，每組信號提取最大值、均值、方差、均方根、峰度、偏度、峰值因子和最大值/均值共8個時域特征，最后采用PCA算法進行特征降維，獲得代表原始數(shù)據(jù)85%以上的特征降維后數(shù)據(jù)矩陣。選取前5個主成分作為特征降維后的矩陣，其主成分之和為86.1%(見表2)。

表2 主成分分析結(jié)果貢獻率

實驗共獲得24組樣本數(shù)據(jù)，隨機選擇17組樣本作為訓練集，余下7組作為測試集。每個樣本包含約5000條數(shù)據(jù)，對應(yīng)一個用顯微鏡測得的刀具后刀面磨損測量值。由于每次數(shù)據(jù)采集時間較長，為了避免刀具切入、切出對銑刀磨損狀態(tài)影響，選擇每個樣本的第2000～3000之間共1000條數(shù)據(jù)進行訓練和測試。刀具后刀面磨損部分實測值見圖10。

圖10 刀具后刀面磨損真實值(部分測量結(jié)果)

為便于識別刀具磨損狀態(tài)，本文把刀具狀態(tài)分為以下三種：將刀具的初期磨損狀態(tài)標記為“a”(VB<0.1mm)，正常磨損狀態(tài)標記為“b”(VB=0.1～0.3mm)，刀具嚴重磨損狀態(tài)標記為“c”(VB>0.3mm)。

實驗的預(yù)測結(jié)果如表3所示，在七組刀具磨損狀態(tài)的預(yù)測結(jié)果中，只有第2組的磨損狀態(tài)判斷不準確。由圖11刀具磨損真實值與預(yù)測值對比可以發(fā)現(xiàn)，隨著待預(yù)測樣本刀具后刀面磨損值的增大，預(yù)測結(jié)果的誤差逐漸減小。當?shù)毒吆蟮睹娴哪p值較小時，測得的主軸電流與功率數(shù)據(jù)變化較小，時域分析的結(jié)果不能很好地描述數(shù)據(jù)特征，數(shù)據(jù)的微弱波動會對預(yù)測結(jié)果產(chǎn)生較大影響；當?shù)毒吆蟮睹娴哪p值較大時，測得的主軸電流與功率數(shù)據(jù)變化明顯，監(jiān)測數(shù)據(jù)的誤差不會對最終結(jié)果產(chǎn)生較大影響，所以預(yù)測值較為準確[13]。

表3 刀具磨損預(yù)測結(jié)果 (mm)

圖11 刀具磨損真實值與預(yù)測值對比

4 結(jié)語

本文提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)的刀具磨損預(yù)測模型。利用機床數(shù)控系統(tǒng)采集主軸電流與功率信號，無需外接傳感器，節(jié)約成本，同時也不會影響工件的正常切削。

使用PCA對信號的時域特征進行處理，獲得了能夠代表總體特征的降維特征，簡化了模型結(jié)構(gòu)。從實驗結(jié)果可以看出，本文提出的方法較好地實現(xiàn)了對刀具磨損狀態(tài)的預(yù)測，且刀具的磨損量較大時，模型的預(yù)測效果較為理想。在后續(xù)研究中，將進一步完善不同工況下的刀具磨損狀態(tài)監(jiān)測模型，考慮加工參數(shù)對刀具磨損狀態(tài)的影響，使模型應(yīng)用更為廣泛。