基于CNC實時監測數據驅動方法的鈦合金高速銑削刀具壽命預測

袁廣超 鮑勁松 鄭小虎 張 潔

東華大學機械工程學院，上海，201620

0 引言

高速加工技術已經在鈦合金零件加工中廣泛應用，但鈦合金的高韌性和加工硬化特性又使得高速加工過程變得困難，刀具磨損快且加工質量難以保證。因此，實現加工過程中的刀具健康狀態監控對實現制造車間的智能化水平具有重要意義。現有的數控機床基本都內置了電流傳感器、加速度傳感器及功率傳感器等多種傳感器，直接通過數控系統對刀具狀態進行監測將會大大提高刀具監控的效率并降低成本。銑削加工中刀具磨損會導致切削力、加工振動等加工狀態的變化，同時，機床主軸和驅動系統的轉矩、電流、功率及負載等也會隨之變化，最終影響工件的加工質量。

工業互聯網技術的發展將快速提升制造車間的全面管控能力。借助信息化和數字化技術，通過集成、仿真、分析、控制等手段，實現制造設備之間上下文數據的互聯互通及設備的實時管控與決策分析，是智能車間建設的核心。目前，車間內加工設備的品牌、型號往往不一致，尤其是數控系統、傳感器不同，導致車間監控數據中存在大量的多源異構數據，它們難以通過單一的通信協議實現采集與監控，因此，實現不同設備間多源異構數據的統一是當前急需解決的問題。機床數控系統可獲得的數據信息種類多、數量大，這些信息與刀具狀態和加工質量呈現復雜的非線性關系。為了實現刀具狀態與加工狀態的準確監控，解決海量數據的過濾與梳理，建立一致化的車間數據存儲傳輸模型是實現車間多源數據監控的先決條件。

OPC-UA協議因其便利的互操作性和安全性被廣泛使用，奧地利的貝加萊工業自動化公司在Mappview技術中，通過OPC-UA實現了Web、移動技術對機器的訪問，它可以基于Javascript、HTML5、CCS格式等實現對機器的訪問[1]。TU等[2]在WCF技術的基礎上，用OPC-UA的SDK開發了監控系統，縮短了開發時間，降低了成本。目前MTConnect還處于初始階段，國內對其研究較少。國外很多公司和組織對MTConnect進行了大量研究和應用，如日本Mazak公司以MTConnect作為其生產車間公用數據格式，在柔性制造系統上安裝了MTConnect設備監控系統，獲取和分析了多臺加工中心的實時性能數據，為車間管理員和機床操作工提供所需的數據和圖像[3]。VIJAYARAGHAVAN等[4]將MTConnect應用在機床加工過程中，實時仿真了刀具運行軌跡和進給速率。波音、FANUC和美國NIST等公司采用OPC和MTConnect結合的方式，在OPC-UA統一地址空間內構建MTConnect數據模型,驗證了MTConnect的可行性[5]。因此，將MTConnect協議作為連接不同設備信息的橋梁，采用OPC-UA實現機床數據的實時監測，進而實現車間海量異構數據的互聯互通，將是一條有效的途徑。

刀具破損和剩余使用壽命(remaining useful life，RUL)對預測加工過程的監控十分重要。視情維修(condition based maintenance，CBM)被廣泛應用于刀具RUL預測。但CBM方法也存在缺陷,它很難實現刀具在連續監控過程中、不同工作條件下刀具RUL值預測[6]。在過去十年里，故障預測與健康管理(prognostics and health management，PHM)概念在很多領域內被廣泛接受，它可以有效地延長產品生命周期并減少維護費用[7]。刀具剩余壽命預測是實現加工過程自適應優化的重要依據，尤其對于鈦合金等難加工材料，加工過程中刀具磨損快，工件質量狀態控制難度高。應用泰勒刀具壽命公式或經驗模型預測刀具壽命是常見的方法，但是，這類模型只考慮刀具磨損中的確定性，而未考慮其他不確定的因素，并且確定模型中的參數還需大量試驗。然而制造企業要求更高的生產效率，為達到企業級要求，快速實時預測非常重要。

BENKEDJOUH等[8]提出了一種基于非線性特征降維和支持向量機的刀具壽命預測方法，用來預測刀具磨損量和刀具剩余使用壽命。HUANG等[9]考慮超精密金剛石加工過程中刀具刃口半徑的影響，建立了基于切削力的刀具磨損預測模型。KARAM等[10]利用多傳感器融合技術，基于人工神經網絡建立了在線識別系統，預測了高速旋轉過程中刀具的剩余使用壽命。李錫文等[11]以銑刀后刀面磨損帶面積作為衡量刀具磨損量的一個評價指標，利用多傳感器信息融合技術，在線監測了銑刀后刀面磨損帶寬度和磨損帶面積，監測結果與實際測量結果基本吻合。目前的刀具狀態監控仍依賴聲發射傳感器、力傳感器等外加傳感器，這會影響監控的實時性。目前大量的機床數控系統中已經融入了功率傳感器、溫度傳感器等，可以實現機床工作狀態的實時監控。所以，研究基于CNC系統與多傳感器融合的監控方式是當前的發展方向。

本文介紹了一種用于預測高速銑削鈦合金銑削刀具RUL數據的驅動模型，提出了一種刀具PHM系統，介紹了基于異常檢測的RUL預測方法。在高速銑削試驗中對機床數控系統中的主軸轉速、主軸負載、進給軸負載等實時數據進行采集和處理，最終運用前饋神經網絡(feed forward neural networks，FFNN)方法預測刀具RUL值，從而實現對刀具實時狀態的預測。

1 加工過程的多維數據模型結構

1.1 基于OPC-UA與MTConnect的實時SCADA數據結構

為解決車間加工設備的多源異構問題，建立一種連接各設備的統一的通信橋梁是首要工作。OPC-UA技術是實現數控機床間數據交互的一個重要規范，統一的地址空間模型設計使得它可以描述高度復雜的數據模型，在現今的西門子和FANUC數控系統中已經廣泛應用該技術。MTConnect是一個開放源文件，是一個免版稅的通信協議，其系統由適配器、代理和客戶端程序組成。適配器可以使現有的車間加工設備與MTConnect系統“對話”，而其代理程序連接器則能夠將MTConnect系統的信息和數據文件，通過一個網絡傳送到與MTConnect系統兼容的應用程序之中。為了滿足實際監控中對機床-刀具-在制品監控的需要，本文重新構建了符合MTConnect語義要求的數據模型，從OPC-UA獲得的數據被分為三個數據集：銑削刀具、在制品(work-in-progress，WIP)及機床狀態數據集，數據模型如圖1所示。

圖1 加工過程監測信息模型Fig.1 Process monitoring information model

在制品數據集主要包括工件材料和加工工藝，其中，加工工藝數據集包括刀具路徑、NC加工代碼以及工件加工質量、尺寸的檢測信息。通過采集這些數據，能對在制品的加工狀態及加工質量進行實時監控，同時能夠為刀具的工作壽命和工作狀態判斷提供決策依據。在刀具數據集中，將重點放在刀具壽命預測相關的數據采集中，主要包括刀具管理信息(刀具號等)、刀具幾何尺寸信息以及刀具狀態信息。在機床數據集中，重點采集機床數據狀態數據，主要包括各進給軸負載、機床溫度、主軸負載、主軸轉矩、加工參數及冷卻液。另外，數據集還包括機床能耗狀態、電流、功率信息等。采用實時SCADA數據結構進行智能車間內面向加工過程的大數據采集與分析，完成對刀具狀態的判別。

1.2 刀具狀態特征映射模型

要提高刀具狀態預測模型的準確度，除了利用機床CNC系統的數據以外，適當采用成熟的刀具磨損經驗預測模型，可以有效地提高預測準確性。為了對建立的預測模型進行訓練和改進，適當地進行一些刀具磨損試驗，將由離線檢測獲得的刀具磨損值以及刀刃微裂紋等失效狀態判斷得到的刀具健康狀態結果與預測值進行比較，可以對預測模型進行修正。基于這一思想，本文在此基礎上構建 “機床-刀具-在制品”復合映射模型。圖2為加工過程的復合映射模型的框架圖，

圖2 加工過程復合映射模型Fig.2 Composite mapping model of process

該模型以數據驅動下的刀具RUL預測方法為主，同時考慮了刀具壽命物理模型預測結果與刀具磨損試驗結果(刀具、工件健康狀況)，從而達到復合映射的目的。

本文采用較為常用的刀具壽命預測經驗公式：

(1)

其中，CT為一個與刀具材料和工件材料相關的刀具耐用度系數；vc為切削速度；f為進給速度；ap為切削深度；m、n和p分別為壽命指數，表示影響刀具壽命的程度。該模型表征了加工參數與刀具壽命之間的關系。本文在此基礎上構建“機床-刀具-在制品”復合映射模型。

2 刀具健康狀態診斷與管理

2.1 刀具健康狀態診斷與管理系統框架

進行刀具磨損預測的重要目的是完成刀具健康狀態的診斷與管理，進而控制工件的加工質量。如圖3所示，針對高速鈦合金銑削加工，其刀具的健康診斷與管理(PHM)系統可以分為3個階段：數據采集、建立模型和數據分析交互。在數據采集階段，從數控系統、刀具庫獲得的數據通過OPC-UA上傳至上位機，機床在位測量系統及數控加工工藝信息等非實時數據存入數據庫，通過數據融合、特征提取、特征選擇等數據操作方法對數據進行過濾和降維處理。經過處理的數據進入數據建模階段，通過采用主成分分析(PCA)、支持向量機(SVM)等方法對刀具狀態進行評估與診斷，最終對刀具剩余壽命進行預測。當刀具更換或加工參數更改優化后，相應地，數據也會進行實時的交換更新。通過這一循環往復過程，最終實現數據驅動下的刀具RUL預測。

圖3 刀具健康診斷與管理系統框架Fig.3 Tool health diagnosis and management system framework

2.2 基于PCA前置處理的FFNN刀具RUL預測模型

刀具壽命是指刀具針對某種工件具體加工形式下的剩余可用時間，刀具最終失效時間的判定是綜合考慮在制品加工質量和刀具表面形態的結果。刀具不同RUL階段的界限分割主要依據刀具的后刀面磨損值Vb、工件加工精度以及工件表面粗糙度。圖4是RUL的含義圖，本文將刀具RUL預測模型分為兩種：

(1)基于刀具可用性的RUL預測模型,其RUL記為RUL_1。這種模型的目的在于預測刀具從剛出現輕微磨損到刀具完全失效所需時間。RUL_1的計算首先需要評估刀具當前健康狀態，此階段需要運用各種模式識別算法解決。其次是通過刀具狀態的連續診斷結果預測刀具性能退化趨勢，采用局部多項式回歸擬合從正常磨損癥狀出現到當前時間刀具磨損的診斷結果，擬合曲線與刀具磨損失效閾值線的交點對應的時間和當前時間的差值即為RUL_1。

(2)基于加工質量判斷的RUL預測模型，其RUL記為RUL_2。控制圖(control chart)是對過程質量加以測定、記錄，最終進行控制管理的一種用統計方法設計的圖。產品加工質量的好壞可以通過比較周期抽取的樣本點位置與控制圖中質量中心線(central line，CL)、上控制限(upper control limit，UCL)和下控制限(lower control limit，LCL)的位置關系得出。控制圖理論認為，描點落在UCL與LCL線以外部分屬于極小概率事件，所以一旦出現就說明加工過程出現了異常,而刀具與工件在加工過程中又直接相關，故質量異常的來源可以認為是刀具失效(刀具磨損或破損)，當然不排除測量過程、工件夾具或環境等因素造成的異常。因此，本文采用控制圖理論預測RUL_2，每隔一段時間測量一次工件的尺寸偏差，假設刀具磨損是一個漸進的過程，那么工件尺寸偏差應呈現出整體遞增的趨勢。利用除磨合階段外的歷史采樣點尺寸偏差值進行局部多項式回歸擬合，因為磨合階段刀具的切削性能不穩定，導致工件尺寸偏差無明顯單調遞增趨勢。擬合曲線與UCL限的交點對應的時間即認為是刀具磨損的失效閾值時間。當前時間到失效閾值時間的時間差作為RUL_2值。通常，RUL_2值比RUL_1值要小，刀具生命周期主要取決于較小的RUL值。

圖4 RUL_1和RUL_2說明Fig.4 Meaning of RUL_1 and RUL_2

由于神經網絡輸入參數隨著加工條件不同而不斷變化，故需要采用一種快速的數據處理算法先對大量時頻域特征進行降維和過濾處理，然后將降維過濾后的特征值作為神經網絡的輸入，輸入層根據加工參數的不同，選取的特征參數不同。圖5所示的FFNN模型，采用基于主成分分析的動態FFNN方法對刀具磨損狀態進行預測。采用主成分分析方法動態找出對刀具磨損影響最大的6種特征值作為FFNN模型輸入層。輸出層是刀具磨損值，粗略分為3種狀態：刀具磨合、正常磨損和急劇磨損。刀具磨損值的診斷結果直接影響刀具RUL的預測的準確性。

圖5 基于PCA的動態FFNN刀具磨損預測模型Fig.5 Tool wear prediction model based on dynamic FFNN of PCA

3 試驗過程與分析

3.1 試驗過程

為了建立預測模型，通過搭建的試驗采集平臺對鈦合金銑削過程實時監控，并對采集數據進行分析建模。鈦合金銑削試驗在DMG635V加工中心上進行。試驗過程中實時采集機床數控系統數據，同時定期測量刀具磨損值，作為模型學習與校驗依據。刀具磨損情況由Motic SMZ-168工具顯微鏡測得。試驗參數列于表1中。圖6為試驗裝置及測量工具照片，試驗工件為鈦合金塊料，通過夾具固定在機床工作平臺上。刀具每切削完成200 mm長度后測量一次刀具磨損并進行RUL預測，直至刀具完全破損為止。采用OPC-UA采樣，頻率為50 Hz，雖然采樣頻率較常規傳感器采集頻率低，但也能滿足加工過程的預測需求。由于OPC-UA采樣方式限制，特征提取階段目前只提取采集數據項的時域特征。采集的信號由于存在干擾，故采用帶通濾波方法對信號進行預處理，保證信號的可靠性。

表1 試驗參數

圖6 試驗裝置及測量工具Fig.6 Test equipment and measuring tools

3.2 數據通信架構

為實現上文中車間機床間多源異構數據的采集與分析，設計了圖7所示的通信架構。首先采用MTConnect通信協議實現機床數據采集，建立OPC UA-MTConnect的適配器，實現多源數據的采集。通過車間以太網將監控數據傳輸至監控客戶端，并顯示在界面上。

圖7 OPC-UA MTConnect通信架構Fig.7 OPC-UA MTConnect communication architecture

3.3 試驗結果分析

圖8所示為經過FFNN方法預測出的RUL_1值和RUL_2值與通過試驗獲得的刀具RUL結果。試驗結果顯示，隨著加工過程的不斷推進，采用基于主成分分析的動態FFNN方法的RUL預測值與實際RUL值逐漸趨于一致。因此，基于數據驅動方法的PHM方法可以實現刀具剩余壽命的預測及刀具健康狀態監控。

圖8 RUL_1和RUL_2預測結果與實際RULFig.8 Comparison between RUL_1 and RUL_2 predictions and actual RUL

4 結論

(1)針對車間多源異構數據采集分析難度高、數據結構不一致的問題，建立了“機床-刀具-在制品”監控數據模型，并在此基礎上建立了基于OPC-UA MTConnect的通信架構，初步實現了多源異構數據的實時采集。

(2)為了適應多種不同加工環境下刀具磨損的準確診斷，通過在FFNN分析前采用PCA方法，對海量數據進行特征提取與降維。

(3)采用一種綜合刀具健康狀態及在制品加工質量的刀具剩余壽命預測方法進行試驗，試驗結果表明，此方法得出的RUL與測得的刀具真實RUL結果一致，證明本文的刀具剩余壽命預測方法完全可行。

[1] OPC UA——互聯工廠方案[J].國內外機電一體化技術,2016(4):26-28.

OPC UA—Interconnected Plant Scheme[J]. International Mechatronics Technology,2016(4):26-28.

[2] TU N T T, QUYET T H. Development of an OPC UA SDK Based WCF Technology and Its Deployment for Environmental Monitoring Applications[C]//Context-Aware Systems and Applications: First International Conference.Ho Chi Minh City, 2012:347-356.

[3] 安東，王峰麗. 美國先進制造中心四大研究熱點解析[J].金屬加工(冷加工)，2015(4): 16-19.

AN Dong, WANG Fengli. Analysis of the Four Major Research Areas of the Advanced Manufacturing Center in America [J]. Metal Working,2015(4): 16-19.

[4] VIJAYARAGHAVAN A, HUET L, DORNFELD D A. Addressing Process Planning and Verification Issues with MTConnect[J]. Transactions of the North American Manufacturing Research Institution of SME, 2009, 37:557-564.

[5] MICHALOSKI J, LEE B, PROCTOR F, et al. Quantifying the Performance of MT-Connect in a Distributed Manufacturing Environment[J]. ASME International Design Engineering Technical Conferences & Computers & Information in Engineering Conference. San Diego,2009:533-539.

[6] JAVED K. A Robust & Reliable Data-driven Prognostics Approach Based on Extreme Learning Machine and Fuzzy Clustering[D]. Lyon :Universite de Franche-Comte, 2014.

[7] UCKUN S, KAI G, LUCAS P J F. Standardizing Research Methods for Prognostics[C]//International Conference on Prognostics & Health Management.Denver, 2008:1-10.

[8] BENKEDJOUH T, MEDJAHER K, ZERHOUNI N, et al. Health Assessment and Life Prediction of Cutting Tools Based on Support Vector Regression[J]. Journal of Intelligent Manufacturing,2015, 26(2): 213-223.

[9] HUANG P, LEE W B. Cutting Force Prediction for Ultra-precision Diamond Turning by Considering the Effect of Tool Edge Radius[J]. International Journal of Machine Tools and Manufacture,2016,109:1-7.

[10] KARAM S, CENTOBELLI P, D ADDONA D M, et al. Online Prediction of Cutting Tool Life in Turning via Cognitive Decision Making[J]. Procedia CIRP， 2016, 41: 927-932.

[11] 李錫文，楊明金，謝守勇，等.基于神經網絡信息融合的銑刀磨損狀態監測[J].農業機械學報,2007,38(7): 160-163.

LI Xiwen, YANG Mingjin, XIE Shouyong, et al. Wear Condition Monitoring of Helical Cutters Based on Neural Network Information Infusion Method[J].Transactions of the Chinese Society of Agricultural Machinery, 2007,38(7): 160-163.