基于工业互联网云计算处理的刀具磨损值预测与分析

张庆华 龙 伟 李炎炎 魏鸿飞 汤高丰

（1、四川大学机械工程学院,四川 成都 610065 2、成都中创一佳科技公司,四川 成都 610065）

工业互联网凭借5G 等信息技术的优势，共享工业现场的信息，消除信息隔离现象，能够实现高效配置资源，整合内部资源、协调内外资源，是制造业智能化升级不可或缺的基础设施。设备状态与故障预警是工业物联网中的重要研究领域。在数控机床切削加工过程中，刀具直接作用于被加工工件，去除工件上多余的材料，从而形成加工表面。因此，刀具的磨损情况与被加工工件的表面质量直接相关。如果使用超过磨损阈值的刀具加工工件，则会导致工件不合格，甚至引发机床安全事故[1]；而更换磨损量没有达到阈值的刀具则没有充分利用刀具的价值，提高生产成本，且更换刀具后将会带来二次装夹与重新对刀的问题。以往，数控机床是否需要更换刀具通常由现场技术人员凭借个人经验进行大致的判断。但是这种判断是基于工作经验的，其准确性则因人而异，缺少客观性。错误的判断会造成资源的浪费，而且通过人工判断是否需要更换刀具与数控机床智能化的发展方向不符。因此，刀具磨损智能监测研究对于设备状态监测与预测性维护意义重大。

数控机床在进行切削加工时产生了大量数据，很多数据并没有得到有效运用，造成资源的浪费。通常，数控机床采集到的数据不能直接进行应用，需要进行进一步的处理和数据挖掘，而在工业互联网的框架中研究刀具磨损监测，就可以及时、高效地对采集到的数据加以利用，实现工业互联网中的刀具磨损智能监测。

刀具磨损监测方法通常可以分为基于统计模型的方法与基于数据驱动的方法。由于预测精度高、建模方便，本文采用基于数据驱动的方法实现刀具磨损监测。在数据驱动方法中，通常使用机器学习或深度学习方法处理刀具磨损信号数据，进行刀具磨损状态识别或剩余寿命预测。刀具磨损信号则由与机床连接的数据采集设备进行采集。然后利用信号处理技术提取信号特征，得到对刀具磨损敏感的特征，用以刀具监测。构建刀具磨损监测模型首先要获取完整的刀具磨损数据，后续的刀具磨损值预测研究在PHM 2010 数据集[2]的基础上进行。该数据集中包含了大量的原始数据，信息密度低，为减少计算量，需要通过数据分析剔除无效数据。为了后续进行刀具磨损状态识别，还需要提取并筛选刀具磨损相关的特征。

1 基于VMD 的特征提取

1.1 VMD 分解

时频域分析方法能够同时展现信号时域与频域的分布信息[3]，相较于其它特征分析方法具有独特优势。本文采用变分模态分解[4](Variational Mode Decomposition,VMD)进行时频域分析。VMD 是近几年才被提出的信号处理方法，不同于其它模态分解方法，VMD 使用迭代搜索的方式得到各个模态的中心频率和带宽。VMD 对于振动信号等非平稳信号具有良好的处理效果，因此常被用于故障诊断领域中的信号处理。

采用VMD 对X、Y、Z 三向振动信号进行分解，在进行分解时，分解数K 的取值至关重要，过小的K 值会导致信号分解不充分，达不到预期效果；过大的K 则会使不同分量的频率之间出现重叠。按照这种方法，经过多次尝试，最终确定在VMD 分解时，X 方向振动信号的K应设置为4；Y、Z 方向振动信号的K 均设置为3。确定好分解数K 之后，使用VMD 将信号分解为IMF 分量。

1.2 特征提取与特征选择

经过VMD 分解后，振动信号被分解为不同频率的IMF 分量，各IMF 中所包含的刀具磨损相关信息也有所不同。为了更加精确地得到刀具磨损量敏感特征，在特征提取提阶段，将各IMF 作为输入信号提取特征。为了获取对刀具磨损量高度敏感的特征，在进行特征提取时应覆盖尽可能多的特征，本文选取了18 各特征进行提取。而为了减少计算量，需要筛选出对刀具磨损量敏感的特征作为刀具磨损监测模型的输入。本文使用灰色关联度分析与皮尔森相关系数法联合进行特征选择，分别计算每一特征与刀具磨损量的关联度和相关系数。判断特征是否与刀具磨损量高度相关的标准为：该特征与刀具磨损量的相关系数与关联度均应超过所设定的阈值(0.9)。

经过特征选择后，符合条件的特征共有16 个，如表1 所示，即组成16 维的特征向量作为模型的输入。

表1 特征选择结果

2 鲸鱼算法优化极限学习机模型

为实现刀具磨损监测，本文引入极限学习机(ELM)模型，并针对ELM 的权值和隐层偏差取值问题，使用鲸鱼算法进行优化。

2.1 极限学习机

极限学习机分为输入层、隐藏层和输出层[5]。假设xi和yi分别为输入数据集X 和输出数据集Y 的第i 个数据；d，l 和m 分别为输入层、隐藏层和输出数据的神经元个数。则隐藏层神经元的输出可以表示为

其中，H'为H 的Moore-Penrose 广义逆矩阵。

由于ELM 的隐藏层权重与偏置是随机生成的，具有不确定性，限制了ELM 模型的精度，因而引入鲸鱼优化算法对ELM 进行优化，以寻找使得ELM 模型误差最小的隐藏层权重与偏置。

2.2 鲸鱼优化算法

通过观察座头鲸群体合作捕食的过程，Mirjalili 等[6]于2016 年提出鲸鱼优化算法。如果把待求解问题的最佳解视为猎物的位置，则WOA 算法寻优的过程就是鲸鱼种群不断向猎物所在位置靠拢的过程。WOA 算法首先需要确定搜索的范围，在给定范围内随机生成鲸鱼种群，即WOA 的初始化。初始化后计算鲸鱼种群中每头鲸鱼的适应度，记录适应度最优的鲸鱼个体，将其假设为目标猎物。群体中的个体将结合猎物位置更新状态或者进行随机搜索。

WOA-ELM 模型的具体流程为：构建ELM 模型，在确定隐藏层权值与偏置时使用WOA 算法进行寻优，将WOA 算法寻优后得到的隐藏层权值与偏置赋给ELM 模型，再通过ELM 模型进行预测。

3 实验结果与分析

构建WOA-ELM 模型后，以表1 所示的特征构成16维的特征向量，进行刀具磨损值预测。并将本文提出的WOA-ELM 模型与ELM 模型、BP 模型、WOA-BP 模型进行对比，测试本文所提模型的预测精度。为提高对比实验的客观性，应统一所有模型中的鲸鱼优化算法的初始设置。选取3 个指标作（具体见表2）为模型预测精度的评价标准。MAE 与RMSE 越小，则代表模型的预测精度越好，R2位于区间[0,1]内，R2越大，则模型的预测效果越好。每个模型进行10 次实验，每次实验都随机选取80%的样本数据作为训练集，剩下的20%数据样本作为测试集，取10 次实验结果的平均值作为最终结果。

表2 刀具磨损值预测结果

实验结果如表2 所示，WOA-ELM 模型的预测精度在所选对比模型中是最高的，证明WOA 算法对ELM 的隐藏层权重与偏置的寻优提高了ELM 模型的预测精度，取得了良好的效果，验证了所提模型的有效性。

4 工业互联网云处理平台的监测系统

结合本文所提出的WOA-ELM 模型，在工业互联网云处理平台上搭建刀具磨损监测系统。该系统采取边-云-端架构，如图1 所示。

图1 刀具磨损监测系统架构

边指的是工业现场设备，包括数控机床、传感器等设备，功能为采集工业数据、预处理、上传数据至云等。云端负责系统算法建模部分，云端接收边的数据后，建立刀具磨损算法模型，完成刀具磨损状态识别与磨损值预测。端负责用户交互功能，能够使用户在远程对工业现场设备状态实现监控，并根据算法模型结果给出优化建议与决策建议。

系统总体分为三个功能模块，即刀具磨损特征提取模块、磨损状态识别模块与磨损预测模块。由于篇幅限制，本文只介绍特征提取与磨损预测两个模块。

在刀具磨损监测系统首页界面点击特征提取按键即可提取信号特征并进行特征选择。根据前文所介绍的特征选择方法，所选取的特征有多个，为了方便查看所选取的特征与刀具磨损值的关联程度，本文仅以具有代表性的特征作为展示，如图2 所示。

图2 特征提取

由图2 可以看出，所提取出的特征与刀具磨损值的变化趋势几乎是保持一致的，证明本文所用的特征提取方法获得了较好的效果。

在刀具磨损监测系统首页界面点击磨损预测即可进行刀具磨损值预测，预测结果如图3 所示。图中显示两条曲线，实线代表真实磨损曲线，虚线代表预测的磨损值。

图3 刀具磨损值预测

5 结论

本文提出了一种WOA-ELM 模型用于刀具磨损监测，使用WOA 算法优化ELM 的隐藏层权值与偏置，并通过BP 模型、WOA-BP 模型、ELM 模型进行了对比实验。实验表明本文所提出的WOA-ELM 模型拥有更高的预测精度和稳定性，能够有效地进行刀具磨损值预测，为刀具磨损监测研究提供了一种新方法。然后，集成WOA-ELM 模型在工业互联网平台上搭建了刀具磨损监测系统。