微铣削刀具磨损状态监测方法研究

　　摘要：为提高金属微铣削过程中刀具磨损状态在线监测系统的预测效率与精度，提出一种基于线性判别分析与改进型神经网络模型识别刀具磨损的方法。该方法通过传感器与数据采集系统采集微铣削过程振动信号，提取其时域和频域特征并通过线性判别方法进行降维约简。将降维后的特征输入经灰狼优化改进的神经网络模型，从而实现微铣刀磨损状态特征的分类。结果表明，提出的微铣刀在线监测方法能够准确识别微铣刀的各种磨损状态。此外，和其它分类算法相比，提出的基于灰狼优化算法的BP神经网络模型在分类精度和计算效率方面具有综合优势。这对实际生产过程中微铣刀的磨损状态监测具有非常重要的实际意义。

　　关键词：微铣削;刀具磨损;线性判别分析;神经网络;灰狼优化

　　0引言

　　近年来，社会技术类型逐步倾向于精密化，尤其是一些重点领域[1]。这一要求带动了微铣削加工技术[23]的发展。但是由于微铣刀尺寸急剧减小，且主轴转速更快。微铣刀是更易磨损的。而刀具的磨损必然对加工工件的精度和质量造成影响。因此，对微铣削刀具的磨损进行监测是必要的。

　　当前的刀具磨损监测方法主要有直接测量法[4]和间接法[5]两种。直接测量法，就是在切削加工平台上安装高速相机，从而达到拍摄刀具磨损图像的目的，最后从图像中就可以直接测量出刀具磨损量。但是在微铣削加工中，刀具尺寸急剧减小，主轴转速很快，而且有切削碎屑以及冷却液的影响，不利于高质量图像的获得。因此，为了解决直接测量法的缺陷，提出了间接法，该方法是基于信号处理技术与特征分类算法完成对刀具磨损的监测。

　　间接法首先采集与磨损状态相关的信号，随后进行时域分析[6]、频域分析[7]和时频域分析[8]，并提取特征量，再用分类模型对刀具磨损特征进行分类，实现刀具磨损状态的在线监测。目前间接法常用信号有：声发射信号[910]，它虽然携带了一定的刀具磨损信息，但是在加工过程中，必然存在着大量噪声干扰信号;切削力信号[1112]，它同样也携带了一定的刀具磨损信息。但是切削力受切削工况影响，一旦工况改变必然导致切削力改变，此时已经无法判断切削力的改变是否由刀具磨损引起;振动信号[1314]，它就不存在上述问题，它是设备状态信息的重要载体，其内蕴含大量与刀具磨损相关的信息。间接法提取出的特征量一般都是高维的，必然存在不相关的和冗余信息，对提取出的特征进行降维约简是必要的。

　　因此，本文以振动信号为微铣刀磨损监测信号，并且通过线性判别分析[15](LinearDiscriminantAnalysis，DA)对提取出来的高维特征量进行降维约简，获取与微铣削刀具磨损息息相关的最优特征集。分类识别模型主要有近邻(earestNeighbors，NN)[16]、决策树(DecisionTrees，)[17]、支持向量机SupportVectorMachines，SVM)[18]和神经网络[1920]，选择出最优的特征分类方法对微铣刀磨损状态分类识别至关重要。和其它分类算法相比，神经网络由于结构简单、易于实现，因此被广泛使用。然而，它也有过拟合和局部最优问题的存在，主要是由于神经网络的权值、阈值难以确定引起的。为了解决这个问题，提高神经网络的分类精度，本文提出采用灰狼优化(GrayWolfOptimization，WO)[21]算法对神经网络模型进行优化。

　　综上所述，本文提出了一种基于DA与WOBP神经网络模型的微铣刀磨损状态在线监测方法。首先通过振动传感器采集微铣刀磨损过程中的振动信号，对其进行时域、频域分析，提取特征量。接着采用LDA将提取出的高维特征量进行降维约简，得到与微铣刀磨损状态密切相关的最优特征集。最后通过WOBP神经网络模型实现微铣刀磨损状态的分类识别。

　　1实验原理及装置结构

　　本文以微铣削刀具磨损状态为研究对象，通过传感器以及信号采集系统将微铣刀切削工件过程中所引起的振动信号进行采集。随之对其进行分析处理，通过时域，频域分析，提取特征向量。为了排除掉不相关的和冗余信息，需要对提取出的特征量进行降维约简操作，选择出与刀具磨损密切相关的最优特征集，使之后续的识别更加高效且准确。最后着重提出了将灰狼优化算法同神经网络进行结合，使其用于微铣削刀具磨损状态的识别中，对微铣刀磨损特征进行分类。

　　为验证本文方法的有效性，将模具钢NAK80在五轴加工中心HuronK2X5上进行一系列的切削实验。在本实验中，为了获得更多的实验数据进行后期的分析，一共选择了把微铣刀进行模具钢的切削实验。该微铣刀是直径为0.5mm、螺旋角为30°的硬质合金刀具，毛坯尺寸为：70cm50cm20cm。

　　2特征提取

　　虽然提取出的时域、频域特征里包含了与微铣刀磨损相关的信息，但是这其中仍然存在大量的不相关和冗余信息。若是将这些特征直接输入后续的识别模型，必然影响分类精度和效率。因此对提取出的特征进行降维约简，提取出与微铣刀磨损类别息息相关的最优特征集是十分有必要的。本文选用线性判别分析(DA)对提取出的时域、频域特征进行降维约简。

　　3特征分类

　　本文将灰狼优化算法同神经网络进行结合作为分类模型，将其用于微铣削刀具磨损特征的分类。神经网络BP神经网络是一种按误差反向传播算法训练的多层前馈网络，一般包括输入层、隐含层和输出层。和其它分类算法相比，神经网络由于结构简单、易于实现，因此被广泛使用。

　　(1)对得出的训练样本进行归一化操作，并且将归一化处理的样本数据作为识别模型的输入。(2)从神经网络的输入层开始，进行各层神经元的输出计算，并且此种计算是基于正向计算的。最终计算到输出层。

　　(3)计算神经网络的输出层误差，此输出层误差是基于期望输出值计算出来的。除了此种处理，还要反向的计算各层误差，一直到神经网络的第二层才结束。(4)由上述的误差大小，进行整个识别模型神经网络权重这个重要参数的调整。此时四个步骤已经完成了神经网络的基本算法流程，但是此时误差不一定达到要求。如果达到要求则结束，不达到要求的话，则还要进行上述步骤的重复，直到满足我们的要求为止。

　　4实验结果与分析

　　在微铣刀切削模具钢实验中，一开始将刀具磨损分成五种类别。在不同类别下分别对模具钢进行切削，全程采集振动信号，并每隔3min，停机，拆下刀具，通过影像仪观察刀具切削部位的图像。通过影像仪观察得知，在第种磨损等级下，刀具磨损程度过深，已经完全不能用于加工工件了，且在第1种磨损等级下，微铣刀的磨损已经达到重度磨损了。因此对第种等级的磨损研究毫无意义。所以本文将微铣刀磨损状态分为个级别：初始磨损状态，轻度磨损状态，中度磨损状态和重度磨损状态。

　　机械论文投稿刊物：工具技术(月刊)创刊于1964年，是成都工具研究所主办的切削与测量工程综合性技术刊物，本刊已被国内外有关机构认定为中文核心期刊、中国科技论文统计用刊、中国学术期刊(光盘版)入编期刊等，并多次荣获四川省和机械工业部优秀科技期刊奖。

　　5结束语

　　基于微铣削振动信号，本文提出了基于LDA和WOBP神经网络模型的微铣刀磨损在线监测方法。经过验证，提出的微铣刀在线监测方法能够准确识别微铣刀的各种磨损状态。此外，将计算结果与其它分类算法进行了对比，同时分析了对时域、频域提取出的特征值进行降维约简的必要性。结果表明，本文提出的微铣刀磨损在线监测方法在分类精度和计算时间方面具有综合优势，对实际生产过程中微铣刀的磨损状态监测具有非常重要的实际意义。

　　参考文献

　　[1]于化东.超精密微机械制造技术研究进展[J].长春理工大学学报自然科学版),2008,31(3):18.

　　[2]李迎.微铣削加工技术研究现状及发展趋势[J].电子机械工程,2008(06):2632.

　　[3]刘战强,雷原忠.微切削加工技术[J].工具技术,2006,40(3):2834.

　　[4]胡茑庆,陈徽鹏,程哲,等.基于经验模态分解和深度卷积神经网络的行星齿轮箱故障诊断方法[J].机械工程学报,2019,55(7)18.

　　[5]王岩,罗倩,邓辉.基于变分贝叶斯的轴承故障诊断方法[J].计算机科学,2019,46(11):323327.

　　作者：潘春龙，王二化，张屹