一種基于多特征和支持向量機(jī)的刀具磨損狀態(tài)識(shí)別技術(shù)

劉 宇，汪惠芬，劉庭煜

（南京理工大學(xué)　機(jī)械工程學(xué)院，南京 210094）

?

一種基于多特征和支持向量機(jī)的刀具磨損狀態(tài)識(shí)別技術(shù)

劉 宇，汪惠芬，劉庭煜

（南京理工大學(xué)機(jī)械工程學(xué)院，南京 210094）

摘 要：為了實(shí)現(xiàn)生產(chǎn)過程中切削條件諸多變化的刀具狀態(tài)識(shí)別，對(duì)銑削加工中三向切削力信號(hào)進(jìn)行時(shí)域、頻域以及時(shí)-頻域分析，在提取均方根值、峰值、小波包能量等特征量的基礎(chǔ)上，通過分析提取的特征量，提出采用各方向特征比值的方法。得到的特征比值具有更加明顯地對(duì)刀具狀態(tài)比較敏感、但對(duì)切削用量不敏感特點(diǎn)。通過對(duì)特征與特征比值敏感性分析，分析表明特征與特征比值組合的特征向量最適合作為刀具狀態(tài)監(jiān)測(cè)的指標(biāo)。通過多次選取特征比值、特征量組成的特征向量輸入多分類支持向量機(jī)（SVM，Support Vector Machine）網(wǎng)絡(luò)中對(duì)刀具狀態(tài)進(jìn)行訓(xùn)練和識(shí)別，發(fā)現(xiàn)特征與特征比值組成的特征向量對(duì)不同磨損狀態(tài)不同切削用量下刀具識(shí)別精度更高，具有較好的效果，能夠?qū)崿F(xiàn)在小樣本情況下不同磨損狀態(tài)不同切削條件下的刀具狀態(tài)分類。

關(guān)鍵詞：特征；特征比值；三向切削力；支持向量機(jī)

0　引言

刀具磨損狀態(tài)影響機(jī)械加工的質(zhì)量、效率和成本。在傳統(tǒng)切削加工中，加工人員通過切削聲音、切削時(shí)間等來(lái)綜合判斷刀具狀態(tài)，這種方法主觀性較強(qiáng)，對(duì)加工人員的經(jīng)驗(yàn)要求非常高，不可避免地存在兩個(gè)問題：1）刀具尚未失效就被卸下，導(dǎo)致停機(jī)時(shí)間增加，生產(chǎn)效率降低，刀具沒有充分被利用，造成資源浪費(fèi)，生產(chǎn)成本增加；2）當(dāng)?shù)毒咭呀?jīng)失效而不能及時(shí)更換，導(dǎo)致工件的加工質(zhì)量得不到保證，甚至整個(gè)切削加工系統(tǒng)的運(yùn)行也會(huì)受到影響。因此，為了從根本上解決這些問題，須要對(duì)刀具狀態(tài)進(jìn)行監(jiān)測(cè)。刀具狀態(tài)監(jiān)測(cè)是實(shí)現(xiàn)生產(chǎn)自動(dòng)化的一個(gè)關(guān)鍵技術(shù)，對(duì)于提高生產(chǎn)效率、降低生產(chǎn)成本以及保證產(chǎn)品質(zhì)量具有十分重要的意義［1］。據(jù)統(tǒng)計(jì)，一個(gè)準(zhǔn)確而可靠的刀具狀態(tài)監(jiān)測(cè)系統(tǒng)可以避免由于各種因素造成的停機(jī)時(shí)間的75%，提高10%～60%的生產(chǎn)率，節(jié)省10%～40%的生產(chǎn)成本［2］。為此，國(guó)內(nèi)外研究人員對(duì)刀具狀態(tài)監(jiān)測(cè)技術(shù)展開大量研究，提出許多監(jiān)測(cè)方法，目前主要有切削力法、聲發(fā)射法、電流/功率法、振動(dòng)加速度法和多傳感器融合法等［3～8］。關(guān)山等采用聲發(fā)射法來(lái)研究車削加工的刀具狀態(tài)［3］。Wafaa Rmili等研究高速銑削加工刀具磨損狀態(tài)采用振動(dòng)加速度法［4］。黃華等研究刀具狀態(tài)監(jiān)測(cè)采集了銑削加工過程的電流和電壓信號(hào)［5］。Mehdi Nouri等采用切削力法建立銑削狀態(tài)實(shí)時(shí)監(jiān)測(cè)系統(tǒng)［6］。Zhu Kunpeng等采用多傳感器融合方法，采集刀具加工過程中的切削力、聲發(fā)射、振動(dòng)、電流和圖像等五種信號(hào)［7］。N. Ghosh等采集切削力、振動(dòng)、電流和聲音信號(hào)來(lái)監(jiān)測(cè)刀具磨損狀態(tài)［8］。這些學(xué)者都通過采集與刀具密切相關(guān)的各種信號(hào)，進(jìn)行信號(hào)處理和特征提取，建立刀具磨損與特征信號(hào)之間的數(shù)學(xué)模型，來(lái)實(shí)現(xiàn)監(jiān)測(cè)目的。近些年來(lái)，許多學(xué)者采用SVM來(lái)進(jìn)行故障診斷和模式識(shí)別的數(shù)學(xué)建模［9～13］。SVM是在統(tǒng)計(jì)學(xué)理論的VC維理論和結(jié)構(gòu)最小化原理基礎(chǔ)上建立的機(jī)器學(xué)習(xí)方法，它不存在陷入局部極值或者過擬合的可能等問題，而且向量特征旳維數(shù)不影響算法本身復(fù)雜度，不僅節(jié)約了時(shí)間、成本，還使得監(jiān)測(cè)模型的建立更加簡(jiǎn)便。全睿等人采用二叉樹分類器的SVM方法進(jìn)行車用燃料電池系統(tǒng)的多故障診斷［9］。于德介等人采用SVM方法對(duì)轉(zhuǎn)子故障進(jìn)行診斷［10］。同時(shí)，SVM也被應(yīng)用到刀具磨損狀態(tài)監(jiān)測(cè)模型。大連交通大學(xué)的王嬌、西北工業(yè)大學(xué)的張棟梁、西班牙埃斯特雷馬杜拉大學(xué)的D.R.Salgado等采用SVM對(duì)刀具磨損進(jìn)行了預(yù)報(bào)建模和識(shí)別［11～13］。但是，目前的SVM應(yīng)用大多集中在正常磨損和非正常磨損兩類刀具的狀態(tài)識(shí)別，很少應(yīng)用在刀具狀態(tài)的多類識(shí)別［14］。刀具狀態(tài)識(shí)別主要針對(duì)某種或者幾種切削條件，許多學(xué)者并沒有對(duì)提取的特征在切削條件變化磨損狀態(tài)變化的情況下進(jìn)行分析，很難實(shí)現(xiàn)多種切削條件或切削條件變化情況下刀具狀態(tài)的識(shí)別。

本文針對(duì)這些問題，以銑削加工過程為研究對(duì)象，通過采集切削力信號(hào)，并經(jīng)過時(shí)域、頻域以及時(shí)-頻域分析提取特征，采用提取對(duì)刀具狀態(tài)比較敏感、但對(duì)切削條件不敏感的特征的方法，在提取大量特征量的基礎(chǔ)上，提出了各方向特征量比值法，發(fā)現(xiàn)特征在某個(gè)方向上的比值存在一定規(guī)律，適合用于刀具監(jiān)測(cè)。通過多次特征選取組成特征向量輸入多分類支持向量機(jī)網(wǎng)絡(luò)進(jìn)行刀具狀態(tài)識(shí)別。實(shí)驗(yàn)結(jié)果表明，優(yōu)化后的特征與特征比值組成的特征向量能夠獲得更滿意的結(jié)果。

1　刀具狀態(tài)監(jiān)測(cè)實(shí)驗(yàn)

刀具磨損監(jiān)測(cè)系統(tǒng)由研究對(duì)象（數(shù)控機(jī)床）、傳感器安裝與信號(hào)采集、信號(hào)處理與特征提取、模式識(shí)別等模塊構(gòu)成，如圖1所示。

圖1　刀具磨損狀態(tài)監(jiān)測(cè)系統(tǒng)組成

本文試驗(yàn)采用Φ6硬質(zhì)合金YT15兩刃立銑刀在配備FANUC系統(tǒng)的長(zhǎng)征立式加工中心KVC1050CN（最大轉(zhuǎn)速為8000r/min）進(jìn)行加工2Al2鋁合金試驗(yàn)。通過三向測(cè)力儀Kistler9119AA2對(duì)銑削加工進(jìn)行切削力信號(hào)采集，電荷放大器為Kistler5080A，數(shù)據(jù)采集器為Kistler5697A，采樣頻率為20000Hz，得到刀具在不同磨損狀態(tài)下的不同切削參數(shù)的切削力信號(hào)。由于目前對(duì)刀具磨損狀態(tài)沒有統(tǒng)一劃分標(biāo)準(zhǔn)，一般根據(jù)實(shí)際加工中刀具磨損劇烈程度，分為輕度磨損（0～0.1mm）、中度磨損（0.1mm～0.3mm）和嚴(yán)重磨損（＞0.3mm）［14］。實(shí)驗(yàn)?zāi)康氖菫榱搜芯康毒咴谧兦邢鲄?shù)下刀具磨損狀態(tài)的分類問題。如果將試驗(yàn)所選用的4種因素（切削速度、徑向切深、軸向切寬、每齒進(jìn)給量）的所有參數(shù)進(jìn)行全面組合，形成多種切削條件，會(huì)導(dǎo)致切削試驗(yàn)量過大，實(shí)驗(yàn)時(shí)間過長(zhǎng)，因此，實(shí)驗(yàn)采用正交實(shí)驗(yàn)法，設(shè)計(jì)了1 組4因素3水平的正交試驗(yàn)，參數(shù)選擇如表1所示。

表1　正交試驗(yàn)切削參數(shù)選擇

實(shí)驗(yàn)步驟：

1）選擇新刀（VB=0）安裝好刀具、測(cè)力儀和試件，調(diào)整好試驗(yàn)系統(tǒng)；

2）開啟數(shù)控機(jī)床，使機(jī)床空轉(zhuǎn)，啟動(dòng)Kistler9119AA2測(cè)力儀配套的試驗(yàn)采集軟件，采集空轉(zhuǎn)時(shí)切削力信號(hào)并保存數(shù)據(jù)；

3）按照正交試驗(yàn)表，依次選擇一組固定的切削條件，調(diào)整好切削參數(shù)并對(duì)刀，開始切削實(shí)驗(yàn)；

4）當(dāng)?shù)毒呓咏ぜr(shí)，啟動(dòng)Kistler9119AA2測(cè)力儀配套的試驗(yàn)采集軟件，開始數(shù)據(jù)采集，連續(xù)采集切削力信號(hào)并保存，以工件寬度50mm，作為一次走刀長(zhǎng)度；

5）采用提高切削速度的方法來(lái)加快刀具磨損，設(shè)置數(shù)控機(jī)床的切削參數(shù)主軸轉(zhuǎn)速為6000r/min，其他參數(shù)不變，每走刀10次卸下銑刀，用體現(xiàn)顯微鏡來(lái)觀察刀具磨損狀態(tài)，并測(cè)出刀具磨損量；

6）當(dāng)?shù)毒哌_(dá)到中度磨損狀態(tài)，按照步驟4），采集切削力信號(hào)；

7）重復(fù)步驟5），當(dāng)?shù)毒哌_(dá)到嚴(yán)重磨損狀態(tài)時(shí)，按照步驟4），采集切削力信號(hào)。

實(shí)驗(yàn)加工現(xiàn)場(chǎng)如圖2所示，通過上述實(shí)驗(yàn)步驟在三種磨損狀態(tài)下，按照表1的切削參數(shù)，采集了切削力信號(hào)數(shù)據(jù)。圖3是工況4在VB=0.08mm情況下（采樣2s），經(jīng)過消噪后，得到切削力Fx時(shí)域波形圖。

圖2　銑削加工試驗(yàn)現(xiàn)場(chǎng)

圖3　工況7下VB=0.08mm時(shí)三向切削力的時(shí)域波形

2　特征提取與特征優(yōu)化

通過上述刀具狀態(tài)監(jiān)測(cè)實(shí)驗(yàn)，測(cè)力儀采集到的切削力信號(hào)包含著噪聲信號(hào)，所以不能直接用來(lái)分析。需要進(jìn)行信號(hào)處理來(lái)特征提取，得到對(duì)應(yīng)不同切削條件不同磨損狀態(tài)下的信號(hào)特征。

2.1特征提取

為了準(zhǔn)確實(shí)現(xiàn)磨損狀態(tài)的識(shí)別，對(duì)銑削力信號(hào)進(jìn)行傅里葉變換來(lái)提取頻域特征，三向力的功率譜頻譜能量主要集中在在0～3000Hz范圍內(nèi)，特別是在0～1000Hz。

圖4　工況7下VB=0.01時(shí)Fx的小波包重構(gòu)時(shí)域波形圖

各頻帶信號(hào)s8，i對(duì)應(yīng)的能量表示為E8，i（i=0，1，…，15），能量表達(dá)式為：

式（1）中，xi，k（k=（0，1，2，…，n））表示重構(gòu)信號(hào)s8，i的離散點(diǎn)的幅值。工況4下銑削力Fx、Fy、Fz在刀具各磨損階段的前16個(gè)頻段能量上的分布如圖3所示。

從圖5中可以看出，三個(gè)磨損階段的能量分布明顯不同，因此采用能量特征表現(xiàn)磨損狀態(tài)是可行的。通過分析9種工況下各磨損狀態(tài)下的能量分布，發(fā)現(xiàn)最大能量特征值都分布在前4頻段，因此，提取切削力各方向上小波包前4頻段的能量特征（Ex8，0，Ex8，1，Ex8，2，Ex8，3）、（Ey8，0，Ey8，1，Ey8，2，Ey8，3）、（Ez8，0，Ez8，1，Ez8，2，Ez8，3）。

圖5　工況4下Fx、Fy、Fz在各磨損狀態(tài)下的前16頻段能量分布

2.2特征比值提取

定義：比值μpq- M為切削力特征M在方向p上的特征值與在方向q上的特征值的比值，其中M為，F(xiàn)xrms，F(xiàn)yrms，F(xiàn)zrms等特征量，p、q為銑削加工時(shí)x，y，z方向。

上面分析得到的特征表現(xiàn)出對(duì)刀具狀態(tài)和切削條件都具有較好的敏感性。由于銑削加工各個(gè)方向切削力存在一定的比值關(guān)系，所以在提取的這些特征量的基礎(chǔ)上，再通過將各個(gè)方向切削力的特征的比值進(jìn)行分析，由特征比值定義得到切削力信號(hào)的6個(gè)特征比值：

這6種比值具有對(duì)刀具狀態(tài)表現(xiàn)較好敏感性，但對(duì)切削條件不敏感的特點(diǎn)（如圖6所示，圖中橫坐標(biāo)為樣本號(hào)，縱坐標(biāo)為特征比值）。因此，最終選擇作為這6個(gè)特征比值來(lái)進(jìn)行分析。

圖6　比值特征分析曲線圖

2.3特征優(yōu)化

本文的特征優(yōu)化主要是對(duì)特征與特征比值進(jìn)行敏感性分析，選擇對(duì)刀具狀態(tài)變化較敏感而對(duì)切削用量不敏感的特征量。通過分析發(fā)現(xiàn)特征與特征比值對(duì)刀具狀態(tài)變化都有較好的敏感性，引入特征的相對(duì)變化率、平均相對(duì)變化率這兩個(gè)概念，來(lái)定量的分析各特征對(duì)切削用量變化的敏感度，并作出如下定義：

相對(duì)變化率?Rn表示刀具在同一刀具狀態(tài)下，某一切削用量下特征相對(duì)另一切削用量特征變化率，它們的公式定義如下：

式（2）中，?Rn為某個(gè)特征的相對(duì)變化率；FRn、FRm為某個(gè)磨損狀態(tài)下不同切削用量下的特征值。

由于在實(shí)驗(yàn)中在不同刀具磨損狀態(tài)下，分別采取9種工況下的切削力，為了保證特征量能夠較好地反映各切削用量下的敏感性，求取某方向該特征下所有相對(duì)變化率的平均值，定義為平均相對(duì)變化率，以平均相對(duì)變化率作為特征量對(duì)切削用量敏感度的度量標(biāo)準(zhǔn)，公式表示為：

式（3）中：?Rn為特征相對(duì)變化率，n為不同的特征相對(duì)變化率數(shù)目。

通過上述兩個(gè)定義求得所提取特征的平均相對(duì)變化率，得到表2、表3。

表2　各切削用量下特征的平均相對(duì)變化率

表3　各切削用量下特征比值的平均相對(duì)變化率

對(duì)各特征與特征比值的平均相對(duì)變化率進(jìn)行由小到大排序：

根據(jù)對(duì)刀具切削用量敏感性分析結(jié)果，選擇對(duì)切削用量不敏感的前6個(gè)特征：作為刀具狀態(tài)監(jiān)測(cè)識(shí)別會(huì)有較好的效果。

3　實(shí)驗(yàn)驗(yàn)證

多分類SVM模型的建立可以參考文獻(xiàn)［15］，支持向量機(jī)采用Radical basis function函數(shù)作為核函數(shù)，通過多次計(jì)算驗(yàn)證后，得出當(dāng)懲罰系數(shù)c=2，核函數(shù)參數(shù)g=1時(shí)，建立的支持向量機(jī)模型識(shí)別效果最好。在對(duì)刀具模式識(shí)別中，特征的選取很重要。依據(jù)3種不同磨損狀態(tài)，根據(jù)表3選取的特征，從9種工況下抽取代表不同切削參數(shù)下信號(hào)特征的162組特征向量數(shù)據(jù)樣本（54組輕度磨損樣本，81組中度磨損樣本，27組嚴(yán)重磨損樣本）。從54組輕度磨損樣本中隨機(jī)抽取27組樣本作為訓(xùn)練樣本，其余作為測(cè)試樣本；81組中度磨損樣本中隨機(jī)抽取48組樣本作為訓(xùn)練樣本，其余作為測(cè)試樣本，27組嚴(yán)重磨損樣本中隨機(jī)抽取18組樣本作為訓(xùn)練樣本，其余作測(cè)試樣本。以輸出值1表示輕度磨損，輸出值2表示中度磨損，輸出值3表示嚴(yán)重磨損。將這些樣本輸入SVM網(wǎng)絡(luò)，通過MATLAB仿真試驗(yàn)識(shí)別正確率如表5所示。

從表5中可以看出采用特征量比值或比值的組合作為網(wǎng)絡(luò)輸入訓(xùn)練后的識(shí)別精度明顯高于特征量或特征量的組合作為網(wǎng)絡(luò)輸入（除峰值外），這也證明銑削加工切削力各方向特征比值作為刀具狀態(tài)監(jiān)測(cè)的可行性。其中采用作為特征量的識(shí)別精度最高，識(shí)別精度達(dá)到98.5714%，識(shí)別結(jié)果如圖7所示。

圖7　選擇，作為特征仿真結(jié)果

4　結(jié)束語(yǔ)

本文采用銑削力信號(hào)對(duì)刀具磨損狀態(tài)進(jìn)行監(jiān)測(cè)，提出采用特征比值的方法作為刀具狀態(tài)監(jiān)測(cè)的指標(biāo)。通過對(duì)銑削力信號(hào)Fx、Fy、Fz時(shí)域、頻域以及小波包分析提取出信號(hào)的特征。通過對(duì)特征量敏感性進(jìn)行分析，發(fā)現(xiàn)某些特征量的比值更適合用于刀具狀態(tài)的監(jiān)測(cè)。從不同切削條件下選取162組特征向量數(shù)據(jù)樣本輸入SVM進(jìn)行模式識(shí)別。SVM訓(xùn)練表明，采用特征與特征比值組成特征的識(shí)別精度更高，具有較好的識(shí)別精度。但是，這種方法研究只針對(duì)立銑刀銑削加工沿y方向順銑，因?yàn)榉抡鎸?shí)驗(yàn)有時(shí)候會(huì)有一定的誤差，當(dāng)加工刀具或材料改變后這種模擬仿真可能正確率會(huì)下降，因此，是否適用于其他切削加工須要作進(jìn)一步的研究。

表4　采用不同特征量識(shí)別正確率

參考文獻(xiàn)：

［1］ 柳洋，陳永潔，楊文愷，等.刀具磨損狀態(tài)在線監(jiān)測(cè)研究現(xiàn)狀與發(fā)展［J］.機(jī)床與液壓.2014，42（19）：174-180.

［2］ 關(guān)山，史志標(biāo)，劉炎.基于多特征融合的刀具狀態(tài)識(shí)別方法［J］.振動(dòng)、測(cè)試與診斷.2014，34（3）：576-584.

［3］ Wafaa Rmili，Abdeljalil Ouahabi.An automatic system based on vibratory analysis for cutting tool wear monitoring［J］. Measurement.2015，77：117-123.

［4］ 黃華，李愛平.基于小波神經(jīng)網(wǎng)絡(luò)的切削力刀具磨損識(shí)別［J］.農(nóng)業(yè)機(jī)械學(xué)報(bào).2008，39（8）：173-177.

［5］ Zhu Kunpeng，Wong Yoke San， Hong Geok Soon.Wavelet analysis of sensor signals for tool condition monitoring ：A review and some new results［J］.International Journal of Machine Tools & Manufacture.2009，49：537-553.

［6］ Mehdi Nouri， Barry K.Fussell，Beth L.Ziniti，et al.Real-time tool wear monitoring in milling using a cutting condition independent method［J］.International Journal of Machine Tools&Manufacture.2015，（89）：1-13.

［7］ Tomas Kalvoda，Yean-Ren Hwang.A cutter tool monitoring in machining process using Hilbert-Huang transform［J］.International Journal of Machine Tools & Manufacture.2010，（50）：495-503.

［8］ N.Ghosh，Y.B. Ravi，A.Patra， et al.Estimation of tool wear during CNC milling using neural network-based sensor fusion［J］. Mechanical Systems and Signal Processing.2007，21：466-479.

［9］ 全睿，全書海，黃亮，等.基于支持向量機(jī)的車用燃料電池系統(tǒng)故障診斷［J］.振動(dòng)、測(cè)試與診斷.2012，32（1）：78-83.

［10］ 于德介，陳淼峰，程軍圣，等.基于AR模型和持向量機(jī)的轉(zhuǎn)子系統(tǒng)故障診斷方法［J］.系統(tǒng)工程理論與實(shí)踐.2007，5（5）：152-157.

［11］ 王嬌，劉海燕.基于支持向量機(jī)和遺傳算法的刀具故障診斷［J］.組合機(jī)床與自動(dòng)化加工技術(shù).2013，1（1）：74-76.

［12］ 張棟梁，莫蓉，孫惠斌，等.基于混沌時(shí)序分析方法與支持向量機(jī)的刀具磨損狀態(tài)識(shí)別［J］.計(jì)算機(jī)集成制造系統(tǒng).2015，21（8）：2138-2146.

［13］ D.R.Salgado，F(xiàn).J.Alonso.An approach based on current and sound signals for in-process tool wear monitoring［J］.Machine Tools and Manufacture.2007，47：2140-2152.

［14］ 王國(guó)峰，李啟銘，秦旭達(dá)，等.支持向量機(jī)在刀具磨損多狀態(tài)監(jiān)試中的應(yīng)用［J］.天津大學(xué)學(xué)報(bào).2011，44（1）：35-39.

［15］ 王文劍，門昌騫.支持向量機(jī)建模及應(yīng)用［D］.科學(xué)出版社，2014.

An intelligent tool wear estimation technology based on multi-feature and support vector machine

LIU Yu， WANG Hui-fen， LIU Ting-yu

中圖分類號(hào)：TG71；TH117

文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1009-0134（2016）05-0132-07

收稿日期：2016-01-20

基金項(xiàng)目：基于耦合建模的數(shù)控機(jī)床進(jìn)給系統(tǒng)優(yōu)化設(shè)計(jì)方法研究（51275246）

作者簡(jiǎn)介：劉宇（1989 -），男，湖南衡陽(yáng)人，碩士研究生，研究方向?yàn)閿?shù)控機(jī)床刀具加工、自動(dòng)化生產(chǎn)和數(shù)字化制造。