視覺技術在智能機械加工中的應用研究

左敦穩

(南京航空航天大學 機電學院，江蘇 南京 210016)

0 引言

制造技術經歷第一次工業革命在18世紀后期進入到蒸汽時代，經歷第二次工業革命在19世紀后期進入到電氣時代，于20世紀70年代經歷第三次工業革命進入到信息時代，又在21世紀初迎來第四次工業革命正向網絡智能時代邁進。智能制造已成為世界各主要工業國家的重點發展領域[1-2]，美國、德國、日本等國紛紛瞄準“智能制造”制定并實施制造技術升級計劃。我國也出臺了“中國制造2025”發展計劃，以推動我國早日從制造大國成為世界制造強國，如圖1所示。

圖1 主要工業國家制定的智能制造計劃

自第一次工業革命以來，誕生了眾多的加工原理與方法，幾乎所有的能量形式都被應用于工業產品的制造中，如機械加工、電加工、光加工、聲加工、熱加工、化學加工等。其中，多數加工技術以“去除”形式對工件進行“減材加工”，但也有以“3D打印”為代表的“增材加工”。作為“減材加工”的代表——機械加工技術，其歷史最為悠久，時至今日仍然是產品制造工程中的主流技術。隨著制造技術進入智能時代，智能機械加工技術也備受關注。進入21世紀，機械加工技術呈現出以“精密、高速、微納、綠色、智能”為特征的發展趨勢[3]，不斷挑戰加工精度極限、以“高速”實現高品質高效加工、微細與納米加工得到快速發展，同時更加追求加工技術的綠色化和智能化，“智能”已成為現代加工技術的主要發展方向之一。

1 智能機械加工研究現狀

智能機械加工技術，即通過提高加工單元及其組成系統的智能化水平，追求產品加工整體過程的最優化。由于機械加工技術在產品制造中的主流基礎地位，因此，智能機械加工是智能制造的重要基礎支撐。

從對加工過程實現優化控制的角度出發，智能加工的研究內容主要涉及加工狀態的智能感知、數據的實時智能分析、對分析結果的自主智能決策以及對決策結果的精準智能執行等關鍵單元技術(圖2)，并在此基礎上對加工整體過程進行優化。顯然，以上各單元技術是實現智能加工的基礎，同時為實現加工整體過程最優還需要加工車間的信息化作為必要的支撐條件。

圖2 智能加工的主要單元技術

國內外已有眾多學者對智能加工技術開展了研究工作[4-9]，發表的論文數量在近年來迅速增多。使用關鍵詞“智能加工”通過“中國知網”數據庫檢索發現，自1990年以來，“按全文”檢索出的論文總數最多，共有781篇；其他檢索方式以論文數從多到少的順序為“按摘要”、“按主題”、“按關鍵詞”、“按篇名”等，如圖3所示。從發表時間看，近5年的論文數呈顯著增長趨勢。圖4表示對“按篇名”檢索出的62篇論文的統計結果，其中，2015年-2018年近4年的論文數已達22篇，遠遠超出前面任何5年里的論文數量。

圖3 智能加工中文文獻檢索結果

圖4 智能加工論文統計結果

對“按篇名”檢索出的62篇論文進一步分析表明，發表相關論文較多的論文作者單位主要有：華中科技大學、華南理工大學、西北工大大學、清華大學、國防科技大學、電子科技大學以及南京航空航天大學等；而刊登論文最多的期刊為《航空制造技術》，共有4篇。值得一提的是，上述62篇論文中有8篇研究生學位論文，其中博士學位論文3篇，碩士學位論文5篇，如表1所示。8篇學位論文中，僅“大功率CO2激光三維智能加工CAM的研究”1篇為非機械加工，其余均為智能機械加工方面的研究。

表1 智能加工主題的學位論文統計

在“EIVillage”數據庫中使用關鍵詞“intelligentmachining”進行檢索，結果顯示自1983年以來共有1 957篇論文。按年度發表論文數的統計結果如圖5所示。其中雖然有較多論文的內容屬于“機器學習”范疇，但從論文發表數量的逐年增長態勢看，足以說明人們關注“智能加工”的熱度。尤其在進入21世紀后，年發表論文數迅速增長。與圖4中近5年快速增長的結果相比，中文文獻顯著增長的時間比外文文獻大約滯后10年左右。

圖5 EI Village數據庫檢索結果

事實上，在2003年，國際生產工程學會(CIRP)就制定了“PMI計劃”支持智能加工技術研究，隨后，美國與歐盟分別推出了“SMPI計劃”和“NEXT計劃”[10]。3大計劃的主要參與機構及研究內容如圖6所示。在時間上，這正好印證了相關研究的英文文獻從2005年左右開始迅速增長這一統計結果。

圖6 智能加工主要相關研究計劃

綜合以上3大計劃的主要研究內容，可以將智能加工技術的研究內容歸納為3個方面：加工過程仿真與優化、過程監控與誤差補償以及智能加工機床研發。在加工過程仿真與優化研究方面，重點在于機床系統建模、加工過程仿真、加工過程優化以及加工質量預測技術等，如圖7所示。

圖7 加工過程仿真與優化的研究內容

在過程監控與誤差補償研究方面，研究重點在于設備性能表征、加工過程監測、誤差補償以及設備狀態維護技術等，如圖8所示。

圖8 過程監控與誤差補償的研究內容

在智能加工機床研發方面，研究重點在于監控技術集成、知識庫與專家系統、遠程診斷以及智能刀具與工裝技術[11-12]等，如圖9所示。

圖9 智能加工機床的主要內容

由此可見，智能加工技術研究的內容極其廣泛，但要真正實現整體加工過程的優化控制，機床、刀具以及工件的狀態監測是基礎[13-14]，需要通過監測為過程優化提供源信息。其中，機床的狀態監測通常通過內置傳感器來實現，而刀具和工件狀態的監測，機器視覺技術可以發揮重要作用。

2 基于視覺的刀具狀態監測

在切削加工過程中，刀具的前后刀面及刃口會發生磨損，刀桿受力會發生變形。刀具的磨損和變形會對工件的加工精度、表面質量產生直接影響，有時會引起加工超差和廢品率上升。刀具磨損檢測傳統上采用離線方式檢測，不僅影響加工效率，還由于需要重新對刀容易引起接刀誤差。本文提出一種便攜式低成本的刀具磨損在位檢測方法，如圖10所示。

圖10 一種便攜式刀具磨損在位檢測方法

該方法借助手機照相功能，不需要專門的光源與CCD。使用時隨時組裝，不影響手機的正常使用，非常適合加工現場的在位檢測。圖11中(a)為現場使用情況，圖11(b)為獲得的刀具后刀面圖像。

圖11 便攜式刀具磨損在位檢測

由于圖像在邊緣部位會發生畸變，因此需采用標準網格進行標定(圖12(a))。對矯正過的圖像進行處理后便可得到刀具的磨損量(圖12(b))。實際使用時，可在手機上安裝圖像處理APP，便可在加工現場無需卸下刀具就可以獲得刀具的磨損信息。圖12(c)為采用該方法獲得的銑削鈦合金時的后刀面磨損曲線，精度完全滿足工程應用需要。

通過合作研究[15]，基于投影圖像對小直徑銑削刀具狀態開展了在線監測研究，其原理如圖13所示。在激光傳感器感知刀具轉角位置信號后，通過PLC給CCD相機發出指令，相機隨即開始拍照，獲得刀具的投影圖像。

圖12 刀具磨損檢測結果

圖13 刀具投影圖像獲取原理

當刀具在旋轉狀態下進行拍照時，需要考慮信號延遲的影響。從位置感知到相機快門啟動之間，由于激光傳感器與PLC的延遲，刀具實際已轉過α角。此外，在相機快門開閉之間，刀具又轉過了β角。因此，實際獲得的圖像是刀具轉過α角處在β角度內的平均投影圖像。由于α與β均與刀具轉速成正比，所以，在刀具高速旋轉條件下進行拍照時，必須采用更快的快門速度以壓縮β角，同時準確計算α角，以便獲得刀具的準確位置圖像。圖14為直徑2mm平頭銑刀在不同轉角位置的投影圖像(θ=α+β)。由圖14可知，不同位置的圖像差別顯著，可以據此獲得刀具狀態信息。

圖14 直徑2 mm銑刀的投影圖像

對投影圖像進行處理后，便可以獲得軸向離刀具頂端不同位置處刀具的投影寬度。圖15為直徑2mm平頭銑刀未磨損時不同位置的投影圖像寬度，橫坐標表示刀具在周向的位置，z表示軸向離刀具頂端的距離。當刀具發生磨損后，其投影圖像寬度便會發生變化，將初始狀態與磨損狀態下的寬度相減，便可獲得刀具沿軸向不同位置處的徑向磨損量。

圖15 銑刀不同位置的投影寬度

圖15中不同z處投影寬度的中點位置，代表了刀具的軸線位置。因此，通過比較加工狀態下刀具軸線位置偏離空載條件下的程度，便可以推測刀具所受徑向力的大小。圖16為直徑1mm雙刃平頭銑刀在不同徑向載荷下撓度位移的實驗結果。只要事先通過這樣的標定，便可以根據實際加工過程中刀具的投影圖像推測出徑向切削力大小。

圖16 直徑1 mm銑刀撓度-徑向力關系

研究過程中，還發現小直徑刀具在正常加工時其軸線位置基本保持穩定，而在出現折斷前其軸線位置會出現異常波動。根據這一現象，通過刀具的投影圖像還可以預測刀具發生異常折斷。圖17為直徑1mm銑刀折斷前的圖像。

圖17 直徑1 mm銑刀折斷前圖像

利用刀具的投影圖像，不僅可以在不停機條件下對刀具的磨損狀態、撓度變形等進行在線監測，而且還可以預測刀具折斷，尤其對于小直徑刀具加工過程中的狀態監測具有良好應用前景。

3 加工表面質量視覺檢測

工件的加工表面質量直接影響到產品的使役性能，在實際生產中必須加以嚴格控制，如發動機零件的表面層燒傷會引起使用壽命大幅度下降。目前，工程中常用的燒傷評價方法主要有：目測法、酸洗法、表面顯微硬度法等，均屬于定性評價方法，且后兩者屬于破壞性方法。圖18為高溫合金典型的表面燒傷圖像，從圖18(a)到圖18(e)燒傷程度依次變得嚴重。

圖18 高溫合金磨削燒傷表面原始圖像

為獲得更多的圖像信息，應圍繞HSV顏色空間，利用顏色直方圖法、顏色矩法提取燒傷圖像的顏色特征，然后利用相似度量技術對燒傷圖像進行分級。圖18 5幅圖像，經相似度計算后HSV各分量如圖19所示[16]。

圖19 燒傷部分的HSV各分量對比

本文判別工件燒傷程度的基本步驟如下：

1) 獲取工件表面原始圖像，將各像素點的色度(H,S,V)坐標轉換為柱坐標系下的歐氏空間坐標。

2) 從左上角的第一個像素點開始，與設置的5級燒傷顏色閾值進行比較，得出該點的燒傷級別，若無燒傷則標記為0，再統計出已發生燒傷的各像素點的個數。

3) 分別計算所檢驗區域燒傷級別指標與燒傷面積指標，將兩者進行加權計算得出工件燒傷度。

燒傷度定義如下：

Bd=ζ1Cd+ζ2Dd

(1)

式中，Cd表示燒傷級別指標，Dd表示燒傷面積指標，ζ1和ζ2為加權系數。燒傷度取值0～5之間，0級表示無燒傷，表面呈現金屬本身光澤；5級表示嚴重燒傷，表面呈現藍黑色。

據此，可以設計出工件燒傷度評價系統，如圖20所示。只要輸入工件原始圖像，便可以獲得燒傷等級。一方面，可以克服目測法帶來的人為誤差，同時不需要對工件進行破壞。不過，在獲取原始圖像時，環境光的影響較大，不同工件材料的燒傷圖像特征也有所不同。需要相應的數據庫支持。

圖20 燒傷度評價系統界面

表面粗糙度是加工表面質量控制中的一個基本指標，通常采用粗糙度儀進行測量，多為離線測量，比較耗時。采用視覺法測量表面粗糙度的原理為：先采集工件加工表面的紋理圖，再通過計算機圖像處理獲得對應的灰度直方圖。然后，通過平均紋理周期法、頻域變換法和灰度共生矩陣法等對圖像進行特征參數提取，包括直方圖的標準差、平均紋理周期、亮點間的距離等，最后以BP神經網絡為基礎，對提取的各個特征參數進行神經網絡訓練，建立表面粗糙度的測量模型。研究表明，視覺法所測得的表面粗糙度與觸針式測量儀測得的結果之間，誤差可以控制在5%以內[17]。

采用圖11中的便攜式圖像檢測系統對鈦合金銑削加工表面粗糙度研究表明，其精度可以與工業CCD相當[18]。圖21表示便攜式系統獲得的不同Ra工件的表面紋理圖與灰度直方圖，可見其直觀特征明顯。

圖21 不同Ra時表面紋理(左)與灰度直方圖(右)

圖22為不同加工條件下工件表面粗糙度與灰度直方圖標準差的實驗結果。其中表面粗糙度采用觸針式測量儀獲得，標準差計算的原始圖像為上述便攜式系統所獲得。顯然，隨著表面粗糙度的增大，標準差也呈單調增大趨勢，在兩者之間存在著良好的相關關系。雖然將兩者直接擬合成函數關系會出現一定誤差，但如果保留在數據庫中，便可通過工件表面圖像的灰度直方圖標準差直接獲得加工表面的粗糙度值。

圖22 表面粗糙度與直方圖標準差

視覺法表面粗糙度檢測技術可以實現在位檢測，不僅可以顯著提高工作效率，而且可以應用于加工過程中的加工表面質量監測，為智能加工提供有效手段。

4 結語

“智能”已成為機械加工技術的主要發展方向之一，智能加工是智能制造的重要基礎支撐，而加工單元的智能化是智能加工技術的核心內容。隨著各主要工業大國對智能制造技術的重視，對智能加工技術的研究也呈現出快速增長態勢。從學術論文的發表數量上看，中文文獻顯著增長的時間出現在近5年，比英文文獻的快速增長時間大約滯后10年左右。智能加工中，需要對機床、刀具以及工件的狀態進行監測，從而實現整體加工過程最優。其中，視覺技術可以發揮重要作用，具有廣闊應用前景。