基于機器學習的刀具監(jiān)控系統(tǒng)的研究

古鵬

摘 要：隨著“智能制造”的提出和相關領域科學技術的快速發(fā)展，提升數控加工技術和管理的“智能化”是制造型企業(yè)面臨的重要課題。刀具是數控加工中影響產品質量、生產效率和生產成本的關鍵因素。通過機床物聯(lián)網和MDC（Manufacturing Data Collection）數據采集平臺，利用數控系統(tǒng)反饋的實時數據，通過決策樹、線性回歸等機器學習算法對采集數據進行算法建模，實現(xiàn)對刀具磨損狀態(tài)預測的刀具監(jiān)控系統(tǒng)。

關鍵詞：刀具;數控系統(tǒng);物聯(lián)網;機器學習;監(jiān)控系統(tǒng)

引言

隨著數控技術的進步，數控機床的集成度、復雜度也持續(xù)提升。數控機床的運行和加工過程，是一個動態(tài)、非線性、時變、非確定性的環(huán)境，隨著加工中材料的切除和刀具的磨損，伴隨著多種復雜的物理現(xiàn)象，隱含了豐富的數據信息。本文研究的課題就是以數控機床及其刀具的實際工程應用環(huán)境為導向，采用“機床物聯(lián)網”技術建設一套針對數控機床的數據采集、傳輸、存儲和分析的系統(tǒng)平臺，并利用機器學習算法、建立模型，由系統(tǒng)平臺輸出刀具磨損狀態(tài)的自動智能的分析、預測結果，以規(guī)避人為工藝經驗值、人工判斷偏差所造成的刀具浪費或加工異常。

一、數控機床物聯(lián)網

目前國內總體上仍是機床數量多、種類雜、聯(lián)網率較低的狀況，尚未能實現(xiàn)與數控系統(tǒng)的深度互聯(lián)，絕大部分的機床動態(tài)實時數據被忽略、遺棄。但隨著企業(yè)對生產過程、生產現(xiàn)場管理精細化的要求提升，人們逐漸認識到對加工運行狀態(tài)進行實時監(jiān)控、對數控機床進行信息化集中管理的重要性。而隨著現(xiàn)場總線以及工業(yè)以太網技術的進步，乃至物聯(lián)網技術的飛速發(fā)展，使得企業(yè)的數控設備能夠互通、互聯(lián)，以及對信息數據的實時、集成管理成為了可能。

二、刀具監(jiān)測技術

從上世紀開始發(fā)展的監(jiān)測刀具磨損狀態(tài)的相關技術和理論，在當前已取得了很大的進步。加工過程刀具磨損在線自動監(jiān)測對于數控機床切削加工至關重要，美國學者B.M.Kramer提出了：“在提高計算機集成制造系統(tǒng)生產率方沒有任何一項技術比準確地估計刀具壽命更重要”。

三、刀具磨損及其信號

數控CNC機床多為銑削加工，銑削的刀具通常是多刃刀具，其加工過程是斷續(xù)地間歇性的加工。切削過程中，刀具與工件、切屑發(fā)生強烈摩擦并產生高溫高壓，導致刀具與工件材料之間有黏結和擴散現(xiàn)象，其表面涂層被逐步消耗從而造成磨損，該過程的持續(xù)導致磨損加劇，刀具的切削性能下降并最終喪失切削能力而壽命殆盡。

隨著切削時間的增加，刀具磨損量逐漸增大直至報廢。使用者常常要對刀具的磨損和使用壽命進行估算，并將此作為加工成本預算、生產效率規(guī)劃的參考依據。理論上通常用泰勒（F.W.Taylor）公式來表示刀具耐用度（T）與切削線速度（v）之間的關系：

vcT m=C0

不同的工件材料、不同的刀具材料、不同的切削條件有不同的系數和指數。

但在企業(yè)實際應用中，習慣使用估算刀具壽命的方法來得到刀具耐用度：經驗估算、切削時間估算、切削距離估算、加工次數估算。

數控機床加工過程中，在刀具出現(xiàn)磨損情況時，通常會表現(xiàn)出下表的各種現(xiàn)象：

以上是可通過目視耳聽、檢測儀器、傳感器等方式獲知的在刀具發(fā)生磨損時較為明顯的現(xiàn)象和信號特征。

為了能夠準確地進行刀具的磨損預測，針對不同的特征信號，本文選擇的采集并分析數控系統(tǒng)的信號數據為：主軸負載、進給值、主軸轉速、刀具已用次數。目前市面上大多數數控系統(tǒng)，其內置提供的數據接口功能，均能反饋采集涵蓋以上信號值。

四、樣本數據采集與分析

本文用于建模算法測試、分析的樣本數據集，是通過機床物聯(lián)網MDC平臺采集數控機床連續(xù)加工同一程序的運行狀態(tài)，采集到共計約30余萬條數據。由于樣本數據集存在數據不平衡、數據噪聲、異常值等情況，會對機器學習算法的訓練效果造成一定的影響。因此在實施算法訓練前，需要對數據集的數據狀況進行分析，明確采集到的數據集的質量，判斷可否用于算法訓練。為確保實際采集到的機床信號樣本數據集的可用性，本文使用了Python語言及其數據分析、科學計算模塊，對該樣本數據集進行了特征分析，分析各項機床信號變量的數據狀況，得出該數據集可用于算法訓練、測試的結論。

五、刀具磨損狀態(tài)的預測算法

任何機器學習算法都有一定的局限性，通常只有在“特定情境”下，某種算法可能才是最優(yōu)的，所以評估算法的性能和選擇最優(yōu)算法都是非常重要的。針對刀具磨損狀態(tài)，本文采用CART算法作為刀具磨損狀態(tài)的預測分析算法。

CART分類算法是根據基尼系數（Gini Impurity基尼不純度）構造二叉決策樹，Gini系數的值越小，劃分效果越好。對于一個有K種狀態(tài)對應的概率為p1，p2，…，pK 的隨機變量X，其 Gini 定義如下：

對于二分類問題，若樣本的第一類概率為p，則Gini系數的值為：

為避免模型過度擬合，需要對生成的樹進行剪枝，使用的損失函數為：

C（T）表示對訓練數據的預測誤差，|T|表示模型的復雜度，損失函數表達了兩者的平衡。

將上述CART決策樹機器學習算法用Python語言的數據分析、科學計算模塊開發(fā)實現(xiàn)MDA（Manufacturing Data Analysis）數據分析平臺，并輸入采集的樣本數據集，對算法進行訓練，建立算法模型。根據測試的預測結果和實際結果進行分析，CART決策樹作為預測刀具是否磨損的算法，通過混淆矩陣計算得知其預測準確率Precision=98.624%，準確度較好，具備工程應用的條件。

六、結束語

在全面提升數控機床的“智能化”的過程中，本文研究建立一個系統(tǒng)，以低成本、高效、安全地在線監(jiān)測數控機床刀具的實時運行狀況，并能科學地預測刀具磨損狀態(tài)，具備自動監(jiān)測、自動采集、自主學習、模型建立、預測分析、自主優(yōu)化等功能的“智能化”的新型平臺。可為國內的數控機床或刀具制造行業(yè)、使用數控機床的制造企業(yè)等提供相關的技術理論參考。同時，該研究對解決數控機床其他領域的各項實時、在線數據的智能化處理與分析，具有一定的引導和示范意義。

參考文獻：

[1]季宏宇.刀具磨損監(jiān)測技術的國內外研究現(xiàn)狀淺析[J]. 考試周刊， 2016（100）：170-170.

（廣東智源機器人科技有限公司，廣東佛山528000）