基于大數據分析技術的刀具壽命預測研究

朱凌鋒，曹槊，鄒付軍，康安輝，雷達尊

(天地(常州)自動化股份有限公司，江蘇 常州213000)

0 引言

刀具是機械加工的重要工具，關系著產品的加工質量與速度。高效、合理地使用刀具，能夠縮短加工時間，提高工作效率。由于在加工過程中所使用的刀具磨損較大，所以加工成本較高。刀具磨損會影響加工效率和人員安全，在極端情況下，刀具檢查、維修和更換所耗費的時間甚至是整個工作時間的一半。因此，最大限度地提高刀具壽命和預測刀具壽命至關重要。黃志平等[1]提出基于數據驅動的銑削刀具壽命預測研究方法，通過構建軌跡相似度和支持向量回歸機的綜合預測模型，結合時域和小波處理方式，確定刀具磨損與信號特征量的關系，輸出刀具壽命預測結果；陳小康等[2]提出基于Bagging集成高斯過程回歸模型的刀具壽命預測方法，該方法結合Bagging集成高斯過程回歸模型，預測刀具壽命，結合時域和頻域分析方法，提取信號的頻域特性。整合Bagging算法和距離相關系數，輸出調整結果，得到刀具壽命預測結果。雖然以上兩種方法都可以迅速預測刀具壽命，但由于刀具受刀面紋理的影響，刀具磨損信息難以直接獲取，很難作出精確的壽命預測。為了解決上述方法中存在的問題，本文提出一種大數據分析技術的刀具壽命預測研究方法。

1 大數據分析技術的刀具磨損預測模型構建

運用大數據分析技術，獲取全樣本變工況因子數據，使其具有增量學習能力，不斷融合新的工況條件，得到更準確的預測模型。在此基礎上，提出了一種新的刀具狀態特征向量的增量學習方法，通過不斷地融合學習環境，得到更準確的預測模型，為進一步分析影響刀具磨損的相關因素提供了依據[3]。

基于大數據分析技術與現有數據驅動、Bagging集成高斯過程回歸模型相比，能夠在復雜工作條件下，提高變工況下刀具磨損狀態預測的準確性。

在輸入新工況向量的基礎上，判斷工況是否是已知刀具磨損狀態，如果是已知刀具磨損狀態，則通過下式進行增量學習：

(1)

式中：x為新輸入的工況向量；θ為網絡參數；T為切削溫度；n為可控系數；Δy為實際輸出與網絡輸出的差值。由增量學習獲取的誤差函數，其計算公式為

(2)

式中：X表示刀具磨損參數；f(x,θ)為當參數為θ時，x經過非線性映射f得到的實際輸出。求解式(2)的一階近似式為

(3)

式中Δθ的求導公式表達為

(4)

式中u為學習效率。這樣以參數θ+Δθ的更新代替原有參數θ。

切削加工刀具磨損以多種磨損機制為主，切削溫度低于600℃時對磨損機理有重要影響[4]；切削溫度超過600℃時，刀具磨損模式為擴散磨損，降低了刀具磨損程度，模型中可以不考慮磨粒磨損。經研究發現，刀具磨損過程中，溫度一般都超過600℃，此時擴散磨損起到了關鍵作用，加劇了刀具的磨損程度[5-7]?；诖?，在綜合考慮熱工失穩對刀具磨損的影響后，設定以600℃為閾值的判斷條件，并充分考慮擴散磨損機理，構建數學模型，其計算公式為

(5)

1)磨粒磨損率

在刀具磨削過程中，前面刀直接與硬顆粒接觸。在受到壓力的情況下，刀具磨削產生的硬顆粒直接嵌入到刀具里，刀具受到硬顆粒影響會形成凹槽，這就造成了刀具表面出現一定的磨損[9]。在標準滑動距離內，硬顆粒在刀具表面留下磨痕，消磨的體積就是磨粒磨損量。因此，需先假設磨粒是尖銳的，其產生的摩擦溫度不會對刀具磨損產生影響，由此可計算出刀具磨損率[10]。

2)黏結磨損率

將接觸表面上的擴散層結構和元素濃度看作恒定的常數，結合切屑上硬質顆粒的高度和兩相鄰硬質顆粒的平均間距，可計算出黏結磨損率[11]。

3)擴散磨損率

刀具在工作環境下與硬顆粒摩擦出現高溫，是由其切屑流動中的 Co元素所引起，為此，可以將擴散磨損率表示為溫度與刀具間的滑動速度函數。

2 大數據分析技術的刀具壽命預測流程設計

結合上述分析的刀具磨損、黏結、擴散程度，構建刀具磨損預測模型，設計刀具壽命預測流程如下所示：

步驟一：更新參數

在不屬于已知刀具磨損狀態的情況下，采用網絡更新的方法研究這種添加工況。結果表明，每增加一個神經元，增加一行和一列加權矩陣，這會使偏置矢量分量增大[12]。通過加入神經元，將矩陣賦權，增加偏置向量，更新網絡結構參數。

步驟二：數據訓練

從某個時間節點將健康指標分成兩段，第一段為訓練數據，是模型訓練的結果。對訓練數據進行分段重組，形成多個重疊序列，序列長度n是利用歷史健康指數，預測下一階段健康指標的值；根據經驗設定初始值，利用貪心策略進行優化；第二段為測試數據，這兩種數據的處理結果如圖1所示。

圖1 訓練數據與測試數據處理

由圖1可知，模型訓練之后，健康指標下一時刻的值從訓練數據的最后時刻開始預測。將預測結果添加到序列的尾部作為已知數據，舍棄原始序列頭的值，不斷循環以得到健康指標的未來趨勢。

步驟三：優化神經網絡

在新的條件下，通過增加隱含神經元的結構更新會降低神經網絡的學習性能，即出現冗余網絡連接。此時，神經網絡權重矩陣W執行SVD分解，其計算公式為

W=UΣVT

(6)

式中：W表示網絡權重矩陣；Σ表示對角矩陣；U和V表示分解矩陣。在對角矩陣中，其權值=0或接近0意味著網絡中有冗余。刪除冗余數據，可縮短優化時間。

步驟四：數據分析處理

1)在數據時間分量中添加時窗，由于在刀具磨損過程中存在大量的時間序列數據，所以每一步時窗都需要結合時間分量和生成的子序列來獲取不同時間段內的觀察數據；

2)利用大數據分析技術分析刀具磨損不同時窗中子序列的內在結構，獲取每塊矩陣中的時窗種類；

3)利用每塊矩陣，在不同的時間窗口賦予種類異常值，從而建立刀具磨損連續窗之間的關系；

4)在刀具磨損的不同時窗內對子序列進行聚類處理，揭示刀具磨損數據在不同時間段的結構特征；

5)利用數據分析方法獲取刀具磨損時窗中的歷史序列信息，對不同序列的異常數據值進行評估，綜合這些評估結果，在每個時窗中確定異常數據。

步驟五：刀具磨損量變化情況分析

分析刀具磨損量與走刀數之間的關系結果如圖2所示。

圖2 刀具磨損量變化曲線

由圖2可知，磨削初期刀具磨損較快，原因是新刀具剛開始切削時刀刃非常鋒利，后刀面逐漸與工作目標接觸面積減小，從而加快刀具磨損速度。在磨削中期，刀具磨耗逐漸增加，達到穩定磨耗階段，此時接觸面的承受壓力慢慢降低。由于磨削時間長，刀具磨耗突然增加，切削力、切削溫度明顯提高，磨削過程中如繼續使用刀具，會嚴重影響工件和機床的加工，必須更換刀具。

步驟六：刀具磨耗階段劃分

刀損分級是把刀具的磨損狀態分為初期磨損狀態、穩定磨損狀態和急劇磨損狀態3種類型。結構件實際加工時，工件表面加工質量和精度標準較高，刀具磨損量大，同時對工件的質量也有很大的影響。因此，在實際生產加工中，刀具遠未達到VB=0.3mm的磨鈍標準，就必須采取換刀操作。

在實際生產現場，由于所收集的刀具磨損值通常剛剛超過0.1mm，為此，采用上述磨耗分級方法比較符合現場生產的實際情況。

磨耗階段的劃分和分類標簽見表1。

表1 磨耗階段的劃分和分類標簽 單位：mm

步驟七：結合刀具健康指數預測

在實際應用中，設備退化過程是不可逆的，刀具也是如此。從理論上講，刀具健康指標應該是單調性增加或減少，該過程的公式為

(7)

式中：Noi表示目標差值序列中>0的數量；Noj表示目標差值序列中<0的數量；L表示健康指標序列的長度。

隨著作業時間的延長，機械設備的退化程度越來越嚴重。因此，健康指標應該與工作時間有關，這是一種趨勢。潮流度衡量的是健康指標與時間的線性相關，其計算公式為

(8)

在刀具數據采樣頻率不變的情況下，數據序號序列等價于時間序列。上述兩個指標都是無因次指標，且健康指標越大，評價值也越高。因此，兩者平均值可作為刀具健康指標的綜合評價指標。結合上述得到的刀具健康指標，預測刀具的壽命，其計算過程如下：

(9)

3 實驗

為了驗證大數據分析技術在刀具壽命預測中的有效性，進行一次仿真實驗分析。

3.1 實驗裝置

實驗是UC Berkeley與 NASA聯合在松浦加工中心上進行的磨損實驗。本實驗采用的采樣間隔是2～3min。由于設備原因，在取樣過程中出現了刀具磨損量采空情況，即沒有成功地獲得刀具磨損數據，這需要在研究中予以刪除。

3.2 實驗數據

在工況單一的情況下，根據現有的數據為刀具構建一個虛擬健康指數。以健康指數為特征，將剩余壽命占比(RULR)作為訓練標簽，把預測問題轉化為一個回歸問題。關于RULR，它是一個0～1的值，表示的是當前剩余壽命占總壽命的比值。因為刀具本身質量的不同，即使在完全相同的工況下，最終壽命也不一樣，而RULR比時間更能反映刀具的內在健康狀態。為此將RULR作為訓練的預測目標。

對一組數據訓練時，根據實驗采樣信號的頻率，將每個信號分為100組。訓練結束后，隨機選取一組刀具的健康指數，并進行歸一化后作為訓練輸入值；對大數據分析技術的刀具壽命預測效果進行了驗證，在整個刀具使用周期，刀具性能指標的實際使用情況如圖3所示。

圖3 訓練組刀具健康指數整體情況

由圖3可知，當走刀數為108時，刀具健康指數達到標準值0.8。在0～108走刀數范圍內，刀具健康指數逐漸逼近0.8標準值，超過108走刀數后，刀具健康指數基本保持不變。

3.3 實驗分析

為了分析刀具健康指數預測結果是否精準，需將數據驅動、Bagging集成高斯過程回歸模型的預測方法與基于大數據分析技術的預測結果進行對比，如圖4所示。

圖4 3種方法預測結果對比分析

由圖4可知，使用數據驅動預測方法，當走刀數為118時，刀具健康指數達到標準值0.8。在0～118走刀數范圍內，刀具健康指數逐漸逼近0.8標準值，超過118走刀數后，刀具健康指數始終保持在標準值0.8以上；使用Bagging集成高斯過程回歸模型，當走刀數為52時，刀具健康指數達到標準值0.8。在52～54走刀數范圍內，刀具健康指數在標準值0.8以上，其余均低于0.8；使用大數據分析技術，當走刀數為108時，刀具健康指數達到標準值0.8，在0～108走刀數范圍內，刀具健康指數逐漸逼近0.8標準值，超過108走刀數后，刀具健康指數與實際情況基本保持不變。通過上述分析結果可知，該技術預測精準度較高。

在上述基礎上，對不同方法進行了刀具壽命預測精度的對比測試，得到對比精度如圖5所示。

圖5 3種方法預測精度對比

分析圖5得知，基于大數據分析技術與數據驅動、Bagging集成高斯過程回歸模型預測方法的預測精度對比實驗表明：隨著迭代次數的增加，使用數據驅動預測方法的預測精度都在80%以下；使用Bagging集成高斯過程回歸模型預測方法的預測精度則不到60%；而使用大數據分析技術預測方法的預測精度都在90%以上，從而進一步證明本文方法的預測精度較高。

4 結語

本文研究了以加工過程的刀具健康指數為依據，檢驗刀具健康指數的方法。采用該方法能很好地反映刀具壽命的變化。利用3種不同的預測方法對預測精度進行了驗證，通過對實際數據的分析，證明了該方法的有效性和準確性。

刀具預測過程涉及許多方面的研究，研究工作以數據處理和建模為核心，但也存在一些不足：在研究刀具狀態分類時，因受實驗數據的限制，只能粗略地將磨損狀態分為3類。為此，在后續研究過程中，還應著重分析磨損狀態，以延長刀具的使用壽命。