基於自適應神（shén）經（jīng）模糊推理係統的刀具磨損監測-數控機床市場網

您現在（zài）的位置（zhì）：銑床網> 加工與維修> 基於自（zì）適應神經模糊推理係統的刀具磨損監測

基於自適應神經模糊推理係統的刀（dāo）具磨損監測

2017-5-9 來源：華中科技大學船舶與海洋工（gōng）程學院作者：朱永猛，吳軍，吳超勇，蘇永衡（héng）

摘要: 為精確地監測高（gāo）速銑床刀具在加工過程中的刀具磨損量，通過采（cǎi）集高速銑床加工過程中（zhōng）的振動信號、電流信號和噪（zào）聲信號，經數（shù）據預處理與數據融合，建立基於自適應神經（jīng）模糊推理係統的刀具磨損（sǔn）過程變化模型，實（shí）現在高速銑床不停機的前提下對銑床刀具進行狀態監控。實驗結（jié）果顯示: 針對銑床刀具（jù）磨損量的監測平均準確率為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（gāo）的可行性。

關鍵詞: 銑床; 刀具磨損監測; ANFIS

高速銑床作為一種較為先進的智（zhì）能製造裝備，在加工過程中，刀具加工工件，產生磨（mó）損，影響最後的成品品質。刀具的磨（mó）損受到科研人員（yuán）的極大關注（zhù），曾嚐試用各種不同的方法監測刀具（jù）的磨損（sǔn）。

1.國內外研究現狀（zhuàng）

早期的科研（yán）人員利用單一傳感器（qì）采集到的信號數據，如噪聲信號［1］、振動信號［2］和切削（xuē）力信號［3］，進行刀具的狀（zhuàng）態監控( tool condition monitoring，TCM) 。伴隨著科學技術的不（bú）斷發展一些通過建立刀具磨損動力學模型進行刀具磨損（sǔn）量監（jiān）測的（de）方法，顯示了廣闊的（de）適用性。對於模型的建（jiàn）立，一般有 2 種: ① 假設可以完全通過數學模型描述（shù）刀具磨損過程中所有的物理規律，基於這種（zhǒng）假設提出“白盒子”方法［4］; ② 假設刀具磨損過程為不可知，也（yě）沒有任何的先驗知識，但可以通過采集數據獲得未知模型的輸入、輸出關係，實現對未知過程的認知，這樣的方法稱（chēng）為“黑盒子”方法。“黑盒子”方法最大的優點，是可以在不需要（yào）對（duì）磨損過程中的（de）物理意義（yì）有任何（hé）了解的前提下（xià），通過采集準確（què）的實驗過（guò）程數據，進行磨損（sǔn）過程（chéng）模型的搭建［5］，最大的缺點是對磨損過程中物理意義的認知缺乏。實際應用過程（chéng）中，最好是將 2 種方法進行融（róng）合，得到“灰盒子”方（fāng）法［6］。但（dàn）是，在（zài）複雜的工況下，難以采集準確的過程數（shù）據，以及缺乏經驗知識，都對刀（dāo）具磨損過（guò）程的動力學模型（xíng）正確搭建造成不良影響。

Jang 於 1991 年（nián）提出了基於模糊神經網絡的自適應模糊推理，1993 年又撰（zhuàn）文將之前提出的算法稱為自（zì）適應神（shén）經模糊推理係統( adaptive network － based fuzzy inference system，AN-FIS) 。模糊推理係統使得顯性知識更加詳盡和精確，神經網絡通過學（xué）習算法建立數學模型解釋（shì）隱性知識，這使得模糊神經網絡的優勢（shì）更加凸顯，這也是模糊神經網絡被廣泛應用到刀具磨損量監測領域的原因（yīn）。Chen S L 等（děng）人則利用多個傳感（gǎn）器數據（jù），如（rú）振動信號和切削（xuē）力信號，提出（chū）新的數據融合算法，結合 ANFIS 進行刀（dāo）具磨損狀態的監測［7］; Uros Z 等人利用切削力信號，對比了三角形（xíng）隸屬度函數和梯（tī）形（xíng）隸屬度函數應用到 ANFIS 中的（de）刀具磨損量監測結果［8］; Gill S S 等（děng）人利用經過低溫處理的 M2 高速鋼車刀在加工過程中的（de）切削速度、工（gōng）作時間（jiān）和低溫（wēn）浸泡均熱溫度等參數，結合 ANFIS 進行刀（dāo）具磨損量的監測［9］; Ｒizal M 等人利用刀具切（qiē）削速度、切削深度、進給速率和融合係數等參數，結合 ANFIS 進行刀具磨損量的監測［10］。

本文利（lì）用高速銑床加工（gōng）過程中的主軸和工作台振動信號、主軸直流電流和交流電流（liú）信號、主軸與工作台噪聲信號，結合（hé）自適應神經模糊推（tuī）理係（xì）統 ANFIS，實現對刀具磨損量的監測。實現過程中，首先對傳感器信號進行預處理和特征融合，再（zài）經過 Takagi-Sugeno 模糊推理進行模糊（hú）規則劃分和隸屬度函數的（de）計算（suàn），最後利用（yòng）神經網絡訓（xùn）練模型，實現刀具磨損量監測。

2.基於 ANFIS 的刀具磨損監測模（mó）型

圖 1 基於 Takagi-Sugeno 模糊推理的 ANFIS 網絡

由以上分析和定義可得一個與基於 Takagi-Sugeno 模糊模型（xíng）的神經網絡相等（děng）價的 ANFIS 模型。在（zài）實際應用中，可以合並不同的（de）分層構建不同的 ANFIS 模型。

3.實例分析

本研究采用一個實際的銑床監測數據集［11］，數據（jù）集包（bāo）含 16 組刀具全壽命周期，共 167 個運行次數的銑床刀具磨損實驗數據。文中選擇第 13 組刀具全壽命周期數據實現刀具磨損量（liàng）監（jiān）測算法。在刀具正常運行過程中，傳感器每次采集數據可得到 9 000 個數據點，去（qù）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，信號數據有很明顯的階段性特征，包括空轉階段、接觸階段和（hé）穩（wěn）定階段。為了使實驗過程更具代表（biǎo）性、監測結果更具準確（què）性，本文選取（qǔ）第 4 500 個點後的穩定階段的信號作為原始數據。提取均值、均方差、方根幅值、均方根（gēn）、最大值、偏斜度、峭度、峰（fēng）值因子和裕度因子 9種時域（yù）特（tè）征參數，並歸一化。針對不同（tóng）傳感器計算得（dé）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（shì）刀具磨損量，Cov( X，Y) 為 X 和 Y 的協方差（chà），D( X) 為 X 的方差，D( Y為 Y的方差。

利用式( 7) 進行（háng）殘差分析，式中，S1( x) 和 S2( x) 是根據特征（zhēng）值點擬合的曲線，N 為數據（jù）點（diǎn）個數。結果如表 1、表 2。表 1 中 Na N 表示非數字，即 Not a Number，當分母為 0 時，計（jì）算結果為 Na N。首（shǒu）先，保留皮爾遜相關係數大於 0． 8 的強相關特征參數。其次，在保留下來的特征參數中，選取殘差值（zhí）最小（xiǎo）［12］的（de）特征參數組成最終的特征參數集，獲得的特征參數集為: 主（zhǔ）軸噪聲信號的方根幅值、工作台噪聲信號的均（jun1）方差（chà）、主軸交流電流信號的最大值和主軸直流電流信號的均方根。