基于自適應(yīng)神經(jīng)模糊推理系統(tǒng)的刀具磨損監(jiān)測(cè)

朱永猛，吳　軍，吳超勇，蘇永衡

(華中科技大學(xué) 船舶與海洋工程學(xué)院，武漢　430074)

?

【機(jī)械制造與檢測(cè)技術(shù)】

基于自適應(yīng)神經(jīng)模糊推理系統(tǒng)的刀具磨損監(jiān)測(cè)

朱永猛，吳軍，吳超勇，蘇永衡

(華中科技大學(xué) 船舶與海洋工程學(xué)院，武漢430074)

為精確地監(jiān)測(cè)高速銑床刀具在加工過程中的刀具磨損量，通過采集高速銑床加工過程中的振動(dòng)信號(hào)、電流信號(hào)和噪聲信號(hào)，經(jīng)數(shù)據(jù)預(yù)處理與數(shù)據(jù)融合，建立基于自適應(yīng)神經(jīng)模糊推理系統(tǒng)的刀具磨損過程變化模型，實(shí)現(xiàn)在高速銑床不停機(jī)的前提下對(duì)銑床刀具進(jìn)行狀態(tài)監(jiān)控。實(shí)驗(yàn)結(jié)果顯示：針對(duì)銑床刀具磨損量的監(jiān)測(cè)平均準(zhǔn)確率為95.21%，最大監(jiān)測(cè)準(zhǔn)確率為99.74%。這表明文中所采用的方法具有較高的可行性。

銑床；刀具磨損監(jiān)測(cè)；ANFIS

高速銑床作為一種較為先進(jìn)的智能制造裝備，在加工過程中，刀具加工工件，產(chǎn)生磨損，影響最后的成品品質(zhì)。刀具的磨損受到科研人員的極大關(guān)注，曾嘗試用各種不同的方法監(jiān)測(cè)刀具的磨損。

1　國內(nèi)外研究現(xiàn)狀

早期的科研人員利用單一傳感器采集到的信號(hào)數(shù)據(jù)，如噪聲信號(hào)[1]、振動(dòng)信號(hào)[2]和切削力信號(hào)[3]，進(jìn)行刀具的狀態(tài)監(jiān)控(toolconditionmonitoring，TCM)。伴隨著科學(xué)技術(shù)的不斷發(fā)展，一些通過建立刀具磨損動(dòng)力學(xué)模型進(jìn)行刀具磨損量監(jiān)測(cè)的方法，顯示了廣闊的適用性。對(duì)于模型的建立，一般有2種：① 假設(shè)可以完全通過數(shù)學(xué)模型描述刀具磨損過程中所有的物理規(guī)律，基于這種假設(shè)提出“白盒子”方法[4]；② 假設(shè)刀具磨損過程為不可知，也沒有任何的先驗(yàn)知識(shí)，但可以通過采集數(shù)據(jù)獲得未知模型的輸入、輸出關(guān)系，實(shí)現(xiàn)對(duì)未知過程的認(rèn)知，這樣的方法稱為“黑盒子”方法?！昂诤凶印狈椒ㄗ畲蟮膬?yōu)點(diǎn)，是可以在不需要對(duì)磨損過程中的物理意義有任何了解的前提下，通過采集準(zhǔn)確的實(shí)驗(yàn)過程數(shù)據(jù)，進(jìn)行磨損過程模型的搭建[5]，最大的缺點(diǎn)是對(duì)磨損過程中物理意義的認(rèn)知缺乏。實(shí)際應(yīng)用過程中，最好是將2種方法進(jìn)行融合，得到“灰盒子”方法[6]。但是，在復(fù)雜的工況下，難以采集準(zhǔn)確的過程數(shù)據(jù)，以及缺乏經(jīng)驗(yàn)知識(shí)，都對(duì)刀具磨損過程的動(dòng)力學(xué)模型正確搭建造成不良影響。

Jang于1991年提出了基于模糊神經(jīng)網(wǎng)絡(luò)的自適應(yīng)模糊推理，1993年又撰文將之前提出的算法稱為自適應(yīng)神經(jīng)模糊推理系統(tǒng)(adaptivenetwork-basedfuzzyinferencesystem，ANFIS)。模糊推理系統(tǒng)使得顯性知識(shí)更加詳盡和精確，神經(jīng)網(wǎng)絡(luò)通過學(xué)習(xí)算法建立數(shù)學(xué)模型解釋隱性知識(shí)，這使得模糊神經(jīng)網(wǎng)絡(luò)的優(yōu)勢(shì)更加凸顯，這也是模糊神經(jīng)網(wǎng)絡(luò)被廣泛應(yīng)用到刀具磨損量監(jiān)測(cè)領(lǐng)域的原因。ChenSL等人則利用多個(gè)傳感器數(shù)據(jù)，如振動(dòng)信號(hào)和切削力信號(hào)，提出新的數(shù)據(jù)融合算法，結(jié)合ANFIS進(jìn)行刀具磨損狀態(tài)的監(jiān)測(cè)[7]；UrosZ等人利用切削力信號(hào)，對(duì)比了三角形隸屬度函數(shù)和梯形隸屬度函數(shù)應(yīng)用到ANFIS中的刀具磨損量監(jiān)測(cè)結(jié)果[8]；GillSS等人利用經(jīng)過低溫處理的M2高速鋼車刀在加工過程中的切削速度、工作時(shí)間和低溫浸泡均熱溫度等參數(shù)，結(jié)合ANFIS進(jìn)行刀具磨損量的監(jiān)測(cè)[9]；RizalM等人利用刀具切削速度、切削深度、進(jìn)給速率和融合系數(shù)等參數(shù)，結(jié)合ANFIS進(jìn)行刀具磨損量的監(jiān)測(cè)[10]。

本文利用高速銑床加工過程中的主軸和工作臺(tái)振動(dòng)信號(hào)、主軸直流電流和交流電流信號(hào)、主軸與工作臺(tái)噪聲信號(hào)，結(jié)合自適應(yīng)神經(jīng)模糊推理系統(tǒng)ANFIS，實(shí)現(xiàn)對(duì)刀具磨損量的監(jiān)測(cè)。實(shí)現(xiàn)過程中，首先對(duì)傳感器信號(hào)進(jìn)行預(yù)處理和特征融合，再經(jīng)過Takagi-Sugeno模糊推理進(jìn)行模糊規(guī)則劃分和隸屬度函數(shù)的計(jì)算，最后利用神經(jīng)網(wǎng)絡(luò)訓(xùn)練模型，實(shí)現(xiàn)刀具磨損量監(jiān)測(cè)。

2　基于ANFIS的刀具磨損監(jiān)測(cè)模型

ANFIS模型如圖1，等價(jià)于Takagi-Sugeno模糊推理與人工神經(jīng)網(wǎng)絡(luò)相結(jié)合的結(jié)構(gòu)模型。為了更方便介紹ANFIS模型，設(shè)特征參數(shù)集{x1…xi…xn},i=2,3,…,n-1作為模型輸入量， f作為模型輸出值，系統(tǒng)模型中包含如下模糊規(guī)則：

記Ok(k=1,2,3,4,5)表示第k層的某個(gè)節(jié)點(diǎn)輸出。每一層的功能及意義介紹如下：

Layer1：模糊化層。每個(gè)節(jié)點(diǎn)代表一個(gè)語言變量值，它的作用是計(jì)算每個(gè)輸入分量屬于各語言變量值模糊集合的隸屬度函數(shù)，若隸屬度函數(shù)采用高斯函數(shù)表示的鈴型函數(shù)，則：

(1)

式中，aj和cj分別表示隸屬度中心的作用半徑和隸屬度函數(shù)的中心。

圖1　基于Takagi-Sugeno模糊推理的ANFIS網(wǎng)絡(luò)

Layer 2：計(jì)算規(guī)則使用度。每個(gè)節(jié)點(diǎn)代表一條模糊規(guī)則，它的作用是用來匹配模糊規(guī)則的前件，每一個(gè)節(jié)點(diǎn)的輸出是所有輸入信號(hào)的乘積，計(jì)算出每個(gè)規(guī)則的適用度，則：

(2)

式中，j1={1,2,…,m1}，ji={1,2,…,mi}，…，jn={1,2,…,mn}，i={2,…,n-1}，mi(mi=1,2,…)為第i個(gè)特征參數(shù)的聚類簇的個(gè)數(shù)。

Layer 3：歸一化適用度。計(jì)算第l個(gè)節(jié)點(diǎn)的規(guī)則適用度與所有規(guī)則適用度之和的比值：

(3)

Layer 4：Takagi-Sugeno輸出。計(jì)算每條模糊規(guī)則的輸出：

(4)

Layer 5：總輸出。計(jì)算所有傳遞過來的信號(hào)之和作為總輸出，總輸出為：

(5)

由以上分析和定義可得一個(gè)與基于Takagi-Sugeno模糊模型的神經(jīng)網(wǎng)絡(luò)相等價(jià)的ANFIS模型。在實(shí)際應(yīng)用中，可以合并不同的分層構(gòu)建不同的ANFIS模型。

3　實(shí)例分析

本研究采用一個(gè)實(shí)際的銑床監(jiān)測(cè)數(shù)據(jù)集[11]，數(shù)據(jù)集包含16組刀具全壽命周期，共167個(gè)運(yùn)行次數(shù)的銑床刀具磨損實(shí)驗(yàn)數(shù)據(jù)。文中選擇第13組刀具全壽命周期數(shù)據(jù)實(shí)現(xiàn)刀具磨損量監(jiān)測(cè)算法。在刀具正常運(yùn)行過程中，傳感器每次采集數(shù)據(jù)可得到9 000個(gè)數(shù)據(jù)點(diǎn)，去空值和去奇異點(diǎn)后，繪制主軸直流電流信號(hào)如圖2。

圖2　主軸直流電流信號(hào)

從圖2中曲線可以發(fā)現(xiàn)，信號(hào)數(shù)據(jù)有很明顯的階段性特征，包括空轉(zhuǎn)階段、接觸階段和穩(wěn)定階段。為了使實(shí)驗(yàn)過程更具代表性、監(jiān)測(cè)結(jié)果更具準(zhǔn)確性，本文選取第4 500個(gè)點(diǎn)后的穩(wěn)定階段的信號(hào)作為原始數(shù)據(jù)。提取均值、均方差、方根幅值、均方根、最大值、偏斜度、峭度、峰值因子和裕度因子9種時(shí)域特征參數(shù)，并歸一化。

針對(duì)不同傳感器計(jì)算得到的時(shí)域特征，利用式(6)進(jìn)行相關(guān)性分析，式中，X表示時(shí)域特征參數(shù)，Y表示刀具磨損量，Cov(X,Y)為X和Y的協(xié)方差，D(X)為X的方差，D(Y)為Y的方差。

(6)

利用式(7)進(jìn)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(shù)據(jù)點(diǎn)個(gè)數(shù)。結(jié)果如表1、表2。表1中NaN表示非數(shù)字，即Not a Number，當(dāng)分母為0時(shí)，計(jì)算結(jié)果為NaN。首先，保留皮爾遜相關(guān)系數(shù)大于0.8的強(qiáng)相關(guān)特征參數(shù)。其次，在保留下來的特征參數(shù)中，選取殘差值最小[12]的特征參數(shù)組成最終的特征參數(shù)集，獲得的特征參數(shù)集為：主軸噪聲信號(hào)的方根幅值、工作臺(tái)噪聲信號(hào)的均方差、主軸交流電流信號(hào)的最大值和主軸直流電流信號(hào)的均方根。

(7)

在實(shí)驗(yàn)獲得的第13組的13個(gè)數(shù)據(jù)點(diǎn)中，選擇8個(gè)數(shù)據(jù)點(diǎn)作為訓(xùn)練數(shù)據(jù)，5個(gè)數(shù)據(jù)點(diǎn)作為校驗(yàn)數(shù)據(jù)，同種工況下采集的4個(gè)數(shù)據(jù)點(diǎn)作為驗(yàn)證數(shù)據(jù)。將融合得到的特征參數(shù)集輸入到ANFIS網(wǎng)絡(luò)進(jìn)行刀具磨損量監(jiān)測(cè)，結(jié)果如表3所示。

表1　各時(shí)域特征與磨損量的皮爾遜相關(guān)系數(shù)

表2　各時(shí)域特征自身間的殘差值

表3　實(shí)際值與模型監(jiān)測(cè)值的結(jié)果對(duì)比

4　結(jié)束語

銑床刀具作為工業(yè)生產(chǎn)中與被加工件直接接觸的部分，刀具的磨損會(huì)直接影響被加工件的成品品質(zhì)，降低企業(yè)的經(jīng)濟(jì)收益。本研究提出的刀具磨損監(jiān)測(cè)方法，可以在銑床正常運(yùn)行過程中進(jìn)行刀具磨損監(jiān)測(cè)，為企業(yè)提供刀具更換與維修的依據(jù)。

[1]HAYASHI S R,THOMAS C E,WILDES D G,et al.Tool Break Detection by Monitoring Ultrasonic Vibrations[J].CIRP Annals-Manufacturing Technology,1988,37(1):61-64.

[2]TARNG Y S.Measurement of quasi-mean resultant force using the vibrational signal of spindle in milling[J].International Journal of Machine Tools & Manufacture,1991,31(3):295-304.

[3]ALTINTAS Y,YELLOWLEY I.In-Process Detection of Tool Failure in Milling Using Cutting Force Models[J].Journal of Engineering for Industry,1989,111(2):149-157.

[4]LJUNG L.System identification:Theory for the user.Upper Saddle River:Prentice-Hall，1999.

[5]SJ?BERG J,ZHANG Q,LJUNG L,et al.Nonlinear black-box modeling in system identification:a unified overview[J].Automatica,1995,31(95):1691-1724.

[6]BOHLIN T.A case study of grey box identification[J].Automatica,1994,30(94):307-318.

[7]CHEN S L,JEN Y W.Data fusion neural network for tool condition monitoring in CNC milling machining[J].International Journal of Machine Tools & Manufacture,2000,40(3):381-400.

[8]UROS Z,FRANC C,EDI K.Adaptive network based inference system for estimation of flank wear in end-milling[J].Journal of Materials Processing Technology,2009,209(3):1504-1511.

[9]GILLSS,SINGHR,SINGHJ,etal.Adaptiveneuro-fuzzyinferencesystemmodelingofcryogenicallytreatedAISIM2HSSturningtoolforestimationofflankwear[J].ExpertSystemswithApplications,2012,39(4):4171-4180.

[10]RIZALM,GHANIJA,NUAWIMZ,etal.Onlinetoolwearpredictionsystemintheturningprocessusinganadaptiveneuro-fuzzyinferencesystem[J].AppliedSoftComputing,2013,13(4):1960-1968.

[11]AGOGINOA，GOEBELK.MillDataSet[EB/OL].BESTlab,UCBerkeley,NASAAmesPrognosticsDataRepository,http://ti.arc.nasa.gov/project/prognostic-data-repository,NASAAmes,MoffettField,CA,2007.

[12]李斌,劉紅奇,毛新勇,等.一種數(shù)控機(jī)床銑削加工刀具破損監(jiān)測(cè)方法[P].中國專利：CN103324139A,2013-09-25.

[13]柯曉龍，黃海濱，劉建春. 基于精密磨削的振動(dòng)監(jiān)測(cè)技術(shù)研究與應(yīng)用[J].重慶理工大學(xué)學(xué)報(bào)(自然科學(xué))，2013(12)：77-81.

(責(zé)任編輯唐定國)

ResearchonMethodofToolWearMonitoringBasedonANFIS

ZHUYong-meng,WUJun,WUChao-yong,SUYong-heng

(SchoolofNavalArchitectureandOceanEngineering,HuazhongUniversityofScienceandTechnology,Wuhan430074,China)

Inordertomonitorthetoolwearofamillingmachineaccurately,thesignalsoftableandspindlevibration,thesignalsofspindleACandDCcurrent,andthesignalsoftableandspindleacousticemissionwerecollectedtoestablishamodelofthetoolwearprocessvariationsbasingonANFIS.Atlast,theestablishedmodelwillbeusedtomonitorthemillingmachinetoolwearwithoutthemachinestoprunning.Accordingtotheoutputofthemodel,theaveragemonitoringaccuracyis95.21%,andthehighestmonitoringaccuracyisupto99.74%,whichmeansthemethodofthepaperproposedhasahighfeasibility.

millingmachine;toolwearmonitoring;ANFIS

2016-05-13；

2016-05-28

國家自然科學(xué)基金面上項(xiàng)目(51475189);中央高?；究蒲袠I(yè)務(wù)費(fèi)專項(xiàng)資金資助(2016YXMS050)

朱永猛(1990—)，男，碩士，主要從事裝備故障檢測(cè)與剩余壽命研究。

10.11809/scbgxb2016.09.027

format:ZHUYong-meng,WUJun,WUChao-yong,etal.ResearchonMethodofToolWearMonitoringBasedonANFIS[J].JournalofOrdnanceEquipmentEngineering,2016(9):115-118.

TG501

A

2096-2304(2016)09-0115-05

本文引用格式：朱永猛，吳軍，吳超勇，等.基于自適應(yīng)神經(jīng)模糊推理系統(tǒng)的刀具磨損監(jiān)測(cè)[J].兵器裝備工程學(xué)報(bào)，2016(9):115-118.