刀具寿命预测技术研究浅析

吴尚杰

摘 要：刀具寿命是衡量一个刀具系统的性能和评估刀具可靠性的一个重要指标，它可以为刀具设计提供依据，提高刀具的使用率，节约企业成本。本文综述了现有的刀具寿命的研究方法，分析了他们的缺点以及不足之处，提出了问题可能的解决方案以及刀具寿命预测技术未来的发展趋势，为后续刀具寿命预测技术提供了开拓性思路。

关键词：刀具寿命；预测；综述；趋势

中图分类号：TG711 文献标识码：A 文章编号：1671-2064（2018）22-0057-02

2015年中国提出了“中国制造2025”计划，希望我国在2025年可以成为世界制造强国，从而可以提升我国的综合国力。但是随着中美贸易战的不断升级，美国不断对高科技技术以及高科技产品进行封锁，目的便是遏制“中国制造2025”计划。也正因为如此，深刻地让我们认识到了我国的制造技术与其他发达国家相比还有着巨大的差距，我们仍需对大量精密零件、芯片等进行进口。因此提高我国制造技术成为了实现中华民族伟大复兴梦的制衡性因素。数控机床作为制造业的核心工具，大部分零部件都由它来完成加工，而其中数控机床的刀具系统则至关重要。在工业生产中，一个合理的刀具系统有助于提高工件的加工精度和加工效率，减小生产成本。刀具寿命是指一个新刀具从起效至失效的总时间[1]，而刀具寿命是衡量一个刀具系统的性能和评估刀具可靠性的一个重要指标。在加工过程中没有对刀具寿命进行预测或刀具寿命预测不准确的情况下，很容易引起工件报废，流水线生产停滞，造成企业的生产成本大幅增加。因此，对于刀具寿命的研究是有重要理论和现实意义的。近年来，众多的学者已对刀具寿命预测技术做了大量的相关研究，但他们也都普遍的存在着许多不足。

1 影响刀具寿命的主要因素

数控加工是一个繁复的过程。刀具在与工件发生相对运动时，有很多因素影响刀具的寿命。这些因素大体可分为四类，分别是人为因素、加工环境、加工方式和材料等。他们相互影响，呈现复杂的非线性关系。

（1）人为因素：由于操作人未经过专业训练而操作不当（如：进给速度过快、切屑深度把握不恰当、未选择合适的刀具类型、切削过程中没有及时加入切削液等）引起的刀具磨损过快，甚至导致刀具直接崩刃，从而造成的刀具寿命缩短或直接报废。

（2）加工环境温度的高低影响刀具剩余寿命的长短。在温度较高的环境下，刀具表面易于氧化，从而降低刀具寿命。加工环境中是否有切削液同样影响刀具寿命。刀具在与工件摩擦过程中产生的切屑，由于其化学特性，有时会附着于刀具后刀面，易于与工件表面发生刮擦，严重影响了工件制造的精度，缩短了刀具寿命。向刀具系统中添加切削液，能够在刀具和工件表面覆盖液体膜，减小工件与刀具之间的摩擦力，降低切削温度，使切屑不易附着于刀具表面同时可以及时冲刷切屑，延长刀具使用时间。加工环境中稳定性也可以影响刀具寿命。当刀具系统处于不稳定状态时，刀具会与工件产生非周期性撞击，加速刀具磨损，若两台数控机床相距较近且同时运转情况下，他们频率相近，极易发生共振现象，加大振动幅度，严重损害刀具，缩短刀具寿命。

（3）加工方式：切削参数的选择也影响着刀具寿命。过大的进给速度、切削深度会引起刀具系统的振动；同时过小的刀尖弧度半径会使刀刃结构脆弱，易崩刃，过大的刀尖弧度半径会导致切削力增大。这些参数不合理的设定都会加快刀具磨损，缩短刀具寿命。

（4）材料：刀具的材料和工件的材料同样与刀具寿命有着直接的联系，当刀具加工硬度较高的材料时，如钛合金。则会导致刀具磨损过快，刀具寿命过短。当刀具材料为冲击韧性较差，抗弯强度较低的材料时，如硬质合金，同样会导致刀具寿命过短。

2 刀具寿命预测的研究现状

基于影响刀具寿命的主要因素，目前刀具寿命的预测可以通常可以分为三类：基于物理模型的预测，基于已有知识模型的预测，基于人工智能模型的预测。

（1）物理模型的预测：刀具寿命根据上文所提到的许多因素有关，这些因素与刀具寿命有着直接或间接的联系，并呈现出复杂的非线性关系。因此基于大量人为经验和试验的积累，并根据刀具寿命的退化行为，建立了经验公式[2]。

（2）基于已有知识的模型：目前现有的方法，模糊推理和专家系统，根据已有数据库中的样本，将试验数据与当前所要預测的刀具寿命进行匹配，通过引入模糊变量，根据模糊统计的方法来确定刀具寿命的合理值以及可能性的函数分布规律，最终达到预测刀具寿命的效果。

（3）基于人工智能模型：目前现有的方法有神经网络（ANN）[3-5]，支持向量机（SVM），他们将刀具切削参数作为模型输入[6-7]，将刀具寿命作为模型的输出，利用已有样本训练模型，建立模型输入端和输出端的映射关系，最终达到预测刀具寿命的目的。

3 研究难点及可能的解决方案

然而，目前对于刀具寿命预测技术仍有许多的不足，且大部分研究仅限于关注刀具在切削前的整体寿命，并没有考虑到刀具在切削过程中的剩余寿命，如物理模型的预测与已有知识模型的预测。

基于经验公式的预测有着简单易理解的优点，但其仅凭实验和专家系统的方式，使其结果的准确度值得商榷。并且公式中带入的参数是在特定环境和使用特定设备通过大量实验而得出的，不仅耗时冗长，而且对于不同的加工环境和不同的设备不具有普遍性和一般性，目前不是学术界主流研究方法。

基于知识模型的预测，如模糊理论，它方法比之经验公式，更加具有参考价值，它通过引入模糊变量替代试验过程中某些不确定的量，使结果相对更加的准确。但它严重依赖于数据库，在数据库不全面的情况下并不能达到很好的预测效果。而上述两种方法只适合于预测刀具寿命在加工开始之前的刀具整体寿命，而加工过程是一个复杂并充满不确定性的过程，刀具寿命预测与实际结果之间存在着巨大的差距，并不能很好的满足企业的需求，对于以上的缺陷，人工智能的发展很好的解决了这个问题。

基于人工智能模型的预测，如ANN，SVM、HMM。他可以实现刀具寿命的在线预测，机床在运转过程中，可以实时将刀具剩余寿命输出。但是它也存在不足，ANN依赖大样本，学习速度慢，容易不收敛。针对ANN的缺点，SVM的引入，很好的解决了上述问题，但是SVM是基于样本进行匹配，并没有考虑刀具的退化过程，预测结果易于收到加工过程中环境噪声的干扰[8]，稳定性较差。在此基础上，HMM的引入又很好的解决了这些问题[9]。

4 未来的发展趋势

随着计算机技术的发展，人工智能越来越受到人们的青睐，而采用人工智能预测刀具寿命的方法也成为未来的发展趋势。因此，未来的研究方向主要从以下几方面入手：（1）改进机器学习的算法，提高计算效率，如ANN，可以与遗传算法相结合，利用遗传算法的优势，寻找ANN最优初始权值和阈值，这样可以减少ANN算法在最开始寻找最优权值和阈值的时候所浪费的时间，提高算法运行效率。（2）寻找更能反映刀具寿命的特征量，譬如可以将刀具磨损的特征与刀具寿命之间建立关系，利用机器学习算法，如ANN，SVM等。将这些可以反映刀具寿命的特征值作为预测模型的输入端，使所建立的人工智能预测模型更为的准确和高效。

参考文献

[1]马春翔，王光斗，李涛，王伟方.基于模糊理论的刀具寿命可靠性[J].机械工程学报，2007，43（12）：93-96.

[2]徐玲，杨丹，王时龙，聂建林.基于进化神经网络的刀具寿命预测[J].计算机集成制造系统，2008，14（1）：167-182.

[3]秦国华，谢文斌，王华敏.基于神经网络与遗传算法的刀具磨损检测与控制[J].光学精密工程，2015，23（5），1314-1321.

[4]于青，王金林.基于DE-BP神经网络的刀具寿命预测研究[J].机床与液压，2009，37（4）：4-6.

[5]黄媛，孙树栋，李兢堯.基于ACO-BP神经网络的刀具寿命预测[J].机械科学与技术，2009，28（11）：1517-1522.

[6]侍红岩，吴晓强，张春友.基于支持向量回归机的刀具寿命预测[J].工具技术，2015（49）：47-50.

[7]胡良谋，曹克强，徐浩军，董新民.支持向量机故障诊断及控制技术[M].北京：国防工业出版社，2011.

[8]王晓强.刀具磨损监测和剩余寿命预测方法[D].华中科技大学，2016.

[9]张星辉，康建设，高存明，等.基于MoG-HMM的齿轮箱状态识别与剩余使用寿命预测研究[J].振动与冲击，2013，32（15）：20-25.