數控機床刀具磨損在線監測與預警技術

鮑先平

(寧波職業技術學院,浙江 寧波 315800)

0 引言

隨著制造業的不斷發展和技術的進步,數控機床應用范圍和功能不斷拓展,生產效率和加工質量也在不斷提高[1]。在數控機床的加工過程中,刀具作為直接參與工件加工的關鍵部件,刀具磨損是數控機床加工過程中不可避免的現象。但是,刀具磨損過度或未能及時檢測,將會導致工件表面質量下降、加工精度降低,甚至可能引發嚴重事故,造成生產損失[2-4]。因此,開發一種有效的數控機床刀具磨損在線監測與預警技術,對于提高加工效率、降低生產成本、保障加工質量具有重要意義。

目前,刀具磨損檢測技術主要包括傳感器技術、機器學習和多模態檢測技術等,應用特點如下。

1)傳感技術。刀具磨損監測通常依賴于各種傳感器技術,如聲學傳感器、振動傳感器、電流傳感器等。這些傳感器的性能不斷提升,能夠更精確地捕捉刀具磨損引起的信號變化。例如,聲音、振動和電流的頻譜分析可用于檢測刀具磨損。但是傳感器技術會受到環境噪聲、振動等外部干擾因素的影響,導致數據的噪聲和波動,使得刀具磨損的準確監測和預測變得更加復雜。

2)機器學習和深度學習。近年來,機器學習和深度學習技術已廣泛應用于刀具磨損的監測與預測,能夠處理大量傳感器數據,并識別磨損模式,從而實現更準確的預測和預警。但是,傳統的機器學習和深度學習模型在應對新的工況或刀具材料時可能會遇到泛化問題,導致模型性能下降。需要不斷調整和重新訓練模型以適應不同情況。

3)多模態監測。為提高監測精度,研究人員越來越傾向于采用多種傳感器進行多模態監測。不同傳感器可以捕捉刀具狀態的不同方面,如聲音、振動、溫度等,綜合分析有助于更全面地了解刀具磨損情況。

近年來,數字孿生技術作為一種新興數字化仿真技術,通過建立虛擬模型與實際設備實時數據的對應關系,實現對實體設備狀態的實時監測與預測[5]。在數控機床刀具磨損在線監測與預警技術研究中,數字孿生技術可以對數控機床和刀具進行虛擬建模,并將實際加工過程中的數據與模型進行實時對應,實現對刀具磨損狀態的實時監測。通過與實際數據的對比,數字孿生模型可以精確預測刀具的磨損情況,提前發現磨損并及時進行維護,從而避免因刀具磨損而帶來的生產問題。

本文基于數字孿生技術,構建數控機床刀具磨損監測與預警系統,并采用神經網絡技術進行數據特征提取,通過實驗驗證和模型評價,驗證所提出技術的有效性和準確性。通過研究,期望能為數控機床刀具磨損在線監測與預警技術的發展提供新的思路和方法,逐步推動數字化制造技術在制造業中的應用。

1 基于數字孿生技術下數控加工體系構建

基于數字孿生技術的數控機床刀具在線監測及預警系統主要由物理空間、孿生數據和虛擬空間三部分組成(圖1),通過物理空間、孿生數據和虛擬空間之間的連接,數控機床刀具在線監測系統能夠實時獲取實體設備的運行狀態,并將這些信息與虛擬環境中的模型進行對應,實現實體設備狀態的在線監測與預警。

圖1 數控機床刀具在線監測系統結構

1.1 物理空間

物理空間是指實際的數控機床及其相關設備和刀具在現實世界中的存在,主要包括數控機床本身的硬件設備、刀具,以及與數控機床工作相關的傳感器和控制系統等,在實際加工過程中,傳感器會收集數控機床和刀具的實時運行數據,如刀具的轉速、切削力、振動等工作參數[6]。物理空間數據及信息可以傳遞至虛擬空間進行數字孿生建模、仿真和分析,表明虛擬空間是建立在物理空間的基礎上,用于實現對物理設備狀態的數字化建模和分析。

1.2 孿生數據

孿生數據通過對數控機床和刀具進行數字化建模,將其幾何形狀、材料特性、運行參數等信息轉化為計算機可處理的數據形式,上述數據會隨著實際工作過程中傳感器的數據采集而實時更新,保持與實體設備狀態同步[7]。

1.3 虛擬機床

虛擬空間是指基于孿生數據所構建的數控機床和刀具的虛擬環境。在該虛擬環境中,通過數字孿生技術將實體設備的狀態進行仿真和模擬,以實現對實體設備狀態的實時監測與預測,同時,虛擬空間中的模擬、仿真或預測結果可以反饋到物理空間中,以影響或控制實際設備的操作或決策。例如,在數控機床和刀具的情景下,虛擬空間可以使用數字孿生技術模擬機床和刀具的運行情況,然后根據模擬結果生成優化的操作建議、預測設備維護需求或實時調整刀具參數。這些建議和決策可以反饋到物理空間,通過自動控制系統或操作人員來實施,以優化生產過程、延長設備壽命、提高加工質量等。

2 刀具磨損在線監測及預警方法

刀具磨損是數控機床加工過程中不可避免的現象,然而,由于刀具的不斷老化,現有的刀具磨損預測模型可能存在誤差較大的問題。本研究引入神經網絡技術來處理加工過程中產生的多源數據,通過采集到的各種數據中提取出與刀具磨損相關的特征信息,綜合考慮機床刀具的老化情況,建立一種刀具磨損時變偏差模型,該模型能夠更準確地預測刀具的磨損情況,并考慮了刀具老化對磨損的影響。

2.1 數據特征提取

數據特征提取是指從原始數據中提取有用的、具有代表性的特征信息,用于表示數據的重要特性。在數控機床刀具磨損監測系統中,數據特征提取是為了從數控機床加工過程中產生的多源數據中提取與刀具磨損相關的特征信息,用于建立刀具磨損預測模型。本文基于神經網絡和傅里葉變換針對不同信號建立不同神經網絡模型,更好地捕捉不同數據信號之間的非線性關系,并提高預測模型的準確性。

2.1.1 振動與刀具切削力信號特征提取

在數控機床刀具磨損監測中,振動信號和刀具切削力信號是兩個重要數據源,基于數字孿生系統中的特征提取模塊,采用卷積神經網絡對數控機床刀具振動和切削力信號特征進行提取。假設振動信號采集的原始數據為v(t),刀具切削力信號采集的原始數據為f(t),振動信號采集數據如式(1)

v[n]=v(t)t=nTs

(1)

其中,v[n]為振動信號在離散時間點,[n]為采樣得到的信號值;v(t)是振動信號在連續時間域中的信號,表示實際振動隨時間變化的函數;Ts是振動信號的采樣周期,表示相鄰兩次采樣之間的時間間隔;n表示第n次采樣。

對于刀具切削力信號采集如式(2)

f[n]=f(t)t=nTs

(2)

其中,f[n]是刀具切削力信號在離散時間點n采樣得到的信號值;f(t)是刀具切削力信號在連續時間域中的信號,表示實際切削力隨時間變化的函數;Ts是刀具切削力信號的采樣周期,表示相鄰兩次采樣之間的時間間隔;n表示第n次采樣。

2.1.2 功率信號提取

基于數字孿生技術的數控機床刀具在線監測及預警系統中,對于振動信號和刀具切削力信號,可以使用功率信號提取的方法來獲取信號在頻率域上的能量分布情況。本文采用快速傅里葉變換(Fast Fourier Transform,FFT)來計算信號的功率譜密度[8-9]。設振動信號為v(t),刀具切削力信號為f(t)。

對振動信號的功率譜密度計算公式如式(3)

(3)

其中,Svv(f)表示信號的功率譜密度(Power Spectral Density of Vibration Signal),通過傅里葉變換和取模的平方,可以得到振動信號在不同頻率上的功率譜密度,從而了解振動信號的頻譜特性;T表示振動信號采集周期。

對刀具切削力信號的功率譜密度計算公式如式(4)

(4)

其中,,Sff(f)表示刀具切削力信號在頻率域上的能量分布情況(Power Spectral Density of Cutting Force Signal),通過傅里葉變換和取模的平方,得到刀具切削力信號在不同頻率上的功率譜密度。

通過對振動信號和刀具切削力信號進行傅里葉變換并取模的平方,可以得到信號在不同頻率上的功率譜密度,表明振動信號和刀具切削力信號在頻率域上的能量分布情況,從而可以用于進一步特征提取和分析,實現對刀具磨損狀態的在線監測和預警。

2.2 數據特征降維

數據特征降維是指在數據分析和機器學習中,通過一系列數學變換和算法,將原始數據的特征空間映射到一個更低維度的子空間,從而減少數據的維度。特征降維可以幫助解決高維數據的處理問題,同時還能提高數據分析和機器學習算法的效率和準確性,避免維度災難(curse of dimensionality)[10]。本文采用主成分分析(Principal Component Analysis,PCA)進行特征降維。將采集到的數據排列成矩陣形式,振動信號和切削力信號按列合并成兩個矩陣,處理流程如下。

振動信號矩陣為

切削力信號矩陣為

將文本數據向量與振動信號矩陣、切削力信號矩陣按列合并,得到最終的數據排列成矩陣形式

2.3 基于數字孿生下刀具磨損在線預測模型

考慮到機床老化對刀具磨損的影響,本文采用支持向量機回歸建立刀具磨損在線預測模型。經過孿生數據處理后,刀具振動、切削力及功率信號的特征集為X={x1,x2,…,xk},構建新的數據集Q={(Xi,yi),i=1,2,…,m}。其中,Xi和yi分別為輸入值和輸出值,m為條數,則回歸模型為

f(X)=wT×φ(X)+c

(5)

其中,w為決策面的法向量;c為偏置量;φ(X)特征集從低維到高維的映射。

3 數控機床刀具磨損及預警系統測試

為了驗證本文提出的數控機床刀具磨損及預警系統的有效性,對系統運行進行測試與分析。

3.1 實驗條件

試驗使用龍門型立式VGC1500(數控立式龍門加工中心)機床為例進行刀具磨損分析,性能參數如表1所示。

表1 龍門型立式VGC1500機床性能參數

續表1

刀具磨損在線監測和預警系統測試中,軟件環境配置及參數設置如表2所示,數據庫用于存儲采集的原始數據和處理后的特征數據,以及模型訓練和優化過程中的中間結果和參數。

表2 環境配置和參數設置

3.2 數據集

在數據集的構建過程中,為了保證數據的隨機性和代表性,本文原始數據按照一定比例(如80%和20%)劃分為訓練集和測試集,以用于模型的訓練和評估。數據集劃分的目的是驗證模型在未見過的數據上的泛化能力,防止模型在訓練集上出現過擬合的情況,80%的數據為訓練集,20%的數據為測試集,數據集中數據種類和相應的采集頻率與數據采集種類如表3所示。

表3 數據集采集頻率與種類

續表3

3.3 結果與分析

本文通過對比四種不同模型(SVM回歸、RNN、CNN和數據孿生預測模型)在數控機床刀具磨損在線監測與預警任務中的預測精度,結果如表4所示。數據孿生預測模型在所有評價指標上表現最好,具有最低的平均絕對百分比誤差(Mean Absolute Percentage Error,MAPE)、均方根誤差(Root Mean Square Error,RMSE)和平均絕對誤差(Mean Absolute Error,MAE)值,說明模型集成在預測刀具磨損狀態上具有較高的準確性和精度。

表4 不同模型評價結果

模型對刀具磨損值預測結果和實測結果如圖2所示,上下界限是指預測值的上限和下限,用來表示模型預測的不確定性范圍。如果預測值都在上下界限之間,說明模型的預測結果比較可信,并且能夠較好地捕捉刀具磨損的趨勢。從圖中可看出,測試集的結果均在上下界限中,體現了本文方法的有效性。其次,CNN模型在預測精度上也表現出色,相較于SVM回歸和RNN模型略優。

圖2 數控機床刀具磨損實測值與預測值對比

4 結論

本文基于數字孿生技術,構建了數控機床刀具磨損在線監測與預警系統,通過數據采集模塊和預測模塊的設計,采集了振動信號、切削力信號等多源數據,并利用卷積神經網絡等模型對這些數據進行特征提取和刀具磨損預測。

以龍門型立式VGC1500數控機床的性能參數作為實驗樣本,對比了不同模型的預測結果,并采用MAPE、RMSE和MAE等指標對模型進行評價。試驗結果表明,數據孿生模型在所有評價指標上表現最優,其次是CNN模型,驗證了本文提出的方法在數控機床刀具磨損預測中的有效性和優越性。