一種基于多特征和支持向量機的刀具磨損狀態識別技術

劉 宇，汪惠芬，劉庭煜

（南京理工大學　機械工程學院，南京 210094）

?

一種基于多特征和支持向量機的刀具磨損狀態識別技術

劉 宇，汪惠芬，劉庭煜

（南京理工大學機械工程學院，南京 210094）

摘 要：為了實現生產過程中切削條件諸多變化的刀具狀態識別，對銑削加工中三向切削力信號進行時域、頻域以及時-頻域分析，在提取均方根值、峰值、小波包能量等特征量的基礎上，通過分析提取的特征量，提出采用各方向特征比值的方法。得到的特征比值具有更加明顯地對刀具狀態比較敏感、但對切削用量不敏感特點。通過對特征與特征比值敏感性分析，分析表明特征與特征比值組合的特征向量最適合作為刀具狀態監測的指標。通過多次選取特征比值、特征量組成的特征向量輸入多分類支持向量機（SVM，Support Vector Machine）網絡中對刀具狀態進行訓練和識別，發現特征與特征比值組成的特征向量對不同磨損狀態不同切削用量下刀具識別精度更高，具有較好的效果，能夠實現在小樣本情況下不同磨損狀態不同切削條件下的刀具狀態分類。

關鍵詞：特征；特征比值；三向切削力；支持向量機

0　引言

刀具磨損狀態影響機械加工的質量、效率和成本。在傳統切削加工中，加工人員通過切削聲音、切削時間等來綜合判斷刀具狀態，這種方法主觀性較強，對加工人員的經驗要求非常高，不可避免地存在兩個問題：1）刀具尚未失效就被卸下，導致停機時間增加，生產效率降低，刀具沒有充分被利用，造成資源浪費，生產成本增加；2）當刀具已經失效而不能及時更換，導致工件的加工質量得不到保證，甚至整個切削加工系統的運行也會受到影響。因此，為了從根本上解決這些問題，須要對刀具狀態進行監測。刀具狀態監測是實現生產自動化的一個關鍵技術，對于提高生產效率、降低生產成本以及保證產品質量具有十分重要的意義［1］。據統計，一個準確而可靠的刀具狀態監測系統可以避免由于各種因素造成的停機時間的75%，提高10%～60%的生產率，節省10%～40%的生產成本［2］。為此，國內外研究人員對刀具狀態監測技術展開大量研究，提出許多監測方法，目前主要有切削力法、聲發射法、電流/功率法、振動加速度法和多傳感器融合法等［3～8］。關山等采用聲發射法來研究車削加工的刀具狀態［3］。Wafaa Rmili等研究高速銑削加工刀具磨損狀態采用振動加速度法［4］。黃華等研究刀具狀態監測采集了銑削加工過程的電流和電壓信號［5］。Mehdi Nouri等采用切削力法建立銑削狀態實時監測系統［6］。Zhu Kunpeng等采用多傳感器融合方法，采集刀具加工過程中的切削力、聲發射、振動、電流和圖像等五種信號［7］。N. Ghosh等采集切削力、振動、電流和聲音信號來監測刀具磨損狀態［8］。這些學者都通過采集與刀具密切相關的各種信號，進行信號處理和特征提取，建立刀具磨損與特征信號之間的數學模型，來實現監測目的。近些年來，許多學者采用SVM來進行故障診斷和模式識別的數學建模［9～13］。SVM是在統計學理論的VC維理論和結構最小化原理基礎上建立的機器學習方法，它不存在陷入局部極值或者過擬合的可能等問題，而且向量特征旳維數不影響算法本身復雜度，不僅節約了時間、成本，還使得監測模型的建立更加簡便。全睿等人采用二叉樹分類器的SVM方法進行車用燃料電池系統的多故障診斷［9］。于德介等人采用SVM方法對轉子故障進行診斷［10］。同時，SVM也被應用到刀具磨損狀態監測模型。大連交通大學的王嬌、西北工業大學的張棟梁、西班牙埃斯特雷馬杜拉大學的D.R.Salgado等采用SVM對刀具磨損進行了預報建模和識別［11～13］。但是，目前的SVM應用大多集中在正常磨損和非正常磨損兩類刀具的狀態識別，很少應用在刀具狀態的多類識別［14］。刀具狀態識別主要針對某種或者幾種切削條件，許多學者并沒有對提取的特征在切削條件變化磨損狀態變化的情況下進行分析，很難實現多種切削條件或切削條件變化情況下刀具狀態的識別。

本文針對這些問題，以銑削加工過程為研究對象，通過采集切削力信號，并經過時域、頻域以及時-頻域分析提取特征，采用提取對刀具狀態比較敏感、但對切削條件不敏感的特征的方法，在提取大量特征量的基礎上，提出了各方向特征量比值法，發現特征在某個方向上的比值存在一定規律，適合用于刀具監測。通過多次特征選取組成特征向量輸入多分類支持向量機網絡進行刀具狀態識別。實驗結果表明，優化后的特征與特征比值組成的特征向量能夠獲得更滿意的結果。

1　刀具狀態監測實驗

刀具磨損監測系統由研究對象（數控機床）、傳感器安裝與信號采集、信號處理與特征提取、模式識別等模塊構成，如圖1所示。

圖1　刀具磨損狀態監測系統組成

本文試驗采用Φ6硬質合金YT15兩刃立銑刀在配備FANUC系統的長征立式加工中心KVC1050CN（最大轉速為8000r/min）進行加工2Al2鋁合金試驗。通過三向測力儀Kistler9119AA2對銑削加工進行切削力信號采集，電荷放大器為Kistler5080A，數據采集器為Kistler5697A，采樣頻率為20000Hz，得到刀具在不同磨損狀態下的不同切削參數的切削力信號。由于目前對刀具磨損狀態沒有統一劃分標準，一般根據實際加工中刀具磨損劇烈程度，分為輕度磨損（0～0.1mm）、中度磨損（0.1mm～0.3mm）和嚴重磨損（＞0.3mm）［14］。實驗目的是為了研究刀具在變切削參數下刀具磨損狀態的分類問題。如果將試驗所選用的4種因素（切削速度、徑向切深、軸向切寬、每齒進給量）的所有參數進行全面組合，形成多種切削條件，會導致切削試驗量過大，實驗時間過長，因此，實驗采用正交實驗法，設計了1 組4因素3水平的正交試驗，參數選擇如表1所示。

表1　正交試驗切削參數選擇

實驗步驟：

1）選擇新刀（VB=0）安裝好刀具、測力儀和試件，調整好試驗系統；

2）開啟數控機床，使機床空轉，啟動Kistler9119AA2測力儀配套的試驗采集軟件，采集空轉時切削力信號并保存數據；

3）按照正交試驗表，依次選擇一組固定的切削條件，調整好切削參數并對刀，開始切削實驗；

4）當刀具接近工件時，啟動Kistler9119AA2測力儀配套的試驗采集軟件，開始數據采集，連續采集切削力信號并保存，以工件寬度50mm，作為一次走刀長度；

5）采用提高切削速度的方法來加快刀具磨損，設置數控機床的切削參數主軸轉速為6000r/min，其他參數不變，每走刀10次卸下銑刀，用體現顯微鏡來觀察刀具磨損狀態，并測出刀具磨損量；

6）當刀具達到中度磨損狀態，按照步驟4），采集切削力信號；

7）重復步驟5），當刀具達到嚴重磨損狀態時，按照步驟4），采集切削力信號。

實驗加工現場如圖2所示，通過上述實驗步驟在三種磨損狀態下，按照表1的切削參數，采集了切削力信號數據。圖3是工況4在VB=0.08mm情況下（采樣2s），經過消噪后，得到切削力Fx時域波形圖。

圖2　銑削加工試驗現場

圖3　工況7下VB=0.08mm時三向切削力的時域波形

2　特征提取與特征優化

通過上述刀具狀態監測實驗，測力儀采集到的切削力信號包含著噪聲信號，所以不能直接用來分析。需要進行信號處理來特征提取，得到對應不同切削條件不同磨損狀態下的信號特征。

2.1特征提取

為了準確實現磨損狀態的識別，對銑削力信號進行傅里葉變換來提取頻域特征，三向力的功率譜頻譜能量主要集中在在0～3000Hz范圍內，特別是在0～1000Hz。

圖4　工況7下VB=0.01時Fx的小波包重構時域波形圖

各頻帶信號s8，i對應的能量表示為E8，i（i=0，1，…，15），能量表達式為：

式（1）中，xi，k（k=（0，1，2，…，n））表示重構信號s8，i的離散點的幅值。工況4下銑削力Fx、Fy、Fz在刀具各磨損階段的前16個頻段能量上的分布如圖3所示。

從圖5中可以看出，三個磨損階段的能量分布明顯不同，因此采用能量特征表現磨損狀態是可行的。通過分析9種工況下各磨損狀態下的能量分布，發現最大能量特征值都分布在前4頻段，因此，提取切削力各方向上小波包前4頻段的能量特征（Ex8，0，Ex8，1，Ex8，2，Ex8，3）、（Ey8，0，Ey8，1，Ey8，2，Ey8，3）、（Ez8，0，Ez8，1，Ez8，2，Ez8，3）。

圖5　工況4下Fx、Fy、Fz在各磨損狀態下的前16頻段能量分布

2.2特征比值提取

定義：比值μpq- M為切削力特征M在方向p上的特征值與在方向q上的特征值的比值，其中M為，Fxrms，Fyrms，Fzrms等特征量，p、q為銑削加工時x，y，z方向。

上面分析得到的特征表現出對刀具狀態和切削條件都具有較好的敏感性。由于銑削加工各個方向切削力存在一定的比值關系，所以在提取的這些特征量的基礎上，再通過將各個方向切削力的特征的比值進行分析，由特征比值定義得到切削力信號的6個特征比值：

這6種比值具有對刀具狀態表現較好敏感性，但對切削條件不敏感的特點（如圖6所示，圖中橫坐標為樣本號，縱坐標為特征比值）。因此，最終選擇作為這6個特征比值來進行分析。

圖6　比值特征分析曲線圖

2.3特征優化

本文的特征優化主要是對特征與特征比值進行敏感性分析，選擇對刀具狀態變化較敏感而對切削用量不敏感的特征量。通過分析發現特征與特征比值對刀具狀態變化都有較好的敏感性，引入特征的相對變化率、平均相對變化率這兩個概念，來定量的分析各特征對切削用量變化的敏感度，并作出如下定義：

相對變化率?Rn表示刀具在同一刀具狀態下，某一切削用量下特征相對另一切削用量特征變化率，它們的公式定義如下：

式（2）中，?Rn為某個特征的相對變化率；FRn、FRm為某個磨損狀態下不同切削用量下的特征值。

由于在實驗中在不同刀具磨損狀態下，分別采取9種工況下的切削力，為了保證特征量能夠較好地反映各切削用量下的敏感性，求取某方向該特征下所有相對變化率的平均值，定義為平均相對變化率，以平均相對變化率作為特征量對切削用量敏感度的度量標準，公式表示為：

式（3）中：?Rn為特征相對變化率，n為不同的特征相對變化率數目。

通過上述兩個定義求得所提取特征的平均相對變化率，得到表2、表3。

表2　各切削用量下特征的平均相對變化率

表3　各切削用量下特征比值的平均相對變化率

對各特征與特征比值的平均相對變化率進行由小到大排序：

根據對刀具切削用量敏感性分析結果，選擇對切削用量不敏感的前6個特征：作為刀具狀態監測識別會有較好的效果。

3　實驗驗證

多分類SVM模型的建立可以參考文獻［15］，支持向量機采用Radical basis function函數作為核函數，通過多次計算驗證后，得出當懲罰系數c=2，核函數參數g=1時，建立的支持向量機模型識別效果最好。在對刀具模式識別中，特征的選取很重要。依據3種不同磨損狀態，根據表3選取的特征，從9種工況下抽取代表不同切削參數下信號特征的162組特征向量數據樣本（54組輕度磨損樣本，81組中度磨損樣本，27組嚴重磨損樣本）。從54組輕度磨損樣本中隨機抽取27組樣本作為訓練樣本，其余作為測試樣本；81組中度磨損樣本中隨機抽取48組樣本作為訓練樣本，其余作為測試樣本，27組嚴重磨損樣本中隨機抽取18組樣本作為訓練樣本，其余作測試樣本。以輸出值1表示輕度磨損，輸出值2表示中度磨損，輸出值3表示嚴重磨損。將這些樣本輸入SVM網絡，通過MATLAB仿真試驗識別正確率如表5所示。

從表5中可以看出采用特征量比值或比值的組合作為網絡輸入訓練后的識別精度明顯高于特征量或特征量的組合作為網絡輸入（除峰值外），這也證明銑削加工切削力各方向特征比值作為刀具狀態監測的可行性。其中采用作為特征量的識別精度最高，識別精度達到98.5714%，識別結果如圖7所示。

圖7　選擇，作為特征仿真結果

4　結束語

本文采用銑削力信號對刀具磨損狀態進行監測，提出采用特征比值的方法作為刀具狀態監測的指標。通過對銑削力信號Fx、Fy、Fz時域、頻域以及小波包分析提取出信號的特征。通過對特征量敏感性進行分析，發現某些特征量的比值更適合用于刀具狀態的監測。從不同切削條件下選取162組特征向量數據樣本輸入SVM進行模式識別。SVM訓練表明，采用特征與特征比值組成特征的識別精度更高，具有較好的識別精度。但是，這種方法研究只針對立銑刀銑削加工沿y方向順銑，因為仿真實驗有時候會有一定的誤差，當加工刀具或材料改變后這種模擬仿真可能正確率會下降，因此，是否適用于其他切削加工須要作進一步的研究。

表4　采用不同特征量識別正確率

參考文獻：

［1］ 柳洋，陳永潔，楊文愷，等.刀具磨損狀態在線監測研究現狀與發展［J］.機床與液壓.2014，42（19）：174-180.

［2］ 關山，史志標，劉炎.基于多特征融合的刀具狀態識別方法［J］.振動、測試與診斷.2014，34（3）：576-584.

［3］ Wafaa Rmili，Abdeljalil Ouahabi.An automatic system based on vibratory analysis for cutting tool wear monitoring［J］. Measurement.2015，77：117-123.

［4］ 黃華，李愛平.基于小波神經網絡的切削力刀具磨損識別［J］.農業機械學報.2008，39（8）：173-177.

［5］ Zhu Kunpeng，Wong Yoke San， Hong Geok Soon.Wavelet analysis of sensor signals for tool condition monitoring ：A review and some new results［J］.International Journal of Machine Tools & Manufacture.2009，49：537-553.

［6］ Mehdi Nouri， Barry K.Fussell，Beth L.Ziniti，et al.Real-time tool wear monitoring in milling using a cutting condition independent method［J］.International Journal of Machine Tools&Manufacture.2015，（89）：1-13.

［7］ Tomas Kalvoda，Yean-Ren Hwang.A cutter tool monitoring in machining process using Hilbert-Huang transform［J］.International Journal of Machine Tools & Manufacture.2010，（50）：495-503.

［8］ N.Ghosh，Y.B. Ravi，A.Patra， et al.Estimation of tool wear during CNC milling using neural network-based sensor fusion［J］. Mechanical Systems and Signal Processing.2007，21：466-479.

［9］ 全睿，全書海，黃亮，等.基于支持向量機的車用燃料電池系統故障診斷［J］.振動、測試與診斷.2012，32（1）：78-83.

［10］ 于德介，陳淼峰，程軍圣，等.基于AR模型和持向量機的轉子系統故障診斷方法［J］.系統工程理論與實踐.2007，5（5）：152-157.

［11］ 王嬌，劉海燕.基于支持向量機和遺傳算法的刀具故障診斷［J］.組合機床與自動化加工技術.2013，1（1）：74-76.

［12］ 張棟梁，莫蓉，孫惠斌，等.基于混沌時序分析方法與支持向量機的刀具磨損狀態識別［J］.計算機集成制造系統.2015，21（8）：2138-2146.

［13］ D.R.Salgado，F.J.Alonso.An approach based on current and sound signals for in-process tool wear monitoring［J］.Machine Tools and Manufacture.2007，47：2140-2152.

［14］ 王國峰，李啟銘，秦旭達，等.支持向量機在刀具磨損多狀態監試中的應用［J］.天津大學學報.2011，44（1）：35-39.

［15］ 王文劍，門昌騫.支持向量機建模及應用［D］.科學出版社，2014.

An intelligent tool wear estimation technology based on multi-feature and support vector machine

LIU Yu， WANG Hui-fen， LIU Ting-yu

中圖分類號：TG71；TH117

文獻標識碼：A

文章編號：1009-0134（2016）05-0132-07

收稿日期：2016-01-20

基金項目：基于耦合建模的數控機床進給系統優化設計方法研究（51275246）

作者簡介：劉宇（1989 -），男，湖南衡陽人，碩士研究生，研究方向為數控機床刀具加工、自動化生產和數字化制造。