基于BiLSTM的銑刀磨損狀態監測模型

高鳴,賈輝,卿濤,陳彬強

1第一拖拉機股份有限公司制造工程中心;2廈門大學航空航天學院

1 引言

銑削是常見的金屬切削加工工藝,銑刀的磨損狀態直接影響工件加工后的表面質量[1],為避免刀具過度磨損造成工件加工質量不合格,通常需要在刀具未達到最大使用壽命前進行更換[2],因此,銑刀磨損狀態監測對提高銑削工藝的生產效率和生產質量具有重要意義。

刀具磨損監測方法有直接法和間接法[3],直接法通過可視光、超聲波等介質測量刀具或工件表面形貌,結果可靠,但測量過程繁瑣,難以實現在線監測;間接法通過切削加工過程產生的力、熱、振動、聲發射等信號來評估刀具磨損,易于實現在線監測,但評估的準確性由信號采集質量、信號處理方法及模式識別方法決定[4]。目前,通過機器學習和深度學習方法,使用切削力、振動、聲發射和電流信號特征預測刀具磨損狀態得到廣泛研究[5]。

間接法關注與刀具磨損狀態相關的切削信號,通過建立切削信號和刀具磨損指標間的對應關系實現刀具磨損狀態實時監測,這個方法主要面臨兩個問題:一是采集的信號受到環境和其他信號源的影響,信號的有效信息成分較低;二是信號和刀具磨損指標間的映射關系復雜,無法直接建立二者的函數關系。針對上述問題,學者們通過信號處理方法提高信號有效成分,再提取信號的相關時頻特征作為深度學習模型的輸入去預測刀具磨損狀態,取得了不錯的效果。孟翔飛[6]通過采集切削力、振動和聲發射信號,使用改進的BP神經網絡構建了刀具磨損量監測模型,預測值和實際值的平均相對誤差僅為2.73%。吳鳳和等[7]以切削力為監測信號,通過小波變換濾除信號噪聲,再采用卷積門控神經網絡提取信號特征并預測刀具磨損狀態,準確率達到97%。滕瑞等[8]采用GAF編碼技術將采集的信號圖像化,再采用CNN網絡自適應提取圖像特征,提高了信號特征提取效果,同時提高了刀具磨損的評估精度。Cao X.C.等[9]結合平移不變小波框架和CNN網絡實現了刀具磨損狀態的智能識別,總體識別精度達到98.7%。

雙向長短周期記憶神經網絡通過疊加正向長短周期記憶神經網絡和反向長短周期記憶神經網絡[10],實現對歷史輸入數據和將來輸入數據的記憶能力,捕捉輸入數據的前向和后向信息。刀具磨損是隨著加工進行的演化過程,與多個連續時刻的刀具磨損量密切相關[11],對一段信號進行特征提取后,提取的特征丟失了時間信息,通過對信號進行等長度分割,再對子片段分別進行特征提取,保留信號的時間相關性,結合雙向長短周期記憶神經網絡處理時序數據的記憶優勢,可以提高對刀具磨損狀態的評估精度。本文結合相關信號處理、特征提取、特征融合方法和雙向長短周期記憶神經網絡(BiLSTM),提出了一種銑刀磨損狀態監測模型,該模型在實際生產環境中保證了模型評估精度,易于實現在線部署。

2 基于BiLSTM的銑刀磨損狀態監測模型搭建

2.1 監測信號類型及信號特征的選取

刀具隨磨損的加劇而逐漸變鈍,導致切削功率上升,切削過程振動趨向非平穩,顯著改變切削加工過程中的切削力、主軸振動、聲發射和主軸電機驅動電流信號。其中切削力信號采集需要測力儀,成本高且需要安裝專用夾具;聲發射信號的采樣頻率要求高,不利于數據的快速處理,為實現銑刀磨損狀態的在線監測,選擇主軸振動信號和主軸電機驅動電流信號作為監測信號。

根據采樣定理的要求,信號采樣頻率應為信號頻率兩倍以上,因此采集的原始信號數據量比較大,無法作為深度學習模型的輸入,故采用時頻域分析方法提取信號的時頻域特征[12],提取的時頻域特征作為監測模型的輸入。

時域信號是隨時間變化描繪信號強度的波形,能夠直觀反映信號的變化趨勢和分布特點。時域分析以時間為自變量,選取的時域特征如表1所示,表中,xi表示采樣長度為n的原始信號。

表1 時域特征

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

表2 頻域特征

2.2 時頻域特征提取流程

受人員、鄰近設備和空間電磁環境等影響,采集的傳感器信號必然攜帶一定的噪聲,噪聲會使采集信號和有效信號的時頻域特征產生偏差,影響深度學習模型的精度,因此首先通過小波閾值降噪算法處理采集信號,提高采集信號的信噪比。振動信號的采集受無關振動源的影響,有效信息成分較低,而刀具磨損會增加振動信號的非平穩性,因此對降噪后的振動信號進行4層冗余提升小波包變換,獲得16個子頻帶信號。通過子信號的峭度指標優選3個子信號并進行重構得到頻帶優選后的振動信號。最后計算處理后電流和振動信號的時頻域特征,完成時頻域特征提取。刀具磨損時頻域特征提取流程如圖1所示。

圖1 刀具磨損時頻域特征提取流程

小波閾值降噪通過濾除小波變換后幅值較小的小波系數的成分實現,小波閾值降噪的效果和閾值函數的選取直接相關,本文采用軟閾值函數,軟閾值表達式為

(1)

2.3 銑刀磨損狀態的表征

在金屬切削加工過程中,刀具受切削力、切削熱、材料擴散等因素作用會產生疲勞裂紋、邊界磨損、前刀面月牙洼磨損和后刀面磨損[13]。其中,后刀面磨損區域會與未磨損區域產生明顯視覺差異,易于通過相機采集并測量磨損區域的均勻帶寬度VB[14],故本文采用后刀面磨損區域的均勻帶寬度VB表征銑刀磨損狀態,后刀面磨損區域的均勻帶寬度VB如圖2所示。

圖2 后刀面磨損區域的均勻帶寬度VB

2.4 搭建BiLSTM模型

長短周期記憶神經網絡通過循環模塊中的遺忘門、輸入門和輸出門實現前向記憶能力,循環模塊結構如圖3所示。

圖3 長短周期記憶神經網絡循環模塊

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為權重;b為偏重;f為激活函數。

雙向長短周期記憶神經網絡通過疊加正向長短周期記憶神經網絡和反向長短周期記憶神經網絡實現,可以處理時序數據的前向和后向信息,因單一數據片段經過特征提取后丟失時序信息,所以對主軸振動及電流信號進行等時間片段劃分,計算每個時間片段的時頻域特征,再通過采集時間的先后次序 對特征進行編碼。本文設計的基于BiLSTM的銑刀磨損狀態監測模型由特征加權層、BiLSTM層和全連接層組成,如圖4所示。

圖4 基于BiLSTM的銑刀磨損狀態監測模型

特征加權層采用多頭注意力機制實現,使BiLSTM層聚焦于模型輸入中的某些關鍵特征,利用多個注意力機制對振動信號和電流信號的時頻特征進行加權,再將加權后的特征進行拼接,線性變換后作為BiLSTM網絡的輸入,BiLSTM網絡的輸出作為全連接層的輸入,用于計算后刀面磨損區域的均勻帶寬度VB。

3 銑刀全壽命試驗及模型驗證

3.1 試驗方案

為驗證所提出的銑刀磨損狀態監測模型,進行銑刀全壽命試驗。試驗平臺包括由銑床、刀具和工件等組成的切削加工平臺和由振動傳感器、電流鉗、顯微鏡和信號采集設備等組成的數據采集平臺,如圖5所示。

圖5 銑刀全壽命試驗平臺

試驗刀具采用四刃立銑刀,加工材料為Cr12工具鋼,利用噴霧方式對刀具進行冷卻和潤滑,監測信號包括主軸X向振動、主軸Y向振動、主軸Z向振動、主軸電機U相驅動電流和主軸電機V相驅動電流。試驗中振動信號采樣頻率設置為25.6kHz,電流信號采樣頻率設置為51.2kHz。

為模擬實際生產過程中的復雜工況場景,提高模型的泛化能力,共進行65組重復切削試驗,每組試驗進行54個工步,確保每個工步中的主軸轉速、徑向切深、銑削方向、每齒進給量都不全相同,銑刀全壽命試驗切削參數如表3所示。

表3 切削參數

每組試驗完成后通過顯微鏡拍攝并記錄每個刀片的后刀面磨損區域的均勻帶寬度VB,以4個刀片的VB平均值作為這組試驗后刀具的最終磨損量。同一組中其他工步的磨損量通過線性插值獲得,最終得到3510個試驗數據,試驗過程中刀具磨損量的演化情況如圖6所示。

圖6 每組試驗刀具磨損量

分析可知,第10組切削進行前,VB值較小但增速較大,此時刀具處于磨損初期,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,刀具進入磨損后期。

3.2 模型訓練及驗證

在銑刀全壽命試驗采集的數據中劃分訓練集數據和測試集數據,將數據集次序打亂后,以數據集前80%的數據作為訓練集數據,后20%的數據作為測試集數據,訓練集和測試集的數據樣本數分別為2808和702。通過多次試驗最終采用均方差作為模型準確性的評價指標,學習率為0.001,批數量為64,Adam算法為模型的優化訓練方法。

測試集模型計算的刀具磨損值和實際磨損值的誤差對比如圖7所示,當實際磨損值為129μm時出現最大誤差,最大誤差為14.9μm,滿足實際生產的應用要求。

圖7 測試集刀具磨損值誤差對比

4 結語

為實現銑刀磨損狀態監測,基于主軸振動和主軸電機驅動電流信號,提出一種信號時頻域特征提取方法和銑刀磨損狀態監測模型。信號時頻域特征提取方法使用小波閾值降噪消除信號中的環境噪聲干擾成分,再通過冗余提升小波變換和峭度指標對振動信號的頻帶進行優選并重構信號,以提高振動信號中的有效成分。

根據刀具磨損量與多個連續時刻密切相關的特點,銑刀磨損狀態監測模型采用具有記憶能力的雙向長短周期循環網絡,并結合多頭注意力機制,使模型能夠關注輸入中的某些關鍵特征。

銑刀全壽命試驗結果表明:信號時頻域特征提取方法有效提取了刀具狀態磨損信號相關的時頻域特征,保證了模型的精度,模型在測試集的預測結果與實際刀具磨損值誤差在15μm以內,達到實際生產的應用要求。