基于机床信息的加工过程刀具磨损状态在线监测

卢志远 马鹏飞 肖江林 王美清 唐晓青

1.北京航空航天大学机械工程及自动化学院，北京，100191 2.中车株洲电力机车研究所有限公司，株洲，412005

0 引言

传统的刀具磨损状态监测主要是由有经验的加工人员根据加工噪声、切屑颜色、切削振动以及刀具的切削时间来估计磨损情况，这种方法依赖于人的经验，不利于推广。为实现对刀具磨损状态的在线监测，人们提出许多先进的状态监测方法[1-6]，一些先进的信号处理方法和机器学习技术也广泛应用于在线或离线的刀具磨损状态监测[2]。图像识别是最早用于刀具磨损状态识别的方法，通过先进的光学设备在线记录刀具磨损的图像[7-8]来检测磨损状态。随着机器学习技术的发展，刀具磨损区域的图像信息也用来训练预测模型[9]。这种方法尽管可以准确直观地监测刀具的磨损状态，但传感器易受加工环境的影响，且图像传输也会影响识别速度。

ToolScope加工过程监控系统是少数能用于实际生产过程的刀具状态监测系统，它通过接入数控系统获取机床内部的状态参数和加工参数，结合系统自带的传感器对整个加工过程进行监控。ToolScope系统主要通过监测刀具加工过程中的平均切削力来监测刀具的磨损情况，通过自动监测换刀操作与人工录入刀具初始使用时间和刀具寿命终点，在大批量、同类型的加工过程中分析和监测刀具的磨损状态，并设置警戒限来提醒刀具使用时间终点的到来。但该系统主要基于六西格玛技术的统计过程控制，适用于大批量相同加工过程的加工场景，先记录和更新相同加工过程的相同时刻的各状态值的上下限，再判断加工状态，对小批量加工产品的效果较差。另外，该系统的使用成本较高，只能用于一台机床的监控，难以投入大规模的生产加工。

用于过程控制的对象链接与嵌入(object linking and embedding for process control，OPC)基金会发布了OPC统一架构(OPC UA)，其服务器允许客户端通过解释所提供的数据的语义来处理非常复杂的任务，实现对制造现场数据的采集、传输、显示、存储以及数据的分析应用，因此可以利用OPC UA采集加工过程中机床内部的信息来监测当前的加工状态。谢春秋等[10]设计了一套基于OPC UA 的数控机床远程监控系统。

本文基于OPC UA技术，在线采集加工过程中机床内部的信息，并基于卷积神经网络(CNN)建立一种泛化能力更强的刀具状态预测模型，构建出刀具磨损状态在线监测系统。该系统能够实现对加工数据的在线采集、存储，并基于这些数据实现对刀具磨损状态的在线识别，提高监测系统的实用价值。

1 磨损机理分析

刀具的磨损量随着磨损时间的延长而增加，磨损速度主要取决于刀具材料、工件材料和切削速度，但是实验表明，不同的切削条件下的刀具磨损过程基本相似，可以分为三个阶段：初期磨损、正常磨损、急剧磨损。

切削过程中，当刀刃磨损加剧时，一些与切削过程密切相关的物理量都将会发生变化，如切削力、振动、温度、噪声等。通过监测这些参数的变化，可实现刀具状态的监测[11]。因此，与机床运行相关的现象或参数都能够作为刀具磨损状态监测的依据[12]。

切削力是最能够体现加工过程状态的变量[13]，对刀具的磨损状态非常敏感。当刀具发生磨损变钝时，刀具的几何参数会发生变化，导致切削能力下降，引起刀具和加工工件之间的摩擦力迅速上升，很容易被检测到。在OPC UA所采集到的机床内部数据中，主轴负载、主轴扭矩及电流等都与实际的切削力有着重要的关联性，本文通过这些与切削力相关性较强的数据实现对刀具磨损状态的监测。

在实际的生产加工中，刀具的磨损量受各种因素的影响较大，经常存在加工了一段时间后实际磨损量并没有发生变化的情况；另外，在磨损量的测量过程中，测量者所选的磨损区域并不是每次都是完全一致的，导致所测量的磨损量受人的主观因素影响较大，只有完全理想的磨损量数据才能够建立有效的磨损量预测模型。对于真实加工来说，根据所要求的加工质量，刀具只有正常与磨钝两个状态。因此，本文建立的刀具磨损状态预测模型将刀具分为两类来预测当前刀具所处的磨损状态。图1所示为本研究所提刀具磨损监测方案。

图1 刀具磨损在线监测方案Fig.1 Tool wear online monitoring solution

2 基于OPC UA的机床数据采集

本文采用西门子840D sl数控系统实现对机床数据的采集。图2所示为数据采集方案框架。数控系统中，设备物理层会产生各种数据，如电气系统开关量、交互指令、反馈信号(电流、转速)等。840D sl数控系统中，设备物理层产生的数据经NCU、PLC处理后，由内部总线传递到PCU内部的NCDDE服务器。NCDDE服务器完成数控系统对各种应用程序的数据交互，将数据传递给OPC UA服务器，UA服务器完成数据封装。运行于PC的OPC UA客户端按照规范连接OPC UA服务器，使用订阅方法采集数据。

图2 数据流向图Fig.2 Data flow diagram

数据采集设备为一台PC机，利用网线将PC机与数控机床的控制系统相联，通过TCP/IP协议实现数据的传输。PC机作为逻辑上的OPC客户端，访问作为OPC服务器的数控系统提供的机床加工工况数据。其中，OPC服务器提供的数据项是由设备供应商定义的。研究中，OPC客户端程序采用C#编程语言开发，实现了一个通用的OPC UA浏览器的功能。客户端程序的流程图见图3。

某高层住宅楼在建设施工过程中，共配置了310根桩（75根摩擦桩+235根嵌岩桩）。在对施工现场进行地质勘察时，了解到房屋建筑施工现场地势较为平坦，有杂填土、粘性土、淤泥质粘性土、含砾粉质粘性土等岩土类型。与此同时，工程要求部分桩基需嵌入到风化岩，采用灌注桩施工法时，桩基沉渣厚度应不超过5cm。这在一定程度上为桩基施工增添了难度，工作人员在施工过程中需严格控制施工质量，保证施工质量符合规定，满足房屋建设要求。

图3 客户端程序流程图Fig.3 Client program flow chart

本研究利用主轴负载、主轴扭矩等与切削力相关的机床内部信息来预测刀具磨损状态，因此在实际采集中仅需要提取与分析部分参数，这些变量名称及物理意义如下所示：①Channel/GeometricAxis/actToolBasePos[u1,1]为1通道进给轴1轴刀具实际坐标；②Channel/ChannelDiagnose/cycle-Time[u1,1]为当前程序运行时间；③Channel/State/actToolIdent[u1]为当前刀具名称；④Channel/GeometricAxis/actFeedRate[u1,1]为1通道进给轴1轴实际进给速度；⑤Channel/Spindle/cmdSpeed[u1,1]为1通道1号主轴转速设定值；⑥Channel/Spindle/actSpeed[u1,1]为1通道1号主轴转速实际值；⑦Channel/MachineAxis/aaLoad[u1,1]为1通道1轴负载；⑧NCK/MachineAxis/aaTorque[8]为1通道1号主轴扭矩。

3 基于卷积神经网络的刀具磨损监测

本研究建立的卷积神经网络CNN要完成的工作是将一定时间内的输入的信号X映射为一个0或1的值s，其中，X表示在一段加工时间内连续测得信号值；s表示刀具的磨损状态，0表示正常刀具，1表示异常刀具。

本研究使用的模型结构借鉴了吴恩达团队对心率不齐现象进行训练的残差网络的设计思路[14]，CNN的结构如图4所示。由于BN(batch normalization)归一化层具有防止过拟合、加快模型收敛等优点，因此在模型各层都加入了BN归一化层。BN归一化层后的“ReLU”表示对特征矩阵进行非线性变换，这里使用的是修正线性激活函数f(x)=max(0,x)。运算时使用该函数对特征矩阵中的所有元素单独进行操作，即

yk=ReLU(xk)=max(0,xk)

(1)

其中，xk为输入，yk为xk的输出。ReLU转换后，特征矩阵的维度保持不变，该函数增大了网络的稀疏性，使提取出来的特征更具代表性，泛化能力更强。

池化层的特征矩阵的每个值对应BN归一化层特征矩阵中相邻2个位置元素中的较大值。对BN层中的特征矩阵进行操作时，各区域是不重叠的。

第一个池化层后出现了残差结构，池化后的输出结果经过下采样，与第二次池化后的输出结果直接相加，这一操作使两个特征矩阵的行数与列数保持不变。残差结构的设定有助于加快模型的收敛，防止梯度消失。后续卷积与池化过程与上述描述类似。在执行完卷积和池化操作后，CNN的输出连接2个全连接层。全连接层后，网络引入1个“dropout”层，将全连接层中的神经元以0.5的概率置零，以防止过拟合。神经网络参数优化算法选用Adam优化器对模型进行训练，基础学习率为0.001，学习率随着训练集次数的增加而逐渐减小。当误差随着训练次数增加不再减小时，则将学习率减少为原来的一半。

受数据采样频率的限制，本文设置输入为含64个元素的向量，即将每3.2s采集到的机床主轴负载和扭矩作为一个输入样本，来预测当前的刀具磨损状态。训练过程中，每次随机取20个样本进行训练，用剩余的样本进行测试，直到模型满足精度要求时结束训练，得到最优的磨损状态识别模型。

4 案例应用

4.1 试验描述

4.2 模型训练与验证

训练过程中，每个样本的输入是主轴负载的32个信号与扭矩的32个信号的叠加向量。由图6可见，500次迭代后，最终损失函数值较小，稳定在0.001左右，最终的训练精度趋近于100%，训练效果较好。

图5 试验环境及刀具状态Fig.5 Experiment environment and tool status

图6 训练模型时的精度与损失函数变化情况Fig.6 Accuracy and loss function value variation in the training model

试验采用实时验证的方式，利用OPC UA采集加工过程中的主轴负载和扭矩，通过C#客户端调用训练好的识别模型，对当前的刀具状态进行识别，得到识别精度与平均刀具磨损状态识别响应时间。该响应时间为采集用来识别的数据量所花费的时间与模型预测的时间之和，该试验的识别精度达到了89.9%，平均响应时间为3.005 s。由试验结果可以看到，模型在训练集上的识别效果非常好，在验证集上尽管有所下降，但还是接近90%，识别精度满足要求。

为了验证本研究所提出方法的优越性，对同时采集到的振动信号，利用传统的“信号分析+特征提取”的方法，用分类树算法建立了相应的预测模型，该模型的训练精度为99.7%，验证集上的识别精度为83.8%，平均响应时间为3.008 s。通过结果可以发现，本研究所提出的方法的泛化能力更好。

最后，本文比较了几种方案在刀具磨损状态监测上的表现，如表1所示。尽管对ToolScope系统的预测精度不得而知，但是该方案的成本对目前国内的大多数生产厂商来说都难以真正用于实际。综合比较监测性能及方案成本，本方案相比于其他方案更适用于实际的生产加工。

表1 各类方案性能及适用度比较

5 结语

本文针对刀具磨损状态在实际生产加工过程中难以在线监测这一问题，提出一种通过OPC UA通信技术获取机床内部数据，对当前的刀具磨损状态进行识别的方法。通过OPC UA采集机床内部实时数据并将其与实际加工情景紧密结合，能直接反映当前的加工状态。将卷积神经网络用于构建刀具磨损状态识别模型，直接将采集到的数据作为输入，得到了和传统方法精度近似的预测模型，模型在训练集和在线验证试验中的表现都符合预期。

本文的刀具磨损状态识别的方法在投入使用时还有一些问题有待解决：①现有数据是在相同的加工条件下测得的，而实际加工过程中，加工参数以及加工情景是不断变化的，因此需要在下一步的研究中，进行变参数试验，考虑加工参数对于刀具磨损的影响，并针对常用的一些加工场景，建立不同的模型库。变换加工场景时，通过OPC UA获取当前场景，及时匹配相应的预测模型即可。②本研究中的模型是一个固定的模型。今后需要根据实时的信号以及已知的磨损状态，对模型进行实时更新，从而在实时监测过程中实现自学习，不断提升模型的精度和预测效果。