對刀具磨損獲取信號處理方法的探討

□ 賈 娜 □ 馬雪亭

東北林業大學 機電工程學院 哈爾濱 150040

對刀具磨損獲取信號處理方法的探討

□ 賈 娜 □ 馬雪亭

東北林業大學 機電工程學院 哈爾濱 150040

建立了監測信號與刀具磨損之間的關系，利用監測信號直接或間接反映刀具磨損狀態。針對磨損信號多種的處理方法（建立刀具磨損的關系），總結了近幾年來學者對監測信號采用的不同處理方法。

刀具磨損 信號處理 監測信號

刀具磨損會帶來加工精度下降，并產生噪聲污染。頻繁更換刀具增加了加工輔助時間，使加工成本提高，生產效率降低。研究刀具磨損的一個重要步驟就是對于獲取信號的處理方法，常用的信號處理方法有時域分析、頻域分析、時頻分析、模糊聚類、分形理論、隱馬爾可夫模型、偏最小二乘回歸、人工神經網絡分析、支持向量機分析、云模型以及機器視覺識別等諸多方法，本文將分別予以闡述。

眾所周知，無論是由直接測量和間接測量獲取的信號，其信息量很龐大，而有用的信息量比重較少，不能直接用于研究刀具磨損狀態，需要對信號進行細致處理，當然，不同的監測信號所用的處理方法也可能有所不同。

1 信號處理的方法

監測信號的處理是研究刀具磨損的一個重要步驟，從傳感器檢測到的信號，由于其信息量龐大且有價值的信息較少，并不能直接作為刀具磨損狀況的識別特征，需要經過處理，建立信號與刀具磨損狀態之間的關系。可以說，信號處理決定著刀具磨損在線監測技術的成敗，不同的信號處理方式得出的結果有所不同，對于在線監測的準確性也將有所不同。

（1）時域分析方法。時域分析方法是指將信號整理成橫軸為時間的信號函數圖像來進行分析，在刀具磨損的研究領域中，無論是傳統分析和現代分析是比較常見的方法，它符合人們認識事物規律的習慣，易于理解，比較直觀，常被用作信號后續處理的第一個階段。比較常見的時域分析有均值法、均方根值法、方差和自相關分析等。董全成等［1］利用均方根值統計方法建立聲信號與刀具磨損的關系，對刀具磨損狀態作了詳細研究，為刀具在線監測奠定了基礎。

（2）頻域分析方法。信號不僅和時間有關，在不同頻率下信號的響應也是不一樣的，這就要用到頻域分析的方法。

在刀具加工過程中，不同磨損狀態對應信號的頻率分布是不同的，根據頻譜圖像可以推斷出刀具處于什么樣的磨損狀態［2］。在刀具磨損領域，頻譜分析能得到信號中各頻率上的幅值或能量大小，反映信號的頻率結構，進而與刀具磨損建立很好的相關性［3］。張建國等［4］用頻譜分析的方法研究超精密車削單晶硅刀具振動信號，研究了單晶硅超精密車削時刀具振動頻譜分布與切削參數的關系，并對刀具振動頻譜的變化規律及其演變機理進行了分析。

（3）時頻分析方法。時頻分析方法是設計時間和頻率的聯合函數，用它同時描述信號在不同時間和頻率的能量密集度或強度，這樣就能更加直觀地體現出兩者之間的關系，得到的信息也會更加完善。常見的時頻分析方法主要有窗口傅里葉變換、小波分析、希爾伯特黃變換等。

小波分析方法易與人類視覺特性相結合，對于獲取的信號還有去噪的功能，是目前研究刀具磨損時頻分析方法中應用最多的方法［5］。陳曉智等［6］用小波分析方法通過多層小波分解對信號主能量所處頻段進行局部特性刻畫，利用小波分解系數特征統計值在統計量與刀具狀態間建立物理聯系，實例表明，該方法能有效地判斷刀具狀態，比常用的神經網絡進行狀態分析的方法更具有理論直觀性與操作的時效性。

（4）模糊聚類方法。模糊聚類分析是以模糊數學為理論基礎，用該方法來衡量樣本之間的差異程度，調節閾值，這樣就可以調整樣本按照需要分成的種類個數，操作簡單，準確率高，并且可以通過軟件編程來實現，大大提高了識別效率［7］。

在刀具磨損過程中，可以將采集到的切削力、噪聲、振動、聲發射等磨損信號的特征量作為分類要素，最終經過處理得到一個模糊等價矩陣，適當調整閾值，直到得到所需要的分類。在以后的刀具加工過程中，可以隨時將獲取的刀具磨損信號作為待分類信息，并合理歸類，進而得出刀具的磨損情況。模糊矩陣具有需要樣本數量少、分析結果可靠的優點。陳愛弟等［8］將聲發射信號和振動信號進行模糊聚類處理，以此來檢測和預報刀具的磨損量，達到精確預測刀具磨損狀況的目的。

（5）分形理論的方法。不規則的信號在不同的時間點上其復雜程度可以借助分形維數來描述，對于刀具磨損，每個采樣點的信號圖像復雜程度不同，可以對應不同的分形維數，根據維數可以反映出刀具磨損狀態［9］。林穎等［10］利用分形理論對刀具磨損信號進行處理，研究表明，利用分形理論對切削力動態分量信號來提取分形維數，而分形維數和刀具磨損的狀態具有相關性，可以作為表征刀具磨損狀態的一個特征值，能有效識別刀具的磨損狀態。

（6）隱馬爾可夫模型。隱馬爾可夫模型（Hidden Markov Model，HMM）是統計模型，它用來描述一個含有隱含未知參數的馬爾可夫過程，是描述識別動態過程的一種有效方法，它是一個雙重隨機過程：非平穩信號可以認為是多個平穩信號段組成的，隱馬爾可夫模型可用于描述每個平穩信號段特征，又可描述多個短期平穩信號段之間的動態變化。隱馬爾可夫模型中的狀態不直接可見，但受狀態影響的部分變量可見。狀態所輸出的符號是有概率規律的，因此輸出符號序列與狀態序列有一定的相關性［11］。

呂俊杰等［12］用隱馬爾可夫模型方法對銑削力信號進行提取，對信號特征矢量進行量化編碼，作為隱馬爾可夫模型的輸入向量，分別訓練3個不同磨損階段的隱馬爾可夫模型來對未知的刀具磨損狀態進行預測，能對刀具磨損狀態進行較好的識別。

（7）偏最小二乘回歸方法。偏最小二乘回歸法采用對變量X和Y都進行分解的方法，從變量X和Y同時提取因子，再將因子按照它們之間的相關性從小到大排列；偏最小二乘回歸法能允許樣本個數少于變量個數，約束條件更少，靈活度更大。在刀具磨損方面，可以將兩個或兩個以上的參數組成樣本預測刀具的磨損狀況，起到在線監測的作用［13］。

徐創文等［14］采用主軸電機功率信號和進給伺服電機功率信號作為監測信號，將樣本變量篩選為自變量，因變量是后刀面磨損量，在不同的參數環境下對工件進行加工，會產生多組試驗數據，然后用偏最小二乘回歸分析方法建立模型，用來預測刀具磨損狀況。

（8）人工神經網絡分析方法。人工神經網絡是對生物上的神經網絡的結構和功能進行效仿，它是一種強大的信息數據處理系統，大致分為輸入層、中間層和輸出層。輸入層是對獲取的信號數據進行接收，中間層負責處理信號數據，輸出層是將處理的結果進行輸出，如果輸出的結果與期望相同，那么訓練結束；如果不同則會反向計算，修改各層權值和閾值，直到符合期望為止［15］。

王軍平等［16］利用電流信號基于隨機模糊神經網絡建立了刀具磨損量的軟測量模型，該模型利用切削參數實時地調整網絡的部分參數，從而可以減小切削參數與電流信號之間關系對于刀具磨損估計的影響并且使模型具有動態性、實時性。通過實驗驗證，表明該方法是正確的且分別利用主軸電流值和進給電流值估計刀具磨損量具有較好的一致性。

（9）支持向量機分析方法。支持向量機方法對樣本的需求相對較少、避免出現過擬合和欠擬合等問題，很好地彌補了人工神經網絡的不足［17］。近年來一些學者在這方面做了不斷的探索。

王國鋒等［18］基于多傳感器信號、采用多分類支持向量機進行多種狀態下辨識刀具狀況，通過多傳感器獲取刀具振動信號，把獲得的時域、頻域和小波域的信息作為刀具磨損分類特征，用以支持向量機訓練和識別刀具不同磨損狀態下的特征數據。對切削過程中不同磨損狀態的分類結果表明，多分類支持向量機具有出色的學習能力，能夠實現在小樣本情況下的不同磨損階段分類，識別精度比較理想。

（10）云模型。李德毅院士等于1995年提出云模型，它是一種定性定量不確定性轉換模型，數據樣本之間具有隨機性和模糊性，而云模型把這兩個特性都考慮在內，由定量到定性，原本復雜的語言值用數字特征來表示；再從定性到定量、隨機性和模糊性以及它們兩者之間的關系通過云發生器來模擬和建立。在具體處理中，實現云模型的方法不是單一的，不同的方法構成不同類型的云模型，如正態云模型、半云模型、對稱云模型和組合云模型等。接合前文所說的支持向量機，可以更好地應用到對刀具磨損信號的處理中。

王利偉等［20］結合云模型和支持向量機的優點，提出了包含輸入層、云化層、SVM層、逆云化層和輸出層等五層結構的云-SVM模型，利用該模型對刀具磨損狀態的識別和預測進行了仿真，結果表明，該模型能夠較真實地識別和預測磨損狀態，具有較強實用性。表明該模型結合了云模型的隨機性和模糊性，又保持了SVM模型的優點，解決了高維問題和局部極值問題，支持小樣本，適合數控機床刀具磨損狀態識別。

（11）機器視覺識別方法。刀具表面是刀具磨破損狀態的直接反映，因此基于刀具表面圖像的直接監測方法，具有其它監測方法所不能比擬的優點，它由顯微鏡、照相機、計算機及圖像處理軟件等組成，先獲取刀具磨損的圖像信號，對其進行細致處理。原理簡單，操作方便，可以很好地得出刀具的磨損狀況［21］。基于刀具或工件的圖像、紋理或切屑圖像都可以用機器識別的方法來進行處理。像趙林惠等［24］對微小型刀具磨損檢測試驗研究、張利等［25］對刀具磨損狀態識別技術的研究等都是利用機器視覺識別技術對圖像信號進行的處理，得出相應的結論。

但是在工件切削過程中，切屑擋在刀具的表面，因此，基于刀具表面圖像的視覺監測方法一般不能在切削過程中進行，因此只是一種間歇式的監測方法。

2 發展趨勢

隨著現代加工方法和對工件質量要求的提高，刀具監測技術越來越重要，單一的刀具信號獲取已經很少能滿足要求，同樣，單一的信號處理技術也會存在這樣或那樣的不足，所以多種信號處理方式的融合技術已經越來越成為研究的方向之一。如，模糊邏輯和神經網絡都屬于知識分布存儲，都具有并行處理的無模型系統。通過效仿人的生理動作來解決問題是它們結合的基礎和目標。知識的獲取與表達、知識的存儲與推理等方面是它們的主要區別。如果采用神經網絡，那么就需要進行學習，而對于模糊邏輯僅僅需要從知識庫中提取出來即可；對于結構化的知識用模糊邏輯來處理更適合，而對于分結構化的知識用神經網絡處理更有效。結合這兩種數據處理方法，可以發揮它們共同的優點并克服它們各自的缺點。這種互補的特性使它們的結合越來越得到人們的廣泛關注。

［1］董全成，艾長勝，樊寧.刀具磨損聲譜特征的分析［J］.組合機床與自動化加工技術，2006（3）：35-38.

［2］王國鋒，李啟銘，秦旭達，等.支持向量機在刀具磨損多狀態監測中的應用［J］.天津大學學報，2011（1）：35-39.

［3］游鳳荷，魏莉.材質渦流檢測信號處理方法［J］.測控技術，2002（10）：11-14.

［4］張建國，宗文俊，孫濤.超精密車削單晶硅刀具振動頻譜分析［J］.納米技術與精密工程，2010，8（6）：491-497.

［5］毛新勇，劉紅奇，李斌.主軸電流信號中銑削力成分的時頻分析及提取方法研究［J］.中國科學（E輯：技術科學），2009（11）：1824-1827.

［6］陳曉智，李蓓智，楊建國.一種新的聲發射刀具磨損小波分析方法［J］.無損檢測，2007，29（1）：12-15.

［7］陳洪濤，黃遂，李登萬，等.基于模糊聚類的數控車削加工刀具磨損檢測研究［J］.現代制造工程，2010（7）：134-137.

［8］陳愛弟，王信義，王忠民，等.基于模糊聚類的刀具磨損量在線監測方法［J］.北京理工大學學報，2000，20（3）：276-280.

［9］張鍇鋒，袁惠群，聶鵬.基于廣義分形維數的刀具磨損狀態監測［J］.振動與沖擊，2014（1）：162-164.

［10］林穎，劉亞俊，陳忠.基于分形理論和神經網絡的刀具磨損監測［J］.中國機械工程，2004，16（16）：1126-1128.

［11］周忠偉，孟廣耀，徐建，等.基于HMM的刀具磨損和顫振預報及切削過程的最優化控制研究［J］.裝備制造技術，2013（1）：108-110.

［12］呂俊杰，王杰，王玫，等.基于S O M和H M M結合的刀具磨損狀態監測研究［J］.中國機械工程，2009，21（13）：1531-1535.

［13］陳高波.基于最小二乘支持向量機的刀具磨損預報建模［J］.武漢工業學院學報，2009（2）：112-114，118.

［14］徐創文，陳花玲，劉曉斌.偏最小二乘回歸在刀具磨損試驗建模中的應用［J］.系統仿真學報，2007，19（13）：3115-3118.

［15］崔伯第，郭建亮，殷寶麟.基于神經網絡的高速硬車削切削力預測研究［J］.機械設計與制造，2012（9）：175-177.

［16］王軍平，敬忠良，王安.基于隨機模糊神經網絡的刀具磨損量軟測量技術［J］.信息與控制，2002，31（6）：535-537.

［17］彭美武，陳洪濤，鐘成明.基于支持向量機的刀具磨損決策融合技術 ［J］.組合機床與自動化加工技術，2014（4）：89-93.

［18］王國鋒，李啟銘，秦旭達，等.支持向量機在刀具磨損多狀態監測中的應用［J］.天津大學學報，2011，44（1）：35-39.

［19］聶鵬，董慧，李正強，等.基于改進EMD和LS-SVM的刀具磨損狀態識別 ［J］.北京工業大學學報，2013（12）：1784-1790.

［20］王利偉，王姣.云-SVM模型及在數控機床刀具磨損狀態預測中的應用［J］.組合機床與自動化加工技術，2012（9）：25-31.

［21］楊建國，肖蓉，李蓓智，等.基于機器視覺的刀具磨損檢測技術［J］.東華大學學報（自然科學版），2012（5）：505-508.

［22］關山.在線金屬切削刀具磨損狀態監測研究的回顧與展望Ⅱ：信號特征的提取［J］.機床與液壓，2010（17）：121-125.

［23］夏海濤，孟廣耀，劉松年，等.基于切削力實現銑刀狀態監測的特征值選取的研究［J］.制造技術與機床，2011（2）：97-99.

［24］趙林惠，張建成，寧淑榮.基于機器視覺的微小型刀具磨損檢測試驗研究［J］.制造業自動化，2012（10）：53-56.

［25］張利.基于圖像幾何形態與紋理分析的刀具磨損狀態監測技術的研究［D］.杭州：浙江工業大學，2002.

（編輯 丁 罡）

上海電氣簽署煤發電項目

日前，上海電氣集團（601727）與格盟國際能源有限公司簽署山西靈石啟光2×350MW低熱值煤發電項目總承包合同。

格盟國際能源有限公司是上海電氣集團在國內開展電站EPC項目的首個合作伙伴。本次簽約山西靈石啟光2×350MW低熱值煤發電項目，標志著雙方的合作將得到進一步深化。

（本刊訊）

TB114.3；TG71

A

1000-4998（2015）03-0055-03

2014年9月