基于多傳感器信息決策級融合的刀具磨損在線監測

李恒， 葉祖坤， 查文彬， 王禹林

(1.南京理工大學 計算機科學與技術學院， 江蘇 南京 210094； 2.中國船舶集團有限公司第七○五研究所昆明分部， 云南 昆明 650106；3.南京理工大學 機械工程學院， 江蘇 南京 210094)

0 引言

刀具損傷狀態監測技術是機械加工過程中不可或缺的重要組成部分，在學術界和工業界受到廣泛關注[1]。機械加工過程中，刀具在切削力和切削熱的共同作用下，易發生不可預測的損傷，現場工人大多憑經驗估計刀具損傷程度以及是否更換刀具，易造成刀具遠未到使用壽命就被更換，導致刀具浪費[2]；或刀具過度損傷后才被更換，造成零件報廢、機床故障甚至人員傷亡。為提高刀具利用率，同時保證加工質量、減少制造環境危害，需要對刀具損傷狀態進行高效、高精度的監測[3]。

目前關于刀具損傷狀態監測技術的研究主要集中在機器視覺監測和傳感器信號監測。機器視覺法是通過在位采集刀具損傷圖像，進而通過圖像處理技術從圖像中提取損傷信息[4]。然而該方法對光線敏感，在油霧粉塵機加環境下無法采集到高質量圖像。傳感器信號監測法利用傳感器信號間接反映刀具損傷情況，是目前研究最廣泛的方法。Shi等通過測力儀獲得切削過程中的切削力數據，建立刀具磨損預測模型來表征刀具失效狀態[5]；張鍇鋒等[6]通過研究加工過程中聲發射(AE)信號變化進行刀具磨損評估；Peter等[7]基于振動信號在線監測螺紋絲錐的磨損狀態，研究了不同磨損狀態下的振動頻譜；Akbari等[8]研究了主軸電機電流對刀具磨損的間接測量，通過測量電流信號檢測刀具磨損和刀具破損。然而單一傳感器監測法獲取的信息具有局限性，并不能完全可靠地反映刀具損傷情況。為了提高刀具損傷監測系統的可靠性與監測精度，一些學者提出多傳感器信息融合的刀具損傷監測方法。例如，Fu等[9]融合AE、振動、切削力、電流4種傳感器，提出了基于神經模糊模式識別的刀具狀態監測方法；Duo等[10]從切削力、振動、聲壓以及AE等多種信號中提取統計特征，預測鉆削過程中刀具磨損。然而目前關于多傳感器信息融合的研究大多是將提取的傳感器信號特征合并為一個特征輸入向量，直接輸入模型進行刀具損傷預測，屬于特征級層面的信息融合，然而由于各傳感器信號間數據類型不一致及對刀具磨損敏感程度不一致，特征全部混合將會相互干擾，導致網絡反向傳播過程中，對傳感器A重要的權重修正系數傳播至傳感器B，傳感器B的權重修正系數傳播至傳感器A，嚴重影響監測效果。近年來，深度學習愈發火熱，許多學者亦采用深度學習方法研究刀具損傷，Huang等[11]提出了一種基于深卷積神經網絡多域特征融合的刀具磨損預測方法。Zhao等[12]考慮采集數據具有時間序列數據的性質，提出了一種基于長短時記憶神經網絡(LSTM)的刀具磨損監測方法。此類利用深度學習的方法目前仍然沒有解決信息融合過程中信號間的相互干擾問題，其本質仍然屬于特征層面融合。關于信息決策層融合的刀具損傷監測目前鮮有學者研究。Zhang等[13]利用支持向量機(SVM)集成模型實現信息決策級融合以監測刀具損傷，但由于SVM不擅長學習高度復雜的非線性關系，其多用于狀態分類，在刀具損傷狀態識別方面具有較好效果，而在刀具損傷量動態預測方面效果不佳，監測準確率僅能達到90%左右，實際應用中易造成誤診斷。同時SVM算法監測效果的優劣取決于支持向量，未被模型選中作為支持向量的訓練數據樣本其特征將無法被學習。相比而言，神經網絡對于高度復雜的非線性關系具有非常強的學習能力，且每個訓練數據樣本均能被神經網絡模型所學習，為神經網絡提供越多的訓練數據，其網絡性能越優異。

本文利用多層神經網絡(MLP)搭建一種基于多傳感器信息決策級融合的刀具磨損在線動態監測模型。該監測模型通過對采集的振動、力、AE傳感器信號進行時域、頻域、時頻域特征提取，將傳感器信號特征按傳感器類型劃分為獨立樣本，分別利用每一種類型的傳感器信號特征樣本對同一個刀具磨損量進行回歸預測，實現單一傳感器信號特征到刀具損傷量的子映射，進而對每一個傳感器信號特征預測得到的刀具磨損量進行綜合決策，最終決策出刀具磨損量。有效避免了傳感器信號間因數據類型不一致及對刀具磨損敏感程度不一致而對預測結果產生的干擾，實現刀具損傷量的高精動態預測。與現有研究方法相比，具有較大優勢，預測均方誤差僅為0.114×10-4，平均絕對誤差僅為2.33×10-3，決定系數可達0.993，平均預測準確率可達97.9%，預測時間僅為0.016 s.

1 基于多傳感器信息決策融合的刀具磨損監測模型

1.1 刀具損傷在線監測框架

基于多傳感器信息決策融合的刀具損傷在線監測框架如圖1所示，采集數控加工中心工作過程中與反映刀具損傷相關的切削力(FX、FY、FZ)、振動信號(AX、AY、AZ)和AE信號，并對采集的信號進行時域、頻域以及時頻域特征提取，進而對特征數據進行決策級融合，建立多傳感器信息到刀具損傷量的預測模型。為保證模型對刀具損傷值預測的準確性，使用網格搜索和交叉驗證的方法尋找最優模型參數，最終訓練學習得到一個最優模型。保存模型應用于數控加工中心，將加工現場采集的傳感器信號數據輸入模型，即可預測獲得當前加工刀具的損傷量。

圖1 刀具磨損在線監測框架Fig.1 On-line tool wear monitoring framework

1.2 多傳感器信號特征提取

為建立切削力(FX、FY、FZ)、振動信號(AX、AY、AZ)、AE信號與刀具損傷間的高精度映射模型，同時降低數據復雜度、提高預測模型的實時性，首先需要對原始數據進行預處理，提取傳感器信號中能夠有效反映刀具損傷狀態的特征。經研究，同時提取信號的時域、頻域以及時頻域能夠有效表征刀具磨損特征，同時不會造成信息冗余[13]。因此本文分別對各傳感器信號進行時域、頻域以及小波域分析，提取13種時域類特征如(1)式～(13)式、5種頻域類特征如(14)式～(18)式以及64個小波包能量特征如(19)式，其中小波包能量特征通過對各傳感器信號分別進行6層小波包分解而提取得到。進而將提取的不同類型特征組成特征向量X=[x1,x2,…,xi,…,xn]，n為特征向量的維數。

(1)

(2)

Xmax=max{xi}，

(3)

Xmin=min{xi}，

(4)

Xp=Xmax-Xmin，

(5)

(6)

(7)

(8)

(9)

(10)

(11)

(12)

(13)

(14)

(15)

(16)

(17)

(18)

(19)

1.3 多傳感器信息決策融合網絡構建與優化

圖2所示為多傳感器信息決策融合網絡結構，主要包含數據輸入層、子決策層、綜合決策層。數據輸入層負責對數據進行預處理，提取各傳感器的多維特征輸入系統；子決策層將提取的多維特征按傳感器類型劃分為多個獨立特征樣本，每一個特征樣本組成一個多維特征向量，進而對每一個傳感器的特征樣本進行融合，利用每一種類型的傳感器信號特征樣本對同一個刀具磨損量進行回歸預測，實現單一傳感器信號特征到刀具損傷量的子映射；綜合決策層對每一個傳感器信號特征預測得到的刀具磨損量進行綜合決策，最終決策出刀具磨損量。

圖2 多傳感器信息決策級融合網絡Fig.2 Multi-sensor information decision-making level fusion network

子決策層劃分后每一個獨立特征樣本是由各傳感器信號的時域、頻域以及時頻域特征組成的82維特征向量，為了避免特征向量樣本數據中量綱不統一以及異常數據導致網絡無法收斂的問題、提高網絡的學習速度和泛化能力，需要對各傳感器特征組成的多維特征向量進行標準化處理，原理如(20)式所示：

(20)

式中：Z為經過標準化處理后的多維特征數據，可以直接作為多傳感器信息決策級融合網絡的直接輸入；μ為特征數據的均值；σ1為多特征數據的方差。

由于MLP具有對多特征復雜的非線性表征能力，針對本文所提信息決策級融合網絡結構，子決策層與綜合決策層均采用圖3所示3層神經網絡進行融合與綜合決策。神經網絡各層映射關系如(21)式所示，對于子決策層，每一個神經網絡的輸入為每一個獨立特征樣本組成的特征向量，輸出為單一傳感器信號特征到刀具損傷量的子映射結果，對于綜合決策層，神經網絡的輸入為多個特征樣本對同一個刀具磨損預測得到的多個結果組成的特征向量，輸出為刀具磨損量綜合決策結果。

圖3 神經網絡結構Fig.3 Neural network structure

(21)

式中：a1，a2，…，ak,…,al構成隱含層輸出向量A=(a1，a2，…，ak，…，al)；y1，y2，…，yj，…，ym構成輸出層輸出向量Y=(y1，y2，y3，…，yj，…，ym)；vik為輸入層輸入xi對隱含層輸出ak間的權重系數；pik為輸入層輸入xi對隱含層輸出ak間的偏置；wkj為隱含層輸出ak對輸出層輸出yj間的權重系數；qkj為隱含層輸出ak對輸出層輸出yj間的偏置。

為保證模型對刀具損傷量預測的準確性，分別對子決策層與綜合決策層的各神經網絡進行參數調優。如表1所示，激活函數、求解器、隱含層神經元個數3個模型參數組成三維網格空間，形成不同的參數組合，利用網格搜索算法遍歷三維網格空間{激活函數、求解器、隱含層神經元個數}，同時利用交叉驗證判斷每種參數組合下對應模型的性能，選擇使模型性能最優的參數組合作為最優參數，圖4所示為5折交叉驗證示意圖。

表1 參數范圍

圖4 5折交叉驗證示意圖Fig.4 Schematic diagram of 5-fold cross validation

表2所示為經過多次調試得到的最優參數表。由表2可知：子決策層中，各神經網絡的輸入為82維特征向量，輸出為子決策損傷量，故設置子決策層中各神經網絡的輸入層神經元個數為82，輸出層神經元個數為1；綜合決策層中，神經網絡的輸入是FX、FY、FZ、AX、AY、AZ、AE等7個傳感器信號子決策結果組成的7維特征向量，輸出為綜合決策損傷量，故設置綜合決策層中輸入層神經元個數為7，輸出層神經元個數為1.

表2 最優模型參數設置表

1.4 模型訓練

模型搭建完成后，需對模型進行學習訓練，即進行權重系數與偏置的更新，通過多次迭代計算獲取權重系數W與偏置b.刀具損傷預測模型訓練流程圖如圖5所示。

圖5 模型訓練流程圖Fig.5 Flow chart of model training

將數據樣本總量按3∶1隨機劃分為學習樣本和驗證樣本。學習樣本用于迭代修正W與b，驗證樣本用于測試模型。損失函數如(22)式所示，將預測值與真實值的均方誤差MSE作為損失函數。參數W與b按(23)式、(24)式進行迭代更新。隨著訓練次數的增加，W與b不斷更新，損失函數逐步收斂至最小。保存使學習樣本損失函數最小的W與b，至此完成模型訓練，得到最終監測模型用于數控加工中心預測刀具損傷。若MSE不收斂，則調整模型結構參數繼續進行迭代訓練。

(22)

(23)

(24)

式中：m為樣本數；ys為實際值；s為預測值；Wn、bn為修正后的權重與偏置；Wo、bo為當前權重與偏置；η為學習率。

2 基于多傳感器信息決策級融合的刀具磨損監測

2.1 實驗條件

為了驗證基于MLP及多傳感器信息決策級融合的刀具損傷在線監測模型的有效性，本文采用美國PHM協會在2010年舉辦的刀具磨損預測比賽的公開數據集[14]。實驗所用機床型號為德國R?ders Tech公司產RFM760高速數控銑床，所用刀具為三刃硬質合金球頭銑刀，切削工件材料為不銹鋼(硬度52HRC)，實驗切削參數設置及實驗硬件平臺的主要參數分別如表3、表4所示[15]。

表3 實驗切削參數

表4 實驗硬件平臺的主要參數

圖6所示為刀具損傷在線監測結構圖。實驗中，采集數控加工中心工作過程中與刀具損傷狀態相關的切削力、振動和AE信號，并通過多通道數據采集卡傳入計算機。同時在每一次刀具完成工件端面銑削后拆卸刀具，使用顯微鏡測量刀具后刀面損傷量。所測量的每一個刀具損傷值與每次采集的切削力(FX、FY、FZ)、振動信號(AX、AY、AZ)、以及AE信號對應。

圖6 銑削實驗設備及結構圖Fig.6 Milling experimental equipment and structure

2.2 實驗設計

為了驗證本文所提基于MLP及多傳感器信息決策級融合的刀具損傷在線監測模型的有效性及優越性，本文使用相同的樣本數據集，將本文所提方法與以下5種典型方法進行對比：

1)基于MLP與單一傳感器信息監測[6](見圖7)。

圖7 模型1Fig.7 Model 1

2)基于SVM與單一傳感器信息監測[15](見圖8)。

圖8 模型2Fig.8 Model 2

3)基于MLP與多傳感器信息的特征層融合監測[9](見圖9)。

圖9 模型3 Fig.9 Model 3

4)基于SVM與多傳感器信息的特征層融合監測[14](見圖10)。

圖10 模型4Fig.10 Model 4

5)基于SVM與多傳感器信息的決策層融合監測(見圖11)。

圖11 模型5Fig.11 Model 5

以上5種對比模型均采用網格搜索算法與交叉驗證獲取最佳模型參數，以最優模型預測刀具損傷量。本文通過比較均方誤差MSE、平均絕對誤差MAE、決定系數R2和準確率A4種指標判斷模型預測效果，如(24)式、(25)式～(27)式所示。

(25)

(26)

(27)

2.3 實驗結果與分析

圖12所示為利用本文所提刀具損傷監測模型對3把球頭銑刀所預測的刀具損傷量與真實損傷值的對比曲線圖。由圖12可見，刀具每完成一次工件端面銑削為一次切削循環，3把刀具從新刀到磨損均進行了315次切削循環。同時對比表5中各模型預測結果可以發現：單一傳感器監測模型1與模型2監測效果最差，本文利用MLP搭建的基于多傳感器信息決策級融合的刀具磨損在線動態監測模型效果最好，監測準確率高達97.9%；與現有的其他融合方法相比，本文所提刀具損傷在線監測模型依然效果突出，預測結果的均方誤差、平均絕對誤差、決定系數以及預測準確率等指標均進一步提升，平均預測準確率至少提升4%以上；預測時間僅為0.016 s，能夠實現實時動態預測。

表5 不同模型下的刀具磨損量動態預測性能對比

圖12 基于多傳感器信息決策級融合的刀具磨損在線 監測模型在3把刀具上的預測結果Fig.12 Predicted results of tool wear online monitoring model based on multi-sensor information decision-making level fusion for three tools

3 結論

本文提出一種基于多傳感器信息決策融合的刀具磨損在線監測模型，實現了刀具損傷的在線高精動態預測，平均預測準確率可達97.9%，可有效應用于實際加工過程中，實時掌控刀具損傷狀態，保證加工質量，提高生產效益，降低制造環境危害。得到主要結論如下：

1)通過將提取的傳感器信號特征按傳感器類型劃分為獨立樣本，解決了傳感器信號間因數據類型不一致及對刀具磨損敏感程度不一致而相互干擾，對預測結果產生影響的難題。

2)分別利用每一個獨立特征樣本對同一個刀具磨損量進行回歸預測，進而對每一個獨立樣本預測得到的刀具磨損量進行綜合決策，最終決策出刀具磨損量，進一步提高了刀具磨損預測準確率。

3)本文方法與現有其他5種研究方法相比，刀具磨損預測準確率至少提升4%以上，預測時間僅為0.016 s，能夠實現實時動態預測，具有較大優勢。