刀具磨損狀態監測技術研究現狀

劉鴻智

（鶴壁職業技術學院，河南 鶴壁 458030）

0 引言

刀具是實現高速切削加工的關鍵。高速切削時切削溫度急劇升高，刀具承受的沖擊和振動逐漸增大，使刀具的磨損加速，導致工件表面質量下降，造成斷裂和崩刃。據統計，在大型加工中心中因未及時更換磨損嚴重的刀具而造成刀具損壞的數量每天達到40～50 把[1]，刀具損傷引起的停機時間達到了機床總停機時間的7%～20%[2]，刀具的損耗達到了總加工生產成本的20%～30%[3]。調查顯示，在實際的生產加工過程中刀具的壽命利用率往往只有50%～80%[4]。因此，如何有效對刀具磨損進行研究監測，提升刀具的壽命和利用率成為推動當前制造業邁向智能化發展的關鍵問題。研究表明，刀具監測技術能將加工效率提高10%～50%，降低生產成本10%～40%。刀具磨損狀態監測技術通過傳感器的信號變化量來監測刀具的磨損狀態，隨后對采集的信號進行分析、處理和提取，進而進行特征參數狀態識別，得到刀具的當前磨損狀態。近年來，國內外的學者在刀具磨損狀態信號監測和識別方面做了大量的研究工作，提出了許多有效的刀具磨損狀態識別方法。本文論述了研究現狀，分析了現有技術的研究難點，并對未來的發展方向進行了展望。

刀具磨損狀態的智能監測本質上是模式識別問題，一個完整的刀具在線監測系統主要由信號采集、特征提取及模式識別3部分組成，如圖1。

圖1 刀具狀態磨損監測流程

1 刀具切削信號采集方法研究現狀

根據對刀具磨損信號采集方法的形式不同，分為直接法和間接法。直接法通過直接識別切削刃幾何形狀和表面質量的變化來判斷磨損狀態。目前常用的方法有直接接觸法、電阻法、放射線法和光學圖像法等。間接法是通過采集與刀具本身相關的信號，根據切削過程中信號的變化獲取刀具磨損狀態信息。直接監測法優點是精度高，但是只能在停機情況下進行監測，同時也受到加工環境和切削液的影響，影響正常的生產加工過程及設備運行，從而限制了其應用范圍。相較于直接監測法，間接法使用的傳感器易于安裝，可進行實時在線監測，但是準確率低于直接法，如圖2。目前常用的間接法有4 種，由于間接法應用范圍廣，對加工過程的影響較小，近幾年被廣泛應用于刀具磨損監測中，成為了目前國內外研究的主流方向。

圖2 間接檢測法的工作原理及缺點

1.1 切削力信號法

切削過程中，刀具與工件表面的運動導致刀具不斷產生磨損，刀具磨損程度不同會使切削力隨之改變，因此將切削力信號當作監測信號。李錫文等人[5]通過對刀具后刀面瞬時切削力和平均切削力進行分析，提出了一種基于后刀面磨損帶面積（AB）的切削力模型，為研究切削力監測提供了理論依據；王定[6]針對加工過程中Ti6-Al4-V鈦合金的銑削特點對切削質量控制和刀具壽命進行研究，建立了單齒銑削力理論數學模型，在軸向力與刀具的磨損值之間建立了關系，改善了刀具的磨損情況。

1.2 振動信號法

在切削過程中刀具和工件之間的直接接觸會產生振動，Snr[7]通過對所采集振動信號的共振峰頻率進行研究，發現其與刀具急劇磨損間存在一定的映射關系，使用振動加速度法對銑削過程中的刀具的磨損狀態進行監測，建立了基于深度學習算法的刀具狀態識別模型，實現了刀具磨損狀態的監測。

1.3 聲發射信號法

聲發射（Acoustic Emission，AE）信號是材料去除過程中由于材料變形等不可逆塑性變形產生大量能量，能量釋放過程中生成的應力波，這些應力波通過工件傳遞，可被采集監測。聲發射信號受切削條件變化影響小，與刀具磨損狀態相關性高且具有高靈敏度、快速響應等優點。關山[8]使用AE信號作為輸入信號，通過對其在時頻域上采用多種方法提取多類特征，將多特征進行融合，實現了對車削加工刀具磨損狀態的識別和分類。Ravidra等人通過將變切削條件中所獲取的AE信號的多種特征與切削時間進行分析，發現可通過切削過程中產生的不同AE信號對不同磨損狀態的刀具切削進行劃分。Alexandre 等人對鉆削過程中AE信號的能量進行了分析，發現能量會隨著刀具磨損逐漸增加。王麗華等人將AE信號經過傅里葉變換生成的頻域樣本作為輸入，建立了基于堆疊降噪自編碼網絡的刀具磨損識別模型。

1.4 電流與功率信號法

刀具磨損時切削力會增大，切削功率隨之增大，最終造成機床的電機電流和負載功率增大。謝楠等通過功率傳感器采集切削過程中的電流和功率信號，采用PCA對采集的參數進行特征提取，實現了對刀具磨損狀態的準確識別。

2 切削信號處理及提取方法研究

對采集到的信號進行處理和提取，獲得可用于狀態識別的信息是整個過程的關鍵，常用時域、頻域、時頻域以及深度學習方法對信號進行特征提取。

2.1 時域信號分析

時域分析是指動態信號在時間上變化的表征，主要包含動態信號的幅值變化、自相關和互相關分析等，主要對采集的信號與刀具磨損值以及原始信號與處理后信號間的相關性進行分析。劉銳等人通過對銑削力信號進行時域分析，提取了有效監測特征，發現能夠準確的對刀具磨損狀態進行監測。李錫文等通過分析主電機功率信號并提取多種信號時域特征實現了對于銑刀磨損狀態的判斷，同時認為單一時域特征參數無法全面反映刀具磨損狀態且時域分析對于揭示切削信號的頻率成分和各分量大小存在一定困難。

2.2 頻域信號分析

通過傅里葉級數和傅里葉變換可將信號由時域轉換到頻域，從信號的本質進行分析，揭示信號的頻率組成和各頻率分量大小，頻域分析對于信號更為簡單和深刻。吳迪等通過對車削過程所產生的振動信號進行分析，發現頻域分析能夠反映刀具的磨損情況。朱會杰等使用字典學習對振動信號的頻譜數據進行稀疏重構提取特征，發現能夠有效地表征故障信息。Bhuiyan等人使用聲發射技術采集信號對其進行頻域分析，發現聲發射信號的局部頻域信號能夠反映對于刀具磨損狀態的映射關系。

2.3 時頻域信號分析

在對非平穩信號進行分析時，有時候單獨的時、頻域信號分析可能不能完全表征刀具磨損狀態相關的信息，因此時頻域分析被科研人員提出，目前時頻域分析已經成為提取特征的重要方法。Kamarthi等通過對不同信號使用頻域分析和小波分析進行對比試驗發現不同信號不一定適用于同種信號處理方法，頻域分析對振動信號更加敏感，而小波分析對力信號的表征能力更強；王東磊等使用小波分析對聲發射信號進行處理，分析了小波分解后的能量頻帶作為輸入信號的可行性并為小波基的選取提供了理論基礎。孫惠斌提出了基于小波降噪和希爾伯特黃變換的刀具振動信號特征提取方法，有效地保留了刀具磨損的相關非平穩特征。

3 刀具磨損狀態識別方法研究

對信號進行上述分析和處理后能夠在降低信號丟失的情況下提高監測過程的運算速度。通過信息處理獲取的高維特征信息需要采用模式識別技術來實現對刀具磨損的監測。模式識別技術主要分為兩大類：第一類是傳統機器學習方法，常見的有神經網絡、支持向量機（SVM）和隱馬爾科夫模型（HMM）等模式識別方法；另一類是以深度學習為代表的現代算法，常用的有深度置信網絡（DBN）、卷積神經網絡（CNN）和長短時神經網絡（Lstm）等模式識別算法。

3.1 傳統機器學習方法

機器學習就是通過算法使機器從大量歷史數據中學習規律，從而對新的樣本做智能識別或對未來做預測。基于神經網絡的刀具磨損狀態識別方法相較于傳統方法具有模型簡單、預測效率高、精度高等優點，但是也存在一定的缺點，如BP神經網絡各層權值與閾值為隨機產生，易陷入局部極小值點，使預測結果不穩定。在BP神經網絡方面，諸多學者開展了優化研究，安華等人[9]針對提取特征不穩定的問題提出了自適應提取特征的模型，結合神經網絡實現了對于刀具剩余壽命的預測。聶鵬等人[10]通過將小波分解的AE信號提取的頻段能量和切削參數作為輸入特征提出了混合粒子優化的BP網絡模型，基于微切削平臺上所采集振動信號的時域、頻域和時頻域提取能量、均方根值、峰度系數三類特征搭建了模糊神經網絡模型對刀具的磨損狀態進行識別，實現了對刀具磨損狀態的預測。

3.2 深度學習方法

深度學習是以神經網絡算法為基礎的深度結構模型，通過高效數據處理突破了傳統機器學習算法的瓶頸，是機器學習衍生的新領域，其關系如圖3。由于近幾年人工智能的快速發展，深度學習算法逐漸被應用于工業領域，為實現刀具狀態監測提供了新的思路。Zhao[11]等人將手工特征設計與自動特征學習相結合，提出了基于局部特征的門控循環單元網絡用于監測刀具磨損。Sheng 等人提出了多個LSTM變體架構，可以根據相應的趨勢來預測剩余壽命，該模型被用于解決刀具狀態監測問題。Wang[13]等人通過粒子濾波結合了物理模型和回歸模型，不僅可以準確預測刀具磨損，還可以給出結果的置信區間。通過分析以上研究成果，基于深度學習的刀具磨損監測模型憑借其強大的數據處理和特征提取能力可有效實現對刀具磨損的監測，在刀具磨損監測方面得到了廣泛應用。但目前仍主要傾向于通過原始信號對低頻特征進行分析并人為提取，忽視了高頻特征稀缺性和隨機性，導致在提取過程中特征信息的丟失，同時樣本的多樣性也限制了模型在不同工況中刀具磨損檢測的泛化性。

圖3 深度學習與機器學習及人工智能的關系

4 結語

刀具磨損監測技術有利于提高生產效率，隨著對人工智能的研究越來越深入，深度學習更是近年來的研究熱門。深度學習應用于刀具磨損監測是一個新的研究方向。