融合工艺信息的复杂零件加工状态识别方法

朱绍维　牟文平　汤立民　杜　丽

1.中航工业成都飞机工业(集团)有限责任公司，成都，6100922.电子科技大学，成都，611731

融合工艺信息的复杂零件加工状态识别方法

朱绍维1,2牟文平1汤立民1杜丽2

1.中航工业成都飞机工业(集团)有限责任公司，成都，6100922.电子科技大学，成都，611731

摘要：为解决基于物理信号的加工监控系统在复杂零件数控加工过程中易受工艺波动影响而导致误报警的问题，提出两种融入零件工艺信息的方法来提高加工状态识别的准确率。为验证其可行性，基于数控系统OPC接口开发了一套远程监控系统原型，结合工艺信息和主轴实时切削功率对加工状态进行识别，一旦发现异常，立即控制机床停止加工。在典型飞机结构件上开展了应用验证，结果表明：融入工艺信息后，加工状态识别准确率明显提升。

关键词：加工监控；复杂零件；工艺信息；OPC

0引言

数控加工过程中，难免因刀具磨损破损、刀轨错误等原因导致零件质量出现问题，若能对加工过程进行实时监控，及时发现并控制异常加工状态，对保障零件加工质量和交付周期，以及降低生产成本具有重要意义。

目前，在汽车制造等行业中一些零件批量大、加工工艺简单稳定的自动化生产过程中，商业化监控系统已经得到成熟应用，如以色列OMATIVE自适应控制系统、德国ARTIS刀具监控系统等。但是这些监控系统对加工状态的识别完全基于物理信号，在飞机结构件等复杂零件的加工过程中易受加工状态波动的影响，频繁产生误报警而影响正常生产。

近年来，国内外均对数控加工监控技术开展了大量研究，多元线性回归[1]、神经网络[2-4]、贝叶斯网络[5]、马尔可夫模型[6]、粗糙集[7]、自适应神经模糊推理系统[8]等多种方法被用于加工状态识别[9]。但是，这些研究主要还是对物理信号进行分析，并未考虑工艺的影响；此外，受应用环境限制，多数研究成果还未能转化到实际工程应用中。

因此，本文从实际生产出发，提出融合零件工艺信息和物理信号的方法来提高复杂零件加工状态的识别准确率。为验证该方法的可行性，基于西门子数控系统OPC接口开发了一套远程监控系统原型，结合工艺信息和主轴实时切削功率对加工状态进行识别，一旦发现异常，立即控制机床停止加工；并在典型飞机结构件上开展了应用验证，结果表明融入工艺信息后，加工状态识别准确率明显提升了。

1商业化监控系统问题分析

德国ARTIS刀具监控系统是目前国际上最优秀的加工监控系统之一。笔者开展了该系统在飞机结构件数控铣削加工过程中的应用研究，发现该系统提供的两种主要监控模型均不适用于类似小批量、复杂零件的加工过程。

(1)Standard模式。Standard模式是通过对前两次加工进行学习来确定放大系数和参考曲线，之后将每次加工的信号曲线与参考曲线进行对比来判断加工状态的，适用于钻孔等简单加工过程的大批量自动化加工。但在飞机结构件等难加工材料大型复杂零件小批量铣削加工中，多数零件的加工时间很长，学习量太大，更重要的是：监控曲线和参考曲线是通过时间对齐的，任何的人工干预均会导致学习或监控失效，甚至影响正常加工。

(2)DX/DT模式。DX/DT模式是通过采集一段时间内的信号来确定上下动态极限的，通过动态极限来识别后续加工中异常的快速信号变化，适用于加工过程稳定的单件、小批量零件加工过程。而在复杂零件的铣削加工过程中，很难避免加工状态的波动，这些波动很容易导致ARTIS刀具监控系统误报警，从而影响正常生产。

通过ARTIS刀具监控系统在飞机结构件中的应用研究可以发现，复杂零件加工过程中，工艺波动导致的信号变化远大于刀具磨损/破损引起的变化。因此，如何分离工艺波动的影响是实现准确监控的关键。而当前的商业监控系统仅基于物理信号对加工过程进行识别，难以适应复杂零件加工过程。

2融入工艺信息的加工状态识别方法

基于ARTIS刀具监控系统在飞机结构件数控铣削加工中的应用分析，为解决工艺波动导致的误报警问题，从工程实用的角度出发，本文提出以下两种融合工艺信息和物理信号的加工状态识别方法。

(1)基于加工坐标对齐信号。ARTIS刀具监控系统的Standard模式中，实时信号曲线与参考曲线基于时间对齐。因此，加工过程不能受到任何人工干预，只适用于完全自动化的生产过程。然而，目前飞机结构件等复杂零件的数控加工过程尚未完全实现自动化，难免会有人工干预。但是，若将实时信号与参考信号基于加工坐标对齐，对每一个加工位置都参考正常加工时的信号进行监控，这样虽然需要更多的查询时间，但可避免改变倍率、暂停加工等人为干预对监控产生影响。即

if

then

Pmax=(1+η)Pi

(1)

控制条件为

P>Pmax

(2)

式中，X、Y、Z为当前采集到的信号对应的X、Y、Z轴坐标值；Xi、Yi、Zi为第i个参考信号对应的X、Y、Z轴坐标值；Xi+1、Yi+1、Zi+1为第i+1个参考信号对应的X、Y、Z轴坐标值；Pmax为当前加工位置的信号极限值；η为允许的监控信号上升比例；Pi为第i个参考信号值；P为当前采集到的信号值。

(2)随工艺变化自动调整监控极限。正常加工过程中，加工状态的波动通常是由工艺参数(主轴转速S、进给速度F、切宽Ae和切深Ap以及刀具直径等)的变化引起的。因此，通过在加工过程中实时采集工艺参数，根据工艺参数的变化自动调整监控极限，即可消除工艺波动对监控的影响，从而准确识别出异常状态。各种工艺参数下的极限值需要通过试验或从实际生产中积累。

此外，为避免主轴转速变化、进刀等导致的信号突变引起误报警，可采用延迟时间进行过滤。即当实时采集的监控信号满足下式：

(3)

时，报警并控制机床停止加工。其中，T为实时采集的信号值连续超过极限值的持续时间；Tmax为报警延迟时间。

3远程监控系统原型开发

为验证上述识别方法的可行性，本文基于数控系统OPC接口和以太网，采用VB开发了一个远程监控系统原型。

3.1系统软硬件结构与配置

系统硬件结构如图1所示，主要包含数控系统PCU、数控机床PLC及PC三个部分，相互之间通过以太网连接。监控软件运行在PC上，执行机床运行数据远程采集、加工状态识别和PLC远程控制。系统软硬件配置如下。

(1)PLC硬件配置。通常机床PLC的CPU不带网口，需要加装以太网接口模块。本系统基于西门子840D数控系统搭建，采用的PLC为S7-300，因此加装CP343-1模块，并完成组态。

(2)PCU软件配置。通常数控机床PCU都带有以太网口，不需要额外加装，但是若要在PCU上进行PLC组态，需要安装组态软件。根据CP343-1模块的版本，本系统安装Step 7 V5.5。

(3)PC软硬件配置。①硬件配置。PC需要分别与数控系统PCU和PLC进行以太网连接，因此需要安装2个以太网卡。②软件配置。(a)安装组态软件，以组态PC Station站点，软件版本根据硬件组态需求选择，本系统安装Step 7 V5.5。(b)安装OPC接口，以运行基于OPC接口开发的监控软件。对西门子数控系统，可安装SIMATIC NET，安装后自带西门子OPC接口以及连接测试工具OPC Scout。软件版本根据PC操作系统选择，本系统安装SIMATIC NET 2006。(c)安装VB或VC开发平台(分别对应OPC自动化接口和定制接口)，以满足监控软件的开发与调试修改。本系统采用OPC自动化接口，因此安装Visual Basic 6.0。

图1　系统总体框架

3.2监控软件开发

OPC服务器有两类接口：定制接口和自动化接口。本文采用更为方便的自动化接口，使用VB6.0编写监控软件。安装接口后，在VB的“工程-引用”中勾选Siemens OPC DAAutomation 2.0即可引用OPC自动化数据接口。

西门子数控系统内部变量的OPC服务器为OPC.SINUMERIK.Machineswitch；PC与PLC的通信通过本地OPC.SimaticNET服务器建立S7连接。使用OPC自动化接口函数，很容易编写OPC客户端软件采集数控系统内部变量数据、读写PLC变量值。

已有研究表明，切削力、刀具磨损状态等与主轴切削功率相关。因此，本系统采用主轴切削功率作为监控信号；为保证实时性，采用门限法为控制决策方法；采用报警延迟时间过滤信号瞬间突变。对应于本文提出的两种识别方法，软件包含了两种监控模式，其运行流程分别如图2和图3所示。软件主要功能如下：

(1)机床运行数据采集。实时读取、显示、保存数控系统内部的机床运行数据，如程序名称，主轴功率、主轴转速、进给速度、各轴坐标值等。

(2)数据曲线绘制。实时绘制主轴功率曲线及监控极限。

(3)加工过程控制(可选)。当实时采集的主轴功率大于设定极限值、且持续时间大于给定延迟时间时，控制PLC停止机床加工。

图2　监控软件运行流程-加工坐标对齐模式

图3　监控软件运行流程-自动调整极限模式

3.3OPC远程连接配置

本系统中OPC远程连接配置包含两个部分：①通过以太网建立OPC服务器与PLC的S7连接配置；②远程访问OPC Server的DCOM配置。其中，西门子S7 PLC与PC的OPC通信连接与测试方法可参见其帮助文档[10]；远程访问OPC Server的配置可参考DCOM配置相关资料，需要注意的是：必须保证PCU与PC具有相同的用户名和密码。

4应用验证

为验证该系统的可行性，在几项典型飞机结构件数控铣削加工过程中进行了应用测试，实时采集机床运行数据、写PLC值控制机床停止加工及数据显示、保存、曲线绘制等功能均能有效运行。

图4所示为某飞机结构件某铣削工步加工中采用加工坐标对齐模式进行监控时的软件运行情况(此例中只读取了X、Y坐标和主轴功率值)，从图中可以看出，每一加工位置处的极限值都是根据正常加工时的参考值计算的，从而消除了工艺波动引起的信号变化对监控的影响。该工步加工过程中，刀具未发生严重磨损或断裂，系统未发生报警。相比之下，采用ARTIS监控，会在多处发生误报警。

图4　加工坐标对齐模式实际运行情况截图

图5所示为某飞机结构件加工中对某外形侧铣工步采用自动调整极限模式进行监控时的监控曲线。从图5中可以看出，主轴功率极限(图5中直线表示设定的功率极限，曲线表示实时采集的功率)随加工参数(包括切深、切宽、进给速度、主轴转速、刀具直径等)的变化而变化，避免了加工参数变化造成的工艺波动引起的误报警；此外，通过延迟时间消除了进刀等原因造成的信号突变引起的误报警。

图5　自动调整极限模式实际运行情况截图

应用测试表明，本文提出的两种融入工艺信息的加工状态识别方法能有效减少复杂零件加工监控中的误报警。但是，要实现既不漏报、又不误报的最佳监控效果，需从实际加工过程中不断积累，获得最佳的极限参数值。

此外，受数控系统厂商对OPC接口数据采集频率的限制(采用以太网，西门子数控系统最大为10 Hz)，该系统的控制实时性稍差，对刀具磨损等情况可满足要求，但是若出现刀轨错误、机床故障等情况，其对零件/机床的保护能力有限，特别是在高速加工中。

5结论

(1)提高加工状态识别的准确率是监控系统有效运行的关键。在物理信号采集的基础上，融合具体的零件工艺信息，是一种有效、可行的手段。

(2)基于数控系统OPC接口，用户可以很容易地结合自己的零件工艺以及生产模式开发适用的远程加工监控系统，一方面可以追溯零件加工过程，另一方面，也可减少零件质量事故，降低成本。

(3)要实现最佳的监控效果，需要从实际生产中积累大量基础数据，逐步逼近最优的参数设置。

参考文献：

[1]Bhattacharyya P, Sengupta D, Mukhopadhyay S, et al. On-line Tool Condition Monitoring in Face Milling Using Current and Power Signals[J]. International Journal of Production Research, 2008, 46(4): 1187-1201.

[2]Ghosh N, Ravi Y B, Patra A, et al. Estimation of Tool Wear during CNC Milling Using Neural Network-based Sensor Fusion[J]. Mechanical Systems and Signal Processing, 2007, 21(1): 466-479.

[3]王海丽, 翁德玮, 胡兆燕, 等. 基于模糊神经网络的刀具磨损识别[J]. 上海交通大学学报, 2002, 36(8): 1086-1090.

Wang Haili, Weng Dewei, Hu Zhaoyan, et al. Tool Wear Monitoring Using Fuzzy Neural Network[J]. Journal of Shanghai Jiaotong University, 2002, 36(8): 1086-1090.

[4]王海丽, 马春翔, 邵华,等. 车削过程中刀具破损和磨损状态的自动识别[J]. 上海交通大学学报, 2006, 40(12): 2057-2062.

Wang Haili, Ma Chunxiang, Shao Hua, et al. The Tool Wear and Breakage Monitoring in Turning Using Neural Network[J]. Journal of Shanghai Jiaotong University, 2006, 40(12): 2057-2062.

[5]Dey S, Stori J A. A Bayesian Network Approach to Root Cause Diagnosis of Process Variations[J]. International Journal of Machine Tools and Manufacture, 2005, 45(1): 75-91.

[6]Geramifard O, Xu J X, Zhou J H, et al. Multimodal Hidden Markov Model-based Approach for Tool Wear Monitoring[J]. IEEE Transactions on Industrial Electronics,2014, 61(6): 2900-2911.

[7]Xie N, Chen L, Zheng B, et al.A Rough Set-based Effective State Identification Method of Multisensor Tool Condition Monitoring System[J]. Advances in Mechanical Engineering, 2014, 6(8): 947-962.

[8]Li X, Djordjevich A,Venuvinod P K. Current-sensor-based Feed Cutting Force Intelligent Estimation and Tool Wear Condition Monitoring[J]. IEEE Transactions on industrial electronics, 2000,47(3): 697-702.

[9]Abellan-Nebot J V, Subiron F R. A Review of Machining Monitoring Systems Based on Artificial Intelligence Process Models[J]. International Journal of Advanced Manufacturing Technology, 2010, 47(1): 237-257.

[10]Siemens.通过ETHERNET建立OPC服务器与S7 PLC的S7连接[EB/OL].(2014-03-07)[2015-07-28].https://support.industry.siemens.com/cs/document/83102835/ethernetsimatic-net-opc-plc-s7?dti=0&pnid=13613&lc=zh-CN.

(编辑王艳丽)

Cutting Status Identification Method for Complex Parts Integrating with Process Informations

Zhu Shaowei1,2Mou Wenping1Tang Limin1Du Li2

1.AVIC Chengdu Aircraft Industrial (Group) Co.,Ltd.,Chengdu,610092 2.University of Electronic Science and Technology,Chengdu,611731

Abstract:In CNC machining of complex parts, the physical signal-based machining monitoring system was easily affected by the process fluctuations, which led to false alarms. In order to figure out this problem,two methods integrated process informations were proposed to improve the accuracy of cutting status identification. To test and verify their feasibility, a remote monitoring prototype system was developed based on the OPC interface of numerical control system, which identified the cutting status integrating with the process informations and real-time cutting power of spindle, and stoped the cutting once abnormal cutting was detected. Application tests were conducted on several typical aircraft structure parts, the results show that the accuracy of process identification is promoted after integrating with the process informations.

Key words:machining monitoring; complex parts; process information; OPC

收稿日期：2015-07-28

基金项目：国家科技重大专项(2012ZX04001012)

中图分类号：TH166；TH165

DOI：10.3969/j.issn.1004-132X.2016.11.011

作者简介：朱绍维，男，1987年生。成都飞机工业(集团)有限责任公司工程师，成都飞机工业(集团)有限责任公司与电子科技大学联合培养博士后研究人员。主要研究方向为数控加工、智能制造。发表论文10余篇。牟文平，男，1981年生。成都飞机工业(集团)有限责任公司数控加工厂高级工程师。汤立民，男，1955年生。成都飞机工业(集团)有限责任公司研究员级高级工程师。杜丽，女，1970年生。电子科技大学机械电子工程学院教授。