程耀楠，丁婭，蓋小羽，關(guān)睿，馬春杰

摘要：在現(xiàn)代化切削加工系統(tǒng)中，刀具的磨損和破損會(huì)導(dǎo)致工件的報(bào)廢甚至機(jī)床的損壞。刀具狀態(tài)監(jiān)測可以有效地改善磨損和破損給切削過程帶來的不利影響，將刀具狀態(tài)監(jiān)測應(yīng)用到重型切削水室封頭過程中對(duì)于提高大型零件的加工效率及加工質(zhì)量具有重要的意義。為了深入探討刀具磨損監(jiān)測技術(shù)及其在重型切削中的應(yīng)用，以普通切削刀具磨損監(jiān)測為研究對(duì)象，從信號(hào)采集、特征處理、模式識(shí)別及決策控制等方面深入分析刀具磨損監(jiān)測中應(yīng)用最為廣泛及新興的關(guān)鍵技術(shù)、方法及其原理，并對(duì)它們的優(yōu)缺點(diǎn)進(jìn)行詳細(xì)的剖析;闡明與分析刀具磨損監(jiān)測在重型切削中的應(yīng)用;對(duì)國內(nèi)外學(xué)者在刀具磨損監(jiān)測領(lǐng)域所取得的成果及進(jìn)展進(jìn)行闡述并對(duì)未來的發(fā)展趨勢進(jìn)行展望。通過以上研究過程，為重型切削過程刀具磨損監(jiān)測技術(shù)提供理論與技術(shù)支持。

關(guān)鍵詞：刀具磨損監(jiān)測;信號(hào)采集;特征處理;模式識(shí)別;決策控制;重型切削

DOI：10.15938/j.jhust.2022.01.011

中圖分類號(hào)： TG501? ? ? ?文獻(xiàn)標(biāo)志碼： A? ? ? ? ?文章編號(hào)： 1007-2683（2022）01-0079-13

Tool Wear Monitoring Technology and Its Application in Heavy Cutting

CHENG Yaonan，DING Ya，GAI Xiaoyu，GUAN Rui，MA Chunjie

（School of Mechanical Power Engineering， Harbin University of Science and Technology， Harbin 150080， China）

Abstract：In the modern cutting system， the wear or damage of cutting tools will lead to the failure of the workpiece and even the damage of machine tools Tool condition monitoring can effectively improve the adverse effects of wear and breakage on the cutting process， so it is of great significance to apply tool condition monitoring to the process of heavy cutting water chamber head to improve the cutting efficiency and machining quality of workpieces In order to discuss the tool wear monitoring technology and its application in heavy cutting， taking the common cutting tool wear monitoring as the research object， the most widely used and emerging key technologies， methods and principles in tool wear monitoring are deeply analyzed from the aspects of signal acquisition， feature processing， pattern recognition and decision control Their advantages and disadvantages are analyzed in detail Then the application of tool wear monitoring in heavy cutting are explained and analyzed The achievements and progress made by domestic and foreign scholars in the field of tool wear monitoring are described， and the future development trend is prospected Through the above research process， it provides theoretical and technical support for tool wear monitoring technology in heavy cutting process

Keywords：tool wear monitoring; signal acquisition; feature processing; pattern recognition; decision control; heavy cutting

0引言

先進(jìn)制造技術(shù)是以自動(dòng)化加工為其核心內(nèi)容，力求達(dá)到高質(zhì)量、低成本、高速度地完成加工任務(wù)。由于加工過程中的不良條件會(huì)導(dǎo)致顫振、刀具的非正常磨損或破損，直接影響刀具壽命，進(jìn)而影響加工零件的表面質(zhì)量和刀具成本，因此刀具狀態(tài)監(jiān)測對(duì)于提高制造效率和改善經(jīng)濟(jì)性非常關(guān)鍵[1]。研究表明，將刀具狀態(tài)監(jiān)測系統(tǒng)應(yīng)用在切削加工中可以有效提高加工系統(tǒng)的加工效率及降低加工成本。

刀具狀態(tài)監(jiān)測作為機(jī)械加工領(lǐng)域極其重要的關(guān)鍵技術(shù)，目標(biāo)是通過信號(hào)特征處理與模式識(shí)別技術(shù)跟蹤觀察切削加工中刀具的狀態(tài)變化，從而實(shí)現(xiàn)對(duì)切削過程的改進(jìn)與優(yōu)化[2]。刀具磨損監(jiān)測作為刀具狀態(tài)監(jiān)測不可或缺的一部分，在提高刀具耐用度、節(jié)約生產(chǎn)成本等方面發(fā)揮著重要作用。

水室封頭是核電站設(shè)備的重要組成部分，材料是508Ⅲ鋼，強(qiáng)度高，硬度低，切削加工性差[3]。硬質(zhì)合金刀具銑削水室封頭屬于重型加工范疇，硬質(zhì)合金刀具在循環(huán)的機(jī)械-熱載荷下的失效是一個(gè)損傷累積、裂紋萌生、裂紋擴(kuò)展、刀具斷裂的漸進(jìn)過程[4]，刀具狀態(tài)監(jiān)測技術(shù)可以在刀具的完整壽命周期內(nèi)對(duì)刀具的損傷過程和狀態(tài)進(jìn)行良好的測控以及對(duì)刀具的壽命進(jìn)行預(yù)測。重型切削過程中在巨大的熱應(yīng)力和機(jī)械應(yīng)力的耦合作用下刀具磨破損失效更為嚴(yán)重[5-6]，大型加工事故發(fā)生的概率更高，同時(shí)加工過程中的頻繁換刀導(dǎo)致其加工效率低，因此為了提高切削過程中的智能化程度，防止由于損傷的不斷演化使刀具產(chǎn)生過早磨損和破損影響材料的已加工表面質(zhì)量[7]，將刀具磨損監(jiān)測技術(shù)應(yīng)用到重型加工水室封頭過程中對(duì)于實(shí)時(shí)監(jiān)測刀具的磨損狀態(tài)、提高大型零件重型銑削效率以及防止大型零件加工過程中加工事故的發(fā)生具有重要意義。

本文以普通切削過程中刀具磨損監(jiān)測為例，從信號(hào)釆集、特征提取與處理、模式識(shí)別和狀態(tài)決策等方面，探討刀具磨損監(jiān)測的關(guān)鍵技術(shù)及國內(nèi)外學(xué)者在刀具磨損監(jiān)測領(lǐng)域取得的成果，為在重型切削508Ⅲ鋼過程中實(shí)施刀具磨損監(jiān)測提供理論基礎(chǔ)和技術(shù)支持。

1信號(hào)采集

根據(jù)刀具磨損量檢測原理的不同，刀具磨損監(jiān)測主要分為直接法和間接法。

1.1直接法

直接法是指通過識(shí)別刀刃幾何形狀、表面質(zhì)量等或測量刀具切削刃參數(shù)的變化來判斷磨損狀態(tài)。各種直接法優(yōu)缺點(diǎn)如表1所示。直接法操作簡便、準(zhǔn)確性高，但由于實(shí)現(xiàn)在線監(jiān)測刀具狀態(tài)較為困難，因此直接法在現(xiàn)代刀具磨損監(jiān)測領(lǐng)域的應(yīng)用受到限制。

作者所在團(tuán)隊(duì)利用光學(xué)圖像法，采用超景深顯微鏡觀察了銑削508Ⅲ鋼不同切削時(shí)刻硬質(zhì)合金刀具的磨損程度，刀具磨損情況如圖1所示[8]。在切削工件10min后，涂層未被穿破，刀具磨損以涂層的磨料磨損為主;當(dāng)切削工件20min后，TiAlN涂層被破壞，刀具前刀面出現(xiàn)月牙洼磨損，最大深度達(dá)15μm。

1.2間接法

在間接法中，并不對(duì)刀具切削刃參數(shù)進(jìn)行直接測量，而是監(jiān)測切削過程中的切削力、熱、聲音等信號(hào)，通過提取能有效反應(yīng)刀具磨損變化的信號(hào)特征，構(gòu)建信號(hào)與刀具磨損狀態(tài)的關(guān)系模型，推斷當(dāng)前的刀具磨損狀態(tài)[9]。與直接法相比，間接法更適宜在線監(jiān)測，間接法主要有聲發(fā)射法、切削力法、振動(dòng)法、電流法等。各種間接法優(yōu)缺點(diǎn)如表2所示。

1）聲發(fā)射法（AE， acoustic emission）聲發(fā)射是材料在受到變形、金屬切割或斷裂時(shí)發(fā)生的聲波輻射現(xiàn)象[10]。將聲發(fā)射信號(hào)作為監(jiān)測信號(hào)是近些年來發(fā)展起來的一種新方法。LIU M發(fā)現(xiàn)，銑削過程中塑性變形和工件材料的摩擦是產(chǎn)生聲發(fā)射信號(hào)的原因[11]，因此其信號(hào)成分與刀具磨損密切相關(guān)。由于聲發(fā)射的損耗隨傳播距離的增大而加快，因此為了提高所提取信號(hào)的準(zhǔn)確性，傳感器的安裝位置需盡可能的靠近工件[12]。

2）切削力法自測力傳感器在機(jī)械領(lǐng)域成功應(yīng)用以來，切削力監(jiān)測技術(shù)成為刀具狀態(tài)監(jiān)測領(lǐng)域應(yīng)用最為普遍、最強(qiáng)有力的辦法。ORABY S E等[13]發(fā)現(xiàn)切削力和刀具磨損量有密切關(guān)系，并建立了兩者之間的非線性模型;MAO Xiaohua等[14]建立了基于刀具磨損的切削力模型，使用該模型對(duì)切削力進(jìn)行了預(yù)測，通過試驗(yàn)，發(fā)現(xiàn)該模型準(zhǔn)確度高;SAGLAM H等[15]基于切削力數(shù)據(jù)開發(fā)了一種三層神經(jīng)網(wǎng)絡(luò)系統(tǒng)，并將其應(yīng)用于預(yù)測刀具磨損。

508Ⅲ鋼的實(shí)際加工過程中，切削力可達(dá)幾噸甚至十幾噸，目前一般的測力儀不能滿足其測量要求，作者所在團(tuán)隊(duì)采用在實(shí)驗(yàn)室切削508Ⅲ鋼和仿真的方法分析切削過程中的切削力[16]。圖2所示為銑削508Ⅲ鋼采集到的銑削力變化圖[17]，可以發(fā)現(xiàn)Z方向上的力較小，X方向和Y方向上對(duì)應(yīng)的力較大。圖3為重型切削508Ⅲ鋼得到的切削熱及X向切削力仿真圖[18]，可以發(fā)現(xiàn)切削力高達(dá)接近347kN。重型切削508Ⅲ鋼時(shí)，切削深度大，導(dǎo)致硬質(zhì)合金刀具切削力大、溫度高，使刀具磨損更加劇烈，刀具所承受大且周期性變換的切削力是刀具產(chǎn)生磨損的重要原因。

3）振動(dòng)法切削加工刀具產(chǎn)生磨損時(shí)，材料的脫落易使刀具產(chǎn)生振動(dòng)[19]，因此振動(dòng)信號(hào)可以反映刀具的磨損。由于振動(dòng)信號(hào)非常復(fù)雜，不可避免混雜機(jī)床的振動(dòng)信號(hào)，且切削過程產(chǎn)生的振動(dòng)是切削力作用的結(jié)果，所以利用振動(dòng)信號(hào)監(jiān)測刀具磨損不如用切削力進(jìn)行監(jiān)測更為直接。

作者所在團(tuán)隊(duì)研究重型切削過程中的振動(dòng)信號(hào)時(shí)，利用PCB加速度傳感器和東華DH5922信號(hào)采集系統(tǒng)對(duì)振動(dòng)信號(hào)進(jìn)行測量和采集，如圖4所示為銑削508Ⅲ鋼現(xiàn)場圖。通過試驗(yàn)發(fā)現(xiàn)加速度信號(hào)的沖擊特征較為明顯，由此可得損傷演化加劇，刀具的磨損等更為劇烈[18]。

4）功率（電流）法隨著切削加工的進(jìn)行，刀具磨損量不斷增大，導(dǎo)致刀尖圓弧半徑增大，使得切削力會(huì)增大。由功率公式可知，機(jī)床電機(jī)電流和功率也會(huì)相應(yīng)變大。由于電流或功率的變化與切削力的變化有直接聯(lián)系，因此功率（電流）法靈敏度不如切削力法高。

作者所在團(tuán)隊(duì)在重型銑削508Ⅲ鋼時(shí)利用人工熱電偶法采集切削溫度，溫度采集系統(tǒng)如圖5所示，試驗(yàn)發(fā)現(xiàn)切削溫度和刀具磨損狀態(tài)密切相關(guān)，如圖6所示，隨著切削溫度的升高，刀具的機(jī)械磨損、磨粒磨損等磨損及失效形式所占的比例逐漸減小，而熱磨損等所占的比例逐漸增大，粘結(jié)磨損所占比例先上升后減小[6]。

雖然間接法已成為信號(hào)采集的主流，但其也有難以攻克的難點(diǎn)。例如監(jiān)測信號(hào)可能不能有效表征刀具磨損信息;信號(hào)在采集過程中可能會(huì)受到大量干擾因素的影響[20]。因此在間接法中，使用先進(jìn)、可靠的傳感器采集到能夠真實(shí)、精確地反映刀具磨損狀態(tài)的信號(hào)是提高監(jiān)測精度的保證。

1.3多傳感器融合技術(shù)

實(shí)際切削過程中刀具狀態(tài)復(fù)雜，僅靠單一的傳感器采集到的信號(hào)難以反映出有關(guān)刀具磨損的全部信息，因此為了更大程度地獲得刀具磨損的信息提高監(jiān)測精度，需采用多傳感器融合技術(shù)，即使用多個(gè)不同的傳感器同時(shí)測量多種信號(hào)，利用多傳感器融合技術(shù)的信息冗余性、信息互補(bǔ)性等特點(diǎn)，使監(jiān)測結(jié)果更加真實(shí)可靠。如DUTTA R K等[21]將切屑形狀和切屑顏色特征融合，使用CCD攝像機(jī)進(jìn)行圖像處理，對(duì)刀具磨損狀態(tài)進(jìn)行監(jiān)測;DIMLA E D [22]發(fā)現(xiàn)將切削力信號(hào)和振動(dòng)信號(hào)融合，可以更準(zhǔn)確、全面地反映刀具磨損狀態(tài);如圖7所示，哈爾濱工業(yè)大學(xué)研制了一種可以同時(shí)測量切削力和振動(dòng)的智能刀柄，并通過試驗(yàn)發(fā)現(xiàn)該刀柄測得數(shù)據(jù)的準(zhǔn)確率很高[23]。

多傳感器融合過程中使用的傳感器不能太多，傳感器價(jià)格高昂，過多的傳感器會(huì)大幅度增加加工成本;其次傳感器會(huì)對(duì)切削過程產(chǎn)生干擾，傳感器越多，干擾越多，傳感器的干擾和傳感器產(chǎn)生的冗余信息會(huì)降低監(jiān)測的精度。

以上所述是傳統(tǒng)的刀具磨損狀態(tài)監(jiān)測方法，目前基于計(jì)算機(jī)視覺的刀具狀態(tài)監(jiān)測可以對(duì)刀具磨損狀態(tài)實(shí)現(xiàn)在機(jī)監(jiān)測，能夠克服現(xiàn)有刀具磨損狀態(tài)監(jiān)測方法所存在的一些缺陷，已經(jīng)發(fā)展成一類重要的監(jiān)測技術(shù)。PENG Ruitao等[24]提出一種機(jī)器視覺技術(shù)監(jiān)測刀具磨損狀態(tài)并及時(shí)換刀的新方法，通過試驗(yàn)發(fā)現(xiàn)該監(jiān)測系統(tǒng)與超景深顯微鏡測量的刀具磨損量相對(duì)誤差非常小;ONG P等[25]利用機(jī)器視覺法對(duì)刀具磨損圖像進(jìn)行處理，并提取出磨損區(qū)域的特征，結(jié)合小波神經(jīng)網(wǎng)絡(luò)對(duì)刀具的后刀面磨損進(jìn)行了預(yù)測。

目前，作者所在團(tuán)隊(duì)正嘗試?yán)肙pen CV技術(shù)對(duì)斷口形貌裂紋缺陷進(jìn)行提取，同時(shí)使用機(jī)器視覺法監(jiān)測刀具的磨損狀態(tài)并采用Open CV技術(shù)提取刀具磨損區(qū)域特征。圖8為重型銑削508Ⅲ鋼切削速度為298m/min時(shí)不同切削時(shí)刻（10、20、30min）采集的刀具后刀面磨損圖，圖9為圖8經(jīng)過Open CV閾值化處理過的磨損圖。可以發(fā)現(xiàn)經(jīng)過Open CV閾值化處理過的圖像磨損區(qū)域輪廓與背景圖區(qū)分且被凸顯，可以更容易地測量出磨損區(qū)域的磨損寬度。

2信號(hào)處理與特征提取

2.1信號(hào)預(yù)處理

可靠的信號(hào)預(yù)處理在刀具磨損監(jiān)測過程中具有重要的意義。由于傳感器采集到的信號(hào)數(shù)據(jù)量大，包含了很多與刀具磨損無關(guān)的信息，原始信號(hào)在特征提取之前必須要經(jīng)過降噪濾波，消除噪音。信號(hào)預(yù)處理是特征提取的關(guān)鍵技術(shù)，也是為特征提取做準(zhǔn)備。

2.2特征提取

特征提取是切削監(jiān)測過程中最關(guān)鍵的環(huán)節(jié)，直接關(guān)系到監(jiān)測結(jié)果的準(zhǔn)確性和靈敏度。特征提取旨在從大量信號(hào)中提取出與刀具磨損變化相關(guān)的參數(shù)，減輕后續(xù)特征處理壓力、提高模型運(yùn)行效率，以此提高監(jiān)測準(zhǔn)確度。因此選擇合適的特征提取方法有利于提高刀具磨損狀態(tài)監(jiān)測效率。目前廣泛使用的特征提取方法主要有時(shí)域分析法、頻域分析法及時(shí)-頻分析法等。

1）時(shí)域分析法時(shí)域分析法是特征提取中十分簡潔、通用的一種方式，它直接在時(shí)域內(nèi)對(duì)系統(tǒng)進(jìn)行分析。時(shí)域分析法簡單、易操作，該方法一般提取信號(hào)的均值、方差、最大值等作為特征參數(shù)。由于時(shí)域分析法反映的原始物理特征中包含著大量的噪音，因此時(shí)域特征一般要和頻域特征或時(shí)-頻特征結(jié)合一起作為評(píng)價(jià)刀具磨損狀態(tài)的信息[26]。

2）頻域分析法頻域分析法是采用傅里葉變換將時(shí)域信號(hào)變換為頻域信號(hào)的方法。該方法一般提取信號(hào)的重心頻率、均方根頻率等作為特征參數(shù)，刀具磨損加劇時(shí)，信號(hào)的頻率波動(dòng)較明顯，導(dǎo)致信號(hào)的頻域特征波動(dòng)劇烈[27]。頻域分析法在刀具磨損監(jiān)測領(lǐng)域應(yīng)用也較為廣泛。

ZHANG J Z等[28]發(fā)現(xiàn)振動(dòng)幅值和在X和Y方向的諧波頻帶處的頻率峰值可以用作監(jiān)測刀具狀態(tài)的關(guān)鍵特征信號(hào);LU M C等[29]采用頻域分析法提取將聲音信號(hào)中的頻譜特征，并通過隱馬爾可夫模型實(shí)現(xiàn)了刀具磨損狀態(tài)的監(jiān)測。如圖10所示[30]，作者所在團(tuán)隊(duì)銑削508Ⅲ鋼時(shí)利用加速度傳感器采集了振動(dòng)加速度信號(hào)并對(duì)其進(jìn)行了FFT變換。重型銑削水室封頭過程中，銑削振動(dòng)主要是由于切削力的激勵(lì)放大引起的，振動(dòng)頻率為109Hz，但從FFT實(shí)時(shí)譜中可發(fā)現(xiàn)存在一些高頻振動(dòng)，但其數(shù)值很小，可以忽略不計(jì)。

3）時(shí)-頻分析法時(shí)-頻分析法，顧名思義，是既提取時(shí)域信息，又提取頻域信息的方法，它能更全面地反映信號(hào)的變化情況，在分析時(shí)變信號(hào)過程中發(fā)揮著有力作用。常用的時(shí)-頻分析方法有小波分析、小波包分解、經(jīng)驗(yàn)?zāi)B(tài)分解、局部均值分解等，其中小波分析及小波包分解應(yīng)用最為廣泛。

小波分析避開了經(jīng)傅里葉變換后信號(hào)容易丟失時(shí)間信息的缺點(diǎn)，它具有可以進(jìn)行線性變換、不產(chǎn)生畸變的特點(diǎn)，同時(shí)能自動(dòng)適應(yīng)時(shí)-頻信號(hào)分析的要求，從而可聚焦到信號(hào)的任意細(xì)節(jié)，應(yīng)用前景好。

TANGJITSITCHAROEN S等[31]提出了利用小波變換實(shí)現(xiàn)數(shù)控車削加工中不考慮切屑形成的刀具磨損在線監(jiān)測系統(tǒng);CHOI Y等[32]發(fā)現(xiàn)可利用小波變換分析切削力信號(hào)，小波變換信號(hào)的均方根值和線性回歸可用于刀具磨損估計(jì)。

如圖11所示，A部分是低頻信號(hào)，D部分是高頻信號(hào)，小波分析過程只對(duì)A部分再分解，不對(duì)D部分再分解，導(dǎo)致分辨率隨頻率的降低而升高。而小波包分解的出現(xiàn)解決了這一問題。小波包可以實(shí)現(xiàn)高、低頻信號(hào)的精細(xì)化分解，三層小波包分解示意圖如圖12所示[33]，圖中，s代表原始信號(hào)，第二、三、四層分別代表小波包一、二、三層分解。左邊是低頻段，右邊是高頻段。

WU Shunxing等[34]利用小波包分解技術(shù)分解聲發(fā)射信號(hào)，選擇對(duì)刀具磨損敏感的頻帶能量作為特征向量，建立特征向量與刀具磨損的對(duì)應(yīng)關(guān)系;HONG Y S等[35]確立了一種利用小波包變換和費(fèi)希爾線性判別式確定微立銑刀狀態(tài)的刀具磨損監(jiān)測方法，使用小波包變換進(jìn)行特征提取，提取的特征在小波域中分類，并使用隱馬爾可夫模型來確定刀具狀態(tài)。

研究發(fā)現(xiàn)，大多數(shù)學(xué)者通常采用特征融合的方法，即將信號(hào)在時(shí)域、頻域、時(shí)-頻域內(nèi)與刀具磨損密切相關(guān)的特征結(jié)合起來作為判斷刀具磨損狀態(tài)的信息。通過驗(yàn)證，此方法可以提高刀具磨損監(jiān)測的精確度[20]。

4）其他方法隨著對(duì)刀具磨損信號(hào)的不斷研究與分析，針對(duì)刀具磨損信號(hào)具有不確定、非線性的特點(diǎn)，云理論、特征學(xué)習(xí)、譜分析等在刀具磨損監(jiān)測領(lǐng)域的應(yīng)用也逐漸增多。

切削過程中刀具磨損AE信號(hào)可以通過云理論很好地體現(xiàn)信號(hào)的不確定性?？嫡衽d[36]通過改進(jìn)的逆向云算法提取了刀具不同磨損量時(shí)發(fā)射信號(hào)的特征信息，擴(kuò)大了云模型表示知識(shí)的范圍，充分驗(yàn)證了其表示知識(shí)的有效性;郝偉等[37]引入不確定云推理的方法，將其運(yùn)用在刀具磨損量的預(yù)測中，在一定程度上解決了刀具磨損不確定性和非平穩(wěn)性的問題，將其與模糊理論刀具磨損預(yù)測模型進(jìn)行對(duì)比分析，發(fā)現(xiàn)云推理的預(yù)測模型更加準(zhǔn)確。

特征學(xué)習(xí)可以實(shí)現(xiàn)特征的自動(dòng)提取，傳統(tǒng)的特征提取方法高度依賴于個(gè)人的經(jīng)驗(yàn)且受加工參數(shù)的影響較大，所提取特征的質(zhì)量相當(dāng)不穩(wěn)定不可靠。特征自動(dòng)提取不依賴專業(yè)人員經(jīng)驗(yàn)，它是通過特征學(xué)習(xí)建立一個(gè)模型，并不斷優(yōu)化該模型，實(shí)現(xiàn)對(duì)刀具磨損監(jiān)測。近年來深度學(xué)習(xí)相對(duì)于傳統(tǒng)人工特征提取與處理在圖像處理、語音識(shí)別和自然語言等方面的性能表現(xiàn)更為優(yōu)異，因此得到更為廣泛地應(yīng)用[38]，也有少部分學(xué)者將特征學(xué)習(xí)用到刀具監(jiān)測領(lǐng)域。付洋[9]根據(jù)振動(dòng)信號(hào)和聲音信號(hào)之間的相似性，使用深度網(wǎng)絡(luò)，運(yùn)用特殊的算法，實(shí)現(xiàn)信號(hào)的自動(dòng)提取與分析，結(jié)果證明該方法性能十分優(yōu)異。

總之，在刀具磨損監(jiān)測特征提取環(huán)節(jié)，應(yīng)該充分考慮實(shí)際狀況，選取合適的特征提取技術(shù)，使其揚(yáng)長避短，以此提高監(jiān)測效率。

2.3特征選擇與降維

由于所提取的特征關(guān)聯(lián)性較大，會(huì)造成信息的冗余，同時(shí)特征向量維數(shù)過高會(huì)影響模式識(shí)別和決策控制，不能有效地表征刀具磨損狀態(tài)。重型切削時(shí)刀具信號(hào)更為復(fù)雜，基于智能算法的敏感特征升、降維技術(shù)可以消除或削弱復(fù)雜的冗余噪聲對(duì)融合特征的影響，因此對(duì)信號(hào)進(jìn)行必要的特征降維或特征選擇，是提高重型切削刀具磨損監(jiān)測精度的重要途徑。目前特征降維方法有主成分分析法（PCA）、流形學(xué)習(xí)、特征排序法、正交試驗(yàn)法等。

特征降維方法中PCA法應(yīng)用最多。PCA方法是通過構(gòu)造新特征并選取其數(shù)據(jù)子集來代替原始特征集合的方式進(jìn)行特征降維。PCA法在實(shí)踐中運(yùn)作良好，實(shí)現(xiàn)起來快速且簡單。如諶鑫等[39]利用主元分析法對(duì)特征向量進(jìn)行處理，有效地降低了特征向量的維數(shù)，消除了特征向量之間的相關(guān)性。由于PCA只有在信號(hào)是線性的或者信號(hào)非線性不強(qiáng)的情況下才適用，因此PCA在刀具磨損監(jiān)測領(lǐng)域受到了一定的限制。核主元分析（KPCA）可以處理非線性數(shù)據(jù)，主要方法是將kernel技術(shù)融合在PCA中，在刀具磨損監(jiān)測中也得到了應(yīng)用。關(guān)山[20]針對(duì)刀具磨損監(jiān)測問題，運(yùn)用核主元分析法對(duì)特征進(jìn)行了提取;李全寶[40]在提取特征的基礎(chǔ)上，通過核主元分析理論篩選特征向量，得到了和銑刀磨損密切相關(guān)的特征量。

流形學(xué)習(xí)也用于特征降維，它可以在有效降低維數(shù)的同時(shí)不損壞特征之間的內(nèi)在規(guī)律，在處理高維非線性數(shù)據(jù)中發(fā)揮著有力作用。JIANG Quansheng等[41]提出了一種監(jiān)督流行學(xué)習(xí)算法，它不僅可以有效降低特征空間維數(shù)，而且可以保證高、低維空間內(nèi)幾何結(jié)構(gòu)的完美逼近;張棟梁等[42]對(duì)特征降維問題也進(jìn)行了研究，針對(duì)刀具磨損時(shí)域信號(hào)和頻域信號(hào)原始特征維數(shù)高的問題，其采用流形學(xué)習(xí)方法，實(shí)現(xiàn)了特征空間維數(shù)的壓縮。

利用正交試驗(yàn)設(shè)計(jì)可以實(shí)現(xiàn)以最少的試驗(yàn)次數(shù)達(dá)到與大量全面試驗(yàn)等效的結(jié)果，同時(shí)可以找出因素之間的最優(yōu)搭配，因此正交試驗(yàn)法作為一種特征選擇的方法可從原始特征中優(yōu)選出一些較為有效的特征。作者所在團(tuán)隊(duì)為研究切削參數(shù)對(duì)切削力、刀具磨損的影響，采用正交試驗(yàn)法模擬銑削508Ⅲ鋼，并對(duì)試驗(yàn)結(jié)果進(jìn)行了極差分析[6]。試驗(yàn)設(shè)備及測量裝置如圖13所示，試驗(yàn)參數(shù)設(shè)計(jì)及極差分析結(jié)果如表3和表4所示，可以發(fā)現(xiàn)在切削三要素中，對(duì)銑削力和刀具磨損影響程度從大到小依次為切削深度、進(jìn)給量和切削速度。因此在銑削508Ⅲ鋼時(shí)，為減少刀具的磨損，應(yīng)在合理的切深范圍內(nèi)盡量減少切削深度。

3模式識(shí)別

信號(hào)經(jīng)過特征處理后，需要將提取的特征輸入到模型中用于判斷刀具磨損狀態(tài)。由于采用傳統(tǒng)的灰箱方法無法獲得準(zhǔn)確的結(jié)果，因此須采用黑箱方法，忽略內(nèi)部復(fù)雜過程的分析，從外部觀測，分析輸入輸出的關(guān)系及其動(dòng)態(tài)過程，建立模型[43]。當(dāng)前針對(duì)刀具磨損狀態(tài)識(shí)別方法可以分為傳統(tǒng)機(jī)器學(xué)習(xí)方法和深度學(xué)習(xí)的方法。

3.1傳統(tǒng)機(jī)器學(xué)習(xí)方法

傳統(tǒng)機(jī)器學(xué)習(xí)方法包括：人工神經(jīng)網(wǎng)絡(luò)（ANN）、支持向量機(jī)（SVM）、隱馬爾可夫模型（HMM）等。

1）人工神經(jīng)網(wǎng)絡(luò)ANN由大量的神經(jīng)元相互連接而成，是通過模擬人類大腦神經(jīng)網(wǎng)絡(luò)的原理進(jìn)行信息處理。如圖14所示，ANN一般由輸入層、隱含層以和輸出層組成，相鄰兩層之間用權(quán)重連接。ANN網(wǎng)絡(luò)結(jié)構(gòu)簡單、學(xué)習(xí)能力強(qiáng)、穩(wěn)定性高、魯棒性良好，具有強(qiáng)大的自學(xué)習(xí)功能，目前已經(jīng)被廣泛應(yīng)用于刀具磨損監(jiān)測領(lǐng)域。

充分利用了二維卷積神經(jīng)網(wǎng)絡(luò)的特征提取能力，通過二維卷積神經(jīng)網(wǎng)絡(luò)和小波框架實(shí)現(xiàn)對(duì)銑刀的磨損監(jiān)測，該方法識(shí)別準(zhǔn)確率達(dá)到985%;ONG P等[25]將小波神經(jīng)網(wǎng)絡(luò)用于預(yù)測刀具的后刀面磨損，并發(fā)現(xiàn)該方法可以準(zhǔn)確地預(yù)測刀具的磨損程度。

ANN會(huì)因其網(wǎng)絡(luò)結(jié)構(gòu)中權(quán)值與閾值的初始化和更新造成其收斂速度慢，容易陷入局部最優(yōu)。眾多學(xué)者一般會(huì)選用相應(yīng)的智能仿生算法優(yōu)化ANN的權(quán)值和閾值來改善人工神經(jīng)網(wǎng)絡(luò)的性能。如LING Kang等[45]將改進(jìn)的果蠅優(yōu)化算法對(duì)廣義回歸神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化，結(jié)果發(fā)現(xiàn)該方法可以更好地預(yù)測刀具磨損;田雨波等[46]使用粒子群算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)，通過驗(yàn)證，結(jié)果證明該方法可行性良好;閔陶[47]將用蟻群算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)用于刀具磨損監(jiān)測中，通過試驗(yàn)發(fā)現(xiàn)該方法準(zhǔn)確性高;唐亮等[48]將人工蜂群算法引入種群概念和種群的進(jìn)化機(jī)制，并將其用于BP神經(jīng)網(wǎng)絡(luò)的優(yōu)化，改善了BP神經(jīng)網(wǎng)絡(luò)的性能。

2）支持向量機(jī)SVM以統(tǒng)計(jì)學(xué)習(xí)理論為基礎(chǔ)，用于最小數(shù)量樣本和非線性信號(hào)的分類和預(yù)測的一種機(jī)器學(xué)習(xí)方法[10]，SVM模型如圖15所示。與ANN相比，SVM方法可以有效地解決小樣本條件下的高維數(shù)據(jù)模型構(gòu)建問題，并具有算法簡單、魯棒性較好等優(yōu)點(diǎn)，同時(shí)它又能有效避開“過學(xué)習(xí)”，在機(jī)械故障領(lǐng)域得到了廣泛地研究和運(yùn)用。標(biāo)準(zhǔn)的SVM在求最優(yōu)解時(shí)二次規(guī)劃問題使得SVM訓(xùn)練速度慢，近年來眾多學(xué)者將其變形模型運(yùn)用在刀具磨損監(jiān)測中并取得了不錯(cuò)的成果。

董慧[49]將最小二乘支持向量機(jī)引入模式識(shí)別，簡化了計(jì)算的復(fù)雜性;李威霖[50]提出了自適應(yīng)粒子群優(yōu)化最小二乘支持向量機(jī)模型的方法，實(shí)現(xiàn)了小樣本下的刀具磨損識(shí)別;康振興[36]將云-支持向量機(jī)結(jié)合的方法用于刀具磨損監(jiān)測中，實(shí)例分析表明，與人工神經(jīng)網(wǎng)絡(luò)相比，該方法刀具磨損識(shí)別率更高。

3）隱馬爾科夫模型HMM是一種結(jié)構(gòu)簡單、特殊的動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)生成模型，它用來描述一個(gè)含有隱含未知參數(shù)的馬爾可夫過程。HMM可以將非平穩(wěn)過程分解為多個(gè)平穩(wěn)過程，通過馬爾可夫鏈將多個(gè)短時(shí)的平穩(wěn)過程連接為成一個(gè)完整的過程，因此它在處理刀具磨損信號(hào)過程中發(fā)揮著有力的作用。艾常勝等[51]對(duì)切削聲信號(hào)進(jìn)行處理，通過HMM對(duì)刀具磨損狀態(tài)進(jìn)行了識(shí)別。針對(duì)HMM預(yù)測不準(zhǔn)確問題，HMM的擴(kuò)展模型也被廣泛應(yīng)用。KONG Dongdong等[52-53]提出了一種基于高斯混合隱馬爾可夫模型和隱半馬爾可夫模型的刀具磨損估計(jì)模型;何棟磊等[54]通過利用遺傳算法優(yōu)化隱馬爾可夫模型中算法，改善了隱馬爾可夫?qū)Φ毒吣p狀態(tài)的識(shí)別性能。

模糊理論判斷問題不是以是、非兩種絕對(duì)的值或0與1兩種數(shù)碼來表示，而是取如接近、幾乎、差不多及差得遠(yuǎn)等模糊值來表示。將模糊理論應(yīng)用到模式識(shí)別領(lǐng)域時(shí)，結(jié)果中的“真”或“假”就變成了相對(duì)的概念[55]。切削加工中刀具狀態(tài)分類具有較強(qiáng)的模糊性，因此模糊聚類、模糊神經(jīng)網(wǎng)絡(luò)等被引入刀具磨損監(jiān)測領(lǐng)域中。模糊神經(jīng)網(wǎng)絡(luò)一種是具有強(qiáng)大的自學(xué)習(xí)和自適應(yīng)功能的網(wǎng)絡(luò)，它是人工神經(jīng)網(wǎng)絡(luò)與模糊理論相結(jié)合的產(chǎn)物，近年來在刀具磨損監(jiān)測領(lǐng)域受到廣大學(xué)者的關(guān)注。高宏力等[56]發(fā)現(xiàn)B樣條模糊神經(jīng)網(wǎng)絡(luò)可準(zhǔn)確描述刀具磨損和特征之間的非線性關(guān)系;曹偉青等[57]利用遺傳算法優(yōu)化的模糊神經(jīng)網(wǎng)絡(luò)識(shí)別刀具磨損狀態(tài)，結(jié)果表明此方法能夠有效地識(shí)別噪音復(fù)雜下刀具磨損狀態(tài)。模糊聚類分析就是用模糊數(shù)學(xué)的方法處理聚類問題[58]，目前模糊聚類已經(jīng)在諸多領(lǐng)域應(yīng)用廣泛，如圖像處理、信道均衡、模式識(shí)別等，部分學(xué)者將模糊聚類分析應(yīng)用到刀具磨損監(jiān)測中，并得到了不錯(cuò)的效果。陳洪濤等[59]在監(jiān)測數(shù)控機(jī)床車削加工刀具磨損時(shí)運(yùn)用了模糊聚類的方法對(duì)刀具的磨損狀態(tài)進(jìn)行了識(shí)別;徐創(chuàng)文等[60]利用時(shí)間序列分析和模糊聚類的方法，提取特征參數(shù)、識(shí)別銑削刀磨損狀態(tài)，結(jié)果表明該方法在刀具磨損監(jiān)測中十分有效。

刀具切削性能受被加工材料和加工條件的影響，無法用具體的參考值做出切削性能的評(píng)判，作者所在團(tuán)隊(duì)采用模糊理論，同時(shí)引入隸屬函數(shù)和特征加權(quán)，在全面考慮切削力、切削振動(dòng)、刀具磨損及切屑重復(fù)性的因素影響下對(duì)普通銑刀與設(shè)計(jì)的層切面銑刀的切削性能進(jìn)行了模糊評(píng)價(jià)，模糊評(píng)價(jià)主要分為以下幾步：

1）評(píng)價(jià)指標(biāo)的因素集U

U=[u1，u2，u3……un]（1）

式中：ui為第i個(gè)影響因素;n為評(píng)價(jià)指標(biāo)的總數(shù)。

2）評(píng)判指標(biāo)的評(píng)判集V

V=[v1，v2，v3……vm]（2）

式中：vj為第j個(gè)因素的結(jié)果;m為所有評(píng)價(jià)結(jié)果的總數(shù)。

3）隸屬度的確定

Ri=[ri1，ri2，ri3……rim]（3）

式中：rij表示為在集合中，因素ui相對(duì)與評(píng)判集vj內(nèi)第j個(gè)等級(jí)的隸屬度。

4）建立權(quán)重集A

A=[a1，a2，a3，…，an]（4）

式中：ai（i=1，2，…，m）為第i個(gè)因素ui的加權(quán)值。

5）模糊綜合評(píng)判

B=AoR=[b1，b2，…，bm]（5）

式中：B稱為綜合模糊評(píng)價(jià)集，bi（i=1，2，…，m）為所需評(píng)價(jià)指標(biāo)。

切削性能綜合模糊評(píng)價(jià)體系如圖16所示，依據(jù)隸屬度最大原則，發(fā)現(xiàn)設(shè)計(jì)優(yōu)化的層切面銑刀的切削性能優(yōu)于常規(guī)刀具，通過試驗(yàn)驗(yàn)證，證明了該方法具有較高的準(zhǔn)確性[17]。

此外，眾多學(xué)者針對(duì)具體的刀具磨損監(jiān)測，有針對(duì)性地提出了一些模式識(shí)別方法。張彥超[61]針對(duì)難加工材料，將基于多尺度主元分析的方法用于刀具磨損監(jiān)測中，該方法只需正常加工狀態(tài)下的磨損信息就能建立監(jiān)測模型，克服了傳統(tǒng)模式識(shí)別耗費(fèi)大量精力的缺點(diǎn);李玲華[62]提出了基于流形學(xué)習(xí)的刀具工況識(shí)別方法，結(jié)果發(fā)現(xiàn)該方法工況識(shí)別率高達(dá)95% 。

3.2深度學(xué)習(xí)

深度學(xué)習(xí)是具有多個(gè)隱層的神經(jīng)網(wǎng)絡(luò)，它通過模仿人腦的結(jié)構(gòu)深層次挖掘數(shù)據(jù)之間的內(nèi)在規(guī)律與潛在結(jié)構(gòu)，認(rèn)清并解決變量之間的本質(zhì)聯(lián)系，實(shí)現(xiàn)機(jī)器智能[63]。深度學(xué)習(xí)作為機(jī)器學(xué)習(xí)的進(jìn)一步發(fā)展，其性能得到了進(jìn)一步的改進(jìn)與優(yōu)化，已被逐漸應(yīng)用于圖像分割、計(jì)算機(jī)視覺等領(lǐng)域，目前深度學(xué)習(xí)在刀具磨損監(jiān)測領(lǐng)域也得到了應(yīng)用。

如CHEN Yuxuan等[64]使用多傳感器技術(shù)和深度置信網(wǎng)絡(luò)對(duì)后刀面磨損量進(jìn)行預(yù)測，并將其與支持向量機(jī)和人工神經(jīng)網(wǎng)絡(luò)模型進(jìn)行對(duì)比，發(fā)現(xiàn)該模型準(zhǔn)確性更高;徐衛(wèi)曉等[65]提出將深度學(xué)習(xí)和多傳感器相結(jié)合的銑刀磨損狀態(tài)信號(hào)監(jiān)測方法，采用多傳感器監(jiān)測刀具磨損的狀態(tài)，結(jié)合深度卷積神經(jīng)網(wǎng)絡(luò)，結(jié)果表明該方法在復(fù)雜多變且高維的數(shù)據(jù)處理中具有明顯的優(yōu)勢。深度網(wǎng)絡(luò)改善了傳統(tǒng)機(jī)器學(xué)習(xí)方法表達(dá)能力有限、處理數(shù)據(jù)有限的不足，但深度學(xué)習(xí)計(jì)算量大，十分依賴高端地硬件設(shè)施，隨著網(wǎng)絡(luò)模型的復(fù)雜程度不斷增加，網(wǎng)絡(luò)會(huì)出現(xiàn)過擬合、梯度消失或梯度爆炸的情況，部分學(xué)者將優(yōu)化與改進(jìn)后的深度網(wǎng)絡(luò)應(yīng)用在刀具磨損監(jiān)測中，例如董禮儀[66]提出將改進(jìn)的深度網(wǎng)絡(luò)應(yīng)用在刀具磨損監(jiān)測中，并通過與不同模型進(jìn)行對(duì)比，證明了該模型的準(zhǔn)確性。

4決策控制

決策控制是依據(jù)模式智能識(shí)別結(jié)果對(duì)加工過程、條件等進(jìn)行反饋調(diào)整，如改變切削參數(shù)、停機(jī)更換刀具等。決策級(jí)融合是屬于多傳感器信息融合中最高層次的融合，決策結(jié)果是經(jīng)過不同決策方法聯(lián)合決策。相比起其他層次的融合，其容錯(cuò)性更好，靈活性更高。陳侃[67]將三級(jí)神經(jīng)網(wǎng)絡(luò)與支持向量機(jī)分別對(duì)用于刀具狀態(tài)監(jiān)測中，并將兩種模型進(jìn)行決策融合;李曉暉等[68]提出基于支持向量機(jī)的決策融合算法，并通過試驗(yàn)證明該方法可提高模式識(shí)別準(zhǔn)確率。

5結(jié)論

隨著工業(yè)40、“互聯(lián)網(wǎng)+制造” 等相繼涌現(xiàn)，新時(shí)代對(duì)切削系統(tǒng)有著更高的要求。刀具作為切削系統(tǒng)中至關(guān)重要的一部分，對(duì)其磨損狀態(tài)及過程實(shí)現(xiàn)監(jiān)測與控制是提高加工效率、優(yōu)化切削條件、實(shí)現(xiàn)數(shù)控機(jī)床全自動(dòng)化加工的關(guān)鍵技術(shù)。

本文分析了刀具狀態(tài)監(jiān)測過程中的關(guān)鍵技術(shù)與原理，為了更好地使刀具磨損監(jiān)測技術(shù)及其在重型切削中的應(yīng)用有進(jìn)一步進(jìn)展，建議從以下幾方面進(jìn)行研究：

1）多傳感器信息融合技術(shù)是近年來刀具狀態(tài)監(jiān)測的熱點(diǎn)。如何在保證成本低、安裝不受限的情況下選擇適當(dāng)?shù)膫鞲衅鹘M合及恰當(dāng)?shù)娜诤戏椒ㄊ翘嵘毒吣p狀態(tài)監(jiān)測性能的關(guān)鍵，也是目前需要研究和有待解決的問題。

2）新型信號(hào)濾波技術(shù)對(duì)多源信號(hào)進(jìn)行預(yù)處理及選擇基于智能算法的高維特征空間降維處理方法是提高刀具磨損監(jiān)測精度的有效途徑。

3）ANN、SVM、HMM為模式識(shí)別提供了有力的工具，鑒于其自學(xué)習(xí)和自適應(yīng)等方面存在不足，將深度學(xué)習(xí)引入刀具磨損監(jiān)測領(lǐng)域是未來的新的發(fā)展趨勢。

4）現(xiàn)階段研究主要是監(jiān)測和識(shí)別刀具的磨損狀態(tài)，切削過程中刀具磨損量的預(yù)測研究方法尚有不足，其將是此領(lǐng)域研究中新的難點(diǎn)。

5）重型切削較常規(guī)切削加工環(huán)境更為復(fù)雜，在研究重型切削刀具失效機(jī)理基礎(chǔ)上應(yīng)用基于多傳感器同步采集策略的切削過程多源信息實(shí)時(shí)獲取技術(shù)，構(gòu)建重型切削刀具狀態(tài)敏感特征表達(dá)體系，建立多特征融合的刀具磨損狀態(tài)識(shí)別模型，最終建立重型切削刀具磨損監(jiān)控及預(yù)警模型并開發(fā)基于實(shí)時(shí)信息的重型切削刀具狀態(tài)預(yù)警系統(tǒng)，是作者所在團(tuán)隊(duì)在后續(xù)工作中研究的主要方向和內(nèi)容。

參 考 文 獻(xiàn)：

[1]SERIN G， SENER B， OZBAYOGLU A M， et al. Review of Tool Condition Monitoring in Machining and Opportunities for Deep Learning[J]. The International Journal of Advanced Manufacturing Technology， 2020， 109（3/4）： 953.

[2]NITIN A， DINESH K， SATISH C， et al. Tool Condition Monitoring System： a Review[J]. Materials Today： Proceedings， 2015， 2（4/5）： 3419.

[3]CHENG Yaonan， JIA Weikun， NIE Wanying， et al. Optimum Design and Performance Evaluation of Layer Face Milling Cutter for Cutting 508III Steel[J]. International Journal of Advanced Manufacturing Technology， 2018， 98（1/4）： 729.

[4]王超. 重型銑削硬質(zhì)合金刀具疲勞損傷特性研究[D]. 哈爾濱：哈爾濱理工大學(xué)， 2018.

[5]劉利. 銑削水室封頭硬質(zhì)合金刀具損傷演化過程及失效機(jī)理研究[D]. 哈爾濱：哈爾濱理工大學(xué)， 2018.

[6]賈煒坤. 水室封頭材料加工刀具力熱特性及失效分析[D]. 哈爾濱：哈爾濱理工大學(xué)， 2018.

[7]崔金蒙， 孟德忠， 吳哲， 等. PCBN 刀具切削性能和磨損機(jī)理研究綜述 [J]. 金剛石與磨料磨具工程， 2020， 40（6）： 83.

CUI Jinmeng， MENG Dezhong， WU Zhe， et al. Review on Cutting Performance and Wear Mechanism of PCBN Tools[J]. Diamond & Abrasives Engineering， 2020， 40（6）： 83.

[8]程耀楠， 蓋小羽， 呂起堯，等. 銑削508Ⅲ鋼不同涂層對(duì)刀具切削性能影響[J]. 哈爾濱理工大學(xué)學(xué)報(bào)， 2019， 24（6）： 11.

CHENG Yaonan， GAI Xiaoyu， LV Qiyao， et al. Effect of Coating on Cutting Performance of Milling Water Chamber Head[J]. Journal of Harbin University of Science and Technology， 2019， 24（6）： 11.

[9]付洋. 切削加工過程中振動(dòng)狀態(tài)及刀具磨損的智能監(jiān)測技術(shù)研究[D]. 武漢：華中科技大學(xué)， 2017.

[10]MOHANRAJ T， SHANKAR S， RAJASEKAR R， et al. Tool Condition Monitoring Techniques in Milling Processa Review[J]. Journal of Materials Research and Technology， 2020， 1（9）： 1032.

[11]LIU M， STEVEN Y. Analytical Modeling of Acoustic Emission for Monitoring of Peripheral Milling Process[J]. International Journal of Machine Tools & Manufacture， 1991， 31（4）：589.

[12]JANTUNEN E. A Summary of Methods Applied to Tool Condition Monitoring in Drilling[J]. International Journal of Machine Tools and Manufacture， 2002， 42（9）： 997.

[13]ORABY S E， HAYHURST D R. Tool Life Determination Based on the Measurement of Wear and Tool Force Ratio Variation[J]. International Journal of Machine Tools & Manufacture， 2004， 44（12/13）： 1261.

[14]MAO Xiaohua， HE Ning， LI Lei. Studies on Tool Wear Monitoring Based on Cutting Force[J]. Materials Science Forum， 2012， 697/698（9）： 268.

[15]SAGLAM H， UNUVAR A . Tool Condition Monitoring in Milling Based on Cutting Forces by a Neural Network[J]. International Journal of Production Research， 2003， 41（7）： 1519.

[16]岳彩旭，黃翠，劉二亮.永磁電機(jī)轉(zhuǎn)子護(hù)套用高溫合金Inconel625切削性能仿真與試驗(yàn)研究[J].大電機(jī)技術(shù)，2017（1）：45.

YUE Caixu， HUANG Cui， LIU Erliang. Simulation and Experimental Study on Cutting Performance of High Temperature Alloy Inconel625 for PM Motor Rotor Retaining Sleeve[J]. Large Electric Machine and Hydraulic Turbine， 2017（1）：45.

[17]秦超. 水室封頭材料加工刀具切削性能研究及設(shè)計(jì)優(yōu)化[D]. 哈爾濱：哈爾濱理工大學(xué)， 2019.

[18]劉利. 重型切削水室封頭材料刀具粘結(jié)失效機(jī)理研究[D].哈爾濱：哈爾濱理工大學(xué)，2014.

[19]朱楠.基于有限元理論分析切削振動(dòng)對(duì)CBN刀具磨損的影響[J].金剛石與磨料磨具工程，2020，40（1）：92.

ZHU Nan.Study on Influence of Cutting Vibration on CBN Tool Wear Based on Finite Element Theory[J]. Diamond & Abrasives Engineering，2020，40（1）：92.

[20]關(guān)山. 基于聲發(fā)射信號(hào)多特征分析與融合的刀具磨損分類與預(yù)測技術(shù)[D]. 長春：吉林大學(xué)， 2011.

[21]DUTTA R K， KIRAN G， Paul S， et al. Assessment of Machining Features for Tool Condition Monitoring in Face Milling Using an Artificial Neural Network[J]. Proceedings of the Institution of Mechanical Engineers Part B Journal of Engineering Manufacture， 2000， 214（7）： 535.

[22]DIMLA E D. Sensor Signals for Toolwear Monitoring in Metal Cutting Operationsa Review of Methods[J].

International Journal of Machine Tools & Manufacture， 2000， 40（8）： 1073.

[23]解正友. 面向切削過程在線監(jiān)測的多傳感器集成式智能刀柄研究[D]. 哈爾濱：哈爾濱工業(yè)大學(xué)， 2019.

[24]PENG Ruitao， PANG Haolin， JIANG Haojian， et al. Study of Tool Wear Monitoring Using Machine Vision[J]. Automatic Control and Computer Sciences， 2020， 54（3）： 259.

[25]ONG P， LEE W K， LAU R J H. Tool Condition Monitoring in CNC End Milling Using Wavelet Neural Network Based on Machine Vision[J]. The International Journal of Advanced Manufacturing Technology 2019， 104（1/4）： 1369.

[26]郝佰田. 基于深度學(xué)習(xí)的銑刀磨損狀態(tài)監(jiān)測方法研究[D]. 大連：大連理工大學(xué)， 2020.

[27]石朝. 基于力和振動(dòng)融合的刀具磨損狀態(tài)辨識(shí)方法研究[D]. 成都：西南交通大學(xué)， 2019.

[28]ZHANG J Z， CHEN J C. Tool Condition Monitoring in an Endmilling Operation Based on the Vibration Signal Collected Through a Microcontrollerbased Data Acquisition System[J]. International Journal of Advanced Manufacturing Technology， 2008， 39（1/2）： 118.

[29]LU M C， WAN B S. Study of Highfrequency Sound Signals for Tool Wear Monitoring in Micromilling[J]. International Journal of Advanced Manufacturing Technology， 2013， 66（9/12）： 1785.

[30]鞏亞楠. 水室封頭銑削加工切削力分析及振動(dòng)特性研究[D]. 2015.

[31]TANGJITSITCHAROEN S， LOHASIRIWAT H. Intelligent Monitoring and Prediction of Tool Wear in CNC Turning by Utilizing Wavelet Transform[J]. International Journal of Advanced Manufacturing Technology， 2018， 99（9）： 2219.

[32]CHOI Y， NARAYANASWAMI R， CHANDRA A. Tool Wear Monitoring in Ramp Cuts in End Milling Using the Wavelet Transform[J]. International Journal of Advanced Manufacturing Technology， 2004， 23（5/6）： 419.

[33]孫惠斌.高品質(zhì)切削過程的智能感知與預(yù)測技術(shù)[M].西安：西北工業(yè)大學(xué)出版社， 2016：79.

[34]WU Shunxing， LI Pengnan， ZHANG Lina， et al. Wavelet Packet Analyses of Acoustic Emission Signal for Tool Wear in High Speed Milling[J]. Key Engineering Materials， 2014， 2750（589/590）： 600.

[35]HONG Y S， YOON H S， MOON J S， et al. Toolwear Monitoring During Microend Milling Using Wavelet Packet transform and Fisher′s Linear Discriminant[J]. International Journal of Precision Engineering and Manufacturing， 2016， 17（7）： 845.

[36]康振興. 基于云理論的刀具磨損狀態(tài)監(jiān)測與磨損量預(yù)測理論研究[D]. 沈陽：東北電力大學(xué)， 2017.

[37]郝偉， 蔣琪， 張宇. 基于不確定性云推理的刀具磨損量預(yù)測方法[J]. 機(jī)床與液壓， 2018， 46（10）：1.

HAO Wei， JIANG Qi， ZHANG Yu. The Prediction Method for Tool Wear Volume Based on Uncertainty Cloud Reasoning[J]. Machine Tool and Hydraulics， 2018， 46（10）： 1.

[38]楊毅. 基于神經(jīng)網(wǎng)絡(luò)的特征自動(dòng)學(xué)習(xí)方法[D]. 南京：南京大學(xué)， 2018.

[39]諶鑫. 基于人工神經(jīng)網(wǎng)絡(luò)對(duì)刀具磨損狀態(tài)監(jiān)測技術(shù)研究[D]. 沈陽：沈陽航空航天大學(xué)， 2011.

[40]李全寶. 基于電流與振動(dòng)信號(hào)的銑刀磨損監(jiān)測方法研究[D]. 青島：青島理工大學(xué)， 2015.

[41]JIANG Quansheng， JIA Minping， HU Jianzhou， et al. Machinery Fault Diagnosis Using Supervised Manifold Learning[J]. Mechanical Systems and Signal Processing， 2009， 23（7）： 2301.

[42]張棟梁，莫蓉，孫惠斌，等.基于流形學(xué)習(xí)與隱馬爾可夫模型的刀具磨損狀況識(shí)別[J].西北工業(yè)大學(xué)學(xué)報(bào)， 2015， 33（4）： 651.

ZhANG Dongliang， MO Rong， SUN Huibin， et al. Tool Wear Condition Monitoring Based on Manifold Learning and Hidden Markov Model[J]. Journal of Northwestern Polytechnical University， 2015， 33（4）： 651.

[43]郭景超， 李安海. 刀具磨損狀態(tài)監(jiān)測技術(shù)研究進(jìn)展[J]. 工具技術(shù)， 2019， 53（5）： 5.

GUO Jingchao， LI Anhai. Advances in Monitoring Technology of Tool Wear Condition[J]. Tool Technology， 2019， 53（5）： 5.

[44]CAO Xincheng， CHEN Binqiang， YAO Bin， et al. An Intelligent Milling Tool Wear Monitoring Methodology Based on Convolutional Neural Network with Derived Wavelet Frames Coefficient[J]. The International Journal of Applied Sciences， 2019， 9（18）： 3912.

[45]LING Kang， WANG Sibao， WANG Shilong， et al. Tool Wear Monitoring Using Generalized Regression Neural Network[J]. Advances in Mechanical Engineering， 2019， 11（5）： 1.

[46]田雨波， 潘朋朋. 粒子群算法優(yōu)化神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的研究[J]. 現(xiàn)代電子技術(shù)， 2011， 34（4）： 110.

TIAN Yubo， PAN Pengpeng. Particle Swarm Algorithm Used for Optimizing Neural Network Structure[J]. Modern Electronic Technology， 2011， 34（4）： 110.

[47]閔陶. 大數(shù)據(jù)驅(qū)動(dòng)下的刀具磨損在線預(yù)警技術(shù)研究[D]. 南京：南京航空航天大學(xué)， 2019.

[48]唐亮. 基于人工蜂群優(yōu)化神經(jīng)網(wǎng)絡(luò)的刀具磨損狀態(tài)監(jiān)測系統(tǒng)研究[D]. 成都：西南交通大學(xué)， 2014.

[49]董慧. 基于HHT的刀具磨損狀態(tài)監(jiān)測技術(shù)研究[D]. 沈陽：沈陽航空航天大學(xué)， 2012.

[50]李威霖. 車銑刀具磨損狀態(tài)監(jiān)測及預(yù)測關(guān)鍵技術(shù)研究[D]. 成都：西南交通大學(xué)， 2013.

[51]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， 23（7）： 26.

AI Changsheng， WANG Baoguang， DONG Quancheng， et al. Toolwear Grade Classification Recognition Based on the Sound Signal HMM[J]. Modular Machine Tool and Automatic Machining Technology， 2007， 23（7）： 26.

[52]KONG Dongdong， CHEN Yongjie， LI Ning. Forcebased Tool Wear Estimation for Milling Process Using Gaussian Mixture Hidden Markov Models[J]. The International Journal of Advanced Manufacturing Technology， 2017， 92（5-8）： 2853.

[53]KONG Dongdong， CHEN Yongjie， LI Ning. Hidden SemiMarkov Modelbased Method for Tool Wear Estimation in Milling Process[J]. The International Journal of Advanced Manufacturing Technology， 2017， 92（9-12）： 3647.

[54]何棟磊， 黃民. 基于遺傳算法優(yōu)化HMM的刀具磨損狀態(tài)監(jiān)測研究[J]. 機(jī)床與液壓， 2017， 45（15）： 106.

HE Donglei， HUANG Min. Research on Tool Wear State Monitoring Based on Optimized HMM by Genetic[J]. Machine Tool and Hydraulics， 2017， 45（15）： 106.

[55]許曉藝.模糊理論在模式識(shí)別領(lǐng)域中的應(yīng)用[J].華南師范大學(xué)學(xué)報(bào)（自然科學(xué)版）， 1994， 5（3） ：91.

XU Xiaoyi. Application of Fuzzy Theory in Pattern Recognition[J]. Journal of South China Normal University （Natural Science Edition）， 1994， 5（3） ：91.

[56]高宏力， 傅攀， 許明恒. 基于B樣條模糊神經(jīng)網(wǎng)絡(luò)的刀具磨損監(jiān)測[J]. 機(jī)械科學(xué)與技術(shù)， 2005， 12（6）： 751.

GAO Hongli， FU Pan， XU Mingheng. Tool Wear Monitoring Based on Bspline Fuzzy Neural Network[J]. Mechanical Science and Technology， 2005， 12（6）： 751.

[57]曹偉青， 傅攀， 張爾卿. 遺傳算法優(yōu)化的模糊神經(jīng)網(wǎng)絡(luò)在刀具磨損診斷中的應(yīng)用[J]. 機(jī)械科學(xué)與技術(shù)， 2014， 33（11）： 1682.

CAO Weiqing， FU Pan， ZHANG Erqing. Application of GAfuzzyneural Networks in Tool Wear Diagnosis[J]. Mechanical Science and Technology， 2014， 33（11）： 1682.

[58]董江磊， 代月幫， 雍建華， 等. 刀具磨損狀態(tài)識(shí)別與智能監(jiān)測方法綜述[J]. 風(fēng)機(jī)技術(shù)， 2019， 61（6）： 67.

DONG Jianglei， DAI Yuebang， YONG Jianhua， et al. Overview of Tool Wear Status Recognition and Intelligent Monitoring[J]. Fan Technology， 2019， 61（6）： 67.

[59]陳洪濤，黃遂，李登萬，等. 基于模糊聚類的數(shù)控車削加工刀具磨損檢測研究[J]. 現(xiàn)代制造工程， 2010， 1（7）： 134.

CHEN Hongtao， HUANG Sui， LI Dengwan， et al. Research on FCAbased Monitoring of the CNC Turning Tool Wear[J]. Modern Manufacturing Engineering， 2010， 1（7）： 134.

[60]徐創(chuàng)文， 王永， 羅文翠. 基于模糊聚類的銑削刀具磨損狀態(tài)識(shí)別研究[J]. 應(yīng)用力學(xué)學(xué)報(bào)， 2009， 26（2）： 218.

XU Chuangwen， WANG Yong， LUO Wencui. Milling Tool Wear Condition Recognition Based on Fuzzy Clustering[J]. Journal of Applied Mechanics， 2009， 26（2）： 218.

[61]張彥超. 基于多尺度主元分析的刀具磨損狀態(tài)監(jiān)測研究[D]. 天津：天津大學(xué)， 2015.

[62]李玲華. 基于流形學(xué)習(xí)的CNC刀具視診方法研究[D]. 南昌：南昌大學(xué)， 2019.

[63]LECUN Y， BENGIO Y， HINTON G. Deep Learning[J]. Nature， 2015， 521（7553）： 436.

[64]CHEN Yuxuan， JIN Yi， JIRI G. Predicting Tool Wear with Multisensor Data Using Deep Belief Networks[J]. The International Journal of Advanced Manufacturing Technology， 2018， 99（5）： 1917.

[65]徐衛(wèi)曉， 譚繼文， 井陸陽， 等. 基于深度學(xué)習(xí)和多傳感器的數(shù)控機(jī)床銑刀磨損狀態(tài)信號(hào)監(jiān)測方法研究[J]. 機(jī)床與液壓， 2020， 48（9）： 66.

XU Weixiao， TAN Jiwen， JING Luyang， et al. Milling Cutter Wear Condition Signal Monitoring Method of CNC Based on Deep Learning and Multisensor[J]. Machine Tool and Hydraulics， 2020， 48（9）： 66.

[66]董禮儀. 多傳感器融合的刀具磨損預(yù)測及多工況遷移學(xué)習(xí)研究[D]. 合肥：電子科技大學(xué)， 2020.

[67]陳侃. 基于多模型決策融合的刀具磨損狀態(tài)監(jiān)測系統(tǒng)關(guān)鍵技術(shù)研究[D]. 成都：西南交通大學(xué)， 2008.

[68]李曉暉， 傅攀. 特征降維與決策融合在刀具磨損監(jiān)測中的應(yīng)用[J]. 機(jī)械設(shè)計(jì)與研究， 2013， 29（5）： 60.

LI Xiaohui， FU Pan. The Application of Dimension Reduction and Decision Fusion in Tool Wear Monitoring[J]. Mechanical Design and Research， 2013， 29（5）： 60.

（編輯：王萍）