基于自适应神经模糊推理系统的刀具磨损监测-数控机床市场网

您现在的位置：铣床网> 技术前沿>基于自适应神经模糊推理系统的刀具磨损监测

基于自适应神经模糊推理系统的刀具磨损监测

2017-3-14 来源：华中科技大学作者：朱永猛，吴军，吴超勇，苏永衡

摘要: 为精确地监测高速铣床刀具在加工过程中的刀具磨损量，通过采集高速铣床加工过程中的振动信号、电流信号和噪声信号，经数据预处理与数据融合，建立基于自适应神经模糊推理系统的刀具磨损过程变化模型，实现在高速铣床不停机的前提下对铣床刀具进行状态监控。实验结果显示: 针对铣床刀具磨损量的监测平均准确率为95. 21% ，最大监测准确率为 99． 74% 。这表明文中所采用的方法具有较高的可行性。

关键词: 铣床; 刀具磨损监测; ANFIS

高速铣床作为一种较为先进的智能制造装备，在加工过程中，刀具加工工件，产生磨损，影响最后的成品品质。刀具的磨损受到科研人员的极大关注，曾尝试用各种不同的方法监测刀具的磨损。

1.国内外研究现状

早期的科研人员利用单一传感器采集到的信号数据，如噪声信号［1］、振动信号［2］和切削力信号［3］，进行刀具的状态监控( tool condition monitoring，TCM) 。伴随着科学技术的不断发展，一些通过建立刀具磨损动力学模型进行刀具磨损量监测的方法，显示了广阔的适用性。

对于模型的建立，一般有 2 种: ① 假设可以完全通过数学模型描述刀具磨损过程中所有的物理规律，基于这种假设提出“白盒子”方法［4］; ② 假设刀具磨损过程为不可知，也没有任何的先验知识，但可以通过采集数据获得未知模型的输入、输出关系，实现对未知过程的认知，这样的方法称为“黑盒子”方法。“黑盒子”方法最大的优点，是可以在不需要对磨损过程中的物理意义有任何了解的前提下，通过采集准确的实验过程数据，进行磨损过程模型的搭建［5］，最大的缺点是对磨损过程中物理意义的认知缺乏。实际应用过程中，最好是将 2 种方法进行融合，得到“灰盒子”方法［6］。但是，在复杂的工况下，难以采集准确的过程数据，以及缺乏经验知识，都对刀具磨损过程的动力学模型正确搭建造成不良影响。

Jang 于 1991 年提出了基于模糊神经网络的自适应模糊推理，1993 年又撰文将之前提出的算法称为自适应神经模糊推理系统( adaptive network － based fuzzy inference system，AN-FIS) 。模糊推理系统使得显性知识更加详尽和精确，神经网络通过学习算法建立数学模型解释隐性知识，这使得模糊神经网络的优势更加凸显，这也是模糊神经网络被广泛应用到刀具磨损量监测领域的原因。Chen S L 等人则利用多个传感器数据，如振动信号和切削力信号，提出新的数据融合算法，结合 ANFIS 进行刀具磨损状态的监测［7］; Uros Z 等人利用切削力信号，对比了三角形隶属度函数和梯形隶属度函数应用到 ANFIS 中的刀具磨损量监测结果［8］; Gill S S 等人利用经过低温处理的 M2 高速钢车刀在加工过程中的切削速度、工作时间和低温浸泡均热温度等参数，结合 ANFIS 进行刀具磨损量的监测［9］; Ｒizal M 等人利用刀具切削速度、切削深度、进给速率和融合系数等参数，结合 ANFIS 进行刀具磨损量的监测［10］。

2 基于 ANFIS 的刀具磨损监测模型

图 1 基于 Takagi-Sugeno 模糊推理的 ANFIS 网络

Layer 2: 计算规则使用度。每个节点代表一条模糊规则，它的作用是用来匹配模糊规则的前件，每一个节点的输出是所有输入信号的乘积，计算出每个规则的适用度，则:

合并不同的分层构建不同的 ANFIS 模型。

3.实例分析

本研究采用一个实际的铣床监测数据集［11］，数据集包含 16 组刀具全寿命周期，共 167 个运行次数的铣床刀具磨损实验数据。文中选择第 13 组刀具全寿命周期数据实现刀具磨损量监测算法。在刀具正常运行过程中，传感器每次采集数据可得到 9 000 个数据点，去空值和去奇异点后，绘制主轴直流电流信号如图 2。

图 2 主轴直流电流信号

从图 2 中曲线可以发现，信号数据有很明显的阶段性特征，包括空转阶段、接触阶段和稳定阶段。为了使实验过程更具代表性、监测结果更具准确性，本文选取第 4 500 个点的稳定阶段的信号作为原始数据。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种时域特征参数，并归一化。针对不同传感器计算得到的时域特征，利用式( 6) 进行相关性分析，式中，X 表示时域特征参数，Y 表示刀具磨损量，Cov( X，Y) 为 X 和 Y 的协方差，D( X) 为 X 的方差，D( Y) 为 Y的方差。

利用式( 7) 进行残差分析，式中，S1( x) 和 S2( x) 是根据特征值点拟合的曲线，N 为数据点个数。结果如表 1、表 2。表 1 中 Na N 表示非数字，即 Not a Number，当分母为 0 时，计算结果为 Na N。首先，保留皮尔逊相关系数大于 0． 8 的强相关特征参数。其次，在保留下来的特征参数中，选取残差值最小［12］的特征参数组成最终的特征参数集，获得的特征参数集为: 主轴噪声信号的方根幅值、工作台噪声信号的均方差、主轴交流电流信号的最大值和主轴直流电流信号的均方根。