对刀具磨损获取信号处理方法的探讨

□ 贾 娜 □ 马雪亭

东北林业大学 机电工程学院 哈尔滨 150040

对刀具磨损获取信号处理方法的探讨

□ 贾 娜 □ 马雪亭

东北林业大学 机电工程学院 哈尔滨 150040

建立了监测信号与刀具磨损之间的关系，利用监测信号直接或间接反映刀具磨损状态。针对磨损信号多种的处理方法（建立刀具磨损的关系），总结了近几年来学者对监测信号采用的不同处理方法。

刀具磨损 信号处理 监测信号

刀具磨损会带来加工精度下降，并产生噪声污染。频繁更换刀具增加了加工辅助时间，使加工成本提高，生产效率降低。研究刀具磨损的一个重要步骤就是对于获取信号的处理方法，常用的信号处理方法有时域分析、频域分析、时频分析、模糊聚类、分形理论、隐马尔可夫模型、偏最小二乘回归、人工神经网络分析、支持向量机分析、云模型以及机器视觉识别等诸多方法，本文将分别予以阐述。

众所周知，无论是由直接测量和间接测量获取的信号，其信息量很庞大，而有用的信息量比重较少，不能直接用于研究刀具磨损状态，需要对信号进行细致处理，当然，不同的监测信号所用的处理方法也可能有所不同。

1 信号处理的方法

监测信号的处理是研究刀具磨损的一个重要步骤，从传感器检测到的信号，由于其信息量庞大且有价值的信息较少，并不能直接作为刀具磨损状况的识别特征，需要经过处理，建立信号与刀具磨损状态之间的关系。可以说，信号处理决定着刀具磨损在线监测技术的成败，不同的信号处理方式得出的结果有所不同，对于在线监测的准确性也将有所不同。

（1）时域分析方法。时域分析方法是指将信号整理成横轴为时间的信号函数图像来进行分析，在刀具磨损的研究领域中，无论是传统分析和现代分析是比较常见的方法，它符合人们认识事物规律的习惯，易于理解，比较直观，常被用作信号后续处理的第一个阶段。比较常见的时域分析有均值法、均方根值法、方差和自相关分析等。董全成等［1］利用均方根值统计方法建立声信号与刀具磨损的关系，对刀具磨损状态作了详细研究，为刀具在线监测奠定了基础。

（2）频域分析方法。信号不仅和时间有关，在不同频率下信号的响应也是不一样的，这就要用到频域分析的方法。

在刀具加工过程中，不同磨损状态对应信号的频率分布是不同的，根据频谱图像可以推断出刀具处于什么样的磨损状态［2］。在刀具磨损领域，频谱分析能得到信号中各频率上的幅值或能量大小，反映信号的频率结构，进而与刀具磨损建立很好的相关性［3］。张建国等［4］用频谱分析的方法研究超精密车削单晶硅刀具振动信号，研究了单晶硅超精密车削时刀具振动频谱分布与切削参数的关系，并对刀具振动频谱的变化规律及其演变机理进行了分析。

（3）时频分析方法。时频分析方法是设计时间和频率的联合函数，用它同时描述信号在不同时间和频率的能量密集度或强度，这样就能更加直观地体现出两者之间的关系，得到的信息也会更加完善。常见的时频分析方法主要有窗口傅里叶变换、小波分析、希尔伯特黄变换等。

小波分析方法易与人类视觉特性相结合，对于获取的信号还有去噪的功能，是目前研究刀具磨损时频分析方法中应用最多的方法［5］。陈晓智等［6］用小波分析方法通过多层小波分解对信号主能量所处频段进行局部特性刻画，利用小波分解系数特征统计值在统计量与刀具状态间建立物理联系，实例表明，该方法能有效地判断刀具状态，比常用的神经网络进行状态分析的方法更具有理论直观性与操作的时效性。

（4）模糊聚类方法。模糊聚类分析是以模糊数学为理论基础，用该方法来衡量样本之间的差异程度，调节阈值，这样就可以调整样本按照需要分成的种类个数，操作简单，准确率高，并且可以通过软件编程来实现，大大提高了识别效率［7］。

在刀具磨损过程中，可以将采集到的切削力、噪声、振动、声发射等磨损信号的特征量作为分类要素，最终经过处理得到一个模糊等价矩阵，适当调整阈值，直到得到所需要的分类。在以后的刀具加工过程中，可以随时将获取的刀具磨损信号作为待分类信息，并合理归类，进而得出刀具的磨损情况。模糊矩阵具有需要样本数量少、分析结果可靠的优点。陈爱弟等［8］将声发射信号和振动信号进行模糊聚类处理，以此来检测和预报刀具的磨损量，达到精确预测刀具磨损状况的目的。

（5）分形理论的方法。不规则的信号在不同的时间点上其复杂程度可以借助分形维数来描述，对于刀具磨损，每个采样点的信号图像复杂程度不同，可以对应不同的分形维数，根据维数可以反映出刀具磨损状态［9］。林颖等［10］利用分形理论对刀具磨损信号进行处理，研究表明，利用分形理论对切削力动态分量信号来提取分形维数，而分形维数和刀具磨损的状态具有相关性，可以作为表征刀具磨损状态的一个特征值，能有效识别刀具的磨损状态。

（6）隐马尔可夫模型。隐马尔可夫模型（Hidden Markov Model，HMM）是统计模型，它用来描述一个含有隐含未知参数的马尔可夫过程，是描述识别动态过程的一种有效方法，它是一个双重随机过程：非平稳信号可以认为是多个平稳信号段组成的，隐马尔可夫模型可用于描述每个平稳信号段特征，又可描述多个短期平稳信号段之间的动态变化。隐马尔可夫模型中的状态不直接可见，但受状态影响的部分变量可见。状态所输出的符号是有概率规律的，因此输出符号序列与状态序列有一定的相关性［11］。

吕俊杰等［12］用隐马尔可夫模型方法对铣削力信号进行提取，对信号特征矢量进行量化编码，作为隐马尔可夫模型的输入向量，分别训练3个不同磨损阶段的隐马尔可夫模型来对未知的刀具磨损状态进行预测，能对刀具磨损状态进行较好的识别。

（7）偏最小二乘回归方法。偏最小二乘回归法采用对变量X和Y都进行分解的方法，从变量X和Y同时提取因子，再将因子按照它们之间的相关性从小到大排列；偏最小二乘回归法能允许样本个数少于变量个数，约束条件更少，灵活度更大。在刀具磨损方面，可以将两个或两个以上的参数组成样本预测刀具的磨损状况，起到在线监测的作用［13］。

徐创文等［14］采用主轴电机功率信号和进给伺服电机功率信号作为监测信号，将样本变量筛选为自变量，因变量是后刀面磨损量，在不同的参数环境下对工件进行加工，会产生多组试验数据，然后用偏最小二乘回归分析方法建立模型，用来预测刀具磨损状况。

（8）人工神经网络分析方法。人工神经网络是对生物上的神经网络的结构和功能进行效仿，它是一种强大的信息数据处理系统，大致分为输入层、中间层和输出层。输入层是对获取的信号数据进行接收，中间层负责处理信号数据，输出层是将处理的结果进行输出，如果输出的结果与期望相同，那么训练结束；如果不同则会反向计算，修改各层权值和阈值，直到符合期望为止［15］。

王军平等［16］利用电流信号基于随机模糊神经网络建立了刀具磨损量的软测量模型，该模型利用切削参数实时地调整网络的部分参数，从而可以减小切削参数与电流信号之间关系对于刀具磨损估计的影响并且使模型具有动态性、实时性。通过实验验证，表明该方法是正确的且分别利用主轴电流值和进给电流值估计刀具磨损量具有较好的一致性。

（9）支持向量机分析方法。支持向量机方法对样本的需求相对较少、避免出现过拟合和欠拟合等问题，很好地弥补了人工神经网络的不足［17］。近年来一些学者在这方面做了不断的探索。

王国锋等［18］基于多传感器信号、采用多分类支持向量机进行多种状态下辨识刀具状况，通过多传感器获取刀具振动信号，把获得的时域、频域和小波域的信息作为刀具磨损分类特征，用以支持向量机训练和识别刀具不同磨损状态下的特征数据。对切削过程中不同磨损状态的分类结果表明，多分类支持向量机具有出色的学习能力，能够实现在小样本情况下的不同磨损阶段分类，识别精度比较理想。

（10）云模型。李德毅院士等于1995年提出云模型，它是一种定性定量不确定性转换模型，数据样本之间具有随机性和模糊性，而云模型把这两个特性都考虑在内，由定量到定性，原本复杂的语言值用数字特征来表示；再从定性到定量、随机性和模糊性以及它们两者之间的关系通过云发生器来模拟和建立。在具体处理中，实现云模型的方法不是单一的，不同的方法构成不同类型的云模型，如正态云模型、半云模型、对称云模型和组合云模型等。接合前文所说的支持向量机，可以更好地应用到对刀具磨损信号的处理中。

王利伟等［20］结合云模型和支持向量机的优点，提出了包含输入层、云化层、SVM层、逆云化层和输出层等五层结构的云-SVM模型，利用该模型对刀具磨损状态的识别和预测进行了仿真，结果表明，该模型能够较真实地识别和预测磨损状态，具有较强实用性。表明该模型结合了云模型的随机性和模糊性，又保持了SVM模型的优点，解决了高维问题和局部极值问题，支持小样本，适合数控机床刀具磨损状态识别。

（11）机器视觉识别方法。刀具表面是刀具磨破损状态的直接反映，因此基于刀具表面图像的直接监测方法，具有其它监测方法所不能比拟的优点，它由显微镜、照相机、计算机及图像处理软件等组成，先获取刀具磨损的图像信号，对其进行细致处理。原理简单，操作方便，可以很好地得出刀具的磨损状况［21］。基于刀具或工件的图像、纹理或切屑图像都可以用机器识别的方法来进行处理。像赵林惠等［24］对微小型刀具磨损检测试验研究、张利等［25］对刀具磨损状态识别技术的研究等都是利用机器视觉识别技术对图像信号进行的处理，得出相应的结论。

但是在工件切削过程中，切屑挡在刀具的表面，因此，基于刀具表面图像的视觉监测方法一般不能在切削过程中进行，因此只是一种间歇式的监测方法。

2 发展趋势

随着现代加工方法和对工件质量要求的提高，刀具监测技术越来越重要，单一的刀具信号获取已经很少能满足要求，同样，单一的信号处理技术也会存在这样或那样的不足，所以多种信号处理方式的融合技术已经越来越成为研究的方向之一。如，模糊逻辑和神经网络都属于知识分布存储，都具有并行处理的无模型系统。通过效仿人的生理动作来解决问题是它们结合的基础和目标。知识的获取与表达、知识的存储与推理等方面是它们的主要区别。如果采用神经网络，那么就需要进行学习，而对于模糊逻辑仅仅需要从知识库中提取出来即可；对于结构化的知识用模糊逻辑来处理更适合，而对于分结构化的知识用神经网络处理更有效。结合这两种数据处理方法，可以发挥它们共同的优点并克服它们各自的缺点。这种互补的特性使它们的结合越来越得到人们的广泛关注。

［1］董全成，艾长胜，樊宁.刀具磨损声谱特征的分析［J］.组合机床与自动化加工技术，2006（3）：35-38.

［2］王国锋，李启铭，秦旭达，等.支持向量机在刀具磨损多状态监测中的应用［J］.天津大学学报，2011（1）：35-39.

［3］游凤荷，魏莉.材质涡流检测信号处理方法［J］.测控技术，2002（10）：11-14.

［4］张建国，宗文俊，孙涛.超精密车削单晶硅刀具振动频谱分析［J］.纳米技术与精密工程，2010，8（6）：491-497.

［5］毛新勇，刘红奇，李斌.主轴电流信号中铣削力成分的时频分析及提取方法研究［J］.中国科学（E辑：技术科学），2009（11）：1824-1827.

［6］陈晓智，李蓓智，杨建国.一种新的声发射刀具磨损小波分析方法［J］.无损检测，2007，29（1）：12-15.

［7］陈洪涛，黄遂，李登万，等.基于模糊聚类的数控车削加工刀具磨损检测研究［J］.现代制造工程，2010（7）：134-137.

［8］陈爱弟，王信义，王忠民，等.基于模糊聚类的刀具磨损量在线监测方法［J］.北京理工大学学报，2000，20（3）：276-280.

［9］张锴锋，袁惠群，聂鹏.基于广义分形维数的刀具磨损状态监测［J］.振动与冲击，2014（1）：162-164.

［10］林颖，刘亚俊，陈忠.基于分形理论和神经网络的刀具磨损监测［J］.中国机械工程，2004，16（16）：1126-1128.

［11］周忠伟，孟广耀，徐建，等.基于HMM的刀具磨损和颤振预报及切削过程的最优化控制研究［J］.装备制造技术，2013（1）：108-110.

［12］吕俊杰，王杰，王玫，等.基于S O M和H M M结合的刀具磨损状态监测研究［J］.中国机械工程，2009，21（13）：1531-1535.

［13］陈高波.基于最小二乘支持向量机的刀具磨损预报建模［J］.武汉工业学院学报，2009（2）：112-114，118.

［14］徐创文，陈花玲，刘晓斌.偏最小二乘回归在刀具磨损试验建模中的应用［J］.系统仿真学报，2007，19（13）：3115-3118.

［15］崔伯第，郭建亮，殷宝麟.基于神经网络的高速硬车削切削力预测研究［J］.机械设计与制造，2012（9）：175-177.

［16］王军平，敬忠良，王安.基于随机模糊神经网络的刀具磨损量软测量技术［J］.信息与控制，2002，31（6）：535-537.

［17］彭美武，陈洪涛，钟成明.基于支持向量机的刀具磨损决策融合技术 ［J］.组合机床与自动化加工技术，2014（4）：89-93.

［18］王国锋，李启铭，秦旭达，等.支持向量机在刀具磨损多状态监测中的应用［J］.天津大学学报，2011，44（1）：35-39.

［19］聂鹏，董慧，李正强，等.基于改进EMD和LS-SVM的刀具磨损状态识别 ［J］.北京工业大学学报，2013（12）：1784-1790.

［20］王利伟，王姣.云-SVM模型及在数控机床刀具磨损状态预测中的应用［J］.组合机床与自动化加工技术，2012（9）：25-31.

［21］杨建国，肖蓉，李蓓智，等.基于机器视觉的刀具磨损检测技术［J］.东华大学学报（自然科学版），2012（5）：505-508.

［22］关山.在线金属切削刀具磨损状态监测研究的回顾与展望Ⅱ：信号特征的提取［J］.机床与液压，2010（17）：121-125.

［23］夏海涛，孟广耀，刘松年，等.基于切削力实现铣刀状态监测的特征值选取的研究［J］.制造技术与机床，2011（2）：97-99.

［24］赵林惠，张建成，宁淑荣.基于机器视觉的微小型刀具磨损检测试验研究［J］.制造业自动化，2012（10）：53-56.

［25］张利.基于图像几何形态与纹理分析的刀具磨损状态监测技术的研究［D］.杭州：浙江工业大学，2002.

（编辑 丁 罡）

上海电气签署煤发电项目

日前，上海电气集团（601727）与格盟国际能源有限公司签署山西灵石启光2×350MW低热值煤发电项目总承包合同。

格盟国际能源有限公司是上海电气集团在国内开展电站EPC项目的首个合作伙伴。本次签约山西灵石启光2×350MW低热值煤发电项目，标志着双方的合作将得到进一步深化。

（本刊讯）

TB114.3；TG71

A

1000-4998（2015）03-0055-03

2014年9月