基于自適應(yīng)神經(jīng)模糊推理系統(tǒng)的刀具磨損監(jiān)測(cè)
2017-5-9 來(lái)源：華中科技大學(xué) 船舶與海洋工程學(xué)院 作者：朱永猛，吳 軍，吳超勇，蘇永衡
摘要: 為精確地監(jiān)測(cè)高速銑床刀具在加工過(guò)程中的刀具磨損量，通過(guò)采集高速銑床加工過(guò)程中的振動(dòng)信號(hào)、電流信號(hào)和噪聲信號(hào)，經(jīng)數(shù)據(jù)預(yù)處理與數(shù)據(jù)融合，建立基于自適應(yīng)神經(jīng)模糊推理系統(tǒng)的刀具磨損過(guò)程變化模型，實(shí)現(xiàn)在高速銑床不停機(jī)的前提下對(duì)銑床刀具進(jìn)行狀態(tài)監(jiān)控。實(shí)驗(yàn)結(jié)果顯示: 針對(duì)銑床刀具磨損量的監(jiān)測(cè)平均準(zhǔn)確率為95. 21% ，最大監(jiān)測(cè)準(zhǔn)確率為 99． 74% 。這表明文中所采用的方法具有較高的可行性。
關(guān)鍵詞: 銑床; 刀具磨損監(jiān)測(cè); ANFIS
高速銑床作為一種較為先進(jìn)的智能制造裝備，在加工過(guò)程中，刀具加工工件，產(chǎn)生磨損，影響最后的成品品質(zhì)。刀具的磨損受到科研人員的極大關(guān)注，曾嘗試用各種不同的方法監(jiān)測(cè)刀具的磨損。
1.國(guó)內(nèi)外研究現(xiàn)狀
早期的科研人員利用單一傳感器采集到的信號(hào)數(shù)據(jù)，如噪聲信號(hào)［1］、振動(dòng)信號(hào)［2］和切削力信號(hào)［3］，進(jìn)行刀具的狀態(tài)監(jiān)控( tool condition monitoring，TCM) 。伴隨著科學(xué)技術(shù)的不斷發(fā)展一些通過(guò)建立刀具磨損動(dòng)力學(xué)模型進(jìn)行刀具磨損量監(jiān)測(cè)的方法，顯示了廣闊的適用性。對(duì)于模型的建立，一般有 2 種: ① 假設(shè)可以完全通過(guò)數(shù)學(xué)模型描述刀具磨損過(guò)程中所有的物理規(guī)律，基于這種假設(shè)提出“白盒子”方法［4］; ② 假設(shè)刀具磨損過(guò)程為不可知，也沒(méi)有任何的先驗(yàn)知識(shí)，但可以通過(guò)采集數(shù)據(jù)獲得未知模型的輸入、輸出關(guān)系，實(shí)現(xiàn)對(duì)未知過(guò)程的認(rèn)知，這樣的方法稱為“黑盒子”方法。“黑盒子”方法最大的優(yōu)點(diǎn)，是可以在不需要對(duì)磨損過(guò)程中的物理意義有任何了解的前提下，通過(guò)采集準(zhǔn)確的實(shí)驗(yàn)過(guò)程數(shù)據(jù)，進(jìn)行磨損過(guò)程模型的搭建［5］，最大的缺點(diǎn)是對(duì)磨損過(guò)程中物理意義的認(rèn)知缺乏。實(shí)際應(yīng)用過(guò)程中，最好是將 2 種方法進(jìn)行融合，得到“灰盒子”方法［6］。但是，在復(fù)雜的工況下，難以采集準(zhǔn)確的過(guò)程數(shù)據(jù)，以及缺乏經(jīng)驗(yàn)知識(shí)，都對(duì)刀具磨損過(guò)程的動(dòng)力學(xué)模型正確搭建造成不良影響。
Jang 于 1991 年提出了基于模糊神經(jīng)網(wǎng)絡(luò)的自適應(yīng)模糊推理，1993 年又撰文將之前提出的算法稱為自適應(yīng)神經(jīng)模糊推理系統(tǒng)( adaptive network － based fuzzy inference system，AN-FIS) 。模糊推理系統(tǒng)使得顯性知識(shí)更加詳盡和精確，神經(jīng)網(wǎng)絡(luò)通過(guò)學(xué)習(xí)算法建立數(shù)學(xué)模型解釋隱性知識(shí)，這使得模糊神經(jīng)網(wǎng)絡(luò)的優(yōu)勢(shì)更加凸顯，這也是模糊神經(jīng)網(wǎng)絡(luò)被廣泛應(yīng)用到刀具磨損量監(jiān)測(cè)領(lǐng)域的原因。Chen S L 等人則利用多個(gè)傳感器數(shù)據(jù)，如振動(dòng)信號(hào)和切削力信號(hào)，提出新的數(shù)據(jù)融合算法，結(jié)合 ANFIS 進(jìn)行刀具磨損狀態(tài)的監(jiān)測(cè)［7］; Uros Z 等人利用切削力信號(hào)，對(duì)比了三角形隸屬度函數(shù)和梯形隸屬度函數(shù)應(yīng)用到 ANFIS 中的刀具磨損量監(jiān)測(cè)結(jié)果［8］; Gill S S 等人利用經(jīng)過(guò)低溫處理的 M2 高速鋼車刀在加工過(guò)程中的切削速度、工作時(shí)間和低溫浸泡均熱溫度等參數(shù)，結(jié)合 ANFIS 進(jìn)行刀具磨損量的監(jiān)測(cè)［9］; Ｒizal M 等人利用刀具切削速度、切削深度、進(jìn)給速率和融合系數(shù)等參數(shù)，結(jié)合 ANFIS 進(jìn)行刀具磨損量的監(jiān)測(cè)［10］。
本文利用高速銑床加工過(guò)程中的主軸和工作臺(tái)振動(dòng)信號(hào)、主軸直流電流和交流電流信號(hào)、主軸與工作臺(tái)噪聲信號(hào)，結(jié)合自適應(yīng)神經(jīng)模糊推理系統(tǒng) ANFIS，實(shí)現(xiàn)對(duì)刀具磨損量的監(jiān)測(cè)。實(shí)現(xiàn)過(guò)程中，首先對(duì)傳感器信號(hào)進(jìn)行預(yù)處理和特征融合，再經(jīng)過(guò) Takagi-Sugeno 模糊推理進(jìn)行模糊規(guī)則劃分和隸屬度函數(shù)的計(jì)算，最后利用神經(jīng)網(wǎng)絡(luò)訓(xùn)練模型，實(shí)現(xiàn)刀具磨損量監(jiān)測(cè)。
2.基于 ANFIS 的刀具磨損監(jiān)測(cè)模型
圖 1 基于 Takagi-Sugeno 模糊推理的 ANFIS 網(wǎng)絡(luò)
由以上分析和定義可得一個(gè)與基于 Takagi-Sugeno 模糊模型的神經(jīng)網(wǎng)絡(luò)相等價(jià)的 ANFIS 模型。在實(shí)際應(yīng)用中，可以合并不同的分層構(gòu)建不同的 ANFIS 模型。
3.實(shí)例分析
本研究采用一個(gè)實(shí)際的銑床監(jiān)測(cè)數(shù)據(jù)集［11］，數(shù)據(jù)集包含 16 組刀具全壽命周期，共 167 個(gè)運(yùn)行次數(shù)的銑床刀具磨損實(shí)驗(yàn)數(shù)據(jù)。文中選擇第 13 組刀具全壽命周期數(shù)據(jù)實(shí)現(xiàn)刀具磨損量監(jiān)測(cè)算法。在刀具正常運(yùn)行過(guò)程中，傳感器每次采集數(shù)據(jù)可得到 9 000 個(gè)數(shù)據(jù)點(diǎn)，去空值和去奇異點(diǎn)后，繪制主軸直流電流信號(hào)如圖 2。
圖 2 主軸直流電流信號(hào)
從圖 2 中曲線可以發(fā)現(xiàn)，信號(hào)數(shù)據(jù)有很明顯的階段性特征，包括空轉(zhuǎn)階段、接觸階段和穩(wěn)定階段。為了使實(shí)驗(yàn)過(guò)程更具代表性、監(jiān)測(cè)結(jié)果更具準(zhǔn)確性，本文選取第 4 500 個(gè)點(diǎn)后的穩(wěn)定階段的信號(hào)作為原始數(shù)據(jù)。提取均值、均方差、方根幅值、均方根、最大值、偏斜度、峭度、峰值因子和裕度因子 9種時(shí)域特征參數(shù)，并歸一化。針對(duì)不同傳感器計(jì)算得到的時(shí)域特征，利用式( 6) 進(jìn)行相關(guān)性分析，式中，X 表示時(shí)域特征參數(shù)，Y 表示刀具磨損量，Cov( X，Y) 為 X 和 Y 的協(xié)方差，D( X) 為 X 的方差，D( Y為 Y的方差。
利用式( 7) 進(jìn)行殘差分析，式中，S1( x) 和 S2( x) 是根據(jù)特征值點(diǎn)擬合的曲線，N 為數(shù)據(jù)點(diǎn)個(gè)數(shù)。結(jié)果如表 1、表 2。表 1 中 Na N 表示非數(shù)字，即 Not a Number，當(dāng)分母為 0 時(shí)，計(jì)算結(jié)果為 Na N。首先，保留皮爾遜相關(guān)系數(shù)大于 0． 8 的強(qiáng)相關(guān)特征參數(shù)。其次，在保留下來(lái)的特征參數(shù)中，選取殘差值最小［12］的特征參數(shù)組成最終的特征參數(shù)集，獲得的特征參數(shù)集為: 主軸噪聲信號(hào)的方根幅值、工作臺(tái)噪聲信號(hào)的均方差、主軸交流電流信號(hào)的最大值和主軸直流電流信號(hào)的均方根。
在實(shí)驗(yàn)獲得的第 13 組的 13 個(gè)數(shù)據(jù)點(diǎn)中，選擇 8 個(gè)數(shù)據(jù)點(diǎn)作為訓(xùn)練數(shù)據(jù)，5 個(gè)數(shù)據(jù)點(diǎn)作為校驗(yàn)數(shù)據(jù)，同種工況下采集的 4 個(gè)數(shù)據(jù)點(diǎn)作為驗(yàn)證數(shù)據(jù)。將融合得到的特征參數(shù)集輸入到 ANFIS 網(wǎng)絡(luò)進(jìn)行刀具磨損量監(jiān)測(cè)，結(jié)果如表 3 所示。
表 1 各時(shí)域特征與磨損量的皮爾遜相關(guān)系數(shù)
表 2 各時(shí)域特征自身間的殘差值
表 3 實(shí)際值與模型監(jiān)測(cè)值的結(jié)果對(duì)比
4.結(jié)束語(yǔ)
銑床刀具作為工業(yè)生產(chǎn)中與被加工件直接接觸的部分：刀具的磨損會(huì)直接影響被加工件的成品品質(zhì)，降低企業(yè)的經(jīng)濟(jì)收益。本研究提出的刀具磨損監(jiān)測(cè)方法，可以在銑床正常運(yùn)行過(guò)程中進(jìn)行刀具磨損監(jiān)測(cè)，為企業(yè)提供刀具更換與維修的依據(jù)。
投稿箱：
如果您有機(jī)床行業(yè)、企業(yè)相關(guān)新聞稿件發(fā)表，或進(jìn)行資訊合作，歡迎聯(lián)系本網(wǎng)編輯部， 郵箱：skjcsc@vip.sina.com
如果您有機(jī)床行業(yè)、企業(yè)相關(guān)新聞稿件發(fā)表，或進(jìn)行資訊合作，歡迎聯(lián)系本網(wǎng)編輯部， 郵箱：skjcsc@vip.sina.com
更多相關(guān)信息
業(yè)界視點(diǎn)
| 更多
行業(yè)數(shù)據(jù)
| 更多
- 2025年1月 新能源汽車銷量情況
- 2024年12月 新能源汽車產(chǎn)量數(shù)據(jù)
- 2024年12月 基本型乘用車（轎車）產(chǎn)量數(shù)據(jù)
- 2024年12月 軸承出口情況
- 2024年12月 分地區(qū)金屬切削機(jī)床產(chǎn)量數(shù)據(jù)
- 2024年12月 金屬切削機(jī)床產(chǎn)量數(shù)據(jù)
- 2024年11月 金屬切削機(jī)床產(chǎn)量數(shù)據(jù)
- 2024年11月 分地區(qū)金屬切削機(jī)床產(chǎn)量數(shù)據(jù)
- 2024年11月 軸承出口情況
- 2024年11月 基本型乘用車（轎車）產(chǎn)量數(shù)據(jù)
- 2024年11月 新能源汽車產(chǎn)量數(shù)據(jù)
- 2024年11月 新能源汽車銷量情況
- 2024年10月 新能源汽車產(chǎn)量數(shù)據(jù)
博文選萃
| 更多
- 機(jī)械加工過(guò)程圖示
- 判斷一臺(tái)加工中心精度的幾種辦法
- 中走絲線切割機(jī)床的發(fā)展趨勢(shì)
- 國(guó)產(chǎn)數(shù)控系統(tǒng)和數(shù)控機(jī)床何去何從？
- 中國(guó)的技術(shù)工人都去哪里了？
- 機(jī)械老板做了十多年，為何還是小作坊？
- 機(jī)械行業(yè)最新自殺性營(yíng)銷，害人害己！不倒閉才
- 制造業(yè)大逃亡
- 智能時(shí)代，少談點(diǎn)智造，多談點(diǎn)制造
- 現(xiàn)實(shí)面前，國(guó)人沉默。制造業(yè)的騰飛，要從機(jī)床
- 一文搞懂?dāng)?shù)控車床加工刀具補(bǔ)償功能
- 車床鉆孔攻螺紋加工方法及工裝設(shè)計(jì)
- 傳統(tǒng)鉆削與螺旋銑孔加工工藝的區(qū)別