数控机床刀具磨损监测实验数据处理方法研究.pdf

数控机床刀具磨损监测实验数据处理方法研究曾祥超陈捷（南京工业大学机械与动力工程学院，南京210009）StudyofdataprocessingmethodforCNCtoolwearmonitoringZENGXiang-chao，CHENJie（SchoolofMechanicalandPowerEngineering，NanjingUniversityofTechnology，Nanjing210009，China）文章编号：1001-3997（2009）01-0213-03【摘要】数控机床刀具磨损监测对于提高数控机床利用率，减小由于刀具破损而造成的经济损失具有重要意义。有针对性地回顾了国内外各种分析刀具磨损信号方法的研究工作，详细叙述了功率谱分析法、小波变换、人工神经网络以及多传感器信息融合技术的实现形式。通过比较各种数据处理方法的优缺点，提出基于混合智能多传感器信息融合技术是数控机床刀具磨损监测实验数据处理的未来发展的主要方向。关键词：数控机床；刀具磨损监测；数据处理【Abstract】CNCtoolwearmonitoringwouldbeagreatsignificanceforimprovingtheusagerateofCNCandreducingtheeconomiclossesduetothetoolbreakage.Therecentresearchprogressonthesignalanalyzingwasreviewed.Someimportantdataprocessmethodsweredetaileddescribed，suchaspowerspectrumanalysis，wavelettransform，artificialneuralnetworkandintelligentsensorfusiontechnology.Bycomparingtheirfeatures，theintelligentsensorfusiontechnologywasintroducedtobepopularindataprocessingmethodforCNCtoolwearmonitoring.Keywords：CNC；Toolwearmonitoring；Dataprocessingmethod来稿日期：2008-03-27中图分类号：TH16，TG659文献标识码：A1前言刀具磨损在机械加工中是一种普遍存在的现象，研究刀具磨损可以大大提高机械加工效率，降低加工成本，具有较大的经济效应。但由于刀具磨损机理比较复杂，直到现在我国对机械加工中刀具磨损的监测也只是处在研究阶段。近年来，随着高性能CNC机床、FMS以及CIMS的广泛应用，机械加工的效率、加工质量有了明显的提高，同时对全自动化生产也提出了更高的要求，发展趋势也由以前的一位工人师傅掌管一台机床到一个车间只需要一位工人师傅看管，这就要求数控机床能够自动监测刀具状态，及时了解正在使用的刀具磨损情况，从刀具寿命、磨损量、刀具破裂等形式的刀具故障对刀具工作状态进行监控，并在刀具磨损达到设定磨损量时报警。工业统计表明，刀具失效是引起机床故障的首要因素，由此引起的停机时间占数控机床总停机时间的1/51/31。切削加工中，刀具在不同的加工条件下，其状态是不断变化的，如果刀具磨损不能及时发现，将导致整个加工过程的中断，引起工件报废，甚至整个系统的停止。研究表明，数控机床配备刀具监测系统后可减少75的故障停机时间，提高生产率（1060），提高机床利用率50以上。美国Kennamtal公司的研究表明，配备刀具监控系统的数控系统，能够节约加工费用达302。因此研究开发智能监测技术，防止因刀具失效而引起的工件报废、设备损坏并保证机床无故障运行是十分重要的3。通常刀具磨损可以分为三个阶段4：（1）初期磨损阶段。该阶段刀具磨损较快，主要是因为新刀刃的表面粗糙不平，接触应力较大，以及新刀具表面可能出现的脱碳层、氧化层等表面缺陷。（2）正常磨损阶段。经初期磨损阶段后，刀具的切削刃和刀面已比较平整，切削刃仍比较锋利，所以在这一阶段中，刀具的磨损速度相对减慢，切削过程比较平稳。这一阶段也是刀具有效工作阶段，占刀具耐用度的（9095）。（3）剧烈磨损阶段。在刀具正常磨损达到一定程度，刀具与工件的接触情况显著恶化，刃口钝化，摩擦力急剧增大，刀具磨损发生质的变化，同时刀具的切削性能迅速下降，刀具与工件之间由于接触应力增大产生高温将可能烧损刀刃或者是刀刃破损，此时刀具完全丧失切削能力。刀具磨损过程，如图1所示。图1刀具磨损过程Fig.1ProcessoftoolwearMachineryDesignManufacture机械设计与制造第1期2009年1月213刀具磨损的监测方法3通常可以分为直接测量和间接测量两种方法。其中直接测量法有：光纤测量法、接触电阻法、射线测量法以及计算机图像处理法等。间接测量法中比较流行的主要有电流测量法和声发射检测法，另外通过监测切削力、振动、工件尺寸等方法都可以间接了解到刀具磨损状况。2信号处理从传感器检测到的信号并不能直接作为刀具磨损状况的识别特征，需要经过信号预处理，特征量的提取分析，并将分析结果与标准模型进行比较才能作为诊断结论。2.1功率谱分析法动态信号处理最常用的方法就是功率谱分析法，而且这种方法也是最成熟的分析方法之一。早在1999年，苟琪5便用功率谱分析法分析丝锥加工过程中的切削力信号，并以此判断丝锥磨损状况。在实验中，苟琪用四向精密测力仪测量丝锥加工时的扭矩和轴向力动态变化，通过计算机分析系统得到动态切削力的时域信息，再经过FFT分析仪处理，得到其频域特性。通过实验分析认为动态攻丝扭矩的功率谱有两个主要峰值，一个在低频段5Hz左右，另外一个在高频段350Hz左右。通过实验证明动态攻丝扭矩的功率谱峰的能量随着丝锥的磨损逐渐增加，并且在刀具在产生崩刃时，高频段主要峰值能量迅速增加。文章在两种不同加工参数下进行实验得到的攻丝扭矩动态信号主要峰值频率功率值都能较敏感的反应丝锥磨损状态。郑建明等人6用FFT变换得到钻削的切削力信号的功率谱。实验是在普通立钻Z5125A进行的，用Kister钻削测力仪监测切削力变化、电荷放大器和数据采集卡通过计算机编程来完成。分析从实验得到的切削力信号频谱图，认为轴向力信号功率谱密度和扭矩信号功率谱密度主要集中在低频频段（150Hz以下）和一个高频频段（2500Hz左右）。作者通过分析认为功率谱与刀具磨损之间具有良好的相关性，其中扭矩信号在一个低频频段（100Hz以下）和一个高频频段（2500Hz左右）、轴向力信号在一个低频频段（100Hz以下）具有清晰的谱峰，功率谱峰值的变化在刀具正常磨损阶段呈现出平缓上升趋势，而在进入剧烈磨损阶段后则呈现出较为陡峭的上升趋势，与刀具磨损的变化规律基本吻合。王太勇、董全成7、8等人用功率谱分析刀具磨损时发出的声信号，并通过实验研究认为切削声信号中1008kHz频带内的特征频率分量反映了刀具磨损状态及其变化规律。2.2基于小波变换/小波包的信号特征量提取小波变换的基本思想是用一簇函数去表示或逼近一函数信号，它是通过一组基本小波函数的平移和伸缩构成的。其实质就是通过小取样步长刻画信号高频成分的任意微小细节。肖露9正是利用小波变换的这一特性对PCBN刀具的切削力进行动态分析。文章先用非线性小波DB3对有噪声信号进行5层分解恢复原始信号，再利用小波分析的时-频带宽的乘积小，且在时间和频率轴上都很集中的特性，对切削力信号非正常状态的产生过程进行局部化细分，其第5层到第3层分解的逼近信号机细节信号的频率范围分别是：0，156，156，312，0，312，312，624，0，624，624，1248，单位为KHz。通过小波分析系数图能看到：在正常切削情况下，信号的变化比较平稳，但是当刀具破损即将发生时，切削力信号会不断增加，超出正常切削范围，但刀具发生破损的那一刻，切削力信号急剧上升，小波分解系数图上出现陡峭的尖峰。将此特征作为刀具破损发生的特征之一，通过设定阈值，可以判断刀具破损。J.S.Kwak用小波变换处理车削中车刀的切削力信号。实验是在HL380B车床上进行的，当时选用SM45C作为工件材料，车刀是金属陶瓷刀片，将Kistler9272测力仪安装在刀架上。文章也是先用小波变换对采集到的原始信号进行滤波，然后用小波4层分解对切削力信号进行逼近，从而提取刀具破损特征。小波分析方法同样可以用来处理由AE传感器检测到的数控机床刀具磨损信号。考虑到AE信号除了受刀具状态影响外，还受加工参数影响，为了有效区分小波分解模极大值变化，并降低外界干扰对分析所引起的误差，陈晓智引进向量范数|.|2替代模极大值，利用向量2范数表征小波分解系数模。最后利用统计原理来对不同切削状态下的各层小波分解系数2范数进行特征值提取，通过该特征值对刀具状态进行判断。文章在在HL-32数控机床上进行验证实验，取工件材料为45钢，刀具材料为W18Cr4V，CAE-150声发射传感器安装在刀柄上，根据切削用量的不同将实验分为27组。用db10小波函数分别对锋利刀具和磨损刀具的各27组数据进行小波6层分解，提取每组方案的第6层分解系数的2范数，较明显的看出磨损刀具所产生的AE信号与锋利刀具所产生的AE信号不同，其主要由突变信号所组成，为非稳态信号，信号的峰峰值较大，信号突变的来临时间无法预测。作者认为在实时监测时，可通过设定阈值来预测刀具的破损。2.3基于神经网络的刀具磨损监测人工神经网络以其强大的函数逼近能力、并行处理能力以及自组织和自学习能力，在多个工程领域的非线性动系统的建模和辨识方面得到广泛的应用。将神经网络技术应用到数控机床刀具状态监测中是近年来刀具状态监测的主流发展方向。陈勇选用BP神经网络用来处理铣削力信号，其中神经网络模型的各神经元传递函数形式采用“T0ansing”、“Tansing”和“Pureline”，即正切Sigmoid函数和线性函数，输入和输出节点均为1。采用1-20-1的神经网络结构，通过样本对网络进行训练，根据期望输出与实际输出的差值不断调整各神经元之间的联接权值，以使得最终所确定的权值的网络输出能以要求的精度逼近期望值。JacobC.Chen认为非线性的S型函数作为BP网络输出函数能更好的反应出神经元的饱和性。高宏力4为了提高识别模块的容错能力和推广能力，利用Rumelhant等人在建立切削力神经网络模型中提出了学习权系数和值的广义规则，提出每个子网络采用具有局部记忆和局部推广能力的B样条模糊神经网络。考虑到输入输出数据含有噪声干扰，OnderYumak在2006年提出了一种基于自适应模糊推理神经网络（ANFIS）的刀具磨损在线监测法。他给出了一个5层的ANFIS结构，如图2所示。其中第2层节点是模糊产生器节点，它把输入变量模糊化。第3层的每个节点代表一模糊规则，模糊规则数将通过结构学习来确定最优值。第4层是模糊推理机节点，将遵循：F=pA+qB+r。第1期曾祥超等：数控机床刀具磨损监测实验数据处理方法研究214图2ANFIS结构图Fig.2ANFISarchitecture在建立电流信号和切削参数之间的回归模型后，设定ANFIS的模糊规则，通过仿真实验，证明ANFIS的可靠性，并进一步认为该网络模型同样可以适用于其他切削状态下的刀具磨损监测。2.4基于混合智能信息融合技术的刀具状态监测为了克服BP神经网络收敛速度慢的缺点，增强模型对任意加工过程中的不确定因素和扰动的适应性，使得该模型能适用于实际工况条件，Kang-NingLou等人引入Kalman滤波并建立自学习神经网络模型，将切削力信号、AE信号以及切削深度、切削量同时作为神经网络的输入端，利用切削力信号和AE信号对不同区域信息敏感度的不同，取长补短，相互补充，从而提高判断的准确率。郑金兴提出用小波神经网络模型作为多传感器信息处理工具，以Gauss小波的伸缩平移系作为隐层激发函数，配合基于遗传算法的神经网络（GA-BP）构成了遗传算法小波神经网络。这种算法的优点是它不仅具有小波分析的局部特性和神经网络的学习及推广能力，而且继承了遗传算法在寻优过程中具有全局性，快速性以及适应性和鲁棒性的特点。在验证实验中选取切削力和振动信号作为传感器采集信号，分别在单一工况和复杂多工况条件下进行刀具磨损状况监测，最后都得到了较高的预测精度。信息融合不只是对多传感器信号进行融合，也可以是对不同数学模型进行优选并做适当补充。RubenMorales-Menendez认为：每种数学模型都有各自的优点和不足。针对端铣加工中，切削深度、进给速度和主轴转速等加工参数对铣刀磨损的影响，用3种不同的方法分别建立三种数学模型：多元线性回归模型、人工神经网络模型以及概率逼近模型。通过大量实验数据对3个模型分别进行验证，最后选择效果最好的人工神经网络模型做为主导，其它两个模型为补充的信息融合方法。3各种信号处理方法比较功率谱分析法作为一种传统信号处理方法，常用于平稳随机信号重要的特性描述，采用该方法可以确定随机信号的频率结构。功率谱分析，可以弱化信号的随机噪声能量，而使周期信号的能量得到加强。但功率谱分析作为一种频域分析法，其致命缺点是不包括任何时域信息。而小波分析法却能同时具有良好的时域和频域局部特性以及对信号的自适应能力，所以小波变换对分析平稳信号和非平稳信号的奇异性都是一种行之有效的方法。但小波变换也存在缺点，一旦小波基函数选定后，其特性就是固定的，对于在不同尺度上得到的逼近信号特征之间存在的差异，小波变换时采用一个基函数导出的小波函数难以在不同尺度上准确的逼近局部信号特征，因此降噪预处理时的重构信号会丢失原有的时域特征。作为研究热门的BP神经网络，也存在着其算法固有的收敛速度慢，易陷入局部极小值及无法严格保证每次训练时BP算法的收敛性和全局最优性等缺陷。数控机床刀具磨损是一个复杂缓变的过程，且受环境影响大，在现场监测过程中，只用一个传感器很难准确判断刀具磨损情况。如果同时选用多种传感器同时提取刀具磨损状况的信息，充分利用多个传感器资源，通过合理管理和使用，把多个传感器在空间和时间上的冗余信息或互补信息，通过设定的准则进行优化组合，以获得刀具磨损状态的一致性描述，并做出准确判断，这将使该信息系统比一般单传感器系统获得更加优越的性能。为了提高对刀具磨损判断的准确性，现今人们普遍选用多传感器对加工中的刀具同时进行监测，利用人工智能技术，将各传感器信号有序融合，综合判断刀具磨损状况，全面提高预判的准确性。4发展趋势随着敏捷制造和自动化技术的进一步发展，切削过程中刀具状态在线监测技术将会受到越来越多学者和机构的重视。特别是随着加工过程的复杂程度提高，对刀具状态监测也提出了越来越高的要求。研究并开发适合多工艺加工过程的刀具状态监测系统是将该技术应用到工厂加工现场的关键。基于人工神经网络的多传感器信息融合技术的刀具状态监测系统能够有效的提高判别精度，是未来刀具监测的发展方向。可选信息的合理组合即系统的最小化和特征信息的全面性矛盾的解决，系统安装方便、可靠实用、对所采集信号灵敏度高的传感器的合理选取与研究开发仍然是当前需要解决的问题。可以说要想将智能化的刀具磨损监测系统应用到工厂的生产加工中，还需很长的时间。参考文