基于深度神經網絡的切削刀具剩余壽命預測

劉勝輝　張人敬　張淑麗　馬超　張宏國

摘 要：為了更好的解決切削刀具剩余壽命難以準確預測這一問題，從監控指標選取、數據特征提取以及預測模型建立等方面進行了深入的研究。首先，選取切削力和切削振動兩項信號作為初始數據，兩者可有效反映刀具的工作狀態，為分析刀具磨損過程提供數據支持。其次，使用小波包分析方法進行數據降噪，實現特征提取，得到監控數據的熵值化結果。然后，將該結果作為預測模型的輸入，訓練和測試深度神經網絡，建立刀具剩余壽命預測模型。最后，使用實際加工數據對該預測方法進行驗證實驗，驗證結果表明該模型能有效的預測剩余壽命。

關鍵詞：深度神經網絡; 切削刀具; 特征提取; 刀具剩余壽命預測

DOI：10.15938/j.jhust.2019.03.001

中圖分類號： TP301

文獻標志碼： A

文章編號： 1007-2683（2019）03-0001-08

Abstract：In order to better solve the problem that the remaining life of cutting tool is difficult to predict accurately， this paper studies three aspects of the selection of monitoring indexes， the extraction of data features and the establishing of prediction models. Firstly， Cutting force and vibration frequency were selected as the indirect monitoring indexes of cutting tool. These two indexes can accurately reflect the state of cutting tool， and also can solve the problem that the selecting the direct monitoring indexes causes， the wear analysis results of cutting tool being too subjective in the traditional state monitoring method. Secondly， feature extraction is carried out by using wavelet packet analysis， and then the entropy values of the monitoring data are obtained. They are taken as the input data. Thirdly， the input data are used as the training data and testing data of the prediction model based on Deep Neural Network （DNN）. Finally， the simulation experiments of the prediction method are carried out by using the real data of the workshop. The results show that the model can effectively predict the useful life.

Keywords：deep neural network; cutting force; feature extraction; prediction of remaining useful life

0 引 言

關鍵設備作為制造企業中承擔關鍵工序加工任務的設備，其在負荷大小、資源競爭程度、生產成本以及加工調度優先級等多個生產指標上都遠優于其他生產設備[1]，在企業生產運營中起著決定性作用。一旦其出現設備故障、甚至宕機，將給制造企業帶來不可估量的經濟損失[2]。因此，如何保障其長期處于高效率的運行是制造企業車間生產管理者亟需解決的關鍵問題。

在制造企業車間生產中，刀具作為關鍵設備的基礎組件，它的狀態直接影響著關鍵設備的性能。在實際的車間生產中，刀具的狀態常受到各種因素的影響，例如，機械磨損、化學磨損、破碎、崩刃、粘結以及變形等。為了保證切削設備高效率地運行，準確的評估其刀具的狀態就變得尤為重要。目前，研究者多通過刀具的狀態來預測刀具的剩余壽命。而隨著加工技術不斷發展與工業4.0時代的到來，加工過程正向著智能化發展，越來越多的智能加工技術應用到其中，這也為監控刀具狀態提供了技術支持[3]。

在實際生產中，對切削刀具進行剩余壽命預測可以幫助車間生產管理者提早發現刀具的問題，針對問題采取相應的措施，避免刀具在生產過程中失效，避免切削設備的故障。從而有效提高企業生產效率、降低生產成本及保證產品質量。B.M.Karmer提出：在提高計算機集成制造系統的生產效率中，最重要的技術之一就是準確估計刀具的剩余壽命[4]。

目前，在剩余壽命預測這一研究領域中已經出現了不少有價值的研究成果。例如，楊志波等人通過運用粒子濾波近似推理算法對鉆頭進行剩余壽命的預測，建立了基于動態貝葉斯網絡的設備剩余壽命預測框架模型，取得了較為良好的效果[5]。任淑紅等人通過分析發動機性能退化過程，利用貝葉斯更新方法以及免疫粒子群優化算法建立了航空發動機剩余壽命組合預測模型[6]。奚立峰等人針對球軸承剩余壽命預測問題，基于自組織映射和反向傳播兩種神經網絡，提出了一套新的預測球軸承剩余壽命的方法體系，結果證明，該方案遠優于業界常用的L10壽命估計[7]。趙敏等人通過監測絲杠性能在不同條件下的變化趨勢，利用多變量灰色模型建立絲杠壽命與切削三要素、信號特征值的非線性映射關系，構建了基于多變量灰色模型的絲杠壽命預測模型[8]。

但針對刀具的剩余壽命預測的研究尚處于發展階段。劉銳等人提出基于BP神經網絡的刀具磨損量檢測和剩余壽命預測的方法，用銑削力信號提取的特征向量作為神經網絡的數據進行訓練和測試，取得了不錯的效果[9]。徐玲等人設計了可進化的神經網絡學習算法，采用遺傳算法訓練反向傳播神經網絡的方式進行實現。同時優化刀具切削參數的選擇，得到了較高精度的刀具壽命預測結果[10]。雖然目前針對刀具的剩余壽命預測已經出現了一些有價值的研究成果，但在監控指標選取、數據特征提取以及預測模型建立等多個方面，對刀具的剩余壽命預測問題的研究均有必要繼續深入，以獲得更加合理、準確、可靠的預測結果。

本文通過分析現階段的刀具狀態監控技術，選取效果較為理想的刀具間接測量指標，并利用信號分析處理后的小波熵值數據作為預測訓練數據，不僅消弱了信號本身噪音的影響，還降低了不同信號間的差異性，使預測模型更加通用。采用的深度神經網絡預測模型，是基于數據本身特點的預測模型，從數據中挖掘特征，并將這些特征與剩余壽命相關聯。通過大量真實數據對預測模型進行訓練，使其對壽命階段的劃分更加細化，預測更加準確。最后，通過實驗結果表明，建立的模型能夠較準確預測刀具的剩余壽命，具有較高的工業推廣價值。

1 刀具剩余壽命預測方法

通過對刀具實時監控方法、數據特征提取技術、深度神經網絡的研究，提出一套針對刀具剩余壽命的預測方法，該方法主要分為四部分：數據構建預處理、數據特征提取、狀態識別與壽命預測。

在數據構建與預處理中通過小波包分解，對特征頻帶信號進行熵值計算，采用小波時間熵、小波能量熵及小波奇異熵這三大指標度量被分析數據的不確定性，實現對分解后復雜數據的定量描述。

數據特征提取是利用小波包分解的特性提取能反應數據環境的特征頻帶信號，在此基礎上使用稀疏自編碼器對得到的熵值進行標簽化處理，通過稀疏自編碼器本身的特點及功能實現自動化的特征提取，其采用車間生產過程中真實的刀具數據進行訓練得到。

狀態識別與壽命預測的主要功能是對輸入數據進行分析。其核心是兩個并行的深度神經網絡，該網絡的建立基于大量車間真實監測數據和N個具有隨機性的刀具磨損實驗。網絡建立過程如下：

步驟1：將實驗數據分為訓練數據集T和驗證（預測）數據集V兩部分儲存到磨損數據庫中。

步驟2：將數據集中的數據進行小波包分解，得到6維的熵值存儲到原集合中。

步驟3：通過N中的數據訓練深度網絡中的“稀疏自編碼器網絡”，使其能對刀具信號進行識別。

步驟4：通過T中的數據訓練由Logistic構成的“狀態識別網絡”及由Softmax構成的“壽命預測網絡”，使其能對刀具當前狀態和剩余壽命進行識別和預測。

步驟5：將“稀疏自編碼器網絡”分別與“狀態識別網絡”和“壽命預測網絡”相連接得到兩個并行深度神經網絡。（后文給出該過程的具體實現方法）

預測方法如圖1所示。首先，采集切削刀具在相同的工件材料、刀具材料、切削參數下的不同磨損狀態的數據，并對采集的數據進行預處理，通過小波包分解提取能反應刀具狀態的特征頻帶信號，并對其進行熵值化處理，得到小波時間熵、小波能量熵及小波奇異熵，組成神經網絡數據樣本集。

然后，通過由稀疏自編碼器對數據進行特征提取，將特征提取后的數據輸入到狀態識別網絡和壽命預測網絡中，其會得到兩部分結果，即刀具當前狀態和剩余壽命，將其合并后得到最終結果。

為解決傳統預測方法中因刀具處在急劇磨損狀態下無法準確計算其壽命的問題，本文對刀具所處狀態進行了識別，若刀具當前為急劇磨損狀態則使用通過急劇磨損狀態下刀具數據訓練的預測網絡進行壽命預測，進一步提高預測的準確性。

2 刀具磨損狀態監控分析技術

2.1 刀具狀態監控信號

刀具狀態監控信號作為刀具切削狀態的體現，是判斷刀具磨損狀態的數據基礎，精準的刀具狀態監控信號能夠完整、充分的展示刀具的生產狀態。對刀具狀態進行定量、定時地監控采樣，分析刀具磨損情況和剩余壽命，對于提高生產效率有著重大的意義。傳統的刀具狀態監控主要通過切削聲音、切削時間等直接測量指標來綜合判斷刀具的生產狀態，導致刀具磨損分析過程存在主觀性過強的問題[11]。

因此，本文從切削力、切削振動、功率消耗、切削溫度、表面粗糙度等指標著手，盡可能的還原真實刀具狀態。其中切削力與切削振動兩項指標，具有靈敏度高、響應快等優點，更符合刀具磨損狀態監控的要求，所以選擇這兩項作為研究重點。本文通過控制變量的方法，盡可能的保證在同一時間段、同一環境下、相同參數與相同材料下采集這兩種信號。這兩個與刀具狀態密切相關的間接測量信號，即可以解決直接測量指標主觀性過強的問題，還可以克服單一監控信號提供的特征出現扭曲和不完全的情況。在保證監控分析可靠性和準確性的基礎上，盡可能地降低監控復雜度[12]。

2.2 小波熵磨損指標

由于刀具磨損是切削熱、切削力等因素耦合作用的過程，使得刀具失效形式多樣，表現形式多樣，刀具磨損具有多特征，非線性特征強等特點。因此從復雜的刀具監控信號中提取有用的信息，消除背景噪音對刀具磨損狀態帶來的影響顯得尤為重要。本文采用小波包分析方法實現刀具信號的特征提取，通過對信號進行小波包分解，得到每一頻帶內振動信號的變化規律，并從中提取反應信號環境的特征頻帶信號。

小波包分析方法作為小波分析方法的推廣，克服了小波分析在低頻段的時間分辨率較差，在高頻段的頻率分辨率較差的問題，在時頻兩域都具有表征信號局部特征的能力，是一種窗口大小固定不變，但其形狀、時間窗、頻率窗都可改變的視頻局部化分析方法[13]。本文基于小波熵理論，根據信息不確定性、不規則程度以及復雜程度等三方面，選取小波時間熵，小波能量熵和小波奇異熵三種小波熵制定小波熵磨損指標，實現對分解后復雜信號指標的定量描述[14-16]。

通過對刀具切削力信號和刀具切削振動信號進行高低頻分離，利用上述三類小波熵值對非穩態諧波部分進行特征提取。使得在任何生產時刻，任意刀具信號都將對應一組六個元素的向量，分別代表切削力信號和切削振動信號的變化，該向量作為刀具切削特征的綜合體現可作為神經網絡的重要輸入參數。

2.3 基于BSR指標的刀具狀態識別

針對刀具指標繁多且無法準確體現刀具磨損趨勢的問題，Qiu H等人提出了基于SOM神經網絡的最小量化誤差（MQE）指標[17]，該指標可以反映出刀具所處的狀態，但其實現和運用過程復雜，且其準確度與訓練數據的規模成正比。在實際訓練環境中，往往很難判斷設備是否真正處在正常階段，且實際情況是正常狀態指標中夾雜著很多非正常狀態的噪點，這些干擾會使得該模型的基準值產生誤差。并且MQE指標作為通用狀態指標，并沒有針對刀具數據進行相關優化。

為更好的對刀具狀態進行識別，本文借鑒了MQE指標的理論和方法，在其基礎上簡化磨損指標，提出了針對刀具信號特點的新的高容錯狀態識別指標（bit tool state recognition，BSR），該指標由深度神經網絡計算得出，網絡的輸入為經過熵值化處理的切削力和切削振動兩項數據，通過網絡內的稀疏自編碼器對輸入進行自編碼，得到一維的輸出結果。

BSR=fsa（x1，x2，x3，x4，x5，x6）

其中，函數fsa是激活函數為ReLU的稀疏自編碼器，輸入{x1，x2，x3}為切削力信號在某一時刻的三維熵值，{x4，x5，x6}為切削振動在此刻的三維熵值，函數輸出的結果即為該時刻的BSR指標。與此同時，人為的根據加工精度及表面粗糙度等因素對輸入數據的刀具狀態進行標簽化處理，得到正常磨損狀態刀具樣本與急劇磨損狀態樣本，使用該樣本對網絡內的Logistic分類器進行訓練，使其可以識別刀具的狀態，如圖2所示。

通過BSR指標的計算，可以將刀具的磨損周期劃分為正常磨損和急劇磨損兩個階段，如圖3所示。刀具在正產磨損下的狀態數據與急劇磨損下的狀態數據有著明顯不同，為得到針對性更強的預測模型以提高預測的準確性。將兩個狀態下的刀具數據進行分別提取，訓練兩個不同狀態下的神經網絡是十分必要的。因此，本文通過分析BSR值的變化，確定刀具是否處的磨損狀態，從而產生了兩段式的剩余壽命預測方法，該方法可有效縮短預測模型訓練過程中的數據捕獲時間，并提高預測結果的準確率。

同時為避免無關因素產生的波動，對預測結果造成干擾，對BSR指標的判斷過程增加了緩沖機制，當BSR數值進入急劇磨損區間時，并不會立即判定刀具進入急劇磨損狀態，而是根據緩沖階段結束后的BSR數值進行判斷，有效的提高了BSR指標容錯性。

3 基于深度神經網絡的預測模型

針對刀具剩余壽命預測問題存在時序性、唯一性以及復雜性等特點，本文在參考多種神經網絡預測算法的基礎上，建立了基于深度神經網絡的預測模型。該預測模型充分考慮到刀具磨損信號的變化特點，針對刀具在不同磨損狀態下，其狀態數據非線性增強的問題，本文采用多網絡相結合的方式進行組合預測，進一步提升刀具狀態預測的準確性。該模型由兩個并行的深度神經網絡構成，其主要包含3個部分，分別是稀疏自編碼器網絡和用于壽命預測的Softmax子網絡及用于狀態識別Logistic子網絡。該模型訓練及預測過程如圖4所示。

3.1 深度神經網絡

深度神經網絡簡單來說即含有多個隱藏層的神經網絡。相比傳統神經網絡，深度神經網絡的特點是善于從無標簽數據中自我學習，得到網絡自己的數據標識，一切結果皆有數據本身產生。本文的深度神經網絡由經過修改的稀疏自編碼器網絡和Softmax回歸分類器及Logistic回歸分類器組成，這其中稀疏自編碼器分別和兩個分類器相組合，實際上為兩個并行的深度網絡。

深度神經網絡的構建主要輸入內容有：①車間樣本中刀具正常磨損狀態下的監控數據熵值集合HS;

②車間樣本中刀具急劇磨損狀態下的監控數據熵值集合FS;

③車間中個生命周期采樣點個數N;

④實驗樣本中刀具正常磨損狀態下的數據熵值集合THS;

⑤實驗樣本中刀具急劇磨損狀態下的監控數據熵值集合TFS;

⑥實驗樣本中采樣時刻t時刀具實際剩余壽命集合Tt;

⑦實驗中采樣點總個數NT。

最重輸出：

深度神經網絡預測模型SASMSL;

3.1.1 稀疏自編碼器子網絡構建

該網絡可以用無標簽數據進行訓練，其主要功能是對監測數據進行自動編碼和分類，找到數據本身的特點，并根據此特點對數據進行標簽化處理。

其構建過程如下：

1）將集合HS和FS合并，根據實際車間情況，共取3臺設備上的120個刀具在1個生命周期內的監測數據，其熵值數據矩陣：

3.2 數據合并與輸出處理

通過以上步驟即可生成預測模型SASMSL，其主要包含網絡Fsasm和Fsasl兩部分，Fsasm主要功能是通過實時的監測數據，對刀具的剩余壽命進行預測;而Fsasl對刀具所處階段進行劃分，輔助Fsasm網絡進行壽命預測。

首先，根據上文中BSR指標的特點，對Fsasl網絡的輸出進行處理。增加狀態緩沖區，即當監控數據進入急劇磨損區間時，不會立即將刀具置為急劇磨損狀態，而是以刀具離開緩沖區時的狀態為準，這有效減少了外界干擾所帶來的影響，而當刀具一旦處于急劇磨損期，即使其數據由于隨機因素等原因，表現的和正常磨損狀態相同，但由于其進入緩沖區時的狀態為急劇磨損，模型也不會將其置于正常狀態。

其次，根據Fsasl網絡輸出的不同刀具狀態，選擇不同的預測網絡進行壽命預測，當所處狀態為正常磨損時，使用通過THS集合訓練的 Fsasm網絡進行預測，當所處狀態為急劇磨損時，使用通過TFS集合訓練的 Fsasm網絡進行預測。

最后，將刀具狀態和刀具壽命兩部分預測結果，進行整理合并，得到最終的輸出結果，用戶可以根據結果自行判斷是否需要更換刀具等操作。

4 案例驗證

參照上一節中深度神經網絡的建立和訓練過程，采用實際車間中的歷史數據作為訓練樣本，樣本以設備為單位，共取3組具體內容如下：

組1樣本所用的刀具為XF8型重型硬質合金車刀，涂層類型為復合涂層;工件材料為加氫筒節鍛造毛坯[18]。樣本具體參數樣例：刀具幾何參數γ0/°=15、α0/°=4、εr/°=90、λs/°=0，切削速度分別為20/（m/min）、30/（m/min）、40/（m/min）、50/（m/min），切削深度ap/mm=20，進給量f/（mm/r）=2.0。

組2樣本所用的刀具為自制切削TCMC120408;工件材料為45鋼（HB180）[19]。樣本具體參數樣例：刀具幾何參數γ0/°=5、α0/°=7、rε/mm=0.8，切削速度為80～138/（m/min），進給量為0.2～0.3 mm/r，切削深度ap/mm=2.5。

組3樣本所用的刀具為環形銑刀，尺寸為D12r3;涂層類型為TiSiN;工件材料為淬硬鋼，長×寬×高為60mm×100mm×80mm，硬度為45HRC、51HRC、61HRC;切削方式為順銑[20]。樣本具體參數樣例：刀具參數第一后角8°、第二后角13°、螺旋角30°、齒數2、刀具直徑12mm、主切削刃半徑3mm，切削速度為120/（m/min），切削寬度ae/mm=0.4，軸向切深ap/mm=0.2，每齒進給量f/（mm/z）=0.15。

為減小篇幅不一一列舉每組具體加工參數。其中每個樣本的取樣區間為刀具的一個生命周期，考慮到刀具磨損的連續性和漸進性，系統每10s采集一次數據，每組包含了切削設備上所有刀具的加工數據，每組數據中隨機選取一部分樣本作為測試數據，其余為訓練數據。具體數據如表1所示。

在訓練完畢后使用測試樣本對并行深度神經網絡進行測試，3組共15個樣本，其中進入急劇磨損狀態的有9例，模型識別的結果與實際相同。壽命預測結果根據不同組別稍有差異，驗證實驗分別在加工開始1分鐘后和剛進入急劇磨損狀態時對刀具進行壽命預測，結果如圖5所示。

根據實驗數據計算得到其在正常磨損階段的壽命預測準確度為87.8%，全部磨損階段的壽命預測精度為78.3%，其中狀態預測準確度為96.75%。

為了更好地展現所提模型的優勢，對不同的預測模型的預測能力進行了研究，實驗中將預測模型SASMSL與BP、SVM分類器、單Softmax分類器進行了比較，其中還加深了BP神經網絡的深度，采用雙隱藏層BP（300～100）神經網絡，與文中算法實現的深度神經網絡進行綜合對比。比較結果一同展示在表2中，表中試驗結果都是由10次隨機試驗所得結果取平均值而得。從表中數據可以看出基于深度神經網絡的預測模型能準確的對剩余壽命進行預測，并且預測效果整體上比其他神經網絡好，而且表中數據也顯示，BP神經網絡中神經元數量越多，其準確率不一定越高，也可能會導致過擬合。

5 結 論

針對切削刀具的剩余壽命預測問題，建立了并行深度神經網絡預測模型，一方面利用小波包分解及稀疏自編碼對特征提取的優勢，實現對刀具信號標簽化處理;另一方面采用Logistic回歸模型，實現對刀具磨損階段的劃分;采用Softmax回歸模型，在磨損階段預測的輔助下實現刀具剩余壽命預測。

提出的基于深度神經網絡刀具剩余壽命預測方法，相比傳統的神經網絡預測方法，具有更強的優化能力，能夠學習到數據深層次的特征，訓練數據的獲取難度也更低。同時，還提出了新的刀具狀態度量指標BSR，其通過使用深度神經網絡計算得出，該網絡訓練成本低，不需要大量的“標簽化”數據即可訓練。BSR指標將刀具的生命周期劃分為正常磨損和急劇磨損兩個階段，通過計算BSR數值可以有效的識別刀具所處階段，針對不同階段使用不同的預測網絡進行壽命預測。提高了預測模型的針對性，充分運用了不同狀態下的數據特征，有效的提高了非線性特征較強的急劇磨損狀態下的預測精度。

最后，通過在切削設備上進行驗證實驗，驗證了該預測模型在刀具剩余壽命預測過程中的正確性和準確性，也為此模型在其他領域中的剩余壽命預測問題提供了參考。

參 考 文 獻：

[1] 謝規良， 孫樹棟， 劉冉， 等. 基于關鍵設備的計劃調度模型與應用[J]. 航空制造技術， 2003（5）：37.

[2] 李海清， 涂海寧， 劉建勝， 等. 制造執行系統中基于狀態的關鍵設備預防性維護研究[J]. 機械設計與制造， 2006， 12（7）： 178.

[3] 劉獻禮，劉強，岳彩旭， 等. 切削過程中的智能技術[J/OL]. 機械工程學報， 2017（6）： 1.

[4] KRAMER B. M.， VONTURKOVICH B. F. A Comprehensive Tool Wear Model[J]. Cirp AnnalsManufacturing Technology， 1986， 35（1）：67.

[5] 楊志波， 董明. 動態貝葉斯網絡在設備剩余壽命預測中的應用研究[J]. 計算機集成制造系統， 2007， 13（9）： 178.

[6] 任淑紅， 左洪福. 基于性能衰退的航空發動機剩余壽命組合預測方法[J]. 機械科學與技術， 2011， 30（1）： 23.

[7] 奚立峰， 黃潤青， 李興林， 等. 基于神經網絡的球軸承剩余壽命預測[J]. 機械工程學報， 2007， 43（10）： 137.

[8] 趙敏， 高宏力， 許明恒， 等. 多變量灰色模型在滾珠絲杠剩余壽命預測中的應用[J]. 計算機集成制造系統， 2011， 17（4）： 846.

[9] 劉銳， 王玫， 陳勇. 銑刀磨損量檢測和剩余壽命預測方法研究[J]. 現代制造工程， 2010（6）： 102.

[10]徐玲， 楊丹， 王時龍， 等. 基于進化神經網絡的刀具壽命預測[J]. 計算機集成制造系統， 2008， 14（1）： 167.

[11]劉宇， 汪惠芬， 劉庭煜. 一種基于多特征和支持向量機的刀具磨損狀態識別技術[J]. 制造業自動化， 2016， 38（5）： 132.

[12]李威霖. 車銑刀具磨損狀態監測及預測關鍵技術研究[D]. 成都：西南交通大學，2013.

[13]周喜壽. 基于小波包分析和BP神經網絡的車牌識別算法的研究[D]. 成都：西南交通大學，2010.

[14]王登， 苗奪謙， 王睿智. 一種新的基于小波包分解的EEG特征抽取與識別方法研究[J]. 電子學報， 2013， 41（1）： 193.

[15]何正友， 蔡玉梅， 錢清泉. 小波熵理論及其在電力系統故障檢測中的應用研究[J]. 中國電機工程學報， 2005， 25（5）： 38.

[16]張華榮. 基于小波熵的變形信號分析方法研究[D]. 淄博：山東理工大學，2012.

[17]QIU H， LEE J， LIN J， et al. Robust Performance Degradation Assessment Methods for Enhanced Rolling Element Bearings Prognostics[J]. Advanced Engineering Informatics， 2003，17（4）：127.

[18]劉獻禮，劉銘，何耿煌， 等. 重型切削過程硬質合金刀片的沖擊破損行為[J]. 機械工程學報，2014，50（23）：175.

[19]何耿煌，吳沖滸，劉獻禮， 等. 可轉位刀片斷屑槽斷屑性能及其槽構技術研究[J]. 哈爾濱理工大學學報，2015，20（3）：13.

[20]袁帥. 環形銑刀銑削拼接淬硬鋼模具切削性能研究[D].哈爾濱：哈爾濱理工大學，2017.

（編輯：關 毅）