董偉航，胡 勇，田廣軍，邱學(xué)海，郭曉磊

（1.南京林業(yè)大學(xué) 材料科學(xué)與工程學(xué)院，江蘇 南京 210037；2.博深普銳高(上海)工具有限公司，上海 201316）

木質(zhì)家具生產(chǎn)過程中，隨著數(shù)控機(jī)床主軸轉(zhuǎn)速與切削深度的增加，木工刀具的耐用度明顯降低，造成木工刀具磨損加快，而且切削工件時間的增長也會使木工刀具的刃口由鋒利逐漸變鈍，木工刀具磨損嚴(yán)重時會引起機(jī)床振動，造成木質(zhì)家具加工質(zhì)量嚴(yán)重下降[1-4]。目前，由于木工刀具磨損造成的停機(jī)時間為總停機(jī)時間的五分之一，而采用準(zhǔn)確可靠的木工刀具磨損狀態(tài)監(jiān)測技術(shù)可提高數(shù)控機(jī)床使用率50%，降低近30%生產(chǎn)成本[5]。因此對木工刀具磨損狀態(tài)進(jìn)行監(jiān)測并及時更換磨損刀具不僅可以提高產(chǎn)品加工質(zhì)量，還可以降低生產(chǎn)成本。

刀具磨損狀態(tài)監(jiān)測方法分為直接法和間接法[6-7]。直接法通過觀察刀具切削區(qū)域獲得刀具后刀面磨損量，直接法監(jiān)測刀具磨損狀態(tài)精度高，但是需要停機(jī)離線且受加工環(huán)境影響。間接法是通過采集切削過程中各種信號并提取與刀具磨損狀態(tài)相關(guān)特征對刀具磨損狀態(tài)進(jìn)行監(jiān)測，間接法可以在切削過程中對刀具磨損狀態(tài)進(jìn)行在線監(jiān)測，適合于實際生產(chǎn)應(yīng)用[8]。間接法所采集的信號包括切削力信號、振動信號、聲發(fā)射信號、功率信號（電流、電壓）與多信號融合。信號采集傳感器的成本和安裝方式是制約信號本身是否能運(yùn)用到實際生產(chǎn)的關(guān)鍵，采集切削力信號、聲發(fā)射信號與振動信號的傳感器價格昂貴并且安裝受工件體積與機(jī)床裝夾結(jié)構(gòu)的影響，不宜在生產(chǎn)中使用。在加工木質(zhì)家具時，功率信號與切削力信號有直接聯(lián)系[9]，當(dāng)后刀面磨損VB增大時，導(dǎo)致刀具刃口圓弧半徑增大，同時刀具前后刀面變粗糙，刀具與工件接觸面積與摩擦增大，造成切削力增大[10]，切削功率會隨切削力增大而增大，機(jī)床主軸電機(jī)的電流與負(fù)載功率也會隨之增大，因此機(jī)床主軸電機(jī)功率可以反映刀具磨損狀態(tài)，而且功率傳感器相對便宜，只需接入機(jī)床控制箱內(nèi)，不受機(jī)床裝夾結(jié)構(gòu)影響，適合在木質(zhì)家具生產(chǎn)中使用。

刀具磨損狀態(tài)監(jiān)測精度取決于信號的特征提取方法和監(jiān)測模型建立方法。目前，國內(nèi)外學(xué)者使用功率信號對刀具磨損狀態(tài)監(jiān)測技術(shù)進(jìn)行了大量探索。在特征提取方法上面，Milad 等[11]使用離散小波變換對采集的功率信號進(jìn)行特征提取，發(fā)現(xiàn)正常刀具的近似系數(shù)曲線與磨損刀具相比逐漸往左偏移，能夠明顯區(qū)分刀具磨損狀態(tài)。離散小波變換是對原始信號進(jìn)行時頻域分析，將信號分解為近似系數(shù)來反映刀具磨損狀態(tài)的變化。而在模型建立方法上，謝楠等[12]使用主成分分析（PCA）對采集的功率信號進(jìn)行特征提取，然后所得特征作為樣本輸入C-支持向量機(jī)中進(jìn)行訓(xùn)練，對刀具磨損狀態(tài)進(jìn)行準(zhǔn)確識別。Rodrigo 等[13]采集不同加工階段的聲發(fā)射信號與功率信號作為樣本數(shù)據(jù)，使用概率神經(jīng)網(wǎng)絡(luò)建立刀具磨損狀態(tài)監(jiān)測模型對刀具磨損狀態(tài)進(jìn)行識別，結(jié)果發(fā)現(xiàn)準(zhǔn)確度高達(dá)91%。目前深度學(xué)習(xí)具有處理復(fù)雜信號的優(yōu)秀能力，廣泛在故障診斷領(lǐng)域使用，其中各種神經(jīng)網(wǎng)絡(luò)與支持向量機(jī)等方法已經(jīng)成為刀具磨損狀態(tài)監(jiān)測的研究熱點[14-15]。

BP 神經(jīng)網(wǎng)絡(luò)是一種按誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練的多層前饋網(wǎng)絡(luò)，具有優(yōu)秀的自學(xué)習(xí)、自適應(yīng)和泛化能力，是目前故障監(jiān)測方面使用最廣泛的神經(jīng)網(wǎng)絡(luò)之一，但是在運(yùn)算過程中容易陷入局部極小值，影響著模型監(jiān)測精度。遺傳算法具有模擬生物進(jìn)化過程能力，能夠全局搜索最優(yōu)參數(shù)，使用遺傳算法對BP 神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值進(jìn)行優(yōu)化，能解決BP 神經(jīng)網(wǎng)絡(luò)陷入局部極小值的問題。

本文提出了一種基于離散小波變換與遺傳BP神經(jīng)網(wǎng)絡(luò)的木工刀具磨損狀態(tài)監(jiān)測方法，采集了不同主軸轉(zhuǎn)速n、銑削深度h和刀具磨損狀態(tài)VB（VB指后刀面磨損帶寬）下的機(jī)床主軸功率信號P，使用離散小波變換對主軸功率信號P進(jìn)行特征提取，將所提取特征、主軸轉(zhuǎn)速n、銑削深度h作為輸入向量，刀具磨損VB作為輸出向量，建立樣本數(shù)據(jù)集，并將樣本數(shù)據(jù)集輸入BP 神經(jīng)網(wǎng)絡(luò)中進(jìn)行木工刀具磨損狀態(tài)監(jiān)測模型訓(xùn)練，同時使用遺傳算法對BP 神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值進(jìn)行優(yōu)化，提高了監(jiān)測模型的準(zhǔn)確度，有效地對不同銑削條件下的木工刀具磨損狀態(tài)進(jìn)行監(jiān)測，提高了木質(zhì)家具加工質(zhì)量，降低了生產(chǎn)成本。

1 木工刀具磨損狀態(tài)監(jiān)測技術(shù)

1.1 特征提取

離散小波變換（DWT）是在小波變換的基礎(chǔ)上進(jìn)行離散化處理，可以多尺度地分解非線性非平穩(wěn)信號，提取信號中近似系數(shù)來做為有效特征反映刀具磨損狀態(tài)的變化狀況[16]。離散小波變換可以在任意尺度觀察信號，分解次數(shù)越多，所提取的特征效果越明顯。離散小波變換原理為：

假使有離散原始信號f(n)，其中n=1，2，3……，M 且j≥j0。如公式（1）所示，離散原始信號可以由一組離散化的小波基表示：

式中：φj0,k[n]為尺度函數(shù)，?j,k[n]為小波函數(shù)，離散化的小波基由尺度函數(shù)和小波函數(shù)推導(dǎo)出。然后采用內(nèi)積的方式來獲得近似系數(shù)和細(xì)節(jié)系數(shù)，如公式（2）、（3）所示：

式中：Wφ[j0,k]稱為近似系數(shù)，W?[j,k]為細(xì)節(jié)系數(shù)。

1.2 BP 神經(jīng)網(wǎng)絡(luò)

BP 神經(jīng)網(wǎng)絡(luò)（Back-propagation network）是由Rumelhart、McClelland 于1985年提出，是目前在故障診斷與監(jiān)測應(yīng)用最多的多階層前饋型神經(jīng)網(wǎng)絡(luò)模型[17]。BP 神經(jīng)網(wǎng)絡(luò)一般由輸入層、隱含層和輸出層組成，其中隱含層數(shù)目為一層或者多層，層與層之間通常依靠神經(jīng)元與傳遞函數(shù)連接[18]，常用的傳遞函數(shù)為sigmoid 函數(shù)，如公式4所示。如圖1所示為一個常見的3 層BP 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖，圖中Xn代表輸入層的輸入向量，Yq代表輸出層的輸出向量，n、p、q分別為輸入層、隱含層和輸出層的神經(jīng)元個數(shù)，W 為隱含層與輸入層之間的權(quán)矩陣，V為輸出層與隱含層之間的權(quán)矩陣。從圖1可以看出，BP 神經(jīng)網(wǎng)絡(luò)由正向和反向兩個計算過程組成，當(dāng)數(shù)據(jù)正向傳播過程時，數(shù)據(jù)從輸入層傳輸進(jìn)隱含層處理，隨后經(jīng)過輸出層輸出結(jié)果，每一層神經(jīng)元的狀態(tài)只受上一層神經(jīng)元的狀態(tài)影響，如果在輸出層所得到的結(jié)果誤差太大，則使用反向傳播將誤差數(shù)據(jù)按照原來的計算路徑返回，同時修改各神經(jīng)元的權(quán)值，使輸出結(jié)果的誤差最小。BP 神經(jīng)網(wǎng)絡(luò)的精度受到閾值、權(quán)值、學(xué)習(xí)率、隱含層單元數(shù)目等參數(shù)制約，合理的參數(shù)可以加快BP 神經(jīng)網(wǎng)絡(luò)的收斂，減少網(wǎng)絡(luò)的訓(xùn)練時間，提高網(wǎng)絡(luò)本身的精度[19]。

圖1 3 層BP 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖Fig.1 Structure diagram of 3-layers BP neural network

1.3 遺傳算法

遺傳算法是基于達(dá)爾文進(jìn)化論與孟德爾遺傳學(xué)說發(fā)展而來，用于全局搜索的一種簡單通用、高效實用的優(yōu)化算法[20]。在BP 神經(jīng)網(wǎng)絡(luò)中，遺傳算法可用于BP 神經(jīng)網(wǎng)絡(luò)的閾值與權(quán)值的優(yōu)化，使BP 神經(jīng)網(wǎng)絡(luò)實現(xiàn)自動優(yōu)化，加快學(xué)習(xí)速率，提高權(quán)系數(shù)優(yōu)化速度[21]。如圖2所示為遺傳算法的執(zhí)行過程，遺傳算法是以一個種群中所有個體作為對象，對個體進(jìn)行選擇、交叉和變異遺傳操作，循環(huán)搜索，直至達(dá)到最優(yōu)。染色體的編碼方法、初始群體的設(shè)定、個體適應(yīng)度函數(shù)值的評價方法、遺傳算子的設(shè)計和基本運(yùn)行參數(shù)組成了遺傳算法的核心五要素。

圖2 遺傳算法執(zhí)行過程Fig.2 Genetic algorithm execution process

2 試驗與測試

2.1 加工方案確定

在MGK01 高速木材復(fù)合加工中心（東莞市南興家具裝備制造股份有限公司）上使用硬質(zhì)合金單刃直刃柄銑刀（博深普銳高工具有限公司）對木塑復(fù)合材料（安徽科居新材料有限公司）進(jìn)行銑削，同時使用AN87300 高精度三相功率分析儀（青島艾諾智能儀器有限公司）采集銑削加工時的主軸功率信號。所選木工刀具直徑為12 mm，刀具前角為2°，楔角為45°，木塑復(fù)合材料尺寸為200 mm×100 mm×8 mm，材料配比如表1所示，力學(xué)性能如表2所示。

表1 木塑復(fù)合材料的材料配比Table 1 Material ratio of wood plastic composite

表2 木塑復(fù)合材料的力學(xué)性能Table 2 Mechanical properties of wood plastic composites

木質(zhì)家具銑削加工過程中，影響木工刀具磨損的因素眾多，如機(jī)床主軸轉(zhuǎn)速、銑削深度、刀具角度、加工時長、進(jìn)給速度等。為了貼近實際生產(chǎn)條件，選取固定進(jìn)給速度f為5 m/min，同時變換主軸轉(zhuǎn)速n與銑削深度h，使用不同磨損狀態(tài)下的銑刀對木塑復(fù)合材料進(jìn)行銑削加工。刀具磨損狀態(tài)如圖3A 所示，使用三把新銑刀在機(jī)床上進(jìn)行銑削加工，直至三把銑刀的后刀面磨損帶寬度分別達(dá)到0.1 mm（初期磨損）（圖3B）、0.2 mm（正常磨損）（圖3C）和0.3 mm（急劇磨損）（圖3D）為止。銑削方案如表3所示。

表3 全因素試驗方案Table 3 All-factor experimental scheme

圖3 刀具磨損狀態(tài)Fig.3 Tool wear conditions

2.2 功率信號采集

在機(jī)床主軸電機(jī)帶動磨損的刀具切削工件時，會造成切削力發(fā)生變化，引起機(jī)床電流和功率發(fā)生改變，因此可以通過主軸功率來對木工刀具磨損狀態(tài)進(jìn)行監(jiān)測。如圖4所示為功率信號采集系統(tǒng)，將高精度功率分析儀接入機(jī)床控制箱中采集機(jī)床主軸電機(jī)帶動刀具銑削工件時的主軸功率信號P，同時將所采集的主軸功率信號傳輸至數(shù)據(jù)處理計算機(jī)中進(jìn)行儲存和進(jìn)一步處理。圖5為不同銑削加工條件下的主軸功率信號P，可以看出，隨著主軸轉(zhuǎn)速n（圖5A）、銑削深度h（圖5B）、刀具磨損VB（圖5C）的改變，主軸功率信號P都有明顯上升趨勢。雖然不同銑削加工條件的主軸功率信號P 變化趨勢明顯，但是由于數(shù)據(jù)本身較長且復(fù)雜多變，難以直接拿來反映木工刀具磨損狀態(tài)變化，因此需要從主軸功率信號P中提取出木工刀具磨損狀態(tài)相關(guān)特征。

圖4 功率信號采集系統(tǒng)Fig.4 Power signal acquisition system

圖5 不同銑削加工條件下主軸功率信號對比Fig.5 Comparison of spindle power signals under different milling conditions

2.3 功率信號特征提取

為了在復(fù)雜的主軸功率信號P中提取能反映木工刀具磨損狀態(tài)的相關(guān)特征，在Origin 中使用離散小波變換對主軸功率信號P進(jìn)行處理。如圖6所示為不同銑削加工條件下提取主軸功率信號P的近似系數(shù)，使用小波函數(shù)為DB 型的離散小波變換對主軸功率信號P進(jìn)行4 次分解處理，每組功率信號提取4 個近似系數(shù)。從中可以看出4 個近似系數(shù)能明顯地區(qū)分不同銑削加工條件下的木工刀具磨損狀態(tài)。全因素試驗方案下提取的主軸功率信號P的近似系數(shù)如表4所示，其中主軸轉(zhuǎn)速n、銑削深度h和主軸功率信號P的近似系數(shù)作為輸入向量，刀具磨損VB作為輸出向量。

表4 主軸功率信號的近似系數(shù)Table 4 Approximate coefficient of spindle power signal

圖6 不同銑削加工條件下近似系數(shù)對比Fig.6 Comparison of approximate coefficients under different milling conditions

2.4 木工刀具磨損狀態(tài)監(jiān)測模型建立

本實驗在MATLAB 上建立木工刀具磨損狀態(tài)監(jiān)測模型，選用神經(jīng)網(wǎng)絡(luò)工具箱進(jìn)行模型建立，傳遞函數(shù)選用sigmoid 函數(shù)，同時使用遺傳算法對網(wǎng)絡(luò)進(jìn)行優(yōu)化。監(jiān)測模型建立主要包括以下步驟：

1）劃分樣本數(shù)據(jù)集，為了確定監(jiān)測模型的可靠性，隨機(jī)選取了2、9、13、15、19 和25 作為測試集，其余21 組數(shù)據(jù)作為訓(xùn)練集。

2）對數(shù)據(jù)集進(jìn)行歸一化處理，為了使BP 神經(jīng)網(wǎng)絡(luò)快速收斂，避免數(shù)值重復(fù)，使用S 型激活函數(shù)對訓(xùn)練集與測試集數(shù)據(jù)進(jìn)行歸一化處理，將所有數(shù)據(jù)歸一至[0，1]范圍內(nèi)。S 型激活函數(shù)如公式5 所示：

式中：yi為處理之后的數(shù)據(jù)，xi為原始數(shù)據(jù)，xmax為原始數(shù)據(jù)最大值，xmin為原始數(shù)據(jù)最小值。

3）初始化BP 神經(jīng)網(wǎng)絡(luò)，選用sigmoid 函數(shù)作為傳遞函數(shù)。

4）使用遺傳算法優(yōu)化BP 神經(jīng)網(wǎng)絡(luò)的閥值和權(quán)值，遺傳算法的種群規(guī)模選取為50，進(jìn)化次數(shù)選取為300，交叉概率選取為0.8，變異概率選取為0.2，適應(yīng)度函數(shù)如公式6 所示：

式中：Yi為BP 神經(jīng)網(wǎng)絡(luò)預(yù)測得到的數(shù)據(jù)，Xi為真實數(shù)據(jù)，N表示樣本集數(shù)量，ε為避免分母為0 的常數(shù)；

5）建立木工刀具磨損狀態(tài)監(jiān)測模型，木工刀具磨損狀態(tài)監(jiān)測模型的訓(xùn)練需要設(shè)置以下參數(shù)，包括隱含層數(shù)、訓(xùn)練次數(shù)、學(xué)習(xí)率、訓(xùn)練精度和訓(xùn)練函數(shù)，其中訓(xùn)練次數(shù)選取為20，學(xué)習(xí)率選取為0.01，訓(xùn)練精度為0.000 1，隱含層數(shù)按照公式7 選取：

式中：m為隱含層數(shù)，n為輸入向量個數(shù)，j為輸出向量個數(shù)，α為1～10 之間常數(shù)。

6）使用已知的測試數(shù)據(jù)來驗證模型的準(zhǔn)確率。

如圖7所示為遺傳算法對BP 神經(jīng)網(wǎng)絡(luò)閾值與權(quán)值的優(yōu)化過程，其中橫坐標(biāo)表示進(jìn)化次數(shù)，縱坐標(biāo)表示適應(yīng)度。當(dāng)進(jìn)化次數(shù)達(dá)到100 次后，遺傳算法達(dá)到收斂，此時BP 神經(jīng)網(wǎng)絡(luò)的閾值與權(quán)值最優(yōu)。

圖7 閾值與權(quán)值的優(yōu)化過程Fig.7 Optimization process of threshold and weight

如圖8所示為遺傳BP 神經(jīng)網(wǎng)絡(luò)建立的刀具磨損狀態(tài)監(jiān)測模型誤差分析圖，其中橫坐標(biāo)為測試數(shù)據(jù)編號，縱坐標(biāo)為每個編號對應(yīng)的刀具磨損狀態(tài)，R2代表測試結(jié)果的均方差，R2越大代表測試結(jié)果越準(zhǔn)確。從圖中可以看出，均方差R2為0.981 76，且所有編號的預(yù)測結(jié)果與實際結(jié)果基本一致，監(jiān)測準(zhǔn)確率為100%，因此使用遺傳算法優(yōu)化后的BP 神經(jīng)網(wǎng)絡(luò)建立的木工刀具磨損狀態(tài)監(jiān)測模型能精準(zhǔn)地監(jiān)測木工刀具磨損狀態(tài)。

圖8 刀具磨損狀態(tài)監(jiān)測模型誤差分析Fig.8 Error analysis of tool wear conditions monitoring model

2.5 對比分析

概率神經(jīng)網(wǎng)絡(luò)（Probabilistic neural network）是基于貝葉斯策略前饋神經(jīng)網(wǎng)絡(luò)，通過建立PNN層次模型來對數(shù)據(jù)進(jìn)行檢驗及分類，是故障診斷中使用較多的一種算法[22]。概率神經(jīng)網(wǎng)絡(luò)的準(zhǔn)確度取決于數(shù)據(jù)集樣本和平滑因子，平滑因子的獲得過程比較繁瑣，而使用遺傳算法可以對平滑因子進(jìn)行優(yōu)化[23]。為了比較遺傳BP 神經(jīng)網(wǎng)絡(luò)與遺傳概率神經(jīng)網(wǎng)絡(luò)對木工刀具磨損狀態(tài)的監(jiān)測性能，本文還使用了遺傳概率神經(jīng)網(wǎng)絡(luò)對木工刀具磨損狀態(tài)進(jìn)行監(jiān)測。

概率神經(jīng)網(wǎng)絡(luò)由輸入層、隱含層、求和層與輸出層構(gòu)成，其使用高斯型徑向激活函數(shù)和歐式距離加權(quán)函數(shù)將輸入層數(shù)據(jù)變?yōu)殡[含層輸出，然后傳入求和層中，最后通過輸出層進(jìn)行輸出決策得到監(jiān)測結(jié)果。使用遺傳概率神經(jīng)網(wǎng)絡(luò)建立木工刀具磨損狀態(tài)監(jiān)測模型第一步需要進(jìn)行劃分樣本集，為了便于比較，樣本集的劃分與遺傳BP 神經(jīng)網(wǎng)絡(luò)一致，即隨機(jī)選取2、9、13、15、19 和25作為測試集，其余21 組數(shù)據(jù)作為訓(xùn)練集；第二步對訓(xùn)練集數(shù)據(jù)進(jìn)行歸一化處理；第三步初始化網(wǎng)絡(luò)，網(wǎng)絡(luò)的Speed 選為0.1；第四步使用遺傳算法對概率神經(jīng)網(wǎng)絡(luò)的平滑因子進(jìn)行優(yōu)化，遺傳算法各種參數(shù)與遺傳BP 神經(jīng)網(wǎng)絡(luò)中一致；第五步訓(xùn)練網(wǎng)絡(luò)得出木工刀具磨損狀態(tài)監(jiān)測模型；第六步使用測試集數(shù)據(jù)驗證模型精度。

從遺傳概率神經(jīng)網(wǎng)絡(luò)監(jiān)測誤差分析圖（圖9）可以看出，編號為3、5、6的預(yù)測結(jié)果與實際值一致，而編號為1、2、4 的預(yù)測結(jié)果與實際結(jié)果相差較大，準(zhǔn)確率為50%。

圖9 刀具磨損狀態(tài)監(jiān)測模型誤差分析Fig.9 Error analysis of tool wear conditions monitoring model

從表5可以看出，遺傳BP 神經(jīng)網(wǎng)絡(luò)建立的模型監(jiān)測準(zhǔn)確率為100%，高于遺傳概率神經(jīng)網(wǎng)絡(luò)。在同樣使用遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)重要參數(shù)的前提下，概率神經(jīng)網(wǎng)絡(luò)的準(zhǔn)確度還明顯低于BP 神經(jīng)網(wǎng)絡(luò)，說明樣本集數(shù)據(jù)的選取也是影響神經(jīng)網(wǎng)絡(luò)準(zhǔn)確度的關(guān)鍵。而使用遺傳算法優(yōu)化后的BP 神經(jīng)網(wǎng)絡(luò)可以解決該問題，即使在樣本集數(shù)據(jù)選取較差時，也可以對木工刀具磨損狀態(tài)進(jìn)行準(zhǔn)確監(jiān)測。

表5 遺傳BP 神經(jīng)網(wǎng)絡(luò)和遺傳概率神經(jīng)網(wǎng)絡(luò)模型誤差對比Table 5 Model error comparison between GA BP neural network and GA probabilistic neural network

3 結(jié) 論

木質(zhì)家具在銑削加工時，機(jī)床主軸功率信號P隨刀具磨損狀態(tài)與銑削參數(shù)變化而變化，利用機(jī)床主軸功率信號P的特征能有效地對刀具磨損狀態(tài)進(jìn)行監(jiān)測。本文利用離散小波變換對復(fù)雜較長的主軸功率信號P進(jìn)行處理，提取主軸功率信號P的近似系數(shù)，隨后將主軸轉(zhuǎn)速n、銑削深度h和主軸功率信號P的近似系數(shù)作為輸入向量，刀具磨損VB作為輸出向量，使用遺傳算法優(yōu)化后的BP 神經(jīng)網(wǎng)絡(luò)建立刀具磨損狀態(tài)監(jiān)測模型，結(jié)果發(fā)現(xiàn)，即使在樣本集輸入向量較為復(fù)雜時，也可以對不同銑削條件下的木工刀具磨損狀態(tài)進(jìn)行準(zhǔn)確監(jiān)測。而且采集主軸功率信號的傳感器不受機(jī)床裝夾結(jié)構(gòu)影響，成本相對便宜，適合在木質(zhì)家具生產(chǎn)中大規(guī)模應(yīng)用。

4 討 論

本研究使用主軸功率信號來對木工刀具磨損狀態(tài)進(jìn)行監(jiān)測，雖然功率傳感器安裝方便且成本較低，但是并沒有考慮功率傳感器的延遲效應(yīng)，忽略了主軸功率信號的滯后性，存在一定局限性。在今后的研究中，如何消除功率信號的滯后性將成為重點，以利于進(jìn)一步提高木工刀具磨損狀態(tài)監(jiān)測模型的精度。