數(shù)控機床刀具磨損在線監(jiān)測與預(yù)警技術(shù)

鮑先平

(寧波職業(yè)技術(shù)學(xué)院,浙江 寧波 315800)

0 引言

隨著制造業(yè)的不斷發(fā)展和技術(shù)的進步,數(shù)控機床應(yīng)用范圍和功能不斷拓展,生產(chǎn)效率和加工質(zhì)量也在不斷提高[1]。在數(shù)控機床的加工過程中,刀具作為直接參與工件加工的關(guān)鍵部件,刀具磨損是數(shù)控機床加工過程中不可避免的現(xiàn)象。但是,刀具磨損過度或未能及時檢測,將會導(dǎo)致工件表面質(zhì)量下降、加工精度降低,甚至可能引發(fā)嚴(yán)重事故,造成生產(chǎn)損失[2-4]。因此,開發(fā)一種有效的數(shù)控機床刀具磨損在線監(jiān)測與預(yù)警技術(shù),對于提高加工效率、降低生產(chǎn)成本、保障加工質(zhì)量具有重要意義。

目前,刀具磨損檢測技術(shù)主要包括傳感器技術(shù)、機器學(xué)習(xí)和多模態(tài)檢測技術(shù)等,應(yīng)用特點如下。

1)傳感技術(shù)。刀具磨損監(jiān)測通常依賴于各種傳感器技術(shù),如聲學(xué)傳感器、振動傳感器、電流傳感器等。這些傳感器的性能不斷提升,能夠更精確地捕捉刀具磨損引起的信號變化。例如,聲音、振動和電流的頻譜分析可用于檢測刀具磨損。但是傳感器技術(shù)會受到環(huán)境噪聲、振動等外部干擾因素的影響,導(dǎo)致數(shù)據(jù)的噪聲和波動,使得刀具磨損的準(zhǔn)確監(jiān)測和預(yù)測變得更加復(fù)雜。

2)機器學(xué)習(xí)和深度學(xué)習(xí)。近年來,機器學(xué)習(xí)和深度學(xué)習(xí)技術(shù)已廣泛應(yīng)用于刀具磨損的監(jiān)測與預(yù)測,能夠處理大量傳感器數(shù)據(jù),并識別磨損模式,從而實現(xiàn)更準(zhǔn)確的預(yù)測和預(yù)警。但是,傳統(tǒng)的機器學(xué)習(xí)和深度學(xué)習(xí)模型在應(yīng)對新的工況或刀具材料時可能會遇到泛化問題,導(dǎo)致模型性能下降。需要不斷調(diào)整和重新訓(xùn)練模型以適應(yīng)不同情況。

3)多模態(tài)監(jiān)測。為提高監(jiān)測精度,研究人員越來越傾向于采用多種傳感器進行多模態(tài)監(jiān)測。不同傳感器可以捕捉刀具狀態(tài)的不同方面,如聲音、振動、溫度等,綜合分析有助于更全面地了解刀具磨損情況。

近年來,數(shù)字孿生技術(shù)作為一種新興數(shù)字化仿真技術(shù),通過建立虛擬模型與實際設(shè)備實時數(shù)據(jù)的對應(yīng)關(guān)系,實現(xiàn)對實體設(shè)備狀態(tài)的實時監(jiān)測與預(yù)測[5]。在數(shù)控機床刀具磨損在線監(jiān)測與預(yù)警技術(shù)研究中,數(shù)字孿生技術(shù)可以對數(shù)控機床和刀具進行虛擬建模,并將實際加工過程中的數(shù)據(jù)與模型進行實時對應(yīng),實現(xiàn)對刀具磨損狀態(tài)的實時監(jiān)測。通過與實際數(shù)據(jù)的對比,數(shù)字孿生模型可以精確預(yù)測刀具的磨損情況,提前發(fā)現(xiàn)磨損并及時進行維護,從而避免因刀具磨損而帶來的生產(chǎn)問題。

本文基于數(shù)字孿生技術(shù),構(gòu)建數(shù)控機床刀具磨損監(jiān)測與預(yù)警系統(tǒng),并采用神經(jīng)網(wǎng)絡(luò)技術(shù)進行數(shù)據(jù)特征提取,通過實驗驗證和模型評價,驗證所提出技術(shù)的有效性和準(zhǔn)確性。通過研究,期望能為數(shù)控機床刀具磨損在線監(jiān)測與預(yù)警技術(shù)的發(fā)展提供新的思路和方法,逐步推動數(shù)字化制造技術(shù)在制造業(yè)中的應(yīng)用。

1 基于數(shù)字孿生技術(shù)下數(shù)控加工體系構(gòu)建

基于數(shù)字孿生技術(shù)的數(shù)控機床刀具在線監(jiān)測及預(yù)警系統(tǒng)主要由物理空間、孿生數(shù)據(jù)和虛擬空間三部分組成(圖1),通過物理空間、孿生數(shù)據(jù)和虛擬空間之間的連接,數(shù)控機床刀具在線監(jiān)測系統(tǒng)能夠?qū)崟r獲取實體設(shè)備的運行狀態(tài),并將這些信息與虛擬環(huán)境中的模型進行對應(yīng),實現(xiàn)實體設(shè)備狀態(tài)的在線監(jiān)測與預(yù)警。

圖1 數(shù)控機床刀具在線監(jiān)測系統(tǒng)結(jié)構(gòu)

1.1 物理空間

物理空間是指實際的數(shù)控機床及其相關(guān)設(shè)備和刀具在現(xiàn)實世界中的存在,主要包括數(shù)控機床本身的硬件設(shè)備、刀具,以及與數(shù)控機床工作相關(guān)的傳感器和控制系統(tǒng)等,在實際加工過程中,傳感器會收集數(shù)控機床和刀具的實時運行數(shù)據(jù),如刀具的轉(zhuǎn)速、切削力、振動等工作參數(shù)[6]。物理空間數(shù)據(jù)及信息可以傳遞至虛擬空間進行數(shù)字孿生建模、仿真和分析,表明虛擬空間是建立在物理空間的基礎(chǔ)上,用于實現(xiàn)對物理設(shè)備狀態(tài)的數(shù)字化建模和分析。

1.2 孿生數(shù)據(jù)

孿生數(shù)據(jù)通過對數(shù)控機床和刀具進行數(shù)字化建模,將其幾何形狀、材料特性、運行參數(shù)等信息轉(zhuǎn)化為計算機可處理的數(shù)據(jù)形式,上述數(shù)據(jù)會隨著實際工作過程中傳感器的數(shù)據(jù)采集而實時更新,保持與實體設(shè)備狀態(tài)同步[7]。

1.3 虛擬機床

虛擬空間是指基于孿生數(shù)據(jù)所構(gòu)建的數(shù)控機床和刀具的虛擬環(huán)境。在該虛擬環(huán)境中,通過數(shù)字孿生技術(shù)將實體設(shè)備的狀態(tài)進行仿真和模擬,以實現(xiàn)對實體設(shè)備狀態(tài)的實時監(jiān)測與預(yù)測,同時,虛擬空間中的模擬、仿真或預(yù)測結(jié)果可以反饋到物理空間中,以影響或控制實際設(shè)備的操作或決策。例如,在數(shù)控機床和刀具的情景下,虛擬空間可以使用數(shù)字孿生技術(shù)模擬機床和刀具的運行情況,然后根據(jù)模擬結(jié)果生成優(yōu)化的操作建議、預(yù)測設(shè)備維護需求或?qū)崟r調(diào)整刀具參數(shù)。這些建議和決策可以反饋到物理空間,通過自動控制系統(tǒng)或操作人員來實施,以優(yōu)化生產(chǎn)過程、延長設(shè)備壽命、提高加工質(zhì)量等。

2 刀具磨損在線監(jiān)測及預(yù)警方法

刀具磨損是數(shù)控機床加工過程中不可避免的現(xiàn)象,然而,由于刀具的不斷老化,現(xiàn)有的刀具磨損預(yù)測模型可能存在誤差較大的問題。本研究引入神經(jīng)網(wǎng)絡(luò)技術(shù)來處理加工過程中產(chǎn)生的多源數(shù)據(jù),通過采集到的各種數(shù)據(jù)中提取出與刀具磨損相關(guān)的特征信息,綜合考慮機床刀具的老化情況,建立一種刀具磨損時變偏差模型,該模型能夠更準(zhǔn)確地預(yù)測刀具的磨損情況,并考慮了刀具老化對磨損的影響。

2.1 數(shù)據(jù)特征提取

數(shù)據(jù)特征提取是指從原始數(shù)據(jù)中提取有用的、具有代表性的特征信息,用于表示數(shù)據(jù)的重要特性。在數(shù)控機床刀具磨損監(jiān)測系統(tǒng)中,數(shù)據(jù)特征提取是為了從數(shù)控機床加工過程中產(chǎn)生的多源數(shù)據(jù)中提取與刀具磨損相關(guān)的特征信息,用于建立刀具磨損預(yù)測模型。本文基于神經(jīng)網(wǎng)絡(luò)和傅里葉變換針對不同信號建立不同神經(jīng)網(wǎng)絡(luò)模型,更好地捕捉不同數(shù)據(jù)信號之間的非線性關(guān)系,并提高預(yù)測模型的準(zhǔn)確性。

2.1.1 振動與刀具切削力信號特征提取

在數(shù)控機床刀具磨損監(jiān)測中,振動信號和刀具切削力信號是兩個重要數(shù)據(jù)源,基于數(shù)字孿生系統(tǒng)中的特征提取模塊,采用卷積神經(jīng)網(wǎng)絡(luò)對數(shù)控機床刀具振動和切削力信號特征進行提取。假設(shè)振動信號采集的原始數(shù)據(jù)為v(t),刀具切削力信號采集的原始數(shù)據(jù)為f(t),振動信號采集數(shù)據(jù)如式(1)

v[n]=v(t)t=nTs

(1)

其中,v[n]為振動信號在離散時間點,[n]為采樣得到的信號值;v(t)是振動信號在連續(xù)時間域中的信號,表示實際振動隨時間變化的函數(shù);Ts是振動信號的采樣周期,表示相鄰兩次采樣之間的時間間隔;n表示第n次采樣。

對于刀具切削力信號采集如式(2)

f[n]=f(t)t=nTs

(2)

其中,f[n]是刀具切削力信號在離散時間點n采樣得到的信號值;f(t)是刀具切削力信號在連續(xù)時間域中的信號,表示實際切削力隨時間變化的函數(shù);Ts是刀具切削力信號的采樣周期,表示相鄰兩次采樣之間的時間間隔;n表示第n次采樣。

2.1.2 功率信號提取

基于數(shù)字孿生技術(shù)的數(shù)控機床刀具在線監(jiān)測及預(yù)警系統(tǒng)中,對于振動信號和刀具切削力信號,可以使用功率信號提取的方法來獲取信號在頻率域上的能量分布情況。本文采用快速傅里葉變換(Fast Fourier Transform,FFT)來計算信號的功率譜密度[8-9]。設(shè)振動信號為v(t),刀具切削力信號為f(t)。

對振動信號的功率譜密度計算公式如式(3)

(3)

其中,Svv(f)表示信號的功率譜密度(Power Spectral Density of Vibration Signal),通過傅里葉變換和取模的平方,可以得到振動信號在不同頻率上的功率譜密度,從而了解振動信號的頻譜特性;T表示振動信號采集周期。

對刀具切削力信號的功率譜密度計算公式如式(4)

(4)

其中,,Sff(f)表示刀具切削力信號在頻率域上的能量分布情況(Power Spectral Density of Cutting Force Signal),通過傅里葉變換和取模的平方,得到刀具切削力信號在不同頻率上的功率譜密度。

通過對振動信號和刀具切削力信號進行傅里葉變換并取模的平方,可以得到信號在不同頻率上的功率譜密度,表明振動信號和刀具切削力信號在頻率域上的能量分布情況,從而可以用于進一步特征提取和分析,實現(xiàn)對刀具磨損狀態(tài)的在線監(jiān)測和預(yù)警。

2.2 數(shù)據(jù)特征降維

數(shù)據(jù)特征降維是指在數(shù)據(jù)分析和機器學(xué)習(xí)中,通過一系列數(shù)學(xué)變換和算法,將原始數(shù)據(jù)的特征空間映射到一個更低維度的子空間,從而減少數(shù)據(jù)的維度。特征降維可以幫助解決高維數(shù)據(jù)的處理問題,同時還能提高數(shù)據(jù)分析和機器學(xué)習(xí)算法的效率和準(zhǔn)確性,避免維度災(zāi)難(curse of dimensionality)[10]。本文采用主成分分析(Principal Component Analysis,PCA)進行特征降維。將采集到的數(shù)據(jù)排列成矩陣形式,振動信號和切削力信號按列合并成兩個矩陣,處理流程如下。

振動信號矩陣為

切削力信號矩陣為

將文本數(shù)據(jù)向量與振動信號矩陣、切削力信號矩陣按列合并,得到最終的數(shù)據(jù)排列成矩陣形式

2.3 基于數(shù)字孿生下刀具磨損在線預(yù)測模型

考慮到機床老化對刀具磨損的影響,本文采用支持向量機回歸建立刀具磨損在線預(yù)測模型。經(jīng)過孿生數(shù)據(jù)處理后,刀具振動、切削力及功率信號的特征集為X={x1,x2,…,xk},構(gòu)建新的數(shù)據(jù)集Q={(Xi,yi),i=1,2,…,m}。其中,Xi和yi分別為輸入值和輸出值,m為條數(shù),則回歸模型為

f(X)=wT×φ(X)+c

(5)

其中,w為決策面的法向量;c為偏置量;φ(X)特征集從低維到高維的映射。

3 數(shù)控機床刀具磨損及預(yù)警系統(tǒng)測試

為了驗證本文提出的數(shù)控機床刀具磨損及預(yù)警系統(tǒng)的有效性,對系統(tǒng)運行進行測試與分析。

3.1 實驗條件

試驗使用龍門型立式VGC1500(數(shù)控立式龍門加工中心)機床為例進行刀具磨損分析,性能參數(shù)如表1所示。

表1 龍門型立式VGC1500機床性能參數(shù)

續(xù)表1

刀具磨損在線監(jiān)測和預(yù)警系統(tǒng)測試中,軟件環(huán)境配置及參數(shù)設(shè)置如表2所示,數(shù)據(jù)庫用于存儲采集的原始數(shù)據(jù)和處理后的特征數(shù)據(jù),以及模型訓(xùn)練和優(yōu)化過程中的中間結(jié)果和參數(shù)。

表2 環(huán)境配置和參數(shù)設(shè)置

3.2 數(shù)據(jù)集

在數(shù)據(jù)集的構(gòu)建過程中,為了保證數(shù)據(jù)的隨機性和代表性,本文原始數(shù)據(jù)按照一定比例(如80%和20%)劃分為訓(xùn)練集和測試集,以用于模型的訓(xùn)練和評估。數(shù)據(jù)集劃分的目的是驗證模型在未見過的數(shù)據(jù)上的泛化能力,防止模型在訓(xùn)練集上出現(xiàn)過擬合的情況,80%的數(shù)據(jù)為訓(xùn)練集,20%的數(shù)據(jù)為測試集,數(shù)據(jù)集中數(shù)據(jù)種類和相應(yīng)的采集頻率與數(shù)據(jù)采集種類如表3所示。

表3 數(shù)據(jù)集采集頻率與種類

續(xù)表3

3.3 結(jié)果與分析

本文通過對比四種不同模型(SVM回歸、RNN、CNN和數(shù)據(jù)孿生預(yù)測模型)在數(shù)控機床刀具磨損在線監(jiān)測與預(yù)警任務(wù)中的預(yù)測精度,結(jié)果如表4所示。數(shù)據(jù)孿生預(yù)測模型在所有評價指標(biāo)上表現(xiàn)最好,具有最低的平均絕對百分比誤差(Mean Absolute Percentage Error,MAPE)、均方根誤差(Root Mean Square Error,RMSE)和平均絕對誤差(Mean Absolute Error,MAE)值,說明模型集成在預(yù)測刀具磨損狀態(tài)上具有較高的準(zhǔn)確性和精度。

表4 不同模型評價結(jié)果

模型對刀具磨損值預(yù)測結(jié)果和實測結(jié)果如圖2所示,上下界限是指預(yù)測值的上限和下限,用來表示模型預(yù)測的不確定性范圍。如果預(yù)測值都在上下界限之間,說明模型的預(yù)測結(jié)果比較可信,并且能夠較好地捕捉刀具磨損的趨勢。從圖中可看出,測試集的結(jié)果均在上下界限中,體現(xiàn)了本文方法的有效性。其次,CNN模型在預(yù)測精度上也表現(xiàn)出色,相較于SVM回歸和RNN模型略優(yōu)。

圖2 數(shù)控機床刀具磨損實測值與預(yù)測值對比

4 結(jié)論

本文基于數(shù)字孿生技術(shù),構(gòu)建了數(shù)控機床刀具磨損在線監(jiān)測與預(yù)警系統(tǒng),通過數(shù)據(jù)采集模塊和預(yù)測模塊的設(shè)計,采集了振動信號、切削力信號等多源數(shù)據(jù),并利用卷積神經(jīng)網(wǎng)絡(luò)等模型對這些數(shù)據(jù)進行特征提取和刀具磨損預(yù)測。

以龍門型立式VGC1500數(shù)控機床的性能參數(shù)作為實驗樣本,對比了不同模型的預(yù)測結(jié)果,并采用MAPE、RMSE和MAE等指標(biāo)對模型進行評價。試驗結(jié)果表明,數(shù)據(jù)孿生模型在所有評價指標(biāo)上表現(xiàn)最優(yōu),其次是CNN模型,驗證了本文提出的方法在數(shù)控機床刀具磨損預(yù)測中的有效性和優(yōu)越性。