基于BiLSTM的銑刀磨損狀態(tài)監(jiān)測(cè)模型

高鳴,賈輝,卿濤,陳彬強(qiáng)

1第一拖拉機(jī)股份有限公司制造工程中心;2廈門大學(xué)航空航天學(xué)院

1 引言

銑削是常見(jiàn)的金屬切削加工工藝,銑刀的磨損狀態(tài)直接影響工件加工后的表面質(zhì)量[1],為避免刀具過(guò)度磨損造成工件加工質(zhì)量不合格,通常需要在刀具未達(dá)到最大使用壽命前進(jìn)行更換[2],因此,銑刀磨損狀態(tài)監(jiān)測(cè)對(duì)提高銑削工藝的生產(chǎn)效率和生產(chǎn)質(zhì)量具有重要意義。

刀具磨損監(jiān)測(cè)方法有直接法和間接法[3],直接法通過(guò)可視光、超聲波等介質(zhì)測(cè)量刀具或工件表面形貌,結(jié)果可靠,但測(cè)量過(guò)程繁瑣,難以實(shí)現(xiàn)在線監(jiān)測(cè);間接法通過(guò)切削加工過(guò)程產(chǎn)生的力、熱、振動(dòng)、聲發(fā)射等信號(hào)來(lái)評(píng)估刀具磨損,易于實(shí)現(xiàn)在線監(jiān)測(cè),但評(píng)估的準(zhǔn)確性由信號(hào)采集質(zhì)量、信號(hào)處理方法及模式識(shí)別方法決定[4]。目前,通過(guò)機(jī)器學(xué)習(xí)和深度學(xué)習(xí)方法,使用切削力、振動(dòng)、聲發(fā)射和電流信號(hào)特征預(yù)測(cè)刀具磨損狀態(tài)得到廣泛研究[5]。

間接法關(guān)注與刀具磨損狀態(tài)相關(guān)的切削信號(hào),通過(guò)建立切削信號(hào)和刀具磨損指標(biāo)間的對(duì)應(yīng)關(guān)系實(shí)現(xiàn)刀具磨損狀態(tài)實(shí)時(shí)監(jiān)測(cè),這個(gè)方法主要面臨兩個(gè)問(wèn)題:一是采集的信號(hào)受到環(huán)境和其他信號(hào)源的影響,信號(hào)的有效信息成分較低;二是信號(hào)和刀具磨損指標(biāo)間的映射關(guān)系復(fù)雜,無(wú)法直接建立二者的函數(shù)關(guān)系。針對(duì)上述問(wèn)題,學(xué)者們通過(guò)信號(hào)處理方法提高信號(hào)有效成分,再提取信號(hào)的相關(guān)時(shí)頻特征作為深度學(xué)習(xí)模型的輸入去預(yù)測(cè)刀具磨損狀態(tài),取得了不錯(cuò)的效果。孟翔飛[6]通過(guò)采集切削力、振動(dòng)和聲發(fā)射信號(hào),使用改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)構(gòu)建了刀具磨損量監(jiān)測(cè)模型,預(yù)測(cè)值和實(shí)際值的平均相對(duì)誤差僅為2.73%。吳鳳和等[7]以切削力為監(jiān)測(cè)信號(hào),通過(guò)小波變換濾除信號(hào)噪聲,再采用卷積門控神經(jīng)網(wǎng)絡(luò)提取信號(hào)特征并預(yù)測(cè)刀具磨損狀態(tài),準(zhǔn)確率達(dá)到97%。滕瑞等[8]采用GAF編碼技術(shù)將采集的信號(hào)圖像化,再采用CNN網(wǎng)絡(luò)自適應(yīng)提取圖像特征,提高了信號(hào)特征提取效果,同時(shí)提高了刀具磨損的評(píng)估精度。Cao X.C.等[9]結(jié)合平移不變小波框架和CNN網(wǎng)絡(luò)實(shí)現(xiàn)了刀具磨損狀態(tài)的智能識(shí)別,總體識(shí)別精度達(dá)到98.7%。

雙向長(zhǎng)短周期記憶神經(jīng)網(wǎng)絡(luò)通過(guò)疊加正向長(zhǎng)短周期記憶神經(jīng)網(wǎng)絡(luò)和反向長(zhǎng)短周期記憶神經(jīng)網(wǎng)絡(luò)[10],實(shí)現(xiàn)對(duì)歷史輸入數(shù)據(jù)和將來(lái)輸入數(shù)據(jù)的記憶能力,捕捉輸入數(shù)據(jù)的前向和后向信息。刀具磨損是隨著加工進(jìn)行的演化過(guò)程,與多個(gè)連續(xù)時(shí)刻的刀具磨損量密切相關(guān)[11],對(duì)一段信號(hào)進(jìn)行特征提取后,提取的特征丟失了時(shí)間信息,通過(guò)對(duì)信號(hào)進(jìn)行等長(zhǎng)度分割,再對(duì)子片段分別進(jìn)行特征提取,保留信號(hào)的時(shí)間相關(guān)性,結(jié)合雙向長(zhǎng)短周期記憶神經(jīng)網(wǎng)絡(luò)處理時(shí)序數(shù)據(jù)的記憶優(yōu)勢(shì),可以提高對(duì)刀具磨損狀態(tài)的評(píng)估精度。本文結(jié)合相關(guān)信號(hào)處理、特征提取、特征融合方法和雙向長(zhǎng)短周期記憶神經(jīng)網(wǎng)絡(luò)(BiLSTM),提出了一種銑刀磨損狀態(tài)監(jiān)測(cè)模型,該模型在實(shí)際生產(chǎn)環(huán)境中保證了模型評(píng)估精度,易于實(shí)現(xiàn)在線部署。

2 基于BiLSTM的銑刀磨損狀態(tài)監(jiān)測(cè)模型搭建

2.1 監(jiān)測(cè)信號(hào)類型及信號(hào)特征的選取

刀具隨磨損的加劇而逐漸變鈍,導(dǎo)致切削功率上升,切削過(guò)程振動(dòng)趨向非平穩(wěn),顯著改變切削加工過(guò)程中的切削力、主軸振動(dòng)、聲發(fā)射和主軸電機(jī)驅(qū)動(dòng)電流信號(hào)。其中切削力信號(hào)采集需要測(cè)力儀,成本高且需要安裝專用夾具;聲發(fā)射信號(hào)的采樣頻率要求高,不利于數(shù)據(jù)的快速處理,為實(shí)現(xiàn)銑刀磨損狀態(tài)的在線監(jiān)測(cè),選擇主軸振動(dòng)信號(hào)和主軸電機(jī)驅(qū)動(dòng)電流信號(hào)作為監(jiān)測(cè)信號(hào)。

根據(jù)采樣定理的要求,信號(hào)采樣頻率應(yīng)為信號(hào)頻率兩倍以上,因此采集的原始信號(hào)數(shù)據(jù)量比較大,無(wú)法作為深度學(xué)習(xí)模型的輸入,故采用時(shí)頻域分析方法提取信號(hào)的時(shí)頻域特征[12],提取的時(shí)頻域特征作為監(jiān)測(cè)模型的輸入。

時(shí)域信號(hào)是隨時(shí)間變化描繪信號(hào)強(qiáng)度的波形,能夠直觀反映信號(hào)的變化趨勢(shì)和分布特點(diǎn)。時(shí)域分析以時(shí)間為自變量,選取的時(shí)域特征如表1所示,表中,xi表示采樣長(zhǎng)度為n的原始信號(hào)。

表1 時(shí)域特征

頻域分析從信號(hào)頻率的角度觀察信號(hào)特征,如不同頻率上的振幅和相位等,可以提取時(shí)域分析無(wú)法獲得的低維特征。選取的頻域特征如表2所示,表中,P(f)表示原始信號(hào)的功率譜。

表2 頻域特征

2.2 時(shí)頻域特征提取流程

受人員、鄰近設(shè)備和空間電磁環(huán)境等影響,采集的傳感器信號(hào)必然攜帶一定的噪聲,噪聲會(huì)使采集信號(hào)和有效信號(hào)的時(shí)頻域特征產(chǎn)生偏差,影響深度學(xué)習(xí)模型的精度,因此首先通過(guò)小波閾值降噪算法處理采集信號(hào),提高采集信號(hào)的信噪比。振動(dòng)信號(hào)的采集受無(wú)關(guān)振動(dòng)源的影響,有效信息成分較低,而刀具磨損會(huì)增加振動(dòng)信號(hào)的非平穩(wěn)性,因此對(duì)降噪后的振動(dòng)信號(hào)進(jìn)行4層冗余提升小波包變換,獲得16個(gè)子頻帶信號(hào)。通過(guò)子信號(hào)的峭度指標(biāo)優(yōu)選3個(gè)子信號(hào)并進(jìn)行重構(gòu)得到頻帶優(yōu)選后的振動(dòng)信號(hào)。最后計(jì)算處理后電流和振動(dòng)信號(hào)的時(shí)頻域特征,完成時(shí)頻域特征提取。刀具磨損時(shí)頻域特征提取流程如圖1所示。

圖1 刀具磨損時(shí)頻域特征提取流程

小波閾值降噪通過(guò)濾除小波變換后幅值較小的小波系數(shù)的成分實(shí)現(xiàn),小波閾值降噪的效果和閾值函數(shù)的選取直接相關(guān),本文采用軟閾值函數(shù),軟閾值表達(dá)式為

(1)

2.3 銑刀磨損狀態(tài)的表征

在金屬切削加工過(guò)程中,刀具受切削力、切削熱、材料擴(kuò)散等因素作用會(huì)產(chǎn)生疲勞裂紋、邊界磨損、前刀面月牙洼磨損和后刀面磨損[13]。其中,后刀面磨損區(qū)域會(huì)與未磨損區(qū)域產(chǎn)生明顯視覺(jué)差異,易于通過(guò)相機(jī)采集并測(cè)量磨損區(qū)域的均勻帶寬度VB[14],故本文采用后刀面磨損區(qū)域的均勻帶寬度VB表征銑刀磨損狀態(tài),后刀面磨損區(qū)域的均勻帶寬度VB如圖2所示。

圖2 后刀面磨損區(qū)域的均勻帶寬度VB

2.4 搭建BiLSTM模型

長(zhǎng)短周期記憶神經(jīng)網(wǎng)絡(luò)通過(guò)循環(huán)模塊中的遺忘門、輸入門和輸出門實(shí)現(xiàn)前向記憶能力,循環(huán)模塊結(jié)構(gòu)如圖3所示。

圖3 長(zhǎng)短周期記憶神經(jīng)網(wǎng)絡(luò)循環(huán)模塊

it=σ(Wixt+Uiht-1+bi)

(2)

ft=σ(Wfxt+Ufht-1+bf)

(3)

ot=σ(Woxt+Woht-1+WocCt+bo)

(4)

(5)

ht=ot⊙f(Ct)

(6)

式中,W和U為權(quán)重;b為偏重;f為激活函數(shù)。

雙向長(zhǎng)短周期記憶神經(jīng)網(wǎng)絡(luò)通過(guò)疊加正向長(zhǎng)短周期記憶神經(jīng)網(wǎng)絡(luò)和反向長(zhǎng)短周期記憶神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn),可以處理時(shí)序數(shù)據(jù)的前向和后向信息,因單一數(shù)據(jù)片段經(jīng)過(guò)特征提取后丟失時(shí)序信息,所以對(duì)主軸振動(dòng)及電流信號(hào)進(jìn)行等時(shí)間片段劃分,計(jì)算每個(gè)時(shí)間片段的時(shí)頻域特征,再通過(guò)采集時(shí)間的先后次序 對(duì)特征進(jìn)行編碼。本文設(shè)計(jì)的基于BiLSTM的銑刀磨損狀態(tài)監(jiān)測(cè)模型由特征加權(quán)層、BiLSTM層和全連接層組成,如圖4所示。

圖4 基于BiLSTM的銑刀磨損狀態(tài)監(jiān)測(cè)模型

特征加權(quán)層采用多頭注意力機(jī)制實(shí)現(xiàn),使BiLSTM層聚焦于模型輸入中的某些關(guān)鍵特征,利用多個(gè)注意力機(jī)制對(duì)振動(dòng)信號(hào)和電流信號(hào)的時(shí)頻特征進(jìn)行加權(quán),再將加權(quán)后的特征進(jìn)行拼接,線性變換后作為BiLSTM網(wǎng)絡(luò)的輸入,BiLSTM網(wǎng)絡(luò)的輸出作為全連接層的輸入,用于計(jì)算后刀面磨損區(qū)域的均勻帶寬度VB。

3 銑刀全壽命試驗(yàn)及模型驗(yàn)證

3.1 試驗(yàn)方案

為驗(yàn)證所提出的銑刀磨損狀態(tài)監(jiān)測(cè)模型,進(jìn)行銑刀全壽命試驗(yàn)。試驗(yàn)平臺(tái)包括由銑床、刀具和工件等組成的切削加工平臺(tái)和由振動(dòng)傳感器、電流鉗、顯微鏡和信號(hào)采集設(shè)備等組成的數(shù)據(jù)采集平臺(tái),如圖5所示。

圖5 銑刀全壽命試驗(yàn)平臺(tái)

試驗(yàn)刀具采用四刃立銑刀,加工材料為Cr12工具鋼,利用噴霧方式對(duì)刀具進(jìn)行冷卻和潤(rùn)滑,監(jiān)測(cè)信號(hào)包括主軸X向振動(dòng)、主軸Y向振動(dòng)、主軸Z向振動(dòng)、主軸電機(jī)U相驅(qū)動(dòng)電流和主軸電機(jī)V相驅(qū)動(dòng)電流。試驗(yàn)中振動(dòng)信號(hào)采樣頻率設(shè)置為25.6kHz,電流信號(hào)采樣頻率設(shè)置為51.2kHz。

為模擬實(shí)際生產(chǎn)過(guò)程中的復(fù)雜工況場(chǎng)景,提高模型的泛化能力,共進(jìn)行65組重復(fù)切削試驗(yàn),每組試驗(yàn)進(jìn)行54個(gè)工步,確保每個(gè)工步中的主軸轉(zhuǎn)速、徑向切深、銑削方向、每齒進(jìn)給量都不全相同,銑刀全壽命試驗(yàn)切削參數(shù)如表3所示。

表3 切削參數(shù)

每組試驗(yàn)完成后通過(guò)顯微鏡拍攝并記錄每個(gè)刀片的后刀面磨損區(qū)域的均勻帶寬度VB,以4個(gè)刀片的VB平均值作為這組試驗(yàn)后刀具的最終磨損量。同一組中其他工步的磨損量通過(guò)線性插值獲得,最終得到3510個(gè)試驗(yàn)數(shù)據(jù),試驗(yàn)過(guò)程中刀具磨損量的演化情況如圖6所示。

圖6 每組試驗(yàn)刀具磨損量

分析可知,第10組切削進(jìn)行前,VB值較小但增速較大,此時(shí)刀具處于磨損初期,第10～58組的VB增速很小,刀具處于磨損中期,第58組后VB值急劇增加,刀具進(jìn)入磨損后期。

3.2 模型訓(xùn)練及驗(yàn)證

在銑刀全壽命試驗(yàn)采集的數(shù)據(jù)中劃分訓(xùn)練集數(shù)據(jù)和測(cè)試集數(shù)據(jù),將數(shù)據(jù)集次序打亂后,以數(shù)據(jù)集前80%的數(shù)據(jù)作為訓(xùn)練集數(shù)據(jù),后20%的數(shù)據(jù)作為測(cè)試集數(shù)據(jù),訓(xùn)練集和測(cè)試集的數(shù)據(jù)樣本數(shù)分別為2808和702。通過(guò)多次試驗(yàn)最終采用均方差作為模型準(zhǔn)確性的評(píng)價(jià)指標(biāo),學(xué)習(xí)率為0.001,批數(shù)量為64,Adam算法為模型的優(yōu)化訓(xùn)練方法。

測(cè)試集模型計(jì)算的刀具磨損值和實(shí)際磨損值的誤差對(duì)比如圖7所示,當(dāng)實(shí)際磨損值為129μm時(shí)出現(xiàn)最大誤差,最大誤差為14.9μm,滿足實(shí)際生產(chǎn)的應(yīng)用要求。

圖7 測(cè)試集刀具磨損值誤差對(duì)比

4 結(jié)語(yǔ)

為實(shí)現(xiàn)銑刀磨損狀態(tài)監(jiān)測(cè),基于主軸振動(dòng)和主軸電機(jī)驅(qū)動(dòng)電流信號(hào),提出一種信號(hào)時(shí)頻域特征提取方法和銑刀磨損狀態(tài)監(jiān)測(cè)模型。信號(hào)時(shí)頻域特征提取方法使用小波閾值降噪消除信號(hào)中的環(huán)境噪聲干擾成分,再通過(guò)冗余提升小波變換和峭度指標(biāo)對(duì)振動(dòng)信號(hào)的頻帶進(jìn)行優(yōu)選并重構(gòu)信號(hào),以提高振動(dòng)信號(hào)中的有效成分。

根據(jù)刀具磨損量與多個(gè)連續(xù)時(shí)刻密切相關(guān)的特點(diǎn),銑刀磨損狀態(tài)監(jiān)測(cè)模型采用具有記憶能力的雙向長(zhǎng)短周期循環(huán)網(wǎng)絡(luò),并結(jié)合多頭注意力機(jī)制,使模型能夠關(guān)注輸入中的某些關(guān)鍵特征。

銑刀全壽命試驗(yàn)結(jié)果表明:信號(hào)時(shí)頻域特征提取方法有效提取了刀具狀態(tài)磨損信號(hào)相關(guān)的時(shí)頻域特征,保證了模型的精度,模型在測(cè)試集的預(yù)測(cè)結(jié)果與實(shí)際刀具磨損值誤差在15μm以內(nèi),達(dá)到實(shí)際生產(chǎn)的應(yīng)用要求。