基于工業互聯網云計算處理的刀具磨損值預測與分析

張慶華 龍 偉 李炎炎 魏鴻飛 湯高豐

（1、四川大學機械工程學院,四川 成都 610065 2、成都中創一佳科技公司,四川 成都 610065）

工業互聯網憑借5G 等信息技術的優勢，共享工業現場的信息，消除信息隔離現象，能夠實現高效配置資源，整合內部資源、協調內外資源，是制造業智能化升級不可或缺的基礎設施。設備狀態與故障預警是工業物聯網中的重要研究領域。在數控機床切削加工過程中，刀具直接作用于被加工工件，去除工件上多余的材料，從而形成加工表面。因此，刀具的磨損情況與被加工工件的表面質量直接相關。如果使用超過磨損閾值的刀具加工工件，則會導致工件不合格，甚至引發機床安全事故[1]；而更換磨損量沒有達到閾值的刀具則沒有充分利用刀具的價值，提高生產成本，且更換刀具后將會帶來二次裝夾與重新對刀的問題。以往，數控機床是否需要更換刀具通常由現場技術人員憑借個人經驗進行大致的判斷。但是這種判斷是基于工作經驗的，其準確性則因人而異，缺少客觀性。錯誤的判斷會造成資源的浪費，而且通過人工判斷是否需要更換刀具與數控機床智能化的發展方向不符。因此，刀具磨損智能監測研究對于設備狀態監測與預測性維護意義重大。

數控機床在進行切削加工時產生了大量數據，很多數據并沒有得到有效運用，造成資源的浪費。通常，數控機床采集到的數據不能直接進行應用，需要進行進一步的處理和數據挖掘，而在工業互聯網的框架中研究刀具磨損監測，就可以及時、高效地對采集到的數據加以利用，實現工業互聯網中的刀具磨損智能監測。

刀具磨損監測方法通常可以分為基于統計模型的方法與基于數據驅動的方法。由于預測精度高、建模方便，本文采用基于數據驅動的方法實現刀具磨損監測。在數據驅動方法中，通常使用機器學習或深度學習方法處理刀具磨損信號數據，進行刀具磨損狀態識別或剩余壽命預測。刀具磨損信號則由與機床連接的數據采集設備進行采集。然后利用信號處理技術提取信號特征，得到對刀具磨損敏感的特征，用以刀具監測。構建刀具磨損監測模型首先要獲取完整的刀具磨損數據，后續的刀具磨損值預測研究在PHM 2010 數據集[2]的基礎上進行。該數據集中包含了大量的原始數據，信息密度低，為減少計算量，需要通過數據分析剔除無效數據。為了后續進行刀具磨損狀態識別，還需要提取并篩選刀具磨損相關的特征。

1 基于VMD 的特征提取

1.1 VMD 分解

時頻域分析方法能夠同時展現信號時域與頻域的分布信息[3]，相較于其它特征分析方法具有獨特優勢。本文采用變分模態分解[4](Variational Mode Decomposition,VMD)進行時頻域分析。VMD 是近幾年才被提出的信號處理方法，不同于其它模態分解方法，VMD 使用迭代搜索的方式得到各個模態的中心頻率和帶寬。VMD 對于振動信號等非平穩信號具有良好的處理效果，因此常被用于故障診斷領域中的信號處理。

采用VMD 對X、Y、Z 三向振動信號進行分解，在進行分解時，分解數K 的取值至關重要，過小的K 值會導致信號分解不充分，達不到預期效果；過大的K 則會使不同分量的頻率之間出現重疊。按照這種方法，經過多次嘗試，最終確定在VMD 分解時，X 方向振動信號的K應設置為4；Y、Z 方向振動信號的K 均設置為3。確定好分解數K 之后，使用VMD 將信號分解為IMF 分量。

1.2 特征提取與特征選擇

經過VMD 分解后，振動信號被分解為不同頻率的IMF 分量，各IMF 中所包含的刀具磨損相關信息也有所不同。為了更加精確地得到刀具磨損量敏感特征，在特征提取提階段，將各IMF 作為輸入信號提取特征。為了獲取對刀具磨損量高度敏感的特征，在進行特征提取時應覆蓋盡可能多的特征，本文選取了18 各特征進行提取。而為了減少計算量，需要篩選出對刀具磨損量敏感的特征作為刀具磨損監測模型的輸入。本文使用灰色關聯度分析與皮爾森相關系數法聯合進行特征選擇，分別計算每一特征與刀具磨損量的關聯度和相關系數。判斷特征是否與刀具磨損量高度相關的標準為：該特征與刀具磨損量的相關系數與關聯度均應超過所設定的閾值(0.9)。

經過特征選擇后，符合條件的特征共有16 個，如表1 所示，即組成16 維的特征向量作為模型的輸入。

表1 特征選擇結果

2 鯨魚算法優化極限學習機模型

為實現刀具磨損監測，本文引入極限學習機(ELM)模型，并針對ELM 的權值和隱層偏差取值問題，使用鯨魚算法進行優化。

2.1 極限學習機

極限學習機分為輸入層、隱藏層和輸出層[5]。假設xi和yi分別為輸入數據集X 和輸出數據集Y 的第i 個數據；d，l 和m 分別為輸入層、隱藏層和輸出數據的神經元個數。則隱藏層神經元的輸出可以表示為

其中，H'為H 的Moore-Penrose 廣義逆矩陣。

由于ELM 的隱藏層權重與偏置是隨機生成的，具有不確定性，限制了ELM 模型的精度，因而引入鯨魚優化算法對ELM 進行優化，以尋找使得ELM 模型誤差最小的隱藏層權重與偏置。

2.2 鯨魚優化算法

通過觀察座頭鯨群體合作捕食的過程，Mirjalili 等[6]于2016 年提出鯨魚優化算法。如果把待求解問題的最佳解視為獵物的位置，則WOA 算法尋優的過程就是鯨魚種群不斷向獵物所在位置靠攏的過程。WOA 算法首先需要確定搜索的范圍，在給定范圍內隨機生成鯨魚種群，即WOA 的初始化。初始化后計算鯨魚種群中每頭鯨魚的適應度，記錄適應度最優的鯨魚個體，將其假設為目標獵物。群體中的個體將結合獵物位置更新狀態或者進行隨機搜索。

WOA-ELM 模型的具體流程為：構建ELM 模型，在確定隱藏層權值與偏置時使用WOA 算法進行尋優，將WOA 算法尋優后得到的隱藏層權值與偏置賦給ELM 模型，再通過ELM 模型進行預測。

3 實驗結果與分析

構建WOA-ELM 模型后，以表1 所示的特征構成16維的特征向量，進行刀具磨損值預測。并將本文提出的WOA-ELM 模型與ELM 模型、BP 模型、WOA-BP 模型進行對比，測試本文所提模型的預測精度。為提高對比實驗的客觀性，應統一所有模型中的鯨魚優化算法的初始設置。選取3 個指標作（具體見表2）為模型預測精度的評價標準。MAE 與RMSE 越小，則代表模型的預測精度越好，R2位于區間[0,1]內，R2越大，則模型的預測效果越好。每個模型進行10 次實驗，每次實驗都隨機選取80%的樣本數據作為訓練集，剩下的20%數據樣本作為測試集，取10 次實驗結果的平均值作為最終結果。

表2 刀具磨損值預測結果

實驗結果如表2 所示，WOA-ELM 模型的預測精度在所選對比模型中是最高的，證明WOA 算法對ELM 的隱藏層權重與偏置的尋優提高了ELM 模型的預測精度，取得了良好的效果，驗證了所提模型的有效性。

4 工業互聯網云處理平臺的監測系統

結合本文所提出的WOA-ELM 模型，在工業互聯網云處理平臺上搭建刀具磨損監測系統。該系統采取邊-云-端架構，如圖1 所示。

圖1 刀具磨損監測系統架構

邊指的是工業現場設備，包括數控機床、傳感器等設備，功能為采集工業數據、預處理、上傳數據至云等。云端負責系統算法建模部分，云端接收邊的數據后，建立刀具磨損算法模型，完成刀具磨損狀態識別與磨損值預測。端負責用戶交互功能，能夠使用戶在遠程對工業現場設備狀態實現監控，并根據算法模型結果給出優化建議與決策建議。

系統總體分為三個功能模塊，即刀具磨損特征提取模塊、磨損狀態識別模塊與磨損預測模塊。由于篇幅限制，本文只介紹特征提取與磨損預測兩個模塊。

在刀具磨損監測系統首頁界面點擊特征提取按鍵即可提取信號特征并進行特征選擇。根據前文所介紹的特征選擇方法，所選取的特征有多個，為了方便查看所選取的特征與刀具磨損值的關聯程度，本文僅以具有代表性的特征作為展示，如圖2 所示。

圖2 特征提取

由圖2 可以看出，所提取出的特征與刀具磨損值的變化趨勢幾乎是保持一致的，證明本文所用的特征提取方法獲得了較好的效果。

在刀具磨損監測系統首頁界面點擊磨損預測即可進行刀具磨損值預測，預測結果如圖3 所示。圖中顯示兩條曲線，實線代表真實磨損曲線，虛線代表預測的磨損值。

圖3 刀具磨損值預測

5 結論

本文提出了一種WOA-ELM 模型用于刀具磨損監測，使用WOA 算法優化ELM 的隱藏層權值與偏置，并通過BP 模型、WOA-BP 模型、ELM 模型進行了對比實驗。實驗表明本文所提出的WOA-ELM 模型擁有更高的預測精度和穩定性，能夠有效地進行刀具磨損值預測，為刀具磨損監測研究提供了一種新方法。然后，集成WOA-ELM 模型在工業互聯網平臺上搭建了刀具磨損監測系統。