基于卷積神經網絡的刀具磨損評估方法*

□ 郭雙全

上海電氣集團股份有限公司 中央研究院 上海 200070

1 研究背景

在金屬切削加工過程中,刀具受到切屑和工件的摩擦與作用力,不斷磨損。刀具磨損程度直接影響工件的加工質量、效率和成本,磨損嚴重時會影響機床正常運行,甚至造成機床故障停機,引發安全事故。據統計,數控機床刀具壽命只有50%～80%被合理利用,處理刀具非正常狀態所用的時間占機床總停機時間的10%～40%[1]。可見,研究可靠的刀具磨損評估方法對提高加工質量、縮短加工時間、降低加工成本具有重要意義。

刀具磨損的直接測量方法包括光學測量、計算機視覺測量、X 射線測量等[2]。直接測量方法通常操作復雜,設備成本高,而且需要頻繁停機或拆卸刀具,會降低生產過程的連續性,影響加工效率,一般只適用于高精度產品的加工。刀具磨損的間接測量方法主要采集與刀具磨損相關的切削力信號、振動信號、聲發射信號,使用信號處理分析方法提取特征,結合機器學習算法得到刀具磨損量,可以實現實時監測[3]。

隨著人工智能技術的發展,神經網絡具有較強的特征學習能力和泛化能力,正逐漸被學者用于刀具磨損狀態識別中。李德華等[4]提出一種通過電子顯微鏡在線拍攝刀具照片,采用小波變換和卷積神經網絡計算刀具磨損量的方法。朱永猛等[5]提出采用高速銑床加工過程中主軸和工作臺振動信號、主軸電機直流電流和交流電流信號、主軸與工作臺噪聲信號的時域統計特征,結合自適應神經模糊推理系統,實現對刀具磨損量的監測。庫祥臣等[6]提出采用聲發射傳感器采集刀具切削時的信號,結合反向傳播神經網絡識別刀具磨損程度。張存吉等[7]提出對振動信號進行小波包分解,結合卷積神經網絡進行刀具磨損狀態分類監測。黃思思等[8]提出采集銑削力信號進行小波變換,結合傳統徑向基神經網絡模型對刀具磨損量進行識別。上述方法可以實現對刀具磨損狀態的評估,但是主要以分類識別為主,定量評估的模型研究相對較少,而且模型信號主要集中在振動、聲發射、切削力、圖像等方面,基于主軸電機電流進行研究相對較少。楊揚等[9]研究發現,在機床加工過程中,切削力和切削力矩的變化引起刀具受力變形、振動、沖擊,造成刀具磨損,從而影響刀具使用壽命。切削力直接采集相對復雜,且成本高昂,不利于工程應用。有研究表明,切削力和主軸電機電流有一定關系,并且時域和頻域特征存在一定相似性,可以使用電機電流信號作為切削力的間接表征來對刀具磨損進行研究[10]。由此,筆者提出采集主軸電機的直流電流信號和交流電流信號,應用短時傅里葉變換對采集的信號進行處理,得到對應的時頻譜,將時頻譜輸入設計的卷積神經網絡模型,實現對刀具磨損的評估。

2 方法概述

基于卷積神經網絡的刀具磨損評估流程如圖1所示。采用兩種不同的傳感器采集機床主軸電機的直流電流信號和交流電流信號,經過預處理手段獲取有效加工時間段的信號,應用短時傅里葉變換對采集的信號進行處理,得到時頻譜訓練樣本和時頻譜測試樣本。刀具磨損評估包括訓練和測試兩個階段。在訓練階段,采用時頻譜訓練樣本和對應的磨損檢測設備測定的刀具磨損訓練樣本,對設計的卷積神經網絡模型進行訓練,輸出訓練好的卷積神經網絡模型。在測試階段,將時頻譜測試樣本輸入卷積神經網絡模型,預測得到刀具磨損評估值,并與刀具磨損測試樣本進行對比,分析模型評估效果。

▲圖1 基于卷積神經網絡的刀具磨損評估流程

3 預處理

機床每次加工工件的完整加工過程,一般包括接觸前的空轉時段、刀具與工件接觸時段、穩定加工時段、加工完成后退刀時段,其中大部分時間為穩定加工時段。為了構建準確的刀具磨損評估模型,筆者將穩定加工時段的信號作為所采集的原始信號。主軸電機直流電流信號如圖2所示。t1時刻至t2時刻之間的時段為穩定加工時段。查找完整加工過程電流數據的電流中位值初始時刻t0,將該時刻推遲一定時間,得到t1時刻。假設t1時刻為穩定加工時段的起始時刻,終止時刻t2根據工件加工時間的長短確定。筆者試驗中,延遲時間t1-t0為2 s,分析采用的穩定加工時段采集原始信號時間長度t2-t1為16 s。

4 短時傅里葉變換

確定分析采用的信號后,可以對信號進行短時傅里葉變換,得到時頻譜,作為卷積神經網絡的輸入。短時傅里葉變換的基本原理是選擇一定長度的窗函數,沿信號時間軸連續移動依次截取小段的局部信號,對每次截取的局部信號進行傅里葉變換,得到局部信號的頻譜,所有局部信號頻譜的集合,即為短時傅里葉變換得到的時頻譜。

▲圖2 主軸電機直流電流信號

(1)

式中:S(t,f)為時頻譜值;τ為時間變量;t為時刻;f為頻率;x(τ)為分析的原始信號;ω(τ-t)為時間變量τ至t時刻所對應的窗函數。

最終輸出的時頻譜時間點數量和頻率點數量取決于信號的采樣點數、窗函數的長度,以及窗函數每次移動的時間間隔。主軸電機采集信號短時傅里葉變換后的時頻譜如圖3所示。時頻譜采用二維矩陣表示,大小為251×36。

▲圖3 主軸電機采集信號短時傅里葉變換后時頻譜

5 卷積神經網絡

卷積神經網絡一般由輸入層、卷積層、池化層、過渡層、全連接層、輸出層等組成。應用卷積神經網絡,通過多層網絡設計,將主軸電機直流電流信號和交流電流信號經過處理后得到的時頻譜作為輸入層,由卷積神經網絡自適應提取識別刀具磨損的特征,實現對刀具磨損進行評估。

卷積神經網絡結構參數見表1,共有11層,包括一個輸入層、三個卷積層、三個池化層、一個過渡層、三個全連接層,最后一個全連接層也為輸出層。

輸入層輸入數據包括兩個通道,每個通道分別對應直流電流信號和交流電流信號處理得到的時頻譜。輸入層不做計算,輸出數據和輸入數據相同。其余各層網絡的輸入數據為上一層網絡的輸出數據。

卷積層將輸入的各個通道的數據與多個卷積核進行卷積操作計算后,輸出新的特征數據。卷積核的數量與設計的通道數相同,每個通道的輸出數據大小取決于卷積核的大小及卷積操作時對應的步長。

池化層主要利用池化核進行池化操作計算,將池化核對應區域的統計特征作為該區域的特征數據輸出,從而減小輸出數據的大小。常用的池化層操作包括最大值池化、平均值池化、隨機值池化等,表1中有三層池化層,每層均采用最大值池化操作,池化層通道數與上一層的通道數相同。

表1 卷積神經網絡結構參數

過渡層將卷積層或池化層所有通道的輸出數據展開輸出為一維數據,然后與全連接層連接,不進行實際計算。

全連接層一般對輸入的一維數據進行加權求和運算,加上偏置后根據需要選擇合適的激活函數輸出新的一維特征數據。最后一個全連接層也是輸出層,節點數為1,輸出數據即為刀具磨損評估值。

6 卷積神經網絡訓練

機床刀具從最初使用到磨損嚴重階段一般經過多次加工過程,按前述方法,采集每次加工過程中穩定加工時段所對應的主軸電機直流電流信號和交流電流信號,經過預處理和短時傅里葉變換后,得到一定數量的時頻譜樣本,同時收集每次加工后磨損檢測設備測定的刀具磨損值,形成刀具磨損樣本。對時頻譜樣本與刀具磨損樣本進行劃分,得到訓練用的時頻譜訓練樣本與刀具磨損訓練樣本,以及測試用的時頻譜測試樣本與刀具磨損測試樣本。

卷積神經網絡的訓練包括正向傳播和反向傳播兩個階段。正向傳播階段將時頻譜數據作為輸入,經過設計的卷積神經網絡各層,完成正向傳播相應的計算,最終輸出預測的刀具磨損評估值。反向傳播階段采用誤差評價函數計算預測值與實測值的誤差,反饋回卷積神經網絡后,對網絡進行訓練更新。每完成一次訓練,即完成一次正向傳播階段和一次反向傳播階段。所有訓練樣本均完成一次訓練后,即完成一次迭代訓練。通常卷積神經網絡經過一定迭代次數的訓練后,可以得到較為穩定的卷積神經網絡模型,用于刀具磨損評估。

將時頻譜測試樣本輸入卷積神經網絡模型,得到刀具磨損預測值,并與刀具磨損測試樣本中的實測值進行對比,可以評價模型的優劣。模型優劣指標主要包括平均絕對誤差Emae和擬合優度R,計算式分別為:

(2)

(3)

7 試驗分析

試驗采用某銑床的加工過程監測數據集,數據集采集了銑床在不同切削深度、進給速度、加工工件材料情況下,刀具全壽命周期內多次加工過程主軸電機的直流電流信號和交流電流信號。采用磨損檢測設備測量加工后的刀具磨損值,選擇兩種工況下的數據進行卷積神經網絡模型的訓練和測試研究。第一種工況對應切削深度為0.75 mm,進給速度為0.5 mm/r,加工工件材料為鑄鐵。第二種工況對應切削深度為0.75 mm,進給速度為0.25 mm/r,加工工件材料為不銹鋼。每種工況均進行兩次全壽命周期的數據采集。

采用前述步驟,將每種工況下的一次全壽命周期數據用于卷積神經網絡模型的迭代訓練,另一次全壽命周期數據用于卷積神經網絡模型的測試,得到刀具磨損的預測值,并與實測值進行對比。為得到較好的評估模型,設置模型迭代訓練次數為60次。在每次迭代訓練后,應用測試數據計算刀具磨損預測值與實測值的平均絕對誤差,得到模型在不同迭代訓練次數下測試平均絕對誤差變化曲線,如圖4所示。由圖4可以看出,兩種工況下卷積神經網絡模型分別在第51次迭代訓練和第25次迭代訓練后得到測試平均絕對誤差最小,并且小于0.05 mm。進一步可以得到相應迭代次數下卷積神經網絡模型輸出的刀具全壽命周期磨損預測值與實測值對比曲線,如圖5所示。由圖5可以看出,卷積神經網絡模型預測值與實測值的變化趨勢基本一致,兩種工況下刀具磨損平均絕對誤差分別為0.038 mm和0.037 mm,擬合優度分別為0.913和0.920,均達到了0.9以上。總體而言,所訓練的卷積神經網絡模型可以準確地評估并輸出刀具磨損值,誤差相對較小,有一定的工程應用價值。

▲圖4 不同迭代訓練次數下模型測試平均絕對誤差變化曲線

8 結束語

筆者提出了一種基于卷積神經網絡的刀具磨損評估方法,在切削深度、進給速度、加工工件材料一定的情況下,可以對機床主軸電機的交流電流信號和直流電流信號進行預處理、短時傅里葉變換,并通過卷積神經網絡模型實現對刀具磨損值的評估。經試驗表明,這一方法評估的刀具磨損值平均絕對誤差較小,能夠較好地擬合刀具磨損變化趨勢,對實現刀具磨損在線監測有一定的參考價值。在后續研究中,可以進一步增加對更多、更復雜工況下的刀具加工磨損情況進行分析,并增加采集的樣本數量,通過優化卷積神經網絡結構,不斷提高卷積神經網絡模型的穩定性和評估精度,為機床使用優化和刀具更換維修提供指導。

▲圖5 刀具全壽命周期磨損預測值與實測值對比曲線