刀具壽命預測技術研究淺析

吳尚杰

摘 要：刀具壽命是衡量一個刀具系統的性能和評估刀具可靠性的一個重要指標，它可以為刀具設計提供依據，提高刀具的使用率，節約企業成本。本文綜述了現有的刀具壽命的研究方法，分析了他們的缺點以及不足之處，提出了問題可能的解決方案以及刀具壽命預測技術未來的發展趨勢，為后續刀具壽命預測技術提供了開拓性思路。

關鍵詞：刀具壽命；預測；綜述；趨勢

中圖分類號：TG711 文獻標識碼：A 文章編號：1671-2064（2018）22-0057-02

2015年中國提出了“中國制造2025”計劃，希望我國在2025年可以成為世界制造強國，從而可以提升我國的綜合國力。但是隨著中美貿易戰的不斷升級，美國不斷對高科技技術以及高科技產品進行封鎖，目的便是遏制“中國制造2025”計劃。也正因為如此，深刻地讓我們認識到了我國的制造技術與其他發達國家相比還有著巨大的差距，我們仍需對大量精密零件、芯片等進行進口。因此提高我國制造技術成為了實現中華民族偉大復興夢的制衡性因素。數控機床作為制造業的核心工具，大部分零部件都由它來完成加工，而其中數控機床的刀具系統則至關重要。在工業生產中，一個合理的刀具系統有助于提高工件的加工精度和加工效率，減小生產成本。刀具壽命是指一個新刀具從起效至失效的總時間[1]，而刀具壽命是衡量一個刀具系統的性能和評估刀具可靠性的一個重要指標。在加工過程中沒有對刀具壽命進行預測或刀具壽命預測不準確的情況下，很容易引起工件報廢，流水線生產停滯，造成企業的生產成本大幅增加。因此，對于刀具壽命的研究是有重要理論和現實意義的。近年來，眾多的學者已對刀具壽命預測技術做了大量的相關研究，但他們也都普遍的存在著許多不足。

1 影響刀具壽命的主要因素

數控加工是一個繁復的過程。刀具在與工件發生相對運動時，有很多因素影響刀具的壽命。這些因素大體可分為四類，分別是人為因素、加工環境、加工方式和材料等。他們相互影響，呈現復雜的非線性關系。

（1）人為因素：由于操作人未經過專業訓練而操作不當（如：進給速度過快、切屑深度把握不恰當、未選擇合適的刀具類型、切削過程中沒有及時加入切削液等）引起的刀具磨損過快，甚至導致刀具直接崩刃，從而造成的刀具壽命縮短或直接報廢。

（2）加工環境溫度的高低影響刀具剩余壽命的長短。在溫度較高的環境下，刀具表面易于氧化，從而降低刀具壽命。加工環境中是否有切削液同樣影響刀具壽命。刀具在與工件摩擦過程中產生的切屑，由于其化學特性，有時會附著于刀具后刀面，易于與工件表面發生刮擦，嚴重影響了工件制造的精度，縮短了刀具壽命。向刀具系統中添加切削液，能夠在刀具和工件表面覆蓋液體膜，減小工件與刀具之間的摩擦力，降低切削溫度，使切屑不易附著于刀具表面同時可以及時沖刷切屑，延長刀具使用時間。加工環境中穩定性也可以影響刀具壽命。當刀具系統處于不穩定狀態時，刀具會與工件產生非周期性撞擊，加速刀具磨損，若兩臺數控機床相距較近且同時運轉情況下，他們頻率相近，極易發生共振現象，加大振動幅度，嚴重損害刀具，縮短刀具壽命。

（3）加工方式：切削參數的選擇也影響著刀具壽命。過大的進給速度、切削深度會引起刀具系統的振動；同時過小的刀尖弧度半徑會使刀刃結構脆弱，易崩刃，過大的刀尖弧度半徑會導致切削力增大。這些參數不合理的設定都會加快刀具磨損，縮短刀具壽命。

（4）材料：刀具的材料和工件的材料同樣與刀具壽命有著直接的聯系，當刀具加工硬度較高的材料時，如鈦合金。則會導致刀具磨損過快，刀具壽命過短。當刀具材料為沖擊韌性較差，抗彎強度較低的材料時，如硬質合金，同樣會導致刀具壽命過短。

2 刀具壽命預測的研究現狀

基于影響刀具壽命的主要因素，目前刀具壽命的預測可以通?？梢苑譃槿悾夯谖锢砟Ｐ偷念A測，基于已有知識模型的預測，基于人工智能模型的預測。

（1）物理模型的預測：刀具壽命根據上文所提到的許多因素有關，這些因素與刀具壽命有著直接或間接的聯系，并呈現出復雜的非線性關系。因此基于大量人為經驗和試驗的積累，并根據刀具壽命的退化行為，建立了經驗公式[2]。

（2）基于已有知識的模型：目前現有的方法，模糊推理和專家系統，根據已有數據庫中的樣本，將試驗數據與當前所要預測的刀具壽命進行匹配，通過引入模糊變量，根據模糊統計的方法來確定刀具壽命的合理值以及可能性的函數分布規律，最終達到預測刀具壽命的效果。

（3）基于人工智能模型：目前現有的方法有神經網絡（ANN）[3-5]，支持向量機（SVM），他們將刀具切削參數作為模型輸入[6-7]，將刀具壽命作為模型的輸出，利用已有樣本訓練模型，建立模型輸入端和輸出端的映射關系，最終達到預測刀具壽命的目的。

3 研究難點及可能的解決方案

然而，目前對于刀具壽命預測技術仍有許多的不足，且大部分研究僅限于關注刀具在切削前的整體壽命，并沒有考慮到刀具在切削過程中的剩余壽命，如物理模型的預測與已有知識模型的預測。

基于經驗公式的預測有著簡單易理解的優點，但其僅憑實驗和專家系統的方式，使其結果的準確度值得商榷。并且公式中帶入的參數是在特定環境和使用特定設備通過大量實驗而得出的，不僅耗時冗長，而且對于不同的加工環境和不同的設備不具有普遍性和一般性，目前不是學術界主流研究方法。

基于知識模型的預測，如模糊理論，它方法比之經驗公式，更加具有參考價值，它通過引入模糊變量替代試驗過程中某些不確定的量，使結果相對更加的準確。但它嚴重依賴于數據庫，在數據庫不全面的情況下并不能達到很好的預測效果。而上述兩種方法只適合于預測刀具壽命在加工開始之前的刀具整體壽命，而加工過程是一個復雜并充滿不確定性的過程，刀具壽命預測與實際結果之間存在著巨大的差距，并不能很好的滿足企業的需求，對于以上的缺陷，人工智能的發展很好的解決了這個問題。

基于人工智能模型的預測，如ANN，SVM、HMM。他可以實現刀具壽命的在線預測，機床在運轉過程中，可以實時將刀具剩余壽命輸出。但是它也存在不足，ANN依賴大樣本，學習速度慢，容易不收斂。針對ANN的缺點，SVM的引入，很好的解決了上述問題，但是SVM是基于樣本進行匹配，并沒有考慮刀具的退化過程，預測結果易于收到加工過程中環境噪聲的干擾[8]，穩定性較差。在此基礎上，HMM的引入又很好的解決了這些問題[9]。

4 未來的發展趨勢

隨著計算機技術的發展，人工智能越來越受到人們的青睞，而采用人工智能預測刀具壽命的方法也成為未來的發展趨勢。因此，未來的研究方向主要從以下幾方面入手：（1）改進機器學習的算法，提高計算效率，如ANN，可以與遺傳算法相結合，利用遺傳算法的優勢，尋找ANN最優初始權值和閾值，這樣可以減少ANN算法在最開始尋找最優權值和閾值的時候所浪費的時間，提高算法運行效率。（2）尋找更能反映刀具壽命的特征量，譬如可以將刀具磨損的特征與刀具壽命之間建立關系，利用機器學習算法，如ANN，SVM等。將這些可以反映刀具壽命的特征值作為預測模型的輸入端，使所建立的人工智能預測模型更為的準確和高效。

參考文獻

[1]馬春翔，王光斗，李濤，王偉方.基于模糊理論的刀具壽命可靠性[J].機械工程學報，2007，43（12）：93-96.

[2]徐玲，楊丹，王時龍，聶建林.基于進化神經網絡的刀具壽命預測[J].計算機集成制造系統，2008，14（1）：167-182.

[3]秦國華，謝文斌，王華敏.基于神經網絡與遺傳算法的刀具磨損檢測與控制[J].光學精密工程，2015，23（5），1314-1321.

[4]于青，王金林.基于DE-BP神經網絡的刀具壽命預測研究[J].機床與液壓，2009，37（4）：4-6.

[5]黃媛，孫樹棟，李兢堯.基于ACO-BP神經網絡的刀具壽命預測[J].機械科學與技術，2009，28（11）：1517-1522.

[6]侍紅巖，吳曉強，張春友.基于支持向量回歸機的刀具壽命預測[J].工具技術，2015（49）：47-50.

[7]胡良謀，曹克強，徐浩軍，董新民.支持向量機故障診斷及控制技術[M].北京：國防工業出版社，2011.

[8]王曉強.刀具磨損監測和剩余壽命預測方法[D].華中科技大學，2016.

[9]張星輝，康建設，高存明，等.基于MoG-HMM的齒輪箱狀態識別與剩余使用壽命預測研究[J].振動與沖擊，2013，32（15）：20-25.