基于隱馬爾科夫模型的刀具磨損連續(xù)監(jiān)測*

王曉強(qiáng)，張 云，周華民,付 洋

(華中科技大學(xué) 材料成型與模具技術(shù)國家重點(diǎn)實(shí)驗(yàn)室，武漢 430074)

?

基于隱馬爾科夫模型的刀具磨損連續(xù)監(jiān)測*

王曉強(qiáng)，張 云，周華民,付 洋

(華中科技大學(xué) 材料成型與模具技術(shù)國家重點(diǎn)實(shí)驗(yàn)室，武漢 430074)

與離散的刀具磨損狀態(tài)的分類識(shí)別相比，人們更希望得到連續(xù)的刀具磨損值，從而為最終的控制過程提供更準(zhǔn)確的信息。為了監(jiān)測連續(xù)的刀具磨損值，采用易于采集的振動(dòng)和聲發(fā)射信號(hào)作為監(jiān)測信號(hào)，提取信號(hào)的時(shí)域特征、頻域特征和時(shí)頻域特征，從中篩選出對(duì)刀具磨損敏感的特征，并采用隱馬爾科夫模型建模，最后通過概率計(jì)算得到連續(xù)的磨損值。通過比較采用切削力、加速度和聲發(fā)射信號(hào)的監(jiān)測模型和僅采用加速度和聲發(fā)射兩種信號(hào)的監(jiān)測模型，發(fā)現(xiàn)在沒有切削力信號(hào)的情況下，仍能夠準(zhǔn)確地預(yù)測刀具磨損值。

刀具磨損監(jiān)測；振動(dòng)；聲發(fā)射；隱馬爾科夫模型

0 引言

刀具是機(jī)床的關(guān)鍵部件，刀具磨損失效后會(huì)造成零件表面質(zhì)量惡化[1]，進(jìn)而降低零件的可靠性。當(dāng)?shù)毒咭呀?jīng)磨損失效而未被檢測到，會(huì)造成刀具破損，損壞機(jī)床甚至引起事故。為了避免刀具磨損帶來的損失，刀具磨損監(jiān)測技術(shù)成為近年來的研究熱點(diǎn)。刀具磨損監(jiān)測可以分為直接監(jiān)測和間接監(jiān)測。直接監(jiān)測方法有電阻監(jiān)測法、放射線監(jiān)測法、計(jì)算機(jī)圖像處理等方法。直接監(jiān)測方法精度高，但需要停機(jī)測量而不能實(shí)現(xiàn)在線監(jiān)測。間接監(jiān)測方法通過分析與刀具磨損相關(guān)的信號(hào)對(duì)刀具磨損進(jìn)行預(yù)測，它成本低，對(duì)機(jī)床改動(dòng)少，且能夠?qū)崿F(xiàn)在線測量，成為刀具磨損監(jiān)測的研究熱點(diǎn)[2]。

目前基于間接法的刀具磨損監(jiān)測常用的模型有神經(jīng)網(wǎng)絡(luò)[3]、支持向量機(jī)[4]、動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)[5]等。隱馬爾科夫模型作為動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)的一種特例，適合于非穩(wěn)態(tài)過程的建模，被逐漸引入刀具磨損監(jiān)測領(lǐng)域。艾長勝[6]、王玫[7]、張翔[8]等人分別采用隱馬爾科夫模型實(shí)現(xiàn)了刀具磨損的分級(jí)識(shí)別；Geramifard[9]等人提出了基于物理分段隱馬爾科夫模型的刀具磨損的監(jiān)測和預(yù)測方法；李威霖[10]等人提出了無先驗(yàn)知識(shí)下的基于隱馬爾科夫模型的刀具磨損狀態(tài)識(shí)別方法。

刀具磨損監(jiān)測常用的信號(hào)有切削力信號(hào)[11]、振動(dòng)信號(hào)、聲發(fā)射信號(hào)[12]和電流信號(hào)[13]等。在實(shí)際應(yīng)用中，切削力信號(hào)難以獲得，測力儀價(jià)格昂貴，并且安裝時(shí)需要對(duì)機(jī)床進(jìn)行改動(dòng)，影響了機(jī)床的剛度，限制了它的實(shí)際應(yīng)用。加速度和聲發(fā)射信號(hào)易于獲取，但是容易受到噪聲干擾。本文通過對(duì)加速度信號(hào)和振動(dòng)信號(hào)進(jìn)行分析，從中提取并篩選出對(duì)刀具磨損敏感的特征，并采用隱馬爾科夫模型建模，通過概率計(jì)算得到連續(xù)的刀具磨損值輸出，從而實(shí)現(xiàn)了刀具磨損的連續(xù)監(jiān)測。

1 隱馬爾科夫模型基本概念

隱馬爾科夫模型(HMM)將非平穩(wěn)過程分為若干短時(shí)平穩(wěn)的狀態(tài)，通過馬爾科夫鏈連接成一個(gè)完整的過程，適合于非平穩(wěn)過程的建模。隱馬爾科夫模型包含一個(gè)狀態(tài)集S=(S1,S2,…,SN)和一個(gè)觀測集O=(O1,O2,…,OT)。該模型可以用一個(gè)三元組λ=(π,A,B)來表示。其中，初始狀態(tài)概率向量π描述了初始時(shí)刻各狀態(tài)的概率分布，狀態(tài)轉(zhuǎn)移矩陣A用來描述隱狀態(tài)之間的轉(zhuǎn)移概率，觀察矩陣B描述了各個(gè)狀態(tài)產(chǎn)生特定觀測值的概率。它描述了一個(gè)雙隨機(jī)過程，隱狀態(tài)之間狀態(tài)遷移的隨機(jī)過程，由π和A描述；由隱狀態(tài)生成觀測值的隨機(jī)過程由B描述。對(duì)于觀測值是連續(xù)變化的情況，使用高斯分布代替觀察矩陣B，該模型可以表示為λ=(π,A,μi,∑i)。

圖1 左右型隱馬爾科夫模型結(jié)構(gòu)

隱馬爾科夫模型定義了幾個(gè)重要的概率，前向概率

αt(i)=P(O1,O2,…,Ot,Qt=Si|λ)

(1)

后向概率

βt(i)=P(Ot+1,Ot+2,…,OT|Qt=Si,λ)

(2)

在給定模型和觀測O，在時(shí)刻t處于狀態(tài)的概率

(3)

由于刀具的磨損是單向不可逆過程，因此采用左右型隱馬爾科夫模型，其結(jié)構(gòu)如圖1所示。

其狀態(tài)轉(zhuǎn)移矩陣A表示如下：

隱馬爾科夫模型的訓(xùn)練根據(jù)狀態(tài)序列是否已知可以分為有監(jiān)督學(xué)習(xí)和無監(jiān)督學(xué)習(xí)兩種。有監(jiān)督學(xué)習(xí)采用極大似然估計(jì)的方法，無監(jiān)督學(xué)習(xí)采用Baum-Welch方法。本文的狀態(tài)序列是已知的，因此采用極大似然估計(jì)的方法訓(xùn)練模型λ=(π,A,μi,∑i)。其計(jì)算公式為：

(4)

其中ki為狀態(tài)Si所包含的觀測點(diǎn)的個(gè)數(shù)，ti為狀態(tài)為的觀察點(diǎn)在觀測序列中首次出現(xiàn)時(shí)的序號(hào)。刀具磨損的初始狀態(tài)是不變的，因此初始狀態(tài)概率π=(1,0,…,0)。

正常交易：從手機(jī)銀行applog 中選取一萬條報(bào)文作為基于異常序列的潛在業(yè)務(wù)欺詐智能預(yù)警模型中正常交易的測試集。

2 基于HMM的刀具磨損連續(xù)監(jiān)測

將刀具磨損值分成等間隔的N份，每份用一個(gè)刀具磨損狀態(tài)Si表示，構(gòu)成刀具磨損狀態(tài)集(S1,S2,…，SN)，記磨損狀態(tài)中磨損值的下限為Wi。各個(gè)磨損狀態(tài)Si作為模型的隱狀態(tài)，用馬爾科夫鏈連接，表示整個(gè)刀具的磨損變化過程。提取監(jiān)測信號(hào)的特征，每個(gè)時(shí)刻的觀測值是一個(gè)包含m維特征的觀測向量Ot，所有時(shí)刻的觀測向量組成觀測序列(O1,O2,…，OT)。采用上述公式(4)對(duì)模型進(jìn)行訓(xùn)練,得到模型λ=(π,A,μi,∑i)。

刀具磨損監(jiān)測可以表示為，在已知模型λ和部分觀測序列O1,O2,Ot(t

首先計(jì)算t時(shí)刻刀具處于各種磨損狀態(tài)的概率P(Qt=Si|O1:t,λ),, 根據(jù)公式(3)可知，概率P(Qt=Si|O1:t,λ)即為給定模型λ和觀測Q1:t下的γt(i)。

然后根據(jù)當(dāng)前刀具所處狀態(tài)的概率分布來估算刀具磨損值，其公式如下：

(5)

隨著觀測時(shí)間t的不斷增加，不斷的計(jì)算當(dāng)前時(shí)刻下刀具的磨損值wt，從而得到連續(xù)的刀具磨損值。

3 實(shí)驗(yàn)方案和特征提取

3.1 實(shí)驗(yàn)方案

本實(shí)驗(yàn)數(shù)據(jù)來自PHM Society(2010)[3]公開數(shù)據(jù)集。其實(shí)驗(yàn)平臺(tái)為R?ders Tech RFM760高速數(shù)控銑床，刀具為三刃碳化鎢球頭銑刀，切削材料為不銹鋼(HRC 52)。Kistler壓電石英三向平臺(tái)測力儀安裝在工作臺(tái)和工件之間，經(jīng)Kistler電荷放大器轉(zhuǎn)化為電壓信號(hào)并輸出。三個(gè)壓電式加速度傳感器安裝在工件上，分別測量X、Y和Z三個(gè)方向的振動(dòng)信號(hào)。Kistler聲發(fā)射傳感器安裝在工件上。傳感器的輸出經(jīng)相應(yīng)的處理(如電荷放大或耦合)之后，通過NI DAQ PCI 1200采集卡轉(zhuǎn)化為數(shù)字信號(hào)并存入PC機(jī)中,采樣頻率為50kHz。

銑削方式為端銑，走刀路線平行于X軸，每次走刀長度為108mm，每把刀具走刀315次。切削參數(shù)如表1所示。

表1 切削參數(shù)

刀具三個(gè)切削刃后刀面的磨損曲線如圖2所示，本文采用三刃中最大的磨損值代表整個(gè)刀具的磨損值。從圖3、圖4可以看出，隨著刀具不斷磨損，切削力信號(hào)和加速度信號(hào)逐漸增大，在劇烈磨損階段迅速上升。與加速度信號(hào)相比，切削力變化幅度大且變化曲線平穩(wěn)，其中進(jìn)給力Fx在三個(gè)方向的切削力中變化幅度最大。振動(dòng)信號(hào)較切削力信號(hào)更容易產(chǎn)生波動(dòng)，在刀具劇烈磨損階段，波動(dòng)更加劇烈，說明振動(dòng)信號(hào)更加復(fù)雜，易于受到干擾。從圖5可以看出，聲發(fā)射信號(hào)在磨損初期和后期迅速增大，在正常磨損階段比較平穩(wěn)。

圖2 刀具三個(gè)切削刃的磨損曲線

圖3 切削力信號(hào)均方根值隨時(shí)間變化曲線

圖4 加速度信號(hào)均方根值隨時(shí)間變化曲線

圖5 聲發(fā)射信號(hào)平均值隨時(shí)間變化曲線

3.3 特征提取

分別從7個(gè)傳感器信號(hào)中提取特征，包括時(shí)域特征、頻域特征和時(shí)頻域特征，如表2所示。

表2 特征提取

通過特征提取共得到253個(gè)特征。其中頻域特征選定刃通過頻率的幅值(即主頻幅值)作為特征；時(shí)頻域特征通過5層小波包變換提取，小波包基為db8，將信號(hào)分解為32個(gè)頻段，計(jì)算各頻段的能量值，作為此頻段的特征。

上述特征中可能包含一些無用特征，通過特征篩選可以減少模型訓(xùn)練的復(fù)雜度并且能夠提高模型的預(yù)測精度。本文采用基于距離的特征篩選標(biāo)準(zhǔn)，其計(jì)算公式如下[14]：

(6)

(7)

(8)

其中μ為類內(nèi)個(gè)樣本的均值，μi為Di類內(nèi)ni個(gè)樣本的均值,Sb代表組間間距，Sw表示組內(nèi)間距。好的特征能夠使同一類內(nèi)的樣本距離盡可能小，而不同類的樣本的距離盡可能大，因此R越大代表特征的分類能力越強(qiáng)。將刀具按照磨損程度分為15個(gè)類，計(jì)算每個(gè)特征的組間距離和組內(nèi)距離的比值R，計(jì)算結(jié)果如表3所示，其中時(shí)頻域特征只列出第一頻段的特征的計(jì)算結(jié)果。

表3 特征篩選結(jié)果

通過比較各特征的R值可以看出，切削力信號(hào)最優(yōu)的特征是Fx的刃通過頻率處的幅值；振動(dòng)信號(hào)最優(yōu)的特征是Vx刃通過頻率處的幅值；聲發(fā)射信號(hào)最優(yōu)的特征是均值。同時(shí)，切削力信號(hào)總體優(yōu)于振動(dòng)信號(hào)和聲發(fā)射信號(hào)。本文選用Fx刃通過頻率的幅值、Vx刃通過頻率的幅值和聲發(fā)射信號(hào)的均值三個(gè)特征進(jìn)行刀具磨損的在線監(jiān)測。

4 模型比較

采用HMM建立刀具磨損監(jiān)測模型，首先需要確定刀具的磨損狀態(tài)數(shù)目。通過計(jì)算不同磨損狀態(tài)數(shù)目下的訓(xùn)練模型的誤差平方的均值(MSE)，如圖6所示，選定刀具的磨損狀態(tài)數(shù)目為15。

圖6 訓(xùn)練誤差隨隱狀態(tài)數(shù)量的變化曲線

A、B、C三組刀具全壽命試驗(yàn)，每次選兩組做訓(xùn)練集，第三組作為測試集進(jìn)行驗(yàn)證，共進(jìn)行三次交叉驗(yàn)證。每次驗(yàn)證分別訓(xùn)練兩個(gè)模型，模型一采用三種監(jiān)測信號(hào)，模型二只采用振動(dòng)信號(hào)和聲發(fā)射信號(hào)，預(yù)測結(jié)果如圖7所示。

圖7 驗(yàn)證3的預(yù)測結(jié)果

采用誤差平方的均值(MSE)、平均相對(duì)誤差(MRE)和平方相關(guān)系數(shù)(R2)作為模型精度的判別標(biāo)準(zhǔn)，對(duì)兩種模型進(jìn)行比較，結(jié)果如表4所示。交叉驗(yàn)證結(jié)果表明，兩個(gè)模型都能準(zhǔn)確的實(shí)現(xiàn)刀具磨損的連續(xù)預(yù)測，模型二誤差略大于模型一，但相差不大。表明只采用加速度和聲發(fā)射信號(hào)，能夠很好地實(shí)現(xiàn)刀具磨損的在線監(jiān)測。

表4 交叉驗(yàn)證結(jié)果

5 結(jié)論

本文研究了基于加速度和聲發(fā)射信號(hào)的刀具磨損連續(xù)監(jiān)測方法。利用隱馬爾科夫模型建模，通過概率計(jì)算得到了連續(xù)的刀具磨損值。與離散磨損狀態(tài)的分類識(shí)別相比，刀具磨損值的識(shí)別能使最終的決策過程更加靈活。與切削力信號(hào)相比，加速度和聲發(fā)射信號(hào)易于采集，使該方法更具有實(shí)用價(jià)值。

[1] 楊曉勇, 任成祖, 陳光. 鈦合金銑削刀具磨損對(duì)表面完整性影響研究[J]. 機(jī)械設(shè)計(jì), 2012, 29(11): 22-26.

[2] 柳洋, 陳永潔, 楊文愷, 等. 刀具磨損在線監(jiān)測研究現(xiàn)狀與發(fā)展[J]. 機(jī)床與液壓, 2014, 42(19): 174-180.

[3] Li X, Lim BS, Zhou JH. Fuzzy Neural Network Modelling for Tool Wear Estimation in Dry Milling Operation[C]. Annual Conference of the Prognostics and Health Management Society,2009.

[4] Benkedjouh T, Medjaher K, Zerhouni N, et al. Health assessment and life prediction of cutting tools based on support vector regression[J]. Journal of Intelligent Manufacturing, 2015, 26(2): 213-223.

[5] Tobon-Mejia DA, Medjaher K, Zerhouni N, et al. A Data-Driven Failure Prognostics Method Based on Mixture of Gaussians Hidden Markov Models[J]. IEEE Trans Reliab, 2012, 61(2): 491-503.

[6] 艾長勝, 王寶光, 董全成, 等. 基于聲信號(hào)HMM的刀具磨損程度分級(jí)識(shí)別[J]. 組合機(jī)床與自動(dòng)化加工技術(shù), 2007 (7): 26-29.

[7] 王玫, 呂俊杰, 王杰. 基于連續(xù)高斯密度混合HMM的刀具磨損狀態(tài)監(jiān)測[J]. 四川大學(xué)學(xué)報(bào)(工程科學(xué)版), 2010, 42(3): 240-245.

[8] 張翔, 富宏亞, 孫雅洲, 等. 基于隱Markov模型的微徑銑刀磨損監(jiān)測[J]. 計(jì)算機(jī)集成制造系統(tǒng), 2012, 18(1): 141-148.

[9] Geramifard O, Xu JX, Zhou JH, et al. A Physically Segmented Hidden Markov Model Approach for Continuous Tool Condition Monitoring: Diagnostics and Prognostics[J]. IEEE Trans Ind Inform, 2012, 8(4): 964-973.

[10] 李威霖, 傅攀, 李曉暉. 無先驗(yàn)知識(shí)下基于CHMM的刀具磨損監(jiān)測技術(shù)[J]. 機(jī)床與液壓, 2013, 41(15): 37-41.

[11] 董嵩松, 梁宏斌. 五軸銑削加工刀具磨損狀態(tài)監(jiān)測研究[J]. 組合機(jī)床與自動(dòng)化加工技術(shù), 2013 (8): 69-72,76.

[12] 李宏坤, 汪寅虎, 楊樹華, 等. 基于聲發(fā)射信號(hào)的銑刀運(yùn)行可靠性評(píng)估[J]. 大連理工大學(xué)學(xué)報(bào), 2014, 54(4):418-423.

[13] 李斌, 丁玉發(fā), 劉紅奇. 小波包分析技術(shù)在電流刀具磨損監(jiān)測系統(tǒng)中的應(yīng)用[J]. 心智與計(jì)算, 2010,4(4):258-264.

[14] Zhu KP, Hong GS, Wong YS. A Comparative Study of Feature Selection for Hidden Markov Model-Based Micro-Milling Tool Wear Monitoring[J]. Machining Science & Technology An International Journal, 2008, 12(3): 348-369.

(編輯 李秀敏)

Continuous Tool Wear Monitoring Based on Hidden Markov Model

WANG Xiao-qiang，ZHANG Yun，ZHOU Hua-min, FU Yang

(State Key Laboratory of Material Processing and Die & Mould Technology, Huazhong University of Science and Technology, Wuhan 430074, China)

Instead of distinguishing tool wear states into various discrete classes, we would like to predict the continuous tool wear and provide more accurate information for the final control process. To monitor the tool wear continuously, firstly, extract the time domain feature, frequency domain feature and time-frequency domain feature from the signal collected by accelerometers and acoustic emission sensors which are easy in use, then select the features which are sensitive to tool wear, finally, train the model based on Hidden Markov model and predict the continuous tool wear by a probabilistic approach. By comparing the model using force, vibration and acoustic emission signals with the model only using vibration and acoustic emission, found the model without force signal can also predict the tool wear accurately.

tool wear monitoring; vibration; acoustic emission; hidden markov model

1001-2265(2016)10-0087-04

10.13462/j.cnki.mmtamt.2016.10.023

2015-12-28

國家重點(diǎn)基礎(chǔ)研究發(fā)展計(jì)劃(973計(jì)劃)(2013CB035800)

王曉強(qiáng)(1990—)，男，山東濰坊人，華中科技大學(xué)碩士研究生，研究方向?yàn)榈毒郀顟B(tài)監(jiān)測，(E-mail)906781969@qq.com。

TH17；TG506

A