基於自適應神經模糊推理（lǐ）係統的刀具磨（mó）損監測（cè）-數控機床市場網

您現在的位置：銑床網> 技術前沿（yán）>基於自適應神經（jīng）模糊推理係統的刀具磨損監測

基於自適（shì）應神經模糊推理係統的刀具磨損監測

2017-3-14 來源：華中科技大學作者：朱永猛，吳軍，吳超勇，蘇永衡

摘要: 為精確地監測高速銑床刀具在加工過程（chéng）中的刀具磨損量，通過采集高速（sù）銑床加工（gōng）過程中的（de）振動信號、電流信號和噪（zào）聲信號，經數據預處理與（yǔ）數據融合，建立基於自適應神經模（mó）糊推理係統的刀具磨損過程變化模型，實現在高速銑床（chuáng）不停機的前（qián）提下對（duì）銑床（chuáng）刀具進行狀態（tài）監控。實驗結果顯示: 針對銑床刀具磨損量的監測平（píng）均準確率為95. 21% ，最大監測準確率為 99． 74% 。這表明文中所采用的方法具有較高的可行性。

關鍵詞: 銑床; 刀具磨損監測; ANFIS

高速銑床作為（wéi）一種較（jiào）為先進的智能製造裝備，在加工過程中，刀具加工工件（jiàn），產生磨損，影響最後的成品品質。刀具的磨損受到科（kē）研人員的極大關注，曾嚐試用各種不同的方法（fǎ）監測刀具的磨損。

1.國內外研究現狀

早期的科研人員利用單一（yī）傳感器（qì）采集到的信號數據（jù），如噪聲信號［1］、振動信（xìn）號［2］和切削力（lì）信號［3］，進行刀具的狀態監控( tool condition monitoring，TCM) 。伴隨著科學技術的不斷發展，一些通過建立刀具（jù）磨損動力（lì）學模型進行刀具磨損（sǔn）量監測的方法，顯示了廣闊的適用性。

對於模型的建立，一般有 2 種: ① 假設可以（yǐ）完全通（tōng）過數學模型描述刀具磨損過程中（zhōng）所有（yǒu）的物理規律，基於這（zhè）種假設提出“白盒子”方法［4］; ② 假設刀（dāo）具磨（mó）損過程為不可知，也沒有任何的先驗（yàn）知識，但可以通過采集數據獲得未知模型的輸入、輸（shū）出關係，實現（xiàn）對未知過程的認知，這樣的方法稱為“黑（hēi）盒子”方法。“黑盒子”方法最大的優（yōu）點，是可（kě）以在不需要對磨損（sǔn）過程中（zhōng）的物理意義有任何了解的前提下，通（tōng）過采集準確的實驗過程數據，進行磨損過程模型的（de）搭建［5］，最大的缺點是對磨損過程中（zhōng）物理意義的認知缺乏。實際應用過程中，最（zuì）好是將 2 種方法進行融合，得到“灰盒子”方法［6］。但是，在（zài）複雜的工況下，難以采集準確的過程數據，以及缺乏經驗知識，都對刀具磨損過程的動力學模型正確搭建造成不良影響。

Jang 於 1991 年提出了基於模糊神經網（wǎng）絡的自（zì）適應模糊推理，1993 年又撰文將之前提出的算法稱為自適（shì）應神經模糊推理係統( adaptive network － based fuzzy inference system，AN-FIS) 。模糊推理係（xì）統使得顯性知識更（gèng）加詳盡和精確，神經網絡通過學習算（suàn）法建立（lì）數學模型解（jiě）釋隱性知（zhī）識，這使得模糊神經（jīng）網（wǎng）絡的優勢更加凸顯，這也是模糊神經網絡被廣泛應用到刀具（jù）磨損量監測領域（yù）的原因。Chen S L 等人則利（lì）用多個傳感器數據，如振動信號和切削力信號，提出新的數據融合算法，結合 ANFIS 進行刀具磨損狀態的（de）監測［7］; Uros Z 等人（rén）利用切削力信號，對比了三角形隸（lì）屬度函數和梯形隸屬度函數應用（yòng）到 ANFIS 中的刀具磨損量監測結果［8］; Gill S S 等人（rén）利用經過低溫處（chù）理的 M2 高速鋼車刀在加工過程（chéng）中的切削速度、工作時間和低溫浸泡均熱溫度等參數，結合（hé） ANFIS 進行刀具磨損量的監測［9］; Ｒizal M 等人利用刀具切削速度、切削深度、進給（gěi）速率（lǜ）和融合係數等參數，結合 ANFIS 進行刀具磨損量的監測（cè）［10］。

2 基於 ANFIS 的（de）刀具磨損監測（cè）模型

圖 1 基於 Takagi-Sugeno 模糊推理的 ANFIS 網絡

Layer 2: 計（jì）算規則使用度（dù）。每個節點代表一條模糊規則，它的作用是用（yòng）來匹配（pèi）模糊規（guī）則的前件，每一個節點（diǎn）的輸出（chū）是所有輸入信號的乘積，計算出每個規則的適（shì）用（yòng）度，則:

合並不同的分層（céng）構建不同的 ANFIS 模型。

3.實例分析

本研究采用（yòng）一個實際的銑床監（jiān）測數據集［11］，數據集包含 16 組刀具全壽命周期，共 167 個運行（háng）次數的銑床刀（dāo）具磨損實驗數據。文（wén）中選擇（zé）第（dì） 13 組刀具全（quán）壽（shòu）命周期數據（jù）實現刀具磨（mó）損量（liàng）監測算法（fǎ）。在刀具正常運行過程中，傳感器每次（cì）采集（jí）數據可得到 9 000 個數（shù）據（jù）點，去空值和去奇異點後，繪製主軸直流電流信號如圖 2。

圖 2 主軸直流電流信號

從圖 2 中曲線可以發現，信號（hào）數（shù）據有很明顯的階段性特征，包括空轉階段、接觸階段和穩定階段。為了（le）使實驗過程更（gèng）具代表性、監測結果更具（jù）準確性，本文選取第 4 500 個點的穩定階段的信號作為原始（shǐ）數據。提取均值、均方差、方根幅值（zhí）、均方根、最大值、偏斜度、峭度、峰值因子和裕度因子 9種時域特征參數，並歸一化。針（zhēn）對不同傳感器計算得到的時域特征，利用式( 6) 進行相關性分析，式中，X 表示時域特征參數，Y 表示刀具磨（mó）損量，Cov( X，Y) 為 X 和 Y 的協方差，D( X) 為（wéi） X 的方差，D( Y) 為 Y的（de）方差。

利用式( 7) 進行殘差分析，式中，S1( x) 和 S2( x) 是根據（jù）特征值點（diǎn）擬合的曲線，N 為數據點個（gè）數。結果如表 1、表 2。表 1 中 Na N 表（biǎo）示非數字，即（jí） Not a Number，當分母（mǔ）為 0 時，計算結果為 Na N。首先（xiān），保（bǎo）留皮爾遜相關係數大於 0． 8 的強相關（guān）特征（zhēng）參數。其次，在保留下來的特征參數中，選取殘差值最小［12］的（de）特征（zhēng）參數組成最終的特征參數集，獲得的特征參數集為: 主軸噪（zào）聲信號的方根幅值、工作台噪（zào）聲信號的均方差、主軸交（jiāo）流電流信（xìn）號的（de）最大值和主軸直流電流信（xìn）號的（de）均方根。

在（zài）實驗（yàn）獲得的第 13 組的 13 個數據點中，選擇 8 個數據點（diǎn）作（zuò）為訓練（liàn）數據，5 個數據（jù）點作為校（xiào）驗數據，同種工況下（xià）采集的 4 個數（shù）據點作為驗證數據。將融合得到的特征參數集輸入到 ANFIS 網（wǎng）絡進行刀具（jù）磨（mó）損量監測，結果如表 3所示。

表 1 各時域特征與磨損（sǔn）量的皮爾遜相關係（xì）數

表 2 各時域特征自身間的殘差值

表 3 實際值（zhí）與模型監測值的結果對比

4.結束語

銑（xǐ）床（chuáng）刀具作為工業（yè）生產中與（yǔ）被加工件直接接觸的部分刀具的磨損會直接影響被加工件的成品品質，降低企業（yè）的（de）經濟收益（yì）。本研究（jiū）提出的刀具磨損監測方（fāng）法，可以在（zài）銑床正常運行過程中進行刀具磨損監測，為企業（yè）提供刀具更換與（yǔ）維修的依據。

投稿箱：
如果您有機床行業、企業相關新聞稿件發表（biǎo），或進行資訊合（hé）作，歡迎聯係（xì）本網編輯部，郵箱：skjcsc@vip.sina.com

更多相關信息

名企推薦

業界視點

| 更（gèng）多

行業數據

| 更多

博文選萃

| 更多