基于自適應(yīng)神經(jīng)模糊推理系統(tǒng)的刀具磨損監(jiān)測
2017-3-14 來源：華中科技大學(xué) 作者：朱永猛，吳 軍，吳超勇，蘇永衡
摘要: 為精確地監(jiān)測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信號、電流信號和噪聲信號，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，實現(xiàn)在高速銑床不停機的前提下對銑床刀具進行狀態(tài)監(jiān)控。實驗結(jié)果顯示: 針對銑床刀具磨損量的監(jiān)測平均準(zhǔn)確率為95. 21% ，最大監(jiān)測準(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。
關(guān)鍵詞: 銑床; 刀具磨損監(jiān)測; ANFIS
高速銑床作為一種較為先進的智能制造裝備，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數(shù)據(jù)，如噪聲信號［1］、振動信號［2］和切削力信號［3］，進行刀具的狀態(tài)監(jiān)控( tool condition monitoring，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力學(xué)模型進行刀具磨損量監(jiān)測的方法，顯示了廣闊的適用性。
對于模型的建立，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，也沒有任何的先驗知識，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，實現(xiàn)對未知過程的認知，這樣的方法稱為“黑盒子”方法。“黑盒子”方法最大的優(yōu)點，是可以在不需要對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)確的實驗過程數(shù)據(jù)，進行磨損過程模型的搭建［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(yīng)用過程中，最好是將 2 種方法進行融合，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)驗知識，都對刀具磨損過程的動力學(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)( adaptive network － based fuzzy inference system，AN-FIS) 。模糊推理系統(tǒng)使得顯性知識更加詳盡和精確，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，這使得模糊神經(jīng)網(wǎng)絡(luò)的優(yōu)勢更加凸顯，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)測領(lǐng)域的原因。Chen S L 等人則利用多個傳感器數(shù)據(jù)，如振動信號和切削力信號，提出新的數(shù)據(jù)融合算法，結(jié)合 ANFIS 進行刀具磨損狀態(tài)的監(jiān)測［7］; Uros Z 等人利用切削力信號，對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)測結(jié)果［8］; Gill S S 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、工作時間和低溫浸泡均熱溫度等參數(shù)，結(jié)合 ANFIS 進行刀具磨損量的監(jiān)測［9］; Ｒizal M 等人利用刀具切削速度、切削深度、進給速率和融合系數(shù)等參數(shù)，結(jié)合 ANFIS 進行刀具磨損量的監(jiān)測［10］。
2 基于 ANFIS 的刀具磨損監(jiān)測模型
圖 1 基于 Takagi-Sugeno 模糊推理的 ANFIS 網(wǎng)絡(luò)
Layer 2: 計算規(guī)則使用度。每個節(jié)點代表一條模糊規(guī)則，它的作用是用來匹配模糊規(guī)則的前件，每一個節(jié)點的輸出是所有輸入信號的乘積，計算出每個規(guī)則的適用度，則:
合并不同的分層構(gòu)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(jiān)測數(shù)據(jù)集［11］，數(shù)據(jù)集包含 16 組刀具全壽命周期，共 167 個運行次數(shù)的銑床刀具磨損實驗數(shù)據(jù)。文中選擇第 13 組刀具全壽命周期數(shù)據(jù)實現(xiàn)刀具磨損量監(jiān)測算法。在刀具正常運行過程中，傳感器每次采集數(shù)據(jù)可得到 9 000 個數(shù)據(jù)點，去空值和去奇異點后，繪制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(fā)現(xiàn)，信號數(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。為了使實驗過程更具代表性、監(jiān)測結(jié)果更具準(zhǔn)確性，本文選取第 4 500 個點的穩(wěn)定階段的信號作為原始數(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種時域特征參數(shù)，并歸一化。針對不同傳感器計算得到的時域特征，利用式( 6) 進行相關(guān)性分析，式中，X 表示時域特征參數(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。
利用式( 7) 進行殘差分析，式中，S1( x) 和 S2( x) 是根據(jù)特征值點擬合的曲線，N 為數(shù)據(jù)點個數(shù)。結(jié)果如表 1、表 2。表 1 中 Na N 表示非數(shù)字，即 Not a Number，當(dāng)分母為 0 時，計算結(jié)果為 Na N。首先，保留皮爾遜相關(guān)系數(shù)大于 0． 8 的強相關(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: 主軸噪聲信號的方根幅值、工作臺噪聲信號的均方差、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。
在實驗獲得的第 13 組的 13 個數(shù)據(jù)點中，選擇 8 個數(shù)據(jù)點作為訓(xùn)練數(shù)據(jù)，5 個數(shù)據(jù)點作為校驗數(shù)據(jù)，同種工況下采集的 4 個數(shù)據(jù)點作為驗證數(shù)據(jù)。將融合得到的特征參數(shù)集輸入到 ANFIS 網(wǎng)絡(luò)進行刀具磨損量監(jiān)測，結(jié)果如表 3所示。
表 1 各時域特征與磨損量的皮爾遜相關(guān)系數(shù)
表 2 各時域特征自身間的殘差值
表 3 實際值與模型監(jiān)測值的結(jié)果對比
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直接影響被加工件的成品品質(zhì)，降低企業(yè)的經(jīng)濟收益。本研究提出的刀具磨損監(jiān)測方法，可以在銑床正常運行過程中進行刀具磨損監(jiān)測，為企業(yè)提供刀具更換與維修的依據(jù)。
投稿箱：
如果您有機床行業(yè)、企業(yè)相關(guān)新聞稿件發(fā)表，或進行資訊合作，歡迎聯(lián)系本網(wǎng)編輯部， 郵箱：skjcsc@vip.sina.com
如果您有機床行業(yè)、企業(yè)相關(guān)新聞稿件發(fā)表，或進行資訊合作，歡迎聯(lián)系本網(wǎng)編輯部， 郵箱：skjcsc@vip.sina.com
更多相關(guān)信息
業(yè)界視點
| 更多
行業(yè)數(shù)據(jù)
| 更多
- 2025年5月 新能源汽車銷量情況
- 2025年5月 新能源汽車產(chǎn)量數(shù)據(jù)
- 2025年5月 基本型乘用車（轎車）產(chǎn)量數(shù)據(jù)
- 2025年5月 軸承出口情況
- 2025年5月 分地區(qū)金屬切削機床產(chǎn)量數(shù)據(jù)
- 2025年5月 金屬切削機床產(chǎn)量數(shù)據(jù)
- 2025年4月 新能源汽車銷量情況
- 2025年4月 新能源汽車產(chǎn)量數(shù)據(jù)
- 2025年4月 基本型乘用車（轎車）產(chǎn)量數(shù)據(jù)
- 2025年4月 軸承出口情況
- 2025年4月 分地區(qū)金屬切削機床產(chǎn)量數(shù)據(jù)
- 2025年4月 金屬切削機床產(chǎn)量數(shù)據(jù)
- 2025年1月 新能源汽車銷量情況