基于深度学习的刀具磨损形态...与磨损量智慧监测的策略研究_梁科.pdf

2 0 2 3年第5期技术创新与应用基于深度学习的刀具磨损形态识别与磨损量智慧监测的策略研究梁 科(鹤壁职业技术学院,河南 鹤壁 4 5 8 0 3 0)摘 要:数控机床在加工过程中,刀具磨损状态问题会对被加工零部件的表面质量、尺寸及准确度等产生极大影响。加工过程中,为缩短机床停机时间和减少因刀具损坏而引起的加工成本损失,因此对刀具磨损的实时监测具有重要意义。本文阐述了国内外关于刀具磨损监测的发展过程与监测方法,针对每一种监测信号方法进行了分析,指出存在的问题及优缺点,提出了对运用深度学习的研究策略运用到刀具磨损的监测领域中。关键词:磨损量;策略研究;深度学习;刀具磨损状态 中图分类号:T G 6 5 9 文献标识码:A 文章编号:1 6 7 4-9 5 7 X(2 0 2 3)0 5-0 0 6 8-0 4T o o lW e a rS t a t ea n dW e a rA m o u n tB a s e do nD e p t hL e a r n i n gR e s e a r c ho nT h eS t r a t e g yo f I n t e l l i g e n tM o n i t o r i n gL i a n gK e(H e b iP o l y t e c h n i c,H e b i 4 5 8 0 3 0,C h i n a)A b s t r a c t:I nt h ep r o c e s so fN C m a c h i n et o o lp r o c e s s i n g,t o o lw e a rw i l lh a v eah u g ei m p a c to nt h es u r f a c eq u a l i t ya n dd i m e n s i o n a l a c c u r a c yo f t h ep a r t s t ob ep r o c e s s e d.I n t h ep r o c e s so fm a c h i n i n g,i no r d e r t o r e d u c e t h em a c h i n e t o o l d o w n t i m ea n d r e d u c e t h e c o s t l o s s c a u s e db y t o o lw e a r,r e a l-t i m em o n i t o r i n go f t o o lw e a r i so f g r e a ts i g n i f i c a n c e.T h i sp a p e rd e s c r i b e st h ed e v e l o p m e n tp r o c e s sa n dm o n i t o r i n gm e t h o d so ft o o lw e a rm o n i t o r i n ga th o m ea n da b r o a d,a n a l y z e s e a c hm o n i t o r i n gs i g n a lm e t h o d,p o i n t so u t t h e e x i s t i n gp r o b l e m s,a d v a n t a g e s a n dd i s-a d v a n t a g e s,a n dp u t s f o r w a r dt h er e s e a r c hs t r a t e g yo fa p p l y i n gd e p t hl e a r n i n gt ot h ef i e l do f t o o lw e a rm o n i t o-r i n g.K e yw o r d s:W e a ra m o u n t;S t r a t e g yr e s e a r c h;D e e pl e a r n i n g;T o o lw e a rs t a t u s基金项目:鹤壁职业技术学院重点科研项目(2 0 2 2-K J Z D-0 0 8)作者简介:梁科(1 9 8 7),男,汉族,河南安阳人,硕士研究生,讲师,主要研究方向:刀具设计与应用。0 引言智慧制造业是在当前我国工业企业数字化转型升级的重要发展方向,是新型信息技术和先进制造产业深度融合发展的新途径,同时也是中国加快推进现代制造业强国建设的有力抓手。刀具作为机械制造中最常见的一类工具,在精细化机械加工中发挥了巨大的功能。刀具磨损形态也在较大程度上影响了加工过程中工件的加工表面质量和精度1。而有关的科学研究表明,刀具磨损量变大是刀具失效的根本原因,磨损量不但造成了工件的大量浪费,也同时导致了生产成本、制造效率上的不稳定,严重危害加工工件材料的使用性能。因刀具寿命超期导致的工件报废或设备故障用占生产成本的1 5%4 0%2,而刀具故障引起的停机时间约占刀具总停机时间的2 0%3。目前,在实际的生产加工中常用的方法是预先设定刀具寿命,达到固定时间及次数后强制换刀。因此,对刀具状态进行监测和预测,作为提升工作效能和品质的手段,也就日渐受到重视。美国学者B M KR AME R曾提出,在提高制造系统生产率方法,没有任何一项技术比准确的估计刀具寿命更重要1 7。因此,需要实时监控刀具磨损状态,在磨损已达到磨钝标准或意外破损时,控制机床采取措施,保证安全,降低工件的废品率。传统的刀具磨损监测是在工件加工完之后进行检测,此时已经产生废品。深度学习是基于过程数据的实时检测与对比,具有极高实时性和准确性强大的设备信号数据信息采集能力,制造数据采集分析系统,实时洞察制造生产状况,能够实时记录刀具磨损期间的信号波动。根据需要确定最佳换刀时间,同时评价刀具的使用性能。深度学习其优点有:适用范围广,可以应用到车削、铣削、镗孔、钻孔、磨削、铰孔、攻丝等加工;使得刀具寿命最大化,预防批量不良,降低产品缺陷风险;为刀具性能评估提供决策依据。1 刀具磨损的形式不同的切削条件下,刀具磨损表现的形式主要有前刀面磨损、后刀面磨损和边界磨损1 8。当切削深度HD和切削速度V C都极大时,切屑的产生就会使前刀面剧烈的碰撞,从而导致前刀面损坏,K T表示磨损量深度,如图1(a)所示。当切削深度HD和切削速度V C都非常小时,就将慢慢产生后刀面的损坏,V B表示平均磨损值。如图1(b)所示。边界磨损发生在前刀面磨损与后刀面磨损的边界层,其磨损量用最大宽度VN表示。86DOI:10.19475/ki.issn1674-957x.2023.05.027内燃机与配件 w w w.n r j p j.c n(a)前刀面磨损(b)后刀面磨损和边界磨损图1 刀具磨损的形式刀具磨损过程分三个阶段,如图2所示。刀面磨损量V B与切削时间的呈正相关。图2 刀具磨损曲线初期磨损阶段磨损率较大,磨损速度较快;正常磨损阶段磨损量下降,磨损率低而稳定;剧烈磨损阶段的刀具由量变导致质变,磨损量增加较快。磨损虽然是逐渐发展的过程,但 很 容 易 在 生 产 过 程 造 成 较 大 的 危 害 和 经 济损失。2 传统刀具磨损检测方法及系统组成图3 刀具磨损监测线路框图迄今为止,中国国内的工作者已经整理出了许多的刀具磨损测量的方法,并按照对刀具磨损量测定方法的不同,将刀具磨损测量分为直接测量法和间接测量法4。直接法是指通过分析切削刀刃的几何形态、表面质量以及通过检测刀具对切削刃参数的改变,来确定磨损程度但间接方法检测的对象并非工件本身,而是与刀具本身相关的信号,刀具磨损的间接检测法主要有切削力信号、声发射信号、振动信号以及电流信号检测等。间接法构建模型难度较大,准确率低于直接法,但其使用的传感器易于安装,可实时在线监测,成本较低。图3是刀具磨损监测线路框图。2.1 切削力信号检测法切削用量对刀具的磨损敏感度极高且作为加工过程中对刀具状况改变最直观的表征之一,其信号特性能够精确反映刀具的磨损状况。如图4所示是切削力信号检测法流程图。其弊端主要是传感器必须在工件有一定的安放具体地点,信息收集比较繁琐,装置价格也居高不下。声发射则是指刀具在加工过程中,由于裂纹扩展、塑性形变 等 而 引 起 能 应 力 迅 速 放 出,并 形 成 应 力 波 的 现 象。L UO等5通过建立刀具磨损数学模型进行刀具磨损量和磨损状态的预测,对刀具性能评估提供决策依据。吕杨6为研究高速状态下切削力的变化规律,对T C 4钛合金建立正交切削模型并进行二维仿真,研究结果表明切削力的变动对产品缺陷风险有影响,实现了刀具在线辨别磨损形态和加工表面质量的在线评估,如图5所示。图4 切削力信号采集检测法流程图图5 T C 4钛合金刀具磨损形态实时监测图962 0 2 3年第5期2.2 声发射信号检测法声发射是通过判别切削过程中产生的振动信号源,对刀具的磨损形态智能监测,排屑的同时伴随发出一种应力波的现 象。席 剑 辉、林 琳7利 用 最 小 二 乘 支 持 向 量 机(S VM)的回归算法,并把刀具磨损阀值检测融进声发射(A E)序列的熵值预测建模,提高了检测精度和加工效率。黄鹤翔、张健、王鸿亮8等人提取4个样本特征输入,同时对比多种预测方法的进行试验,结果显示3-KMB S预测模型算法刀具磨损状态的正确率高达9 5%。张学忱,刘红岩,史尧臣等1 4通过通过A E数据采集系统在7 0 7 5铝板上采集不同磨损量的(A E)信号,运用小波分解对声发射(A E)信号进行特征量滤波提取,结果显示(A E)信号RM S值与刀具的磨损状态关系密切,并可依据该变化量实现刀具磨损状态的较好的识别,如图6所示。图6 刀具磨损状态监测装置图2.3 图像处理的刀具磨损直接检测丁玉辉,曹岩,付雷杰等1 0结合计算机视觉和人工智能,对磨损状态判别、图像预处理、磨损量提取、边缘监测等进行了讨论和展望。迟辉,宁若冰,薛少钧等1 1人制定了对麻花钻的磨损部分的图像检测系统,通过中值滤波、二值化处理及边缘提取,结果显示与万能工具显微镜的检测时间提升3倍,极大提高了磨损量的测量效率。张飞,宁若冰,薛少钧等1 2人对高速铣刀切刃磨损量进行分析运算,采用机器视觉的图像采集监测处理平台,统计出2 0把铣刀切刃信号提取标准图像的特征参数,理想地实现铣刀磨损 量 测 算,该 刀 具 磨 损 量 计 算 的 方 法 可 行。刘 礼平1 3等通过运用工业相机和显微镜进行边缘提取与图像融合技术,如图7所示,提出一种单镜头视觉系统图像提取的刀具磨损识别算法,该法有效降低了检测的工作强度,便于及时发现刀具质量问题。图7 V H X-1 0 0 0 C型显微镜3 传统刀具磨损监测与深度学习智能系统3.1 传统刀具磨损智能监测系统传统的刀具磨损智能监测系统通常由3个部分组成:信号采集与处理、特征提取和模式识别。(1)信号采集 在整个刀具磨损状态监测的过程中,传感器是整个系统采集信号的来源,其性能直接影响当前监测的准确性9。在目前的研究中,通常采集切削力信号、声发射信号、加速度信号、声音信号以及电流信号等作为刀具磨损的判断依据。(2)特征提取 特征提取是在信号中提取具有高灵敏度和可靠性的有用信息1 9,用于识别刀具磨损。特征提取和选择在刀具磨损状态监测中起着至关重要的作用,提取的特征向量用于模型建立和测试。(3)模式识别 模式识别的本质是将提取的特征作为输入样本进行学习,建立对应的映射关系,在训练的基础上完成对刀具磨损状态的识别。目前,监控模型的构建主要分为两大类:传统机器学习和深度学习。以上所提出的方法虽说解决了特征参数的缺点,但由于加工过程中需要人为选择特征参数信号,一定程度上限制了预测的精确度。3.2 深度学习刀具磨损状态智能监测深度学习相对于传统特种提取方法更加智能,目前在多视角、大景深、多聚焦成像等领域都取得了重大技术革新,被大 量 学 者 研 究 并 引 入 到 刀 具