基于多传感器信息决策级融合的刀具磨损在线监测

李恒， 叶祖坤， 查文彬， 王禹林

(1.南京理工大学 计算机科学与技术学院， 江苏 南京 210094； 2.中国船舶集团有限公司第七○五研究所昆明分部， 云南 昆明 650106；3.南京理工大学 机械工程学院， 江苏 南京 210094)

0 引言

刀具损伤状态监测技术是机械加工过程中不可或缺的重要组成部分，在学术界和工业界受到广泛关注[1]。机械加工过程中，刀具在切削力和切削热的共同作用下，易发生不可预测的损伤，现场工人大多凭经验估计刀具损伤程度以及是否更换刀具，易造成刀具远未到使用寿命就被更换，导致刀具浪费[2]；或刀具过度损伤后才被更换，造成零件报废、机床故障甚至人员伤亡。为提高刀具利用率，同时保证加工质量、减少制造环境危害，需要对刀具损伤状态进行高效、高精度的监测[3]。

目前关于刀具损伤状态监测技术的研究主要集中在机器视觉监测和传感器信号监测。机器视觉法是通过在位采集刀具损伤图像，进而通过图像处理技术从图像中提取损伤信息[4]。然而该方法对光线敏感，在油雾粉尘机加环境下无法采集到高质量图像。传感器信号监测法利用传感器信号间接反映刀具损伤情况，是目前研究最广泛的方法。Shi等通过测力仪获得切削过程中的切削力数据，建立刀具磨损预测模型来表征刀具失效状态[5]；张锴锋等[6]通过研究加工过程中声发射(AE)信号变化进行刀具磨损评估；Peter等[7]基于振动信号在线监测螺纹丝锥的磨损状态，研究了不同磨损状态下的振动频谱；Akbari等[8]研究了主轴电机电流对刀具磨损的间接测量，通过测量电流信号检测刀具磨损和刀具破损。然而单一传感器监测法获取的信息具有局限性，并不能完全可靠地反映刀具损伤情况。为了提高刀具损伤监测系统的可靠性与监测精度，一些学者提出多传感器信息融合的刀具损伤监测方法。例如，Fu等[9]融合AE、振动、切削力、电流4种传感器，提出了基于神经模糊模式识别的刀具状态监测方法；Duo等[10]从切削力、振动、声压以及AE等多种信号中提取统计特征，预测钻削过程中刀具磨损。然而目前关于多传感器信息融合的研究大多是将提取的传感器信号特征合并为一个特征输入向量，直接输入模型进行刀具损伤预测，属于特征级层面的信息融合，然而由于各传感器信号间数据类型不一致及对刀具磨损敏感程度不一致，特征全部混合将会相互干扰，导致网络反向传播过程中，对传感器A重要的权重修正系数传播至传感器B，传感器B的权重修正系数传播至传感器A，严重影响监测效果。近年来，深度学习愈发火热，许多学者亦采用深度学习方法研究刀具损伤，Huang等[11]提出了一种基于深卷积神经网络多域特征融合的刀具磨损预测方法。Zhao等[12]考虑采集数据具有时间序列数据的性质，提出了一种基于长短时记忆神经网络(LSTM)的刀具磨损监测方法。此类利用深度学习的方法目前仍然没有解决信息融合过程中信号间的相互干扰问题，其本质仍然属于特征层面融合。关于信息决策层融合的刀具损伤监测目前鲜有学者研究。Zhang等[13]利用支持向量机(SVM)集成模型实现信息决策级融合以监测刀具损伤，但由于SVM不擅长学习高度复杂的非线性关系，其多用于状态分类，在刀具损伤状态识别方面具有较好效果，而在刀具损伤量动态预测方面效果不佳，监测准确率仅能达到90%左右，实际应用中易造成误诊断。同时SVM算法监测效果的优劣取决于支持向量，未被模型选中作为支持向量的训练数据样本其特征将无法被学习。相比而言，神经网络对于高度复杂的非线性关系具有非常强的学习能力，且每个训练数据样本均能被神经网络模型所学习，为神经网络提供越多的训练数据，其网络性能越优异。

本文利用多层神经网络(MLP)搭建一种基于多传感器信息决策级融合的刀具磨损在线动态监测模型。该监测模型通过对采集的振动、力、AE传感器信号进行时域、频域、时频域特征提取，将传感器信号特征按传感器类型划分为独立样本，分别利用每一种类型的传感器信号特征样本对同一个刀具磨损量进行回归预测，实现单一传感器信号特征到刀具损伤量的子映射，进而对每一个传感器信号特征预测得到的刀具磨损量进行综合决策，最终决策出刀具磨损量。有效避免了传感器信号间因数据类型不一致及对刀具磨损敏感程度不一致而对预测结果产生的干扰，实现刀具损伤量的高精动态预测。与现有研究方法相比，具有较大优势，预测均方误差仅为0.114×10-4，平均绝对误差仅为2.33×10-3，决定系数可达0.993，平均预测准确率可达97.9%，预测时间仅为0.016 s.

1 基于多传感器信息决策融合的刀具磨损监测模型

1.1 刀具损伤在线监测框架

基于多传感器信息决策融合的刀具损伤在线监测框架如图1所示，采集数控加工中心工作过程中与反映刀具损伤相关的切削力(FX、FY、FZ)、振动信号(AX、AY、AZ)和AE信号，并对采集的信号进行时域、频域以及时频域特征提取，进而对特征数据进行决策级融合，建立多传感器信息到刀具损伤量的预测模型。为保证模型对刀具损伤值预测的准确性，使用网格搜索和交叉验证的方法寻找最优模型参数，最终训练学习得到一个最优模型。保存模型应用于数控加工中心，将加工现场采集的传感器信号数据输入模型，即可预测获得当前加工刀具的损伤量。

图1 刀具磨损在线监测框架Fig.1 On-line tool wear monitoring framework

1.2 多传感器信号特征提取

为建立切削力(FX、FY、FZ)、振动信号(AX、AY、AZ)、AE信号与刀具损伤间的高精度映射模型，同时降低数据复杂度、提高预测模型的实时性，首先需要对原始数据进行预处理，提取传感器信号中能够有效反映刀具损伤状态的特征。经研究，同时提取信号的时域、频域以及时频域能够有效表征刀具磨损特征，同时不会造成信息冗余[13]。因此本文分别对各传感器信号进行时域、频域以及小波域分析，提取13种时域类特征如(1)式～(13)式、5种频域类特征如(14)式～(18)式以及64个小波包能量特征如(19)式，其中小波包能量特征通过对各传感器信号分别进行6层小波包分解而提取得到。进而将提取的不同类型特征组成特征向量X=[x1,x2,…,xi,…,xn]，n为特征向量的维数。

(1)

(2)

Xmax=max{xi}，

(3)

Xmin=min{xi}，

(4)

Xp=Xmax-Xmin，

(5)

(6)

(7)

(8)

(9)

(10)

(11)

(12)

(13)

(14)

(15)

(16)

(17)

(18)

(19)

1.3 多传感器信息决策融合网络构建与优化

图2所示为多传感器信息决策融合网络结构，主要包含数据输入层、子决策层、综合决策层。数据输入层负责对数据进行预处理，提取各传感器的多维特征输入系统；子决策层将提取的多维特征按传感器类型划分为多个独立特征样本，每一个特征样本组成一个多维特征向量，进而对每一个传感器的特征样本进行融合，利用每一种类型的传感器信号特征样本对同一个刀具磨损量进行回归预测，实现单一传感器信号特征到刀具损伤量的子映射；综合决策层对每一个传感器信号特征预测得到的刀具磨损量进行综合决策，最终决策出刀具磨损量。

图2 多传感器信息决策级融合网络Fig.2 Multi-sensor information decision-making level fusion network

子决策层划分后每一个独立特征样本是由各传感器信号的时域、频域以及时频域特征组成的82维特征向量，为了避免特征向量样本数据中量纲不统一以及异常数据导致网络无法收敛的问题、提高网络的学习速度和泛化能力，需要对各传感器特征组成的多维特征向量进行标准化处理，原理如(20)式所示：

(20)

式中：Z为经过标准化处理后的多维特征数据，可以直接作为多传感器信息决策级融合网络的直接输入；μ为特征数据的均值；σ1为多特征数据的方差。

由于MLP具有对多特征复杂的非线性表征能力，针对本文所提信息决策级融合网络结构，子决策层与综合决策层均采用图3所示3层神经网络进行融合与综合决策。神经网络各层映射关系如(21)式所示，对于子决策层，每一个神经网络的输入为每一个独立特征样本组成的特征向量，输出为单一传感器信号特征到刀具损伤量的子映射结果，对于综合决策层，神经网络的输入为多个特征样本对同一个刀具磨损预测得到的多个结果组成的特征向量，输出为刀具磨损量综合决策结果。

图3 神经网络结构Fig.3 Neural network structure

(21)

式中：a1，a2，…，ak,…,al构成隐含层输出向量A=(a1，a2，…，ak，…，al)；y1，y2，…，yj，…，ym构成输出层输出向量Y=(y1，y2，y3，…，yj，…，ym)；vik为输入层输入xi对隐含层输出ak间的权重系数；pik为输入层输入xi对隐含层输出ak间的偏置；wkj为隐含层输出ak对输出层输出yj间的权重系数；qkj为隐含层输出ak对输出层输出yj间的偏置。

为保证模型对刀具损伤量预测的准确性，分别对子决策层与综合决策层的各神经网络进行参数调优。如表1所示，激活函数、求解器、隐含层神经元个数3个模型参数组成三维网格空间，形成不同的参数组合，利用网格搜索算法遍历三维网格空间{激活函数、求解器、隐含层神经元个数}，同时利用交叉验证判断每种参数组合下对应模型的性能，选择使模型性能最优的参数组合作为最优参数，图4所示为5折交叉验证示意图。

表1 参数范围

图4 5折交叉验证示意图Fig.4 Schematic diagram of 5-fold cross validation

表2所示为经过多次调试得到的最优参数表。由表2可知：子决策层中，各神经网络的输入为82维特征向量，输出为子决策损伤量，故设置子决策层中各神经网络的输入层神经元个数为82，输出层神经元个数为1；综合决策层中，神经网络的输入是FX、FY、FZ、AX、AY、AZ、AE等7个传感器信号子决策结果组成的7维特征向量，输出为综合决策损伤量，故设置综合决策层中输入层神经元个数为7，输出层神经元个数为1.

表2 最优模型参数设置表

1.4 模型训练

模型搭建完成后，需对模型进行学习训练，即进行权重系数与偏置的更新，通过多次迭代计算获取权重系数W与偏置b.刀具损伤预测模型训练流程图如图5所示。

图5 模型训练流程图Fig.5 Flow chart of model training

将数据样本总量按3∶1随机划分为学习样本和验证样本。学习样本用于迭代修正W与b，验证样本用于测试模型。损失函数如(22)式所示，将预测值与真实值的均方误差MSE作为损失函数。参数W与b按(23)式、(24)式进行迭代更新。随着训练次数的增加，W与b不断更新，损失函数逐步收敛至最小。保存使学习样本损失函数最小的W与b，至此完成模型训练，得到最终监测模型用于数控加工中心预测刀具损伤。若MSE不收敛，则调整模型结构参数继续进行迭代训练。

(22)

(23)

(24)

式中：m为样本数；ys为实际值；s为预测值；Wn、bn为修正后的权重与偏置；Wo、bo为当前权重与偏置；η为学习率。

2 基于多传感器信息决策级融合的刀具磨损监测

2.1 实验条件

为了验证基于MLP及多传感器信息决策级融合的刀具损伤在线监测模型的有效性，本文采用美国PHM协会在2010年举办的刀具磨损预测比赛的公开数据集[14]。实验所用机床型号为德国Röders Tech公司产RFM760高速数控铣床，所用刀具为三刃硬质合金球头铣刀，切削工件材料为不锈钢(硬度52HRC)，实验切削参数设置及实验硬件平台的主要参数分别如表3、表4所示[15]。

表3 实验切削参数

表4 实验硬件平台的主要参数

图6所示为刀具损伤在线监测结构图。实验中，采集数控加工中心工作过程中与刀具损伤状态相关的切削力、振动和AE信号，并通过多通道数据采集卡传入计算机。同时在每一次刀具完成工件端面铣削后拆卸刀具，使用显微镜测量刀具后刀面损伤量。所测量的每一个刀具损伤值与每次采集的切削力(FX、FY、FZ)、振动信号(AX、AY、AZ)、以及AE信号对应。

图6 铣削实验设备及结构图Fig.6 Milling experimental equipment and structure

2.2 实验设计

为了验证本文所提基于MLP及多传感器信息决策级融合的刀具损伤在线监测模型的有效性及优越性，本文使用相同的样本数据集，将本文所提方法与以下5种典型方法进行对比：

1)基于MLP与单一传感器信息监测[6](见图7)。

图7 模型1Fig.7 Model 1

2)基于SVM与单一传感器信息监测[15](见图8)。

图8 模型2Fig.8 Model 2

3)基于MLP与多传感器信息的特征层融合监测[9](见图9)。

图9 模型3 Fig.9 Model 3

4)基于SVM与多传感器信息的特征层融合监测[14](见图10)。

图10 模型4Fig.10 Model 4

5)基于SVM与多传感器信息的决策层融合监测(见图11)。

图11 模型5Fig.11 Model 5

以上5种对比模型均采用网格搜索算法与交叉验证获取最佳模型参数，以最优模型预测刀具损伤量。本文通过比较均方误差MSE、平均绝对误差MAE、决定系数R2和准确率A4种指标判断模型预测效果，如(24)式、(25)式～(27)式所示。

(25)

(26)

(27)

2.3 实验结果与分析

图12所示为利用本文所提刀具损伤监测模型对3把球头铣刀所预测的刀具损伤量与真实损伤值的对比曲线图。由图12可见，刀具每完成一次工件端面铣削为一次切削循环，3把刀具从新刀到磨损均进行了315次切削循环。同时对比表5中各模型预测结果可以发现：单一传感器监测模型1与模型2监测效果最差，本文利用MLP搭建的基于多传感器信息决策级融合的刀具磨损在线动态监测模型效果最好，监测准确率高达97.9%；与现有的其他融合方法相比，本文所提刀具损伤在线监测模型依然效果突出，预测结果的均方误差、平均绝对误差、决定系数以及预测准确率等指标均进一步提升，平均预测准确率至少提升4%以上；预测时间仅为0.016 s，能够实现实时动态预测。

表5 不同模型下的刀具磨损量动态预测性能对比

图12 基于多传感器信息决策级融合的刀具磨损在线 监测模型在3把刀具上的预测结果Fig.12 Predicted results of tool wear online monitoring model based on multi-sensor information decision-making level fusion for three tools

3 结论

本文提出一种基于多传感器信息决策融合的刀具磨损在线监测模型，实现了刀具损伤的在线高精动态预测，平均预测准确率可达97.9%，可有效应用于实际加工过程中，实时掌控刀具损伤状态，保证加工质量，提高生产效益，降低制造环境危害。得到主要结论如下：

1)通过将提取的传感器信号特征按传感器类型划分为独立样本，解决了传感器信号间因数据类型不一致及对刀具磨损敏感程度不一致而相互干扰，对预测结果产生影响的难题。

2)分别利用每一个独立特征样本对同一个刀具磨损量进行回归预测，进而对每一个独立样本预测得到的刀具磨损量进行综合决策，最终决策出刀具磨损量，进一步提高了刀具磨损预测准确率。

3)本文方法与现有其他5种研究方法相比，刀具磨损预测准确率至少提升4%以上，预测时间仅为0.016 s，能够实现实时动态预测，具有较大优势。