鎳基高溫合金銑削刀具磨損預測

楊 莉

(四川工程職業(yè)技術(shù)學院 機電工程系，四川 德陽 618000)

1 引 言

GH4169是一種含Nb的鎳基高溫合金,具有優(yōu)異的高溫強度和抗蠕變性,而且消除了晶界,降低了裂紋產(chǎn)生概率,具有良好的抗疲勞性能,已經(jīng)廣泛用于航空發(fā)動機領域[1,2]。然而,鎳基高溫合金材料難以加工,這主要是因為在切削過程中[3,4]:1) 鎳基高溫合金的高溫強度和高溫穩(wěn)定性使得切削過程中的切削抗力大大增加;2) 鎳基高溫合金的導熱性較差,切削產(chǎn)生的大量切削熱不容易散出;3) 鎳基高溫合金的切削溫度高、切削力大,刀具磨損比較嚴重,導致刀具的使用壽命明顯降低;4) 鎳基高溫合金中的強化相在高溫切削環(huán)境下容易分解并分布在組織的表面,引起表面的加工硬化;5) 刀具磨損較快,使工件表面積屑瘤、碎屑沉積增加,最終降低工件的加工準確度。因此,在鎳基高溫合金材料的銑削加工過程中,加強對刀具磨損的預測,可以有效提高航空發(fā)動機部件的加工準確度[5],以滿足下一道工序的質(zhì)量要求,進而提高航空發(fā)動機的性能和壽命[6]。

近年來,針對加工過程中因刀具磨損導致加工準確度不足的問題,在高溫合金刀具磨損預測方面有較多的研究。在使用單一深度學習模型對刀具磨損預測方面,吳雪峰等[7]使用激光加熱輔助鎳基合金Inconel 718銑削,通過遺傳算法優(yōu)化神經(jīng)網(wǎng)絡對刀具磨損預測,得到了較理想的刀具壽命預測模型;安華等[8]使用反向傳播神經(jīng)網(wǎng)絡對鈦合金Ti-6Al-4V銑削過程相關特征與刀具磨損值進行訓練,可以較好地實現(xiàn)刀具磨損的預測;王強等[9]以改進的長短時記憶深度學習網(wǎng)絡模型為基礎,進行鈦合金TA15銑削變工況條件下刀具磨損的預測,提高了模型的預測精度、運算效率和魯棒性;吳鳳和等[10]提出一種基于卷積門控循環(huán)神經(jīng)網(wǎng)絡的刀具磨損狀態(tài)在線監(jiān)測方法,提高了磨損狀態(tài)分類的準確率。相比于使用單一模型,部分研究通過2種模型融合,進行刀具磨損研究,黃志平等[11]建立了基于軌跡相似性預測模型和差分進化支持向量回歸算法的綜合預測模型進行鈦合金Ti-6Al-4V銑削過程刀具磨損預測,與單一模型相比,提高了預測精度;Kong等[12]基于切削力信號提出一種集成支持向量機和鯨魚優(yōu)化算法的WOA-SVM模型,最終實現(xiàn)快速高效識別鈦合金Ti-6Al-4V加工中的銑刀刀具磨損狀態(tài)。一些學者在此基礎上增加了刀具磨損階段識別的研究,TAO等[13]組合長短期記憶網(wǎng)絡和隱馬爾可夫模型2種方法,實現(xiàn)鈦合金Ti-6Al-4V銑削過程刀具磨損階段劃分和剩余刀具壽命預測;WANG等[14]基于切削參數(shù)和功率利用遞歸神經(jīng)網(wǎng)絡實現(xiàn)鎳基合金Inconel718銑削實驗的刀具磨損識別,利用卷積神經(jīng)網(wǎng)絡實現(xiàn)預測刀具剩余壽命。然而,基于多傳感器特征融合和深度學習方法的結(jié)合的方法對鎳基合銑削過程中刀具磨損的預測研究相對較少。

由于鎳基高溫合金材料的特性導致其銑削加工過程中刀具存在磨損,以致于嚴重影響熱端部件的加工準確度,并最終體現(xiàn)在航空發(fā)動機的性能和壽命指標方面。因此,提出了一種基于堆疊稀疏自動編碼器(stacked sparse autoencoders,SSAE)模型和多傳感器特征融合的新型深度學習方法,可以更有效地預測刀具磨損。多傳感器信號通過監(jiān)測切削力、振動和聲發(fā)射信號在時域、頻域和時頻域進行特征提取[15]。通過相關分析選擇和優(yōu)化多傳感器的敏感特征,將歸一化的敏感特征輸入到SSAE模型中進行深度融合特征學習[16]。訓練BLSTM模型作為特征深度學習和刀具磨損之間的回歸函數(shù)模型。微調(diào)改進的損失函數(shù)和模型參數(shù)以提高深度學習模型的泛化性能和數(shù)據(jù)挖掘能力,以保證高溫合金材料的銑削加工準確度。

2 方 法

2.1 堆疊稀疏自動編碼器

標準的自動編碼器(auto-encoders,AE)模型是由輸入層、隱藏層和輸出層組成的3層神經(jīng)網(wǎng)絡結(jié)構(gòu),特征學習過程是編碼器將輸入層數(shù)據(jù)映射到隱藏層,解碼器將隱藏層特征解碼到輸出層。標準自動編碼器模型的網(wǎng)絡結(jié)構(gòu)如圖1所示,輸入和輸出層的神經(jīng)元數(shù)量相同。自動編碼器模型的訓練過程是利用輸入信息的重構(gòu)誤差作為損失函數(shù),更新權(quán)重參數(shù),實現(xiàn)對輸入信息特征表示的學習。稀疏自動編碼器模型在隱藏層中加入了稀疏性限制,使其能夠在惡劣環(huán)境下學習到最佳樣本特征表達,有效降低輸入信息的維數(shù)。為了實現(xiàn)這個限制,需要在自動編碼器模型訓練損失函數(shù)中添加1個稀疏限制作為額外的懲罰因子。目前,KL(Kullback-Leibler)散度是使用最廣泛的稀疏懲罰因子。同時,為了避免過擬合,進一步約束稀疏自動編碼器模型的連接權(quán)重參數(shù),損失函數(shù)會增加1個額外的權(quán)重正則化項來懲罰較大的權(quán)重,以增強泛化能力。常用的權(quán)重正則化項是權(quán)重參數(shù)的平方和乘以權(quán)重懲罰因子。因此,稀疏自動編碼器模型的最終訓練損失函數(shù)包括重構(gòu)誤差函數(shù)、系數(shù)懲罰項和權(quán)重衰減項。

圖1 標準自動編碼器模型網(wǎng)絡結(jié)構(gòu)

重構(gòu)誤差:

(1)

KL散度DKL:

(2)

權(quán)重正則化項:

(3)

損失函數(shù):

(4)

圖2 SSAE模型的構(gòu)建過程

2.2 基于多傳感器的SSAE-BLSTM刀具磨損預測

刀具狀態(tài)的間接監(jiān)測方法是在切削過程中監(jiān)測各類物理傳感器信號,從而獲得反映刀具狀態(tài)的特征信息,間接實現(xiàn)刀具狀態(tài)的有效監(jiān)測。提出了一種以多傳感器融合特征作為輸入數(shù)據(jù)的新型SSAE-BLSTM模型來預測刀具磨損。

堆棧稀疏自編碼器網(wǎng)絡(SSAE)只具有特征學習和數(shù)據(jù)降維的能力,但是不具有刀具磨損預測的功能,因此需要在稀疏深度神經(jīng)網(wǎng)絡結(jié)構(gòu)的最后一層加入一層具有預測能力的網(wǎng)絡結(jié)構(gòu),使之構(gòu)成具有預測功能的深度學習神經(jīng)網(wǎng)絡。由于長短時記憶網(wǎng)絡(long-short term memory,LSTM)結(jié)構(gòu)充分利用了時序信息,同時通過雙向長短時記憶網(wǎng)絡(bidirectional long-short term memory,BLSTM)反向時序信息也被提取出來,如果結(jié)合在一起,特征能更充分的利用,所以引入基于深度學習的BLSTM網(wǎng)絡模型,在特征優(yōu)化的基礎上,應用BLSTM網(wǎng)絡模型,得到良好的預測效果。

基于時域、頻域和時頻域多傳感器信號的特征提取,采用與相應刀具磨損的相關性分析,選擇多傳感器敏感特征,作為SSAE模型的輸入信號輸出深度融合特征。BLSTM模型用作回歸函數(shù),從學習的深度特征擬合刀具磨損的預測模型,提出的預測模型網(wǎng)絡框架如圖3所示,該方法的模型參數(shù)訓練包括SSAE模型的無監(jiān)督預訓練、BLSTM模型的有監(jiān)督預訓練以及基于監(jiān)督訓練的全局模型參數(shù)微調(diào)過程。SSAE模型通過稀疏的自動編碼器模型預訓練過程一一初始化每個隱藏層的連接權(quán)值參數(shù),使最高隱藏層輸出預訓練的深度特征表達。BLSTM模型以刀具磨損測量值作為深度特征的預測標簽進行監(jiān)督模型參數(shù)訓練,并初始化連接權(quán)重參數(shù)。在微調(diào)過程中,將SSAE和BLSTM模型視為全連接預測網(wǎng)絡模型,在全局參數(shù)微調(diào)過程中采用基于誤差反向傳播的參數(shù)優(yōu)化,以提升預測性能和泛化能力。

圖3 基于多傳感器的SSAE-BLSTM網(wǎng)絡框架的結(jié)構(gòu)

3 鎳基高溫合金銑削實驗

為了研究鎳基高溫合金材料銑削時刀具磨損量的影響影響因素和變化規(guī)律,利用DECKEL-MAHO DMC 70 V加工中心進行切削實驗,切削參數(shù)設置為切削速度300 m/min、每齒進給量0.03 mm、軸向進刀深度8 mm、徑向進刀深度0.2 mm。待切削材料選取鎳基高溫合金GH4169,刀具選擇PVD-TiAlN涂層硬質(zhì)合金刀具KCSM40,型號為EDPT10T308PDSRGE(刀片旋轉(zhuǎn)半徑16 mm,刀柄直徑16 mm,刀具總長度74 mm,刀片長度25 mm)。圖4為實驗方案。

圖4 實驗測試方案

實驗過程中,采集振動加速度和切削力,并使用顯微鏡檢查刀具磨損。實驗選用壓電式力傳感器Kistler 9129AA(x、y、z軸測量范圍為0～1 000 N,固有頻率30 kHz)和3D壓電式加速度計Kistler8763B050(加速度量程為±250g;頻率響應范圍0.1～10 kHz;靈敏度1.0 pC/ms2)與聲發(fā)射傳感器Kistler8152C0(諧振頻率為200(1±20%)kHz,頻率響應為50～400 kHz)。使用相同型號銑刀重復3次實驗,得到3個實驗數(shù)據(jù)集,分別為數(shù)據(jù)集1、數(shù)據(jù)集2和數(shù)據(jù)集3。

4 實驗結(jié)果與分析

數(shù)據(jù)集包括7列傳感器信號,分別為x,y,z方向切削力信號、x,y,z方向振動加速度信號、聲信號?？紤]到數(shù)據(jù)集1的x方向切削力信號的零漂移,對數(shù)據(jù)集1、數(shù)據(jù)集2和數(shù)據(jù)集3的其他6列傳感器信號進行了特征提取。相關性分析是衡量兩個變量因素之間相關性密切程度的一種分析方法。通過提取的特征與測量的銑刀三刃磨損值的平均值之間的相關性分析,獲得與刀具磨損變化具有強相關性的敏感特征作為所提出模型的輸入數(shù)據(jù)。以每個原始信號的樣本數(shù)據(jù)點作為樣本數(shù)據(jù),提取了11個時域特征、5個頻域特征,通過3層小波包分解提取了8個小波包能量特征。提取的24個特征及其計算表達式如表1所示。(其中T(i)為時域信號,F(i)為時域信號經(jīng)過傅里葉變換后的歸一化幅度絕對值,Fs為采樣頻率),從6個不同的傳感器信號中總共獲得了144個信號特征。選擇相關系數(shù)絕對值大于0.8的48個特征作為多傳感器敏感特征的組合,輸入到SSAE-BLSTM模型中進行深度特征學習,建立刀具磨損預測模型。為了比較和驗證所提模型的預測效果,將多傳感器敏感特征和單傳感器敏感特征分別作為支持向量回歸(support vector regression,SVR)、徑向基函數(shù)神經(jīng)網(wǎng)絡(Radial basis function neural network,RBFNN)和BLSTM等淺層機器學習模型的輸入特征來預測刀具磨損。同時,在數(shù)據(jù)集1、數(shù)據(jù)集2和數(shù)據(jù)集3中選擇任意2個數(shù)據(jù)集作為訓練集,剩下的1個作為測試集,將銑刀的平均磨損值作為傳感器信號的預測標簽。

表1 多傳感器信號提取特征和表達式

4.1 多傳感器SSAE-BLSTM模型刀具磨損預測

將每個樣本數(shù)據(jù)的48個敏感特征歸一化為SSAE模型的輸入信號,用于深度特征學習。SSAE的隱藏層節(jié)點數(shù)選擇為約2的降維率,用于原始高維特征的降維和深度特征提取。通過經(jīng)驗參數(shù)配置提出的SSAE模型的神經(jīng)元節(jié)點為48-40-15-9,激活函數(shù)為Sigmoid;BLSTM模型的神經(jīng)元節(jié)點為9-15-1,激活函數(shù)為Sigmoid。訓練數(shù)據(jù)集用于權(quán)重參數(shù)的無監(jiān)督預訓練、BLSTM模型的有監(jiān)督預訓練過程和全局微調(diào)過程深度學習模型。

4.2 SVR、RBFNN和BLSTM模型刀具磨損預測

與使用深度學習方法從多傳感器融合特征進行深度特征學習來預測刀具磨損相比,基于淺層機器學習模型的刀具磨損預測方法直接使用信號特征作為建立預測模型的輸入。通過主成分分析對原始的多傳感器敏感特征進行降維處理。構(gòu)建了SVR、RBFNN和BLSTM模型,以選擇的主成分作為輸入來預測刀具磨損。同時,僅利用單傳感器信號的敏感特征建立刀具磨損預測模型,檢驗多傳感器融合特征的預測效果。

4.2.1 多傳感器特征

通過對48個敏感特征組成的樣本數(shù)據(jù)進行主成分分析,選擇前8個主成分作為敏感特征,其百分比為98.6%,即輸入到SVR、RBFNN、BLSTM和SSAE-BLSTM模型中以預測刀具磨損。前3種機器學習模型的網(wǎng)絡結(jié)構(gòu)參數(shù)如表2所示,其中,C為誤差項的懲罰參數(shù),gamma為激活函數(shù)系數(shù),epsilon指定了在訓練損失函數(shù)中預測值與實際值之間距離為epsilon的點,num_neurons為神經(jīng)元數(shù)量。不同測試數(shù)據(jù)集下基于多傳感器融合特征和SVR、RBFNN、BLSTM和SSAE-BLSTM模型的刀具磨損預測結(jié)果如圖5所示。

表2 具有多傳感器特征的SVR、RBFNN和BLSTM模型的網(wǎng)絡參數(shù)

圖5 基于具有多傳感器特征的SVR、RBFNN、BLSTM、SSAE-BLSTM模型的刀具磨損預測結(jié)果

4.2.2 單傳感器特征

48個多傳感器敏感特征包括從z向切削力信號中提取的15個敏感特征,這些敏感特征僅用于刀具磨損預測。通過主成分分析進行降維。計算了每個主成分的百分比,前8個具有98.2%百分比的主成分也被選為敏感特征,輸入到SVR、RBFNN和BLSTM模型中進行刀具磨損預測。構(gòu)建的機器學習模型的網(wǎng)絡參數(shù)與第4.2.1節(jié)相同。不同測試數(shù)據(jù)集下基于單傳感器信號特征的刀具磨損預測結(jié)果如圖6所示。

圖6 基于具有切削力信號的SVR、RBFNN、BLSTM模型的刀具磨損預測結(jié)果

4.3 預測結(jié)果的對比分析

以均方根誤差(RMSE)和決定系數(shù)(R2)作為預測回歸效果的評價指標,計算得出不同預測模型的預測結(jié)果對比分析。表3列出了7種不同預測模型的預測結(jié)果評價指標值。實驗結(jié)果表明,基于淺層機器學習模型,相比于僅利用單傳感器信號的敏感特征建立刀具磨損預測模型,利用多傳感器信號的融合特征建立的模型具有更小的均方根誤差和更大的決定系數(shù),這說明傳感器的特征融合優(yōu)于單傳感器的特征提取。

表3 不同預測模型的評價結(jié)果

在所有模型對比中,MFSSAE-BLSTM具有最小的均方根誤差和最大的決定系數(shù),這意味著所提出的模型具有最佳的預測效果評價。

為了驗證所提出模型在預測性能方面的優(yōu)勢,將多層感知器(MLP)、卷積神經(jīng)網(wǎng)絡(CNN)、長短期記憶網(wǎng)絡(LSTM)、循環(huán)神經(jīng)網(wǎng)絡(RNN)、雙向長短時記憶網(wǎng)絡(BLSTM)等已有網(wǎng)絡模型構(gòu)建到本實驗數(shù)據(jù)集中。以RMSE為評價指標,不同預測模型的預測性能對比結(jié)果表明,所提出的MFSSAE-BLSTM模型獲得了相對較高的預測精度,如表4所示。

表4 不同刀具磨損預測模型的評價結(jié)果

5 結(jié) 論

構(gòu)建了一種新的多傳感器特征融合SSAE-BLSTM(MFSSAE-BLSTM)模型。通過主成分分析對多傳感器敏感特征和從切削力信號中提取的單傳感器敏感特征進行降維預處理。SVR、RBFNN和BLSTM模型以主成分作為輸入特征,建立刀具磨損預測模型,預測結(jié)果對比分析表明,所提出的模型具有最小的RMSE和最大的R2,代表了更好的預測精度和穩(wěn)定性,這表明多傳感器特征融合和深度學習方法相結(jié)合具有更強大的特征學習和預測能力。具體結(jié)論如下:

1) 切削力和振動信號包含大量反映刀具狀況的敏感特征信息,可用于刀具磨損預測研究。

2) 將多傳感器敏感特征輸入到淺層機器學習模型中,可以實現(xiàn)精確的刀具磨損預測。

3) 多傳感器特征比單傳感器特征包含更全面和豐富的刀具狀態(tài)特征信息。以SVR網(wǎng)絡為例,輸入多傳感器特征比單傳感器特征均方根誤差減少了22.68%,決定系數(shù)增加了24.33%

4) 基于SSAE的無監(jiān)督深度學習方法用于多傳感器特征的深度融合,提高了刀具磨損預測的準確性和穩(wěn)定性。用所構(gòu)建模型對于實驗數(shù)據(jù)集的預測,相比于MLP、CNN等已知模型,均方根誤差至少減少了9.6%。

因此,利用多傳感器特征融合和深度學習方法相結(jié)合能夠有效預測鎳基高溫合金銑削刀具磨損情況,提高鎳基高溫合金材料熱端部件的加工精度,進而提高航空發(fā)動機的性能和壽命。