摘要：為提高金屬微銑削過程中刀具磨損狀態(tài)在線監(jiān)測系統(tǒng)的預測效率與精度，提出一種基于線性判別分析與改進型神經(jīng)網(wǎng)絡模型識別刀具磨損的方法。該方法通過傳感器與數(shù)據(jù)采集系統(tǒng)采集微銑削過程振動信號，提取其時域和頻域特征并通過線性判別方法進行降維約簡。將降維后的特征輸入經(jīng)灰狼優(yōu)化改進的神經(jīng)網(wǎng)絡模型，從而實現(xiàn)微銑刀磨損狀態(tài)特征的分類。結(jié)果表明，提出的微銑刀在線監(jiān)測方法能夠準確識別微銑刀的各種磨損狀態(tài)。此外，和其它分類算法相比，提出的基于灰狼優(yōu)化算法的BP神經(jīng)網(wǎng)絡模型在分類精度和計算效率方面具有綜合優(yōu)勢。這對實際生產(chǎn)過程中微銑刀的磨損狀態(tài)監(jiān)測具有非常重要的實際意義。

　　關(guān)鍵詞：微銑削;刀具磨損;線性判別分析;神經(jīng)網(wǎng)絡;灰狼優(yōu)化

　　0引言

　　近年來，社會技術(shù)類型逐步傾向于精密化，尤其是一些重點領(lǐng)域[1]。這一要求帶動了微銑削加工技術(shù)[23]的發(fā)展。但是由于微銑刀尺寸急劇減小，且主軸轉(zhuǎn)速更快。微銑刀是更易磨損的。而刀具的磨損必然對加工工件的精度和質(zhì)量造成影響。因此，對微銑削刀具的磨損進行監(jiān)測是必要的。

　　當前的刀具磨損監(jiān)測方法主要有直接測量法[4]和間接法[5]兩種。直接測量法，就是在切削加工平臺上安裝高速相機，從而達到拍攝刀具磨損圖像的目的，最后從圖像中就可以直接測量出刀具磨損量。但是在微銑削加工中，刀具尺寸急劇減小，主軸轉(zhuǎn)速很快，而且有切削碎屑以及冷卻液的影響，不利于高質(zhì)量圖像的獲得。因此，為了解決直接測量法的缺陷，提出了間接法，該方法是基于信號處理技術(shù)與特征分類算法完成對刀具磨損的監(jiān)測。

　　間接法首先采集與磨損狀態(tài)相關(guān)的信號，隨后進行時域分析[6]、頻域分析[7]和時頻域分析[8]，并提取特征量，再用分類模型對刀具磨損特征進行分類，實現(xiàn)刀具磨損狀態(tài)的在線監(jiān)測。目前間接法常用信號有：聲發(fā)射信號[910]，它雖然攜帶了一定的刀具磨損信息，但是在加工過程中，必然存在著大量噪聲干擾信號;切削力信號[1112]，它同樣也攜帶了一定的刀具磨損信息。但是切削力受切削工況影響，一旦工況改變必然導致切削力改變，此時已經(jīng)無法判斷切削力的改變是否由刀具磨損引起;振動信號[1314]，它就不存在上述問題，它是設(shè)備狀態(tài)信息的重要載體，其內(nèi)蘊含大量與刀具磨損相關(guān)的信息。間接法提取出的特征量一般都是高維的，必然存在不相關(guān)的和冗余信息，對提取出的特征進行降維約簡是必要的。

　　因此，本文以振動信號為微銑刀磨損監(jiān)測信號，并且通過線性判別分析[15](LinearDiscriminantAnalysis，DA)對提取出來的高維特征量進行降維約簡，獲取與微銑削刀具磨損息息相關(guān)的最優(yōu)特征集。分類識別模型主要有近鄰(earestNeighbors，NN)[16]、決策樹(DecisionTrees，)[17]、支持向量機SupportVectorMachines，SVM)[18]和神經(jīng)網(wǎng)絡[1920]，選擇出最優(yōu)的特征分類方法對微銑刀磨損狀態(tài)分類識別至關(guān)重要。和其它分類算法相比，神經(jīng)網(wǎng)絡由于結(jié)構(gòu)簡單、易于實現(xiàn)，因此被廣泛使用。然而，它也有過擬合和局部最優(yōu)問題的存在，主要是由于神經(jīng)網(wǎng)絡的權(quán)值、閾值難以確定引起的。為了解決這個問題，提高神經(jīng)網(wǎng)絡的分類精度，本文提出采用灰狼優(yōu)化(GrayWolfOptimization，WO)[21]算法對神經(jīng)網(wǎng)絡模型進行優(yōu)化。

　　綜上所述，本文提出了一種基于DA與WOBP神經(jīng)網(wǎng)絡模型的微銑刀磨損狀態(tài)在線監(jiān)測方法。首先通過振動傳感器采集微銑刀磨損過程中的振動信號，對其進行時域、頻域分析，提取特征量。接著采用LDA將提取出的高維特征量進行降維約簡，得到與微銑刀磨損狀態(tài)密切相關(guān)的最優(yōu)特征集。最后通過WOBP神經(jīng)網(wǎng)絡模型實現(xiàn)微銑刀磨損狀態(tài)的分類識別。

　　1實驗原理及裝置結(jié)構(gòu)

　　本文以微銑削刀具磨損狀態(tài)為研究對象，通過傳感器以及信號采集系統(tǒng)將微銑刀切削工件過程中所引起的振動信號進行采集。隨之對其進行分析處理，通過時域，頻域分析，提取特征向量。為了排除掉不相關(guān)的和冗余信息，需要對提取出的特征量進行降維約簡操作，選擇出與刀具磨損密切相關(guān)的最優(yōu)特征集，使之后續(xù)的識別更加高效且準確。最后著重提出了將灰狼優(yōu)化算法同神經(jīng)網(wǎng)絡進行結(jié)合，使其用于微銑削刀具磨損狀態(tài)的識別中，對微銑刀磨損特征進行分類。

　　為驗證本文方法的有效性，將模具鋼NAK80在五軸加工中心HuronK2X5上進行一系列的切削實驗。在本實驗中，為了獲得更多的實驗數(shù)據(jù)進行后期的分析，一共選擇了把微銑刀進行模具鋼的切削實驗。該微銑刀是直徑為0.5mm、螺旋角為30°的硬質(zhì)合金刀具，毛坯尺寸為：70cm50cm20cm。

　　2特征提取

　　雖然提取出的時域、頻域特征里包含了與微銑刀磨損相關(guān)的信息，但是這其中仍然存在大量的不相關(guān)和冗余信息。若是將這些特征直接輸入后續(xù)的識別模型，必然影響分類精度和效率。因此對提取出的特征進行降維約簡，提取出與微銑刀磨損類別息息相關(guān)的最優(yōu)特征集是十分有必要的。本文選用線性判別分析(DA)對提取出的時域、頻域特征進行降維約簡。

　　3特征分類

　　本文將灰狼優(yōu)化算法同神經(jīng)網(wǎng)絡進行結(jié)合作為分類模型，將其用于微銑削刀具磨損特征的分類。神經(jīng)網(wǎng)絡BP神經(jīng)網(wǎng)絡是一種按誤差反向傳播算法訓練的多層前饋網(wǎng)絡，一般包括輸入層、隱含層和輸出層。和其它分類算法相比，神經(jīng)網(wǎng)絡由于結(jié)構(gòu)簡單、易于實現(xiàn)，因此被廣泛使用。

　　(1)對得出的訓練樣本進行歸一化操作，并且將歸一化處理的樣本數(shù)據(jù)作為識別模型的輸入。(2)從神經(jīng)網(wǎng)絡的輸入層開始，進行各層神經(jīng)元的輸出計算，并且此種計算是基于正向計算的。最終計算到輸出層。

　　(3)計算神經(jīng)網(wǎng)絡的輸出層誤差，此輸出層誤差是基于期望輸出值計算出來的。除了此種處理，還要反向的計算各層誤差，一直到神經(jīng)網(wǎng)絡的第二層才結(jié)束。(4)由上述的誤差大小，進行整個識別模型神經(jīng)網(wǎng)絡權(quán)重這個重要參數(shù)的調(diào)整。此時四個步驟已經(jīng)完成了神經(jīng)網(wǎng)絡的基本算法流程，但是此時誤差不一定達到要求。如果達到要求則結(jié)束，不達到要求的話，則還要進行上述步驟的重復，直到滿足我們的要求為止。

　　4實驗結(jié)果與分析

　　在微銑刀切削模具鋼實驗中，一開始將刀具磨損分成五種類別。在不同類別下分別對模具鋼進行切削，全程采集振動信號，并每隔3min，停機，拆下刀具，通過影像儀觀察刀具切削部位的圖像。通過影像儀觀察得知，在第種磨損等級下，刀具磨損程度過深，已經(jīng)完全不能用于加工工件了，且在第1種磨損等級下，微銑刀的磨損已經(jīng)達到重度磨損了。因此對第種等級的磨損研究毫無意義。所以本文將微銑刀磨損狀態(tài)分為個級別：初始磨損狀態(tài)，輕度磨損狀態(tài)，中度磨損狀態(tài)和重度磨損狀態(tài)。

　　機械論文投稿刊物：工具技術(shù)(月刊)創(chuàng)刊于1964年，是成都工具研究所主辦的切削與測量工程綜合性技術(shù)刊物，本刊已被國內(nèi)外有關(guān)機構(gòu)認定為中文核心期刊、中國科技論文統(tǒng)計用刊、中國學術(shù)期刊(光盤版)入編期刊等，并多次榮獲四川省和機械工業(yè)部優(yōu)秀科技期刊獎。

　　5結(jié)束語

　　基于微銑削振動信號，本文提出了基于LDA和WOBP神經(jīng)網(wǎng)絡模型的微銑刀磨損在線監(jiān)測方法。經(jīng)過驗證，提出的微銑刀在線監(jiān)測方法能夠準確識別微銑刀的各種磨損狀態(tài)。此外，將計算結(jié)果與其它分類算法進行了對比，同時分析了對時域、頻域提取出的特征值進行降維約簡的必要性。結(jié)果表明，本文提出的微銑刀磨損在線監(jiān)測方法在分類精度和計算時間方面具有綜合優(yōu)勢，對實際生產(chǎn)過程中微銑刀的磨損狀態(tài)監(jiān)測具有非常重要的實際意義。

　　參考文獻

　　[1]于化東.超精密微機械制造技術(shù)研究進展[J].長春理工大學學報自然科學版),2008,31(3):18.

　　[2]李迎.微銑削加工技術(shù)研究現(xiàn)狀及發(fā)展趨勢[J].電子機械工程,2008(06):2632.

　　[3]劉戰(zhàn)強,雷原忠.微切削加工技術(shù)[J].工具技術(shù),2006,40(3):2834.

　　[4]胡蔦慶,陳徽鵬,程哲,等.基于經(jīng)驗模態(tài)分解和深度卷積神經(jīng)網(wǎng)絡的行星齒輪箱故障診斷方法[J].機械工程學報,2019,55(7)18.

　　[5]王巖,羅倩,鄧輝.基于變分貝葉斯的軸承故障診斷方法[J].計算機科學,2019,46(11):323327.

　　作者：潘春龍，王二化，張屹