基于神经网络的刀具状态监控.docx

基于神经网络的刀具状态监控摘要：神经网络已经广泛应用于状态监控当中。本文为达到更高质量和自动化程度的钻孔工艺，在刀具状态监控系统中使用基于竞争学习的对向传播神经网络（CPNs）。对向传播神经网络的输入数据为三向切削力，输出数据为刀具状态或刀具磨损值。70个对向传播神经网络的网络结构应用于实时识别和实时测量。对向传播神经网络的性能主要依赖于网络结构。本文的研究中提出合理的网络结构设计方案，以提高了钻孔工艺的效率和自动化水平。关键词：对向传播神经网络（CPNs）竞争学习实时识别实时测量1 引言随着柔性化制造的推广，加工中心、数控机床及其相应刀具的种类和数量也随之增加。数控刀具的投入比例已经在制造业中占据了更为重要的地位。作为制造资源的一部分，刀具系统是参与制造活动的重要辅助刀具，对加工中心和数控机床的柔性、生产率以及产品制造的精密性和正确性起着举足轻重的作用；同时，刀具是较昂贵的消耗性资源，一般生产车间，尤其是在数控机床较多的生产环境里，刀具的数量巨大，其中的组件也相当复杂，信息繁多，由于生产加工的需要，大量的刀具频繁地在刀具库和机床以及机床与机床之间流动和交换。寻求一种经济、高效和可靠的刀具管理方式是目前很多制造企业急需解决的问题1。在数控加工中，每把刀具都包括两种信息：一种是刀具描述信息，即静态信息，如刀具识别编码和几何参数等；另一种是刀具状态信息，即动态信息，如刀具所在位置、刀具累计使用次数、刀具剩余寿命(min)、刀具刃磨次数等。所以与刀具有关的信息量很大。要将这些大量的刀具及有关信息管理好，必须有一个完善的计算机刀具管理系统，才能解决多品种零件加工对刀具的需求。刀具管理就是及时而准确地对指定的机床提供使用的刀具，以使在维持较好的设备利用率的情况下，生产处所需数量的合格零件。因此，刀具管理最重要的准则是：刀具供加工中心应及时，刀具储存量少，组织费用少。数控刀具的管理主要包括一下几个方面：刀具室的控制与管理。刀具首先在刀具室内装配成刀具组件，并在对刀仪上调好尺寸，然后编码待用。根据加工零件需要，调用相应的刀具组件并分配给机床。应按数控加工系统的需求，对刀具的库存量进行控制，使刀具冗余量最小。刀具的调度。刀具的调度室根据零件加工工艺过程和加工系统作业制定调度计划及刀具分配策略。加工完毕后所有刀具送回刀具室，这种策略可减少刀具库存量。刀具的监控。在加工过程中，应对刀具状态进行实时监控和对刀具的切削时间进行累计，当达到规定的使用寿命时间时，刀具要重磨或更换。当发生刀具破损时，机床应立即停车，并发出报警信号，以便操作人员及时处理。刀具信息的处理。处理刀具各种静、动态信息，使这些信息在机床、刀具室、主控计算机之间传输，有些动态信息必须在加工系统运行时不断进行修改，这就要求必须处理好刀具系统与各系统设备之间的接口。其中，刀具状态监控系统（TCM）就是通过传感器以及对过程信息的分析，如刀具的声音、刀具振幅、电流等，完成对切削刀具状态的判断。刀具状态是指刀具的磨损、崩刃和碎裂等不同形式的的破损2。系统的主要目的是，通过延长刀具寿命、缩短刀具停工期、降低报废率、减少刀具损伤一系列方法，提高生产率并最终优化制造系统的性能。典型的刀具状态监控系统有：接触触发式探头监控、切削力监控、电机负载监控、声发射（AE）监控等。切削刀具状态显著影响机加工件的质量和精度。通过监控切削刀具的状态，可保证机加工质量，并实现产品自动化。但是，由于刀具状态的非线性和随机性，实时识别刀具状态和评判刀具失效十分困难。本文将针对钻孔工艺的刀具状态监控系统进行研究，拟通过基于竞争学习的对向传播神经网络（CPNs）实现刀具高效率高质量的实时监控和实时识别。2 实验过程工件材料为Ti6A14V,该材料广泛应用于航空航天、生物医学工业等，具有高强度、高刚度和良好的生物相容性，但机械加工性能很差3。其主要成分如表1所示4。表1 Ti6Al4V的主要成分Table 1 Composition of titanium 6Al4V成分比重（%）Al6FeMax 0.25OMax 0.2Ti90V4钻孔工艺中使用的切削刀具是三角形的硬质合金刀具。切削状态如下：钻孔切削力可分为三部分：径向力、周向力和纵向力，利用测力计实时测得三向切削力。力信号被放大和过滤，再将切削力信号数字化并存储到指定的电脑中。实验设备原理图如图1所示。收集使用范围内十组三角形硬质合金刀具的数据，记录平均侧边磨损量，临界值不低于0.300mm5。图1 钻孔实验设备原理图Fig. 1 Schematic diagram of boring experiment3 指数的获得和选择3.1 指数的获得指数的获得指从三向切削力的数据中获得有使用价值的参数6,7。由于每一次钻孔后都会测刀具的磨损量，因此每一次测得的力都反映了相对应的磨损量。基于早先的实时识别和切削刀具的测量，由原始力数据获得14个指数，如表2所示。表2 14个指数列表8,9Table 2 List of 14 acquired indexes指数编号指数说明1径向力平均值（fx）2轴向力平均值（fy）3周向力平均值（fz）4fz/fx的平均值5fz/fy的平均值6径向力（fx）的均方根7轴向力（fy）的均方根8周向力（fz）的均方根9径向力（fx）的偏态系数10轴向力（fy）的偏态系数11周向力（fz）的偏态系数12径向力（fx）的峰态系数13轴向力（fy）的峰态系数14周向力（fz）的峰态系数3.1.1 三向切削力的平均值三向切削力的平均值可由以下公式获得：Average=1ni=1nfin指数据数量，fi指第i个数据的切削力。3.1.2 两种切削力间的比率平均值fzfx=1ni=1nfzifxifzfy=1ni=1nfzifyi(fxi),(fxi),(fxi)分别是在x, y, z方向上的力，n为数据个数。3.1.3 三向切削力的均方根RMS=1ni=tnfi23.1.4 三向切削力的偏态系数skewness=nn-1n-2i=1nfi-fs3s是样品标准偏差，f代表切削力的平均值。3.1.5 三向切削力的峰态系数kurtosis=n(n+1)n-1n-2(n-3)i=1nfi-fs4-3(n-1)2n-2(n-3)3.2 指数的选择为确定14个指数中最适合实时识别和测量的指数，使用基于欧氏距离测度的指数选择技术。所需训练样本的最小个数定义如下：N2(d+1)d为指数个数，N为训练集个数。由于所需判断的指数有14个，训练数据有54组，则符合以上要求。取D个尺寸测量矢量，基于下式从中选择d个指数：J=trace(SW-1Sb)Sb是类内散度矩阵，Sw是类间散度矩阵，J代表指数矢量的信噪率。散度矩阵Sb和Sw定义如下：mi=1nik=1nixikm=1ck=1cnimiSb=i=1cnimi-mmi-mtSw=i=1cSimi是第i类训练模式的均值矢量，ni是属于第i类的训练矢量个数，m是均值矢量之和，xik代表属于第i类的训练矢量，c是类别个数，Si是属于第i类的类内散度。后续的搜索算法如下进行10：（A）从D个指数中选出最大信噪率J的指数，记为k1。（B）把k1与其余每一个D-1指数组合，并计算信噪率J.选择信噪率J最大的一组。（C）重复第二步直到所有d个指数都被选中。指数选择的结果如表3所示。其中表3中的指数空间1到3是作为神经网络输入数据的3组指数组合。切削力的四次方（#13），切削力间的比率（#4），以及平均切削力（#2）是三个重要的指数。这表明切削力数据的后续处理非常有利于切削状态的实时识别。表3 指数选择结果8,9Table 3 Outcome of index choice process指数空间所选指数编号1#132#13 #43#13 #4 #24#13 #4 #2 #105#13 #4 #2 #10 #116#13 #4 #2 #10 #11 #67#13 #4 #2 #10 #11 #6 #18#13 #4 #2 #10 #11 #6 #1 #39#13 #4 #2 #10 #11 #6 #1 #3 #510#13 #4 #2 #10 #11 #6 #1 #3 #5 #811#13 #4 #2 #10 #11 #6 #1 #3 #5 #8 #712#13 #4 #2 #10 #11 #6 #1 #3 #5 #8 #7 #913#13 #4 #2 #10 #11 #6 #1 #3 #5 #8 #7 #9 #1214#13 #4 #2 #10 #11 #6 #1 #3 #5 #8 #7 #9 #12 #144 对向传播神经网络对向传播神经网络（CPN）结合Kohonen自组织映射网络（SOM）和Grossberg Outstar神经网络。如此以来，CPN是基于竞争学习的映射网络，起源于Robert Hecht-Nielsen的研究 11,12。欧几里德距离表明了指数向量与权向量的距离。此外，良心机制确保每一个Kohonen权系数都能映射到一个可行的向量空间中，解决了初始化权向量的局限性。对向传播神经网络的基础构架由输入层、Kohonen层以及Grossberg层组成。指数向量出现在输入层，再传播到Kohonen层。Kohonen权向量与输入向量间的欧几里德距离由以下公式测得9：di=Ki-X=j=1m(kij-xj)2kij为第i个Kohonen权向量的第j部分；xj为输入向量的第j部分；m为输入层神经元的个数。在正常模式下，拥有最小欧几里德距离的Kohonen神经元被视为“赢家”，这个神经元输出一个数值1到Grossberg层的相应神经元。其余神经元输出数值为0。zi=1 if didj ,j=1m0 其他Grossberg层通过加权值使“赢家”Kohonen输出值加倍，Grossberg输出公式如下13：y=Giziy为输出值；Gi为第i个Grossberg神经元的权向量。对向传播神经网络的训练过程分为两步。第一步，处理Kohonen权向量，实现相对训练数据集的等概率分布。将Kohonen向量与测试数据相比较，确定在竞争学习中有最短距离的神经元。一旦确定最短距离，Kohonen权向量可根据下式调整：kinew=kiold+x-kioldzi+x-kiold1-zi ki为第i个Kohonen权向量；x为输入向量；和为用户自定义参数，仅应用于有偏置的“赢家”，应用于其他神经元。由于通常设为0，因此只有“赢家”神经元调整权系数，而其他的神经元权系数保持不变。为保证所有Kohonen向量都可被映射，采用良心机制，在计算欧几里得距离时增加一个偏置，偏置计算如下：di=d if Win FrequencyTdi-bi if Win FrequencyTdi代表重新计算的距离；d和T为用户自定义参数，使时常丢失的神经元在训练发生的区域被描述出来。偏置值为14：bi=c1n-pibi为偏置值；pi为赢得频率；n为Kohonen神经元的数量；c为由用户自定义的参数。完成Kohonen映射后，通过下式的迭代过程实现Grossberg训练15：Ginew=Giold if zi=0Giold+ay-Giold if zi=1Gi为第i个Grossberg权向量；a为网络参数；y为训练数据的输出值。第k个Grossberg节点的输出值如下：Yk=Gkz=i=1NGkiziz为包括所有zi值在内的向量。例如一个2301的对向传播神经网络如图3所示。图3 2301的对向传播神经网络结构图Fig. 3 2301 CPN architecture5 高效自动化钻孔的刀具状态监控5.1 对向传播神经网络的训练在每个原始数据集之间线性插值三组数据，增加训练过程的数据个数。但在最后一个和临近最后一个的数据集之间不增加插值数据，因为这两组数据对于识别磨损和实用性这两种刀具状态十分重要8,9。在实时识别的训练过程中，刀具状态分为两种状态：磨损和实用刀具。实用刀具的输出值设为0.3，磨损刀具设为0.7。输入数据为介于0.1到0.9之间的某一规范化数值，公式如下：ai=0.8rmax-rminri-rmin+0.1ai为规范化数据；rmax和rmin分别为原始数据的最大和最小值；ri为第i个原始输入数据。5.2 刀具状态的实时识别实时识别钻孔状态是刀具状态监控系统的重要部分。不合理的刀具识别可能会导致任一刀具在需要使用之前就被调用，增加刀具的费用，或者导致磨损刀具的继续使用，增加刀具的失效可能性。因此，神经网络必须100%精确地监测刀具状态。随着神经网络训练，实时识别可利用独立的数据集决定，网络是否能够100%精确地区分刀具是磨损或可用。网络输出值小于等于0.5，则判断为工具可用状态，超过0.5则判断为不可用状态。通过简化计算要求，选择复杂程度最低的网络结构。对向传播神经网络最少通过两个输入值，即可预测刀具磨损。两个指数分别为纵向力的峰值、径向力与周向力的比率的平均值。5.3 刀具退化的实时评判实时测量为刀具退化提供了有用的信息。对平均侧面磨损宽度的实时估测越准，刀具退化就能越精确地评判出来。实时测量结果的绝对输出错误用于计量网络预测平均侧面磨损宽度的可能性。网络训练之后，使用其他独立数据集完成实时测量。6 结论1.对向传播神经网络（CPNs），基于竞争学习，能够有效使用通过三向切削力得到的指数进行训练，应用于刀具状态监控系统。2.70个CPN网络结构应用于刀具状态的实时识别和刀具退化的实时评断。CPN的性能取决于网络结构。3.使用CPN，可建立起提高工件质量、避免刀具过度磨损的网络系统。将的CPN实时识别与2301的CPN实时评判结合，实现钻孔过程的高质量和自动化。参考文献1 朱睿.刀具智能管理及优化调度技术研究M.重庆:重庆大学,20142 林益耀.刀具状态监控系统J.机械制造.1991.6:3-63 Kull HN, Diniz AE, Pederiva R (2014) Correlating tool life and workpiece surface roughness with tool stiffness in the milling of Ti6Al4V alloy with toroidal tool. Int J Adv Manuf Technol 75(1 4):1391524 ASM Aerospace Specification Metals Inc. (2014) Titanium Ti6Al4V. ASM International Web. Accessed 7 December,20145 ISO 3685 (1993) Tool-life testing with single-point turning tool6 Guyon I, Elisseeff A (2003) An introduction to variable and featureselection. J Mach Learn Res 3:115711827 Liu TI, Lee J, Singh P, Liu G (2014) Real-time recognition of ball bearing states for the enhancement of precision, quality, efficiency, safety, and automation of manufacturing. Int J Adv Manuf Technol 71(5):8098168 Liu TI, Kumagai A, Wang YC, Song SD, Fu Z, Lee J (2010) On-line monitoring of boring tools for control of boring operations. International Journal of Robotics and Computer Integrated Manufacturing 26(3):2302399 Liu TI, Kumagai A, Song SD, Fu Z, Wang YC, Lee J (2003) Intelligent detection of boring tool conditions. Proceedings of ASME IMECE symposium on advances in tooling and work holding systems, Washington, D.C., pp 1710 Whitney A (1971) A direct method of non-parametric measurement selection. IEEE Transaction on Computers 20(9):1100110311 Vora N, Tamb