刀具磨損智能監(jiān)測方法的研究現(xiàn)狀和發(fā)展趨勢

張凱，權(quán)宇，劉長福，晏永飛，周洋，楊博涵

遼寧石油化工大學(xué)機(jī)械工程學(xué)院 遼寧撫順 113001

1 序言

刀具作為機(jī)械制造中最常用的一種工具，在精密加工中發(fā)揮著重要的作用。刀具狀況在很大程度上影響著加工過程中工件的表面質(zhì)量和加工精度[1]。相關(guān)的研究結(jié)果表明，刀具磨損是刀具失效的根本原因，刀具故障引起的維護(hù)費(fèi)用占生產(chǎn)貨物成本的15%～40%[2]，而刀具故障引起的停機(jī)時(shí)間約占刀具總停機(jī)時(shí)間的20%[3]。因此，對(duì)刀具狀態(tài)進(jìn)行監(jiān)測和預(yù)測，對(duì)于提高生產(chǎn)效率和質(zhì)量、節(jié)約成本具有重要意義。

在早期的研究中，傳統(tǒng)的機(jī)器學(xué)習(xí)算法主要用于建立切削信號(hào)與刀具磨損狀況之間的非線性映射關(guān)系。對(duì)原始信號(hào)進(jìn)行時(shí)域、頻域和時(shí)頻域特征提取，然后進(jìn)行人為的特征選擇，比如采用皮爾遜得到相關(guān)系數(shù)矩陣或利用主成分分析法去提取更有區(qū)別性的特征，最后將提取到的特征輸入到機(jī)器學(xué)習(xí)算法中，主要包括人工神經(jīng)網(wǎng)絡(luò)（ANN）、支持向量機(jī)（SVM）和隱馬爾科夫模型（HMM）等。但是傳統(tǒng)的機(jī)器學(xué)習(xí)算法結(jié)構(gòu)設(shè)計(jì)較淺，無法提取更深層次的特征。深度學(xué)習(xí)作為一種學(xué)習(xí)能力較強(qiáng)的數(shù)據(jù)驅(qū)動(dòng)方法，被引入并應(yīng)用于各種故障診斷監(jiān)測中，其中，應(yīng)用較為廣泛的深度學(xué)習(xí)模型主要包括卷積神經(jīng)網(wǎng)絡(luò)（CNN）、循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）和自編碼器（AE）等。使用深度學(xué)習(xí)對(duì)刀具磨損進(jìn)行監(jiān)測能夠精確地預(yù)測刀具的磨損狀態(tài)和剩余使用壽命（RUL），對(duì)滿足高精度加工要求和提高自動(dòng)化加工生產(chǎn)率具有重要意義。

2 傳統(tǒng)刀具磨損狀態(tài)監(jiān)測

2.1 刀具磨損的形式

刀具磨損是刀具與工件長期接觸摩擦所引起的損失[4]，不同的切削條件下，刀具磨損表現(xiàn)的形式主要有前刀面磨損、后刀面磨損和邊界磨損，如圖1所示。前刀面磨損主要是當(dāng)切削厚度hD和切削速度vC都較大時(shí)，大量的切屑與前刀面急劇接觸摩擦，切削溫度過高，導(dǎo)致刀具磨損出月牙狀的小溝洼，月牙洼磨損量以其深度KT表示。而當(dāng)切削厚度hD和切削速度vC都較小時(shí)，切屑產(chǎn)生量較少，前刀面通常不會(huì)發(fā)生磨損，但由于長時(shí)間的摩擦損耗，會(huì)逐漸出現(xiàn)后刀面磨損。后刀面磨損主要有刀尖和切削刃兩種磨損形式。在刀具的刀尖部分，抗熱性和散熱能力比較差，刀尖磨損厲害，磨損最大值一般用VC表示。在刀具的切削刃中間位置，也會(huì)發(fā)生磨損，但此處磨損量較為平均，通常用VB表示其平均磨損值[5]。前刀面磨損與后刀面磨損為切削塑性材料與脆性材料時(shí)所發(fā)生的，而當(dāng)切削硬度更高的工件材料時(shí)，也會(huì)出現(xiàn)較深的溝壑狀的磨損，這種磨損稱為邊界磨損，其磨損量用最大寬度VN表示[6]。

圖1 刀具磨損的形式

在諸多文獻(xiàn)的研究中[7-12]，由于后刀面磨損是理想的刀具失效機(jī)理，因此這種失效機(jī)理可以用來識(shí)別刀具磨損階段，預(yù)測剩余使用壽命。后刀面磨損可使用顯微鏡進(jìn)行測量，且磨損處的值較為平均，通常通過比較VB值的大小來判斷刀具此刻屬于輕度磨損、中度磨損還是重度磨損階段[13]。典型刀具磨損曲線如圖2所示，刀具磨損的識(shí)別過程實(shí)際上就是計(jì)算刀具的磨損量VB。在切削過程中，通過監(jiān)測切削力、振動(dòng)、電流和噪聲等信號(hào)的變化，對(duì)刀具狀態(tài)進(jìn)行監(jiān)測，不同狀態(tài)的信號(hào)特征范圍對(duì)應(yīng)著相應(yīng)的VB值，最后依據(jù)磨損量VB識(shí)別出刀具的磨損程度[14，15]。實(shí)際加工過程證明，在刀具磨損量未達(dá)到某一特定值時(shí)及時(shí)換刀，對(duì)降低刀具成本、提高加工生產(chǎn)率具有重要意義。

2.2 刀具磨損監(jiān)測方法

根據(jù)刀具磨損量檢測原理的不同，刀具磨損監(jiān)測主要分為直接法和間接法[16]。直接法是指通過識(shí)別切削刃幾何形狀、表面質(zhì)量或測量刀具切削刃參數(shù)的變化來判斷磨損狀態(tài)，如光學(xué)法、輻射法和電阻法等；間接法監(jiān)測的不是刀具本身，而是與刀具本身相關(guān)的信號(hào)，如切削力、聲發(fā)射、振動(dòng)、電流和功率信號(hào)等。根據(jù)切削過程中信號(hào)的變化，獲取加工刀具狀態(tài)信息。值得注意的是，雖然間接法構(gòu)建模型難度較大，準(zhǔn)確率低于直接法，但其使用的傳感器易于安裝，可實(shí)時(shí)在線監(jiān)測，檢測成本較低。因此，間接法在過去幾年被廣泛應(yīng)用于刀具磨損監(jiān)測[17]。

圖2 典型刀具磨損曲線

2.3 傳統(tǒng)刀具磨損智能監(jiān)測系統(tǒng)

傳統(tǒng)的刀具磨損智能監(jiān)測系統(tǒng)通常由3個(gè)部分組成：信號(hào)采集與處理、特征提取和模式識(shí)別（見圖3）。

（1）信號(hào)采集 在整個(gè)刀具磨損狀態(tài)監(jiān)測的過程中，傳感器是整個(gè)系統(tǒng)采集信號(hào)的來源，其性能直接影響當(dāng)前監(jiān)測的準(zhǔn)確性[18]。在目前的研究中，通常采集切削力信號(hào)、聲發(fā)射信號(hào)、加速度信號(hào)、聲音信號(hào)以及電流信號(hào)等作為刀具磨損的判斷依據(jù)。這些傳感器采集的信號(hào)數(shù)據(jù)對(duì)于刀具磨損的識(shí)別分析各有利弊，針對(duì)單一傳感器信號(hào)失靈和采集不全等問題，多傳感器融合技術(shù)應(yīng)用逐漸興起，成為了提高監(jiān)測技術(shù)識(shí)別率的關(guān)鍵。

（2）特征提取 特征提取是在信號(hào)中提取具有高靈敏度、可靠性和魯棒性的有用信息[19]，用于識(shí)別刀具磨損。特征提取和選擇在刀具磨損狀態(tài)監(jiān)測中起著至關(guān)重要的作用，提取的特征向量用于模型建立和測試，既可以減少冗余數(shù)據(jù)，又可以降低維數(shù)，提高模型識(shí)別效率和準(zhǔn)確率。目前主流的特征提取方法有時(shí)域法、頻域法和時(shí)頻域法等。

圖3 刀具磨損狀態(tài)智能監(jiān)測系統(tǒng)組成

1）時(shí)域分析法：在時(shí)域分析中，將處理后的信號(hào)數(shù)據(jù)轉(zhuǎn)化為幾個(gè)關(guān)鍵的特征參數(shù)，包括均值、均方根（RMS）、標(biāo)準(zhǔn)差、方差、峰值、峭度和裕度因子等。

2）頻域分析法：在頻域分析中，主要是對(duì)幅值譜和功率譜進(jìn)行分析，其中最常使用的方法為傅里葉變換。

3）時(shí)頻域分析法：對(duì)于非平穩(wěn)信號(hào)，時(shí)頻域分析可以將信號(hào)的時(shí)間和頻率聯(lián)合起來，同時(shí)定位。時(shí)頻分析可以檢測到微小信號(hào)，不漏掉有用信息，這在特征提取過程中提高了識(shí)別分析的精度。目前常用的時(shí)頻分析方法有小波變換（WT）、小波包變換（WPT）、經(jīng)驗(yàn)?zāi)B(tài)分解（EMD）、變分模態(tài)分解（VMD）及各種算法的改進(jìn)等。

然而，并非所有提取的特征都可以有效地表示刀具磨損情況，過多的特征會(huì)導(dǎo)致信息冗余，增加訓(xùn)練的復(fù)雜度，降低模型識(shí)別的準(zhǔn)確率。因此，需要選擇那些最能表征刀具磨損狀態(tài)信息的特征，使數(shù)據(jù)維數(shù)降低，縮短模型訓(xùn)練時(shí)間。目前常用的特征選擇和降維方法有遞歸消除法、信息熵增益法、主成分分析法（PCA）和皮爾遜相關(guān)系數(shù)法等。

（3）模式識(shí)別 模式識(shí)別的本質(zhì)是將提取的特征作為輸入樣本進(jìn)行學(xué)習(xí)，建立對(duì)應(yīng)的映射關(guān)系，在訓(xùn)練的基礎(chǔ)上完成對(duì)刀具磨損狀態(tài)的識(shí)別。目前，監(jiān)控模型的構(gòu)建主要分為兩大類：傳統(tǒng)機(jī)器學(xué)習(xí)模型和深度學(xué)習(xí)模型。圖4顯示了傳統(tǒng)機(jī)器學(xué)習(xí)和深度學(xué)習(xí)模型之間的對(duì)比。

圖4 傳統(tǒng)機(jī)器學(xué)習(xí)與深度學(xué)習(xí)模型對(duì)比

傳統(tǒng)機(jī)器學(xué)習(xí)模型需要將采集的信號(hào)進(jìn)行特征提取與選擇，然后輸入模型進(jìn)行學(xué)習(xí)與識(shí)別。傳統(tǒng)模型中具體的構(gòu)建方法包括人工神經(jīng)網(wǎng)絡(luò)（ANN）、支持向量機(jī)（SVM）和隱馬爾可夫模型（HMM）等[20]。RUITAO等[21]將小波神經(jīng)網(wǎng)絡(luò)用于預(yù)測刀具的后刀面磨損，并發(fā)現(xiàn)該方法可以準(zhǔn)確地預(yù)測刀具的磨損程度。CHEN等[22]介紹了一種使用小波包變換來監(jiān)測加工過程的特征提取和評(píng)估的新方法。ERTUNC等[23]基于切削力和功率信號(hào)的測量，提出了用于在線識(shí)別刀具磨損的隱馬爾可夫模型HMM。艾長勝等[24]對(duì)切削聲信號(hào)進(jìn)行處理，通過HMM對(duì)刀具磨損狀態(tài)進(jìn)行了識(shí)別。針對(duì)HMM預(yù)測不準(zhǔn)確的問題，HMM的擴(kuò)展模型也被廣泛應(yīng)用。KONG D等[25，26]提出了一種基于高斯混合隱馬爾可夫模型和隱半馬爾可夫模型的刀具磨損估計(jì)模型；何棟磊等[27]利用遺傳算法優(yōu)化隱馬爾可夫模型中算法，改善了隱馬爾可夫模型對(duì)刀具磨損狀態(tài)的識(shí)別性能。

目前使用傳統(tǒng)機(jī)器學(xué)習(xí)構(gòu)建模型仍較多，但當(dāng)訓(xùn)練數(shù)據(jù)量過大時(shí)，傳統(tǒng)機(jī)器學(xué)習(xí)模型的預(yù)測能力不能令人滿意。深度學(xué)習(xí)算法以其自適應(yīng)提取特征的優(yōu)點(diǎn)，在學(xué)習(xí)和預(yù)測方面都表現(xiàn)出卓越的性能[28]，具有更高的監(jiān)測準(zhǔn)確度。

3 基于深度學(xué)習(xí)的刀具磨損監(jiān)測研究

深度學(xué)習(xí)作為一種可以直接從數(shù)據(jù)中學(xué)習(xí)規(guī)律并提取特征的新方法，被大量學(xué)者研究并引入到刀具磨損監(jiān)測中。深度學(xué)習(xí)模型突破了傳統(tǒng)機(jī)器學(xué)習(xí)算法中存在的繁瑣的數(shù)據(jù)預(yù)處理和人為的淺層特征提取的局限，非常適用于故障分類與識(shí)別預(yù)測，可實(shí)現(xiàn)刀具磨損監(jiān)測的智能化。

3.1 基于卷積神經(jīng)網(wǎng)絡(luò)CNN的刀具磨損監(jiān)測研究

卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks，CNN）是一種具有局部連接、權(quán)值共享等特性的深層前饋神經(jīng)網(wǎng)絡(luò)。卷積神經(jīng)網(wǎng)絡(luò)的主體由卷積層、池化層和全連接層構(gòu)成。其中，卷積層和池化層相當(dāng)于傳統(tǒng)信號(hào)處理中的特征提取和降維[29]，通過卷積層和池化層的不斷交替疊加，CNN可以自動(dòng)提取數(shù)據(jù)的局部特征，通過這些局部特征建立數(shù)據(jù)的特征向量。經(jīng)過多層的卷積和池化處理后，通過全連接層實(shí)現(xiàn)數(shù)據(jù)由局部特征到全局特征的加權(quán)表征，將結(jié)果輸入到分類器，由分類器給出最后的分類結(jié)果。CNN結(jié)構(gòu)框架體系如圖5所示。

圖5 CNN結(jié)構(gòu)框架體系

CNN的縮放不變性與局部學(xué)習(xí)特性為其在刀具磨損狀態(tài)監(jiān)測領(lǐng)域的應(yīng)用奠定了基礎(chǔ)。CAO等[30]提出了一種基于二維卷積神經(jīng)網(wǎng)絡(luò)（CNN）和派生小波框架（DWF）的高穩(wěn)健性銑刀磨損監(jiān)測方法。AMBADEKAR等[31]使用卷積神經(jīng)網(wǎng)絡(luò)CNN來監(jiān)測刀具的側(cè)面磨損，將顯微鏡定期拍攝的刀具圖像作為CNN模型的輸入，提取特征并將刀具分類為低、中、高3個(gè)磨損等級(jí)。KUMAR等[32]通過選擇合適的超參數(shù)設(shè)計(jì)了深度CNN體系結(jié)構(gòu)，通過仔細(xì)選擇超參數(shù)、學(xué)習(xí)率、批量大小和時(shí)代數(shù)，能夠在未磨損和磨損兩類中提取特征并對(duì)刀具進(jìn)行分類。該模型方法識(shí)別準(zhǔn)確率高，可用于工業(yè)環(huán)境下加工表面圖像中刀具狀態(tài)的分類。

3.2 基于循環(huán)神經(jīng)網(wǎng)絡(luò)RNN的刀具磨損監(jiān)測研究

循環(huán)神經(jīng)網(wǎng)絡(luò)（Recurrent Neural Network, RNN）是一個(gè)包含時(shí)序信息的循環(huán)結(jié)構(gòu)網(wǎng)絡(luò)，在處理有前后依賴信息的預(yù)測問題時(shí)，表現(xiàn)優(yōu)于其他神經(jīng)網(wǎng)絡(luò)。RNN整個(gè)結(jié)構(gòu)分為3層：輸入層、隱藏層和輸出層。不同于多層感知機(jī)MLP，RNN在隱藏層中多了一個(gè)自身到自身的循環(huán)輸入，如圖6所示，這種循環(huán)構(gòu)成了典型的反饋型神經(jīng)網(wǎng)絡(luò)形式，在聯(lián)想記憶與優(yōu)化計(jì)算方面更具優(yōu)勢。

圖6 循環(huán)神經(jīng)網(wǎng)絡(luò)與MLP對(duì)比

RNN中的隱藏層單元不僅包含此刻的輸入，還包含上一時(shí)刻的隱層輸出。循環(huán)神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)如圖7所示，t－1、t和t＋1分別表示連續(xù)輸入的3個(gè)時(shí)刻；x表示輸入；y為對(duì)應(yīng)的輸出；S為隱層狀態(tài)；U、V、W分別對(duì)應(yīng)于輸入層到隱層、隱層到隱層、隱層到輸出層的權(quán)值。

圖7 循環(huán)神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)

刀具磨損是一個(gè)隨加工時(shí)間變化的漸進(jìn)過程，挖掘時(shí)間序列特征對(duì)預(yù)測各時(shí)刻刀具磨損具有重要意義。對(duì)于加工過程的時(shí)序信號(hào)，在混合故障和強(qiáng)噪聲的情況下，YAO等[33]提出了一種基于長短時(shí)記憶（LSTM）網(wǎng)絡(luò)的深度遷移強(qiáng)化學(xué)習(xí)（DTRL）網(wǎng)絡(luò)，從連續(xù)的傳感器數(shù)據(jù)中提取局部特征來跟蹤刀具狀態(tài)，并通過控制時(shí)間序列長度來動(dòng)態(tài)調(diào)整訓(xùn)練后的網(wǎng)絡(luò)大小。LIU等[1]提出了一種基于平行殘差堆疊雙向長短期記憶網(wǎng)絡(luò)的TWM模型。所提出的網(wǎng)絡(luò)能夠同時(shí)提取原始信號(hào)的時(shí)空相關(guān)特征，并通過并行殘差網(wǎng)絡(luò)實(shí)現(xiàn)多特征融合結(jié)構(gòu)，該方法具有較高的預(yù)測精度。AN等[34]將CNN與堆疊的雙向和單向LSTM網(wǎng)絡(luò)（CNN-SBULSTM）相結(jié)合，在工具RUL預(yù)測任務(wù)中進(jìn)行順序數(shù)據(jù)處理，能夠獲得更深入和抽象的特征，不需要特征工程和難以獲得的高質(zhì)量專家知識(shí)，平均預(yù)測精度可達(dá)90%。LSTM網(wǎng)絡(luò)在刀具磨損監(jiān)測、預(yù)測中有很強(qiáng)的適用性。

3.3 基于自編碼器AE的刀具磨損監(jiān)測研究

AE（Auto-Encoder）是一種用于數(shù)據(jù)降維和特征提取的無監(jiān)督深度學(xué)習(xí)網(wǎng)絡(luò)，其體系結(jié)構(gòu)如圖8所示，包括輸入層、隱藏層和輸出層。原始數(shù)據(jù)通過權(quán)值連接映射到隱藏層，將隱藏層的激活值映射到輸出層進(jìn)行數(shù)據(jù)重構(gòu)，重構(gòu)誤差最小化，微調(diào)權(quán)值以生成準(zhǔn)確的數(shù)據(jù)表示。自編碼器AE的主要計(jì)算公式為

式中，C1是AE的代價(jià)函數(shù)；β為稀疏懲罰系數(shù)；r是一個(gè)稀疏常數(shù)；x＝[x1，x2，…，xm]是一個(gè)未標(biāo)記的輸入樣本的特征向量z＝[z1，z2，…，zm]和重建向量h＝[h1，h2，…，hm]；Sg和Sf分別為隱藏層和輸出層的激活函數(shù)，一般選用Sigmoid（Sigm）或修正線性單元（ReLU）作為激活函數(shù)；W、W′為權(quán)重；b、b′為偏置。

圖8 AE模型的體系結(jié)構(gòu)

近年來，基于AE及其變種模型的刀具磨損在線監(jiān)測方法越來越受到研究人員的關(guān)注。SHAO等[35]提出了一種采用Morlet小波作為隱藏層激活函數(shù)的改進(jìn)式堆疊自編碼器（MSAE），建立了原始非平穩(wěn)振動(dòng)數(shù)據(jù)與各種故障狀態(tài)之間的精確映射關(guān)系，用于旋轉(zhuǎn)機(jī)械的各種故障類型和嚴(yán)重程度的自動(dòng)診斷。OCHOA等[36]提出了一種堆疊式稀疏自編碼器（SSAE）的刀具磨損狀態(tài)診斷方法。該方法在刀具磨損狀態(tài)預(yù)測中表現(xiàn)出較好的性能，特別是在利用聲發(fā)射信號(hào)進(jìn)行預(yù)測時(shí)。OU等[37]提出了一種結(jié)合堆棧降噪自編碼器（SDAE）和在線順序極限學(xué)習(xí)機(jī)（OS-ELM）的刀具磨損狀態(tài)智能識(shí)別方法。DOU J等[38]通過重構(gòu)稀疏自動(dòng)編碼器（SAE）的監(jiān)測信號(hào)來跟蹤誤差序列，自適應(yīng)地提取振動(dòng)信號(hào)的特征，在沒有經(jīng)驗(yàn)標(biāo)簽監(jiān)督的情況下完成刀具磨損狀態(tài)的在線自動(dòng)識(shí)別，以監(jiān)控銑削過程。

基于深度學(xué)習(xí)的刀具磨損智能監(jiān)測方法對(duì)比見表1。

表1 基于深度學(xué)習(xí)的刀具磨損智能監(jiān)測方法對(duì)比

4 結(jié)束語

深度學(xué)習(xí)作為智能狀態(tài)監(jiān)測的新方法，與傳統(tǒng)的信號(hào)處理和淺層的機(jī)器學(xué)習(xí)模型相比，在自主學(xué)習(xí)數(shù)據(jù)的特征提取方面具有良好的特性。深度學(xué)習(xí)以其自適應(yīng)特征提取的方式，省去了人為的特征提取與選擇，并以非線性函數(shù)逼近的能力，避免了手動(dòng)提取特征遺漏的問題，使得提取的特征信息敏感性更高、魯棒性更好。通過逐層學(xué)習(xí)的方式，更容易從原數(shù)據(jù)中學(xué)習(xí)深層有用信息，提高了監(jiān)測識(shí)別的精度。

隨著工業(yè)物聯(lián)網(wǎng)4.0對(duì)傳統(tǒng)機(jī)械制造的影響越來越大，預(yù)計(jì)深度學(xué)習(xí)將在智能監(jiān)測領(lǐng)域有更進(jìn)一步的研究和發(fā)展。