BTA深孔钻磨损检测识别及应用

吴雪峰　吴同坤　杨树财　苑忠亮

摘要：BTA 深孔钻是一种典型的深孔加工内排屑钻头，加工用量大加工过程封闭。针对工业现场BTA深孔钻磨损人工检测误差大的不足，基于最小外接矩形的磨损视觉检测方法对BTA深孔钻的磨损进行了检测。通过对刀具磨损图像进行图像预处理，包括图像的灰度化、滤波去噪处理以及阈值分割，得到了清晰的磨损区域图像。将预处理图像应用最小外接矩形方法得到刀具的磨损量，分析了磨损量对加工孔径的影响。采用上述检测方法对BTA 深孔钻进行了试验分析，为提高刀具的使用寿命提供数据支持。

关键词：

BTA深孔钻 ；图像预处理；最小外接矩形；磨损量

DOI：10.15938/j.jhust.2018.05.003

中图分类号： TG501.1

文献标志码： A

文章编号： 1007-2683（2018）05-0014-07

Recognition and Application of Wear Detection BTA Deep Hole Drilling

WU Xuefeng，WU Tongkun，YANG Shucai，YUAN Zhongliang

（School of Mechanical and Power Engineering， Harbin University of Science and Technology， Harbin 150080，China）

Abstract：BAT deephole drill is a typical innerchip removal drill， which is processed in a large amount and the machining process is closed. In view of the deficiency of the industrial field BTA deep hole drilling wear artificial detection error， the wear of BTA deep hole drilling was detected based on the wear visual inspection method of the minimum external rectangle. First， getting a clear image of the wear area through the tool wear image preprocessing which include image gray， filter denoising and threshold segmentation； Then the tool wear was obtained by using the minimum external rectangle method in the preprocessed image， and the effect of the wear rate on the processing aperture was analyzed； The above detection method is used to test the BTA deep hole drilling， which provides data support for improving the service life of the tool.

Keywords：BAT deephole drilling； image preprocessing； minimum enclosing rectangle； wear rate

0引言

深孔加工的特點和特殊性主要表现在切削条件恶劣（封闭的条件下切削），断屑及排屑困难。在加工汽轮机凝汽器、冷凝室、热交换器等高强度钢管板时，需钻削阵列深孔[1]。现今深孔钻削（孔深大于10倍孔径时）大多使用BTA深孔钻，它是内排屑深孔钻的一种典型结构[2]。核电冷凝器热交换管板等要求孔加工精度高，刀具磨损后刀具直径减小无法满足孔加工精度及孔表面粗糙度的要求。然而管板深孔钻加工特点为加工过程中封闭，产生的切屑被高压冷却液通过专用套管带走，油压在加工过程中一直存在，因此无法在加工过程中检测磨损。目前在生产中主要凭操作人员的经验检测刀具磨损情况，确定是否需要更换刀具。

刀具磨损是影响加工质量的重要因素，需要在加工生产中不断的对刀具磨损进行检测，以保证加工质量。刀具磨损的自动检测分为直接法和间接法[3]。间接法是一类是利用切削力、切削温度或声发射（AE）等与刀具磨损有关的特征参量的信号的变化特征为依据进行检测，或者测量加工表面的微观结果进而反应加工刀具磨损状态。间接得到的特征参量与刀具的磨损程度并没有很严格的对应关系。由于间接方法信号干扰的影响因素较多，无法得到刀具磨损的真实几何尺寸。Zhou等[4]采用声发射信号作为刀具磨损的检测信号，通过建立自回归滑动平均模型，实现了对刀具磨损的在线检测。 王明等[5]以加工中产生的振动信号为分析对象，采用小波分析提取出表征刀具磨损的特征信号，实现了铣削加工中的刀具磨损。

直接法采用显微镜、摄像头等图像采集装置，利用图像处理技术分析刀具磨损区域，计算磨损量。具有非接触 、磨损值测量精确、使用方便且速度快的优点[6]。随着计算机技术的发展，图像处理的速度越来越快，基于图像视觉的刀具状态监测已开始进入自动机械领域。贾冰慧等[7]设计了一种刀具磨损在机检测的机器视觉系统，可以安装在机床上获取在机刀具图像，并提出基于8连通邻域搜索的交互式刀具磨损提取算法[8]。基于图像的刀具磨损检测方法不受切削参数的影响，但磨损图像会受到切屑、油污及传感器噪声等因素影响导致噪声产生并最终影响检测精度。因此在图像处理过程中进行去除噪声与阈值分割等预处理[9]。现有使用较为 广泛的去噪方法主要有均值滤波、中值滤波和Wiener 滤波等。廖玉松等 [10]提出了一种基于灰度差及像素分布连续性判断的方法，去除灰度图像中的噪声，采取先检测判断再进行去除的原则进行处理，最终检测到磨损区域连续清晰的边缘线。为提高采集图像的清晰度，并重建刀具磨损，舒平生[11]采用分层图像采集和高斯插值法进行三维重建，得到了清晰的刀具磨损图及刀具磨损区域的三维形貌图。朱爱斌等[12]采用傅里叶变换将聚焦合成方法与明暗形状恢复方法相结合，将滤波后的图像在频域进行叠加，经过傅里叶反变换，得到空间域融合后的刀具磨损区域三维重构图像，从而提升砂轮表面磨损区域的重构精度。

深孔加工过程的现场切削环境恶劣，刀具破损可以通过机床扭矩等加工状态分析是否破损，而刀具磨损量由于干扰较多、传感器安装困难，采用间接加工的方法测量刀具磨损难度较大。本文结合管板加工生产现场的情况，采用图像处理的方法测量刀具磨损量，确定是否需要换刀，提高刀具有效利用率，并通过分析刀具磨损，进而研究刀具磨损的影响规律，为优化工艺参数提供数据支撑。

1深孔钻刀具磨损分析

BTA深孔钻头的结构简图如图1所示，其中切削部分是由3个硬质合金刀片交错地焊接在刀体上，全部切削刃在切削时可布满整个孔径，并起分屑作用；导向块可增大切削过程的稳定性[13]。

在深孔钻削的实际加工中，BTA深孔钻的各个刀齿前刀面、后刀面、主切削刃、副切削刃和钻尖都会发生磨损。由于错齿钻头每个刀齿之间有一定的覆盖量，在实际加工中的每个齿的磨损情况是不同的，因此，通过超景深观察各齿的磨损情况，如图2～4所示，周边刀片磨损最严重，其次是中间齿，中心齿的磨损程度相对较小，主要是由于外齿的转矩和切削速度最大。

2磨损图像预处理方法

深孔加工过程的现场切削环境恶劣，刀具破损可以通过机床扭矩、震动等加工状态分析是否破损，而BTA 深孔钻在加工时有的未达到破损标准就已经严重影响加工质量与孔径，例如周边刀片的主切削刃的磨损对孔径的影响，利用传统的间接法是无法检测出。图像处理直接法检测刀具磨损，能够直观的观测出刀具的磨损状态，而且检测精度高。因此本文采用图像处理的方法检测BTA深孔钻的刀具磨损[14]。

基于机器视觉的刀具磨损监测及识别的精度主要取决于刀具磨损图像的处理。但在实际生产实验中采集的刀具图像，由于现场环境、光照等的影响，采集的图像会产生噪声[15]。如果直接进行阈值分割、边界提取以及识别算法，会影响最终结果的精度。因此首先对采集的刀具图像进行图像预处理，主要是包括图像的灰度化、滤波去噪处理以及阈值分割[16]。预处理流程图如图5所示。

2.1灰度化[17]

灰度化是图像增强的重要手段，由于成像系统的亮度有限，使人眼观看图像时视觉效果很差。通过图像灰度化可以使图像的对比度扩展，图像清晰，特征明显，大大改善了视觉效果。

机器视觉测量是建立在图像灰度信息的基础上，所以图像的预处理首先即是图像的灰度化。将彩色图像灰度化是一种色彩的变换，可通过（x，y）=T[f（x，y）]公式进行转换。灰度化后的图像如图6所示。

2.2图像去噪[17]

由于加工环境以及图像采集时灰尘以及光照的影响，采集的刀具磨损的图像会不可避免地产生或多或少的噪声，尤其是对于依赖于图像像素灰度值进行的处理的算法而言，噪声对后续的图像处理结果影响十分的大。为了降低后续处理噪声对处理结果的影响，必须对刀具磨损灰度化地图像进行滤波去噪。本文采用的中值滤波去噪。

中值滤波本质是一种统计排序滤波器，对于原图像中某点（i，j），中值滤波以该点为中心的邻域内的所有像素的统计排序中值作为（i，j）点的响应。滤波降噪后的图片如图7所示，刀具磨损图像经过滤波降噪后图片更加清晰。

2.3阈值分割[18]

采用阈值分割方法将刀具磨损区域与未磨损区域分割开来。阈值分割的原理是确定一个阈值将一幅灰度图像转换成黑白的二值图像，即指定一个起到分界线作用的灰度值，高于该灰度值的像素灰度值设置为255，低于该灰度值的灰度值设置为0[19]。阈值分割关键问题是阈值的确定。一般的刀具的表面会有深色涂层，磨损区域呈银白色金属色。因此本文运用最大类间方差法来进行阈值分割。

在对刀具图像进行阈值分割时，阈值的选择应使前景区域的平均灰度、背景区域的平均灰度与整幅图像的平均灰度之间差别最大，这种差异用区域的方差来表示[20]。BTA深孔鉆的表面涂有黑色的涂层，磨损区域呈银白色金属色，阈值分割后的前景区域与背景区域容易区分，最大类间方差法的阈值容易确定。

最大类间方差法的算法是在分析最小二乘法原理的基础上推导得出，其主要特点如下[21]。设图像中灰度为i的像素数为ni，灰度范围为[0，L-1]，则总的像素数为

N=∑L-10ni

3最小外接矩形求磨损量

最小外接矩形基本思想是提取刀具磨损图像磨损区域的凸包，利用凸包来确定磨损区域的最小外界矩形。刀具经过阈值分割以及canny边缘检测后后的图像刀具磨损区域的像素值为f（x，y）=0，非磨损区域的像素值为f（x，y）=255。磨损区域会形成一片白色区域，最小外接矩形必定会经过白色区域的一边，本文利用主切削刃来构造矩形并计算该矩形面积，比较所有矩形的面积，其中面积最小的矩形即是该磨损区域的最小外接矩形。

1）刀具磨损区域主切削刃作为构造矩形的起始边，分别定位（x1，y1），（x2，y2）为切削刃的左右端点。以左端为中心旋转θ=arctany2-y1x2-x1角度，使该边平行于坐标横轴。

2）磨损区域的凸包上的所有点都绕着（x1，y1）旋转θ角度。

3）以磨损区域主切削刃为一个上边界，找到y值最小点，经过该点做一条平行于x轴的直线，这样可以确定对应的下边界。然后找到x值最小和最大的左侧点和右侧点，经过这两个点分别做垂直于x轴的两条直线，就确定了对应的左边界和右边界。得到一个外接矩形。

4）顺序选着下一条磨损区域的边，经过1）到3）的顺序得到另一个外接矩形。

5）计算这些外接矩形的面积。比较所有外接矩形的面积，找出其中面积最小的外接矩形[22-23]。

刀具磨损区域与刀片的最小外接矩形的图像如图9所示。

由于上述的磨损区域最小外接矩形是以主切削刃为基准边确定的，因此刀具磨损的磨损量可以通过刀具磨损区域的最小外接矩形的宽度来确定。但是由于拍摄照片的大小，同一刀具所拍摄的照片经过处理计算所得的刀具磨损区域最小外接矩形的宽度的大小不同，因此用于判断磨损量的大小误差很大。

所以本文利用刀具磨损区域的最小外接矩形与刀具的最小外界矩形的宽度比值来确定刀具磨损量的大小。图9是BTA深孔钻头周边刀片后刀面磨损区域的最小外接矩形与刀片的最小外接矩形。磨损区域的最小外接矩形以及刀片最小外界矩形的宽度可以利用公式wide求出。分别为110和341.0803，其比值大小为0.3762。

wide=（rectx（x1）-rectx（x2））2+（recty（y1）-recty（y2））2

根据像素值转换实际尺寸的到刀片的尺寸为2.304597，本文所用BTA深孔钻头周边刀片的标准尺寸为2.30±0.05m，所以此方法是可以测量出磨损量。磨损区域的磨损量为0.7432mm。

4磨损量对孔径的影响

BTA深孔钻头周边刀片磨损不仅影响加工工件的表面质量，此外对工件加工孔的孔径有极大的影响。BTA深孔钻头加工工件必须要保证孔径偏差在0.15mm范围内，超过这个范围产品不合格，所以主切削刃与副切削刃相交处的磨损必须在0075mm范围内。周边刀片的主切削刃与副切削刃相交处最容易出现崩刃、磨损等现象，该地方对孔径的影响最严重。主切削刃与副切削刃相交处的磨损与新刀片的比较如图10所示，

可以根据该方法得到的磨损量来判断刀具的磨损程度，判断是否需要更换刀具，这样可以将刀具的寿命利用最大化，从而节省成本，避免浪费。

5实验结果分析

根据上述结果，本文对一组已经加工使用过的BTA深孔钻头进行上述监测得到周边刀片后刀面磨损量以及主切削刃磨损量实验所用钻头如图13所示。根据所求后刀面磨损量和主切削刃磨损量，绘制BTA深孔钻头周边刀片后刀面磨损量图如图14所示，主切削刃磨损量图如图15所示。

BTA深孔钻头周边刀片磨损量集中在0.45mm和0.75mm之间最为密集，上图可以看出有部分刀片未完全利用，这样造成资源的浪费，加大了制造成本。

当刀具经过加工后大部分的主切削刃的磨损量大于最大标准磨损量， 这些BTA深孔钻头是在加工合格后退刀后得到的刀具，通过图片看出很多刀片磨损量未达到最大标准磨损量，说明这部分刀具未达到最大使用寿命还可以再次使用，这样退刀后直接放弃使用造成了一定的经济浪费。

将实验所使用的32支钻头磨损量测量结果进行统计分析，结果如图16所示。根据这组BTA深孔钻各刀片的磨损量统计分布图比较得出，各刀片的磨损量图符合正态分布，能够为今后研究刀具使用寿命提供可靠的数据支持。其中周边刀片磨损最严重，其次为中间刀片，中心刀片磨损最轻，这主要是由于错齿钻头每个刀齿之间有一定的覆盖量，而且由于外齿的转矩和切削速度最大，所以周边刀片磨损最严重，为以后的判断退刀时间可以通过周边刀片的磨损程度来决定，这样为磨损的机器视觉研究节约时间。

6结论

本文将图像处理技术应用在BTA深孔钻的磨损检测中，首先对刀具磨损图像进行预处理得到磨损区域轮廓，利用凸包方法求出磨损区域宽度，根据像素与实际尺寸的转换求出磨损量，并且分析了磨损量对加工孔径的影响。通过实例检测表明，本文所述的方法具有自动化程度高、判别速度快等优点，能够有效直观的判别出刀具的磨损程度，为优化刀具的使用寿命提供可靠的数据支持。

参 考 文 献：

[1]罗文. 汽轮机典型零件加工用刀具的参数化设计[D]. 哈尔滨： 哈尔滨理工大学，2016.

[2]王世清. 深孔加工技术[M]. 西安：西北工业大学出版社， 2003： 7-9.

[3]WANG Zhongren， ZOU Yufeng， ZHANG Fan. A Machine Vision Approach to Tool Wear Monitoring Based on the Image of Workpiece Surface Texture[J]. Advanced Materials Research， 2010（154/155）： 412-416.

[4]ZHOU Junhong， CHEEK. Tool Wear Monitoring Using Acoustice Missions by Dominantfeature Identification[J]. Instrumentation and Measuremwnt， 2010，60（2）：547-559.

[5]王明，高东方. 基于振动信号的铣刀磨损状态识别[J].制造业自动化， 2010， 32（11）： 96-99.

[6]姜宇， 杨国辉. 基于光栅投影技术的刀具磨损三维特征提取方法[J]. 光学精密工程，2007， 15（3）： 390-395.

[7]贾冰慧， 全燕鸣， 朱正伟. 面向刀具磨损在机检测的机器视觉系统[J]. 中国测试， 2014， 40（6）： 60-63.

[8]KASSIM A A，MANNAN M A，MIAN Z. Texture Analysis Methods for Tool Condition Monitoring[J]. Image and Vision Computing， 2007， 25（7）： 1080-1090.

[9]冯冀宁， 刘彬， 任玉艳. 基于细胞神经网络刀具磨损图像处理的研究[J]. 微计算机信息，2003， 19（6）： 92-93.

[10]廖玉松， 韩江. 基于像素分布特征的图像去噪法在刀具磨损检测中的应用[J]. 机械设计， 2015（6）： 93-98.

[11]舒平生. 基于分层图像采集和三维重建的刀具磨损检测方法[J]. 制造技术与机床， 2015（4）： 149-153.

[12]朱爱斌， 胡浩强， 何大勇， 等. 采用频域融合方法的砂轮刀具磨损三维重构技术[J]. 西安交通大学学报，2015， 49（5）： 82-86.

[13]尤海燕， 杨树财， 吴雪峰. BTA深孔钻设计技术[J]. 机械设计与研究， 2014， 10（5）： 110-113.

[14]蒋理科， 祝益军， 冯炎清， 等. 难加工材料刀具磨损检测技术研究与应用[J]. 航空制造技术， 2010（22）： 59-63.

[15]张吉林. 基于机器视觉的铣削刀具磨损监测技术研究[D]. 南京： 南京航空航天大学， 2013.

[16]LOIZOU J， TIAN W， ROBERTSON J， et al. Automated Wear Characterization for Broaching Tools Based on Machine Vision Systems[J]. North American Manufacturing Research， 2015（37）： 558-563.

[17]（美）岡萨雷斯等著. 数值图像处理[M]. 北京：电子工业出版社， 2003： 183-189.

[18]张铮， 倪红霞， 苑春苗， 等. 精通MATLAB数字图像处理与识别[M]. 人民邮电出版社， 2013： 42-106.

[19]靳雁霞. 数字图像的灰度处理[C]// 中国兵工学会测试技术学术年会， 2004： 97-100.

[20]王志欣， 田学民. 太阳能电池缺陷检测图像的分割技术[J]. 电子设计工程， 2014， 22（10）： 68-70.

[21]戴艳芳， 宋志刚. 一种由MatLab实现的图像分割改进算法[J]. 微处理机， 2014（5）： 31-33.

[22]程鹏飞， 闫浩文， 韩振辉. 一个求解多边形最小面积外接矩形的算法[J]. 工程图学学报， 2008， 29（1）： 122-126.

[23]李洋， 李岳阳. 一种快速提取植物叶片最小外接矩形的算法[J]. 江南大学学报（自然科学版）， 2015， 14（3）： 273-277.

（编辑：温泽宇）