刀具磨损智能监测方法的研究现状和发展趋势

张凯，权宇，刘长福，晏永飞，周洋，杨博涵

辽宁石油化工大学机械工程学院 辽宁抚顺 113001

1 序言

刀具作为机械制造中最常用的一种工具，在精密加工中发挥着重要的作用。刀具状况在很大程度上影响着加工过程中工件的表面质量和加工精度[1]。相关的研究结果表明，刀具磨损是刀具失效的根本原因，刀具故障引起的维护费用占生产货物成本的15%～40%[2]，而刀具故障引起的停机时间约占刀具总停机时间的20%[3]。因此，对刀具状态进行监测和预测，对于提高生产效率和质量、节约成本具有重要意义。

在早期的研究中，传统的机器学习算法主要用于建立切削信号与刀具磨损状况之间的非线性映射关系。对原始信号进行时域、频域和时频域特征提取，然后进行人为的特征选择，比如采用皮尔逊得到相关系数矩阵或利用主成分分析法去提取更有区别性的特征，最后将提取到的特征输入到机器学习算法中，主要包括人工神经网络（ANN）、支持向量机（SVM）和隐马尔科夫模型（HMM）等。但是传统的机器学习算法结构设计较浅，无法提取更深层次的特征。深度学习作为一种学习能力较强的数据驱动方法，被引入并应用于各种故障诊断监测中，其中，应用较为广泛的深度学习模型主要包括卷积神经网络（CNN）、循环神经网络（RNN）和自编码器（AE）等。使用深度学习对刀具磨损进行监测能够精确地预测刀具的磨损状态和剩余使用寿命（RUL），对满足高精度加工要求和提高自动化加工生产率具有重要意义。

2 传统刀具磨损状态监测

2.1 刀具磨损的形式

刀具磨损是刀具与工件长期接触摩擦所引起的损失[4]，不同的切削条件下，刀具磨损表现的形式主要有前刀面磨损、后刀面磨损和边界磨损，如图1所示。前刀面磨损主要是当切削厚度hD和切削速度vC都较大时，大量的切屑与前刀面急剧接触摩擦，切削温度过高，导致刀具磨损出月牙状的小沟洼，月牙洼磨损量以其深度KT表示。而当切削厚度hD和切削速度vC都较小时，切屑产生量较少，前刀面通常不会发生磨损，但由于长时间的摩擦损耗，会逐渐出现后刀面磨损。后刀面磨损主要有刀尖和切削刃两种磨损形式。在刀具的刀尖部分，抗热性和散热能力比较差，刀尖磨损厉害，磨损最大值一般用VC表示。在刀具的切削刃中间位置，也会发生磨损，但此处磨损量较为平均，通常用VB表示其平均磨损值[5]。前刀面磨损与后刀面磨损为切削塑性材料与脆性材料时所发生的，而当切削硬度更高的工件材料时，也会出现较深的沟壑状的磨损，这种磨损称为边界磨损，其磨损量用最大宽度VN表示[6]。

图1 刀具磨损的形式

在诸多文献的研究中[7-12]，由于后刀面磨损是理想的刀具失效机理，因此这种失效机理可以用来识别刀具磨损阶段，预测剩余使用寿命。后刀面磨损可使用显微镜进行测量，且磨损处的值较为平均，通常通过比较VB值的大小来判断刀具此刻属于轻度磨损、中度磨损还是重度磨损阶段[13]。典型刀具磨损曲线如图2所示，刀具磨损的识别过程实际上就是计算刀具的磨损量VB。在切削过程中，通过监测切削力、振动、电流和噪声等信号的变化，对刀具状态进行监测，不同状态的信号特征范围对应着相应的VB值，最后依据磨损量VB识别出刀具的磨损程度[14，15]。实际加工过程证明，在刀具磨损量未达到某一特定值时及时换刀，对降低刀具成本、提高加工生产率具有重要意义。

2.2 刀具磨损监测方法

根据刀具磨损量检测原理的不同，刀具磨损监测主要分为直接法和间接法[16]。直接法是指通过识别切削刃几何形状、表面质量或测量刀具切削刃参数的变化来判断磨损状态，如光学法、辐射法和电阻法等；间接法监测的不是刀具本身，而是与刀具本身相关的信号，如切削力、声发射、振动、电流和功率信号等。根据切削过程中信号的变化，获取加工刀具状态信息。值得注意的是，虽然间接法构建模型难度较大，准确率低于直接法，但其使用的传感器易于安装，可实时在线监测，检测成本较低。因此，间接法在过去几年被广泛应用于刀具磨损监测[17]。

图2 典型刀具磨损曲线

2.3 传统刀具磨损智能监测系统

传统的刀具磨损智能监测系统通常由3个部分组成：信号采集与处理、特征提取和模式识别（见图3）。

（1）信号采集 在整个刀具磨损状态监测的过程中，传感器是整个系统采集信号的来源，其性能直接影响当前监测的准确性[18]。在目前的研究中，通常采集切削力信号、声发射信号、加速度信号、声音信号以及电流信号等作为刀具磨损的判断依据。这些传感器采集的信号数据对于刀具磨损的识别分析各有利弊，针对单一传感器信号失灵和采集不全等问题，多传感器融合技术应用逐渐兴起，成为了提高监测技术识别率的关键。

（2）特征提取 特征提取是在信号中提取具有高灵敏度、可靠性和鲁棒性的有用信息[19]，用于识别刀具磨损。特征提取和选择在刀具磨损状态监测中起着至关重要的作用，提取的特征向量用于模型建立和测试，既可以减少冗余数据，又可以降低维数，提高模型识别效率和准确率。目前主流的特征提取方法有时域法、频域法和时频域法等。

图3 刀具磨损状态智能监测系统组成

1）时域分析法：在时域分析中，将处理后的信号数据转化为几个关键的特征参数，包括均值、均方根（RMS）、标准差、方差、峰值、峭度和裕度因子等。

2）频域分析法：在频域分析中，主要是对幅值谱和功率谱进行分析，其中最常使用的方法为傅里叶变换。

3）时频域分析法：对于非平稳信号，时频域分析可以将信号的时间和频率联合起来，同时定位。时频分析可以检测到微小信号，不漏掉有用信息，这在特征提取过程中提高了识别分析的精度。目前常用的时频分析方法有小波变换（WT）、小波包变换（WPT）、经验模态分解（EMD）、变分模态分解（VMD）及各种算法的改进等。

然而，并非所有提取的特征都可以有效地表示刀具磨损情况，过多的特征会导致信息冗余，增加训练的复杂度，降低模型识别的准确率。因此，需要选择那些最能表征刀具磨损状态信息的特征，使数据维数降低，缩短模型训练时间。目前常用的特征选择和降维方法有递归消除法、信息熵增益法、主成分分析法（PCA）和皮尔逊相关系数法等。

（3）模式识别 模式识别的本质是将提取的特征作为输入样本进行学习，建立对应的映射关系，在训练的基础上完成对刀具磨损状态的识别。目前，监控模型的构建主要分为两大类：传统机器学习模型和深度学习模型。图4显示了传统机器学习和深度学习模型之间的对比。

图4 传统机器学习与深度学习模型对比

传统机器学习模型需要将采集的信号进行特征提取与选择，然后输入模型进行学习与识别。传统模型中具体的构建方法包括人工神经网络（ANN）、支持向量机（SVM）和隐马尔可夫模型（HMM）等[20]。RUITAO等[21]将小波神经网络用于预测刀具的后刀面磨损，并发现该方法可以准确地预测刀具的磨损程度。CHEN等[22]介绍了一种使用小波包变换来监测加工过程的特征提取和评估的新方法。ERTUNC等[23]基于切削力和功率信号的测量，提出了用于在线识别刀具磨损的隐马尔可夫模型HMM。艾长胜等[24]对切削声信号进行处理，通过HMM对刀具磨损状态进行了识别。针对HMM预测不准确的问题，HMM的扩展模型也被广泛应用。KONG D等[25，26]提出了一种基于高斯混合隐马尔可夫模型和隐半马尔可夫模型的刀具磨损估计模型；何栋磊等[27]利用遗传算法优化隐马尔可夫模型中算法，改善了隐马尔可夫模型对刀具磨损状态的识别性能。

目前使用传统机器学习构建模型仍较多，但当训练数据量过大时，传统机器学习模型的预测能力不能令人满意。深度学习算法以其自适应提取特征的优点，在学习和预测方面都表现出卓越的性能[28]，具有更高的监测准确度。

3 基于深度学习的刀具磨损监测研究

深度学习作为一种可以直接从数据中学习规律并提取特征的新方法，被大量学者研究并引入到刀具磨损监测中。深度学习模型突破了传统机器学习算法中存在的繁琐的数据预处理和人为的浅层特征提取的局限，非常适用于故障分类与识别预测，可实现刀具磨损监测的智能化。

3.1 基于卷积神经网络CNN的刀具磨损监测研究

卷积神经网络（Convolutional Neural Networks，CNN）是一种具有局部连接、权值共享等特性的深层前馈神经网络。卷积神经网络的主体由卷积层、池化层和全连接层构成。其中，卷积层和池化层相当于传统信号处理中的特征提取和降维[29]，通过卷积层和池化层的不断交替叠加，CNN可以自动提取数据的局部特征，通过这些局部特征建立数据的特征向量。经过多层的卷积和池化处理后，通过全连接层实现数据由局部特征到全局特征的加权表征，将结果输入到分类器，由分类器给出最后的分类结果。CNN结构框架体系如图5所示。

图5 CNN结构框架体系

CNN的缩放不变性与局部学习特性为其在刀具磨损状态监测领域的应用奠定了基础。CAO等[30]提出了一种基于二维卷积神经网络（CNN）和派生小波框架（DWF）的高稳健性铣刀磨损监测方法。AMBADEKAR等[31]使用卷积神经网络CNN来监测刀具的侧面磨损，将显微镜定期拍摄的刀具图像作为CNN模型的输入，提取特征并将刀具分类为低、中、高3个磨损等级。KUMAR等[32]通过选择合适的超参数设计了深度CNN体系结构，通过仔细选择超参数、学习率、批量大小和时代数，能够在未磨损和磨损两类中提取特征并对刀具进行分类。该模型方法识别准确率高，可用于工业环境下加工表面图像中刀具状态的分类。

3.2 基于循环神经网络RNN的刀具磨损监测研究

循环神经网络（Recurrent Neural Network, RNN）是一个包含时序信息的循环结构网络，在处理有前后依赖信息的预测问题时，表现优于其他神经网络。RNN整个结构分为3层：输入层、隐藏层和输出层。不同于多层感知机MLP，RNN在隐藏层中多了一个自身到自身的循环输入，如图6所示，这种循环构成了典型的反馈型神经网络形式，在联想记忆与优化计算方面更具优势。

图6 循环神经网络与MLP对比

RNN中的隐藏层单元不仅包含此刻的输入，还包含上一时刻的隐层输出。循环神经网络的结构如图7所示，t－1、t和t＋1分别表示连续输入的3个时刻；x表示输入；y为对应的输出；S为隐层状态；U、V、W分别对应于输入层到隐层、隐层到隐层、隐层到输出层的权值。

图7 循环神经网络的结构

刀具磨损是一个随加工时间变化的渐进过程，挖掘时间序列特征对预测各时刻刀具磨损具有重要意义。对于加工过程的时序信号，在混合故障和强噪声的情况下，YAO等[33]提出了一种基于长短时记忆（LSTM）网络的深度迁移强化学习（DTRL）网络，从连续的传感器数据中提取局部特征来跟踪刀具状态，并通过控制时间序列长度来动态调整训练后的网络大小。LIU等[1]提出了一种基于平行残差堆叠双向长短期记忆网络的TWM模型。所提出的网络能够同时提取原始信号的时空相关特征，并通过并行残差网络实现多特征融合结构，该方法具有较高的预测精度。AN等[34]将CNN与堆叠的双向和单向LSTM网络（CNN-SBULSTM）相结合，在工具RUL预测任务中进行顺序数据处理，能够获得更深入和抽象的特征，不需要特征工程和难以获得的高质量专家知识，平均预测精度可达90%。LSTM网络在刀具磨损监测、预测中有很强的适用性。

3.3 基于自编码器AE的刀具磨损监测研究

AE（Auto-Encoder）是一种用于数据降维和特征提取的无监督深度学习网络，其体系结构如图8所示，包括输入层、隐藏层和输出层。原始数据通过权值连接映射到隐藏层，将隐藏层的激活值映射到输出层进行数据重构，重构误差最小化，微调权值以生成准确的数据表示。自编码器AE的主要计算公式为

式中，C1是AE的代价函数；β为稀疏惩罚系数；r是一个稀疏常数；x＝[x1，x2，…，xm]是一个未标记的输入样本的特征向量z＝[z1，z2，…，zm]和重建向量h＝[h1，h2，…，hm]；Sg和Sf分别为隐藏层和输出层的激活函数，一般选用Sigmoid（Sigm）或修正线性单元（ReLU）作为激活函数；W、W′为权重；b、b′为偏置。

图8 AE模型的体系结构

近年来，基于AE及其变种模型的刀具磨损在线监测方法越来越受到研究人员的关注。SHAO等[35]提出了一种采用Morlet小波作为隐藏层激活函数的改进式堆叠自编码器（MSAE），建立了原始非平稳振动数据与各种故障状态之间的精确映射关系，用于旋转机械的各种故障类型和严重程度的自动诊断。OCHOA等[36]提出了一种堆叠式稀疏自编码器（SSAE）的刀具磨损状态诊断方法。该方法在刀具磨损状态预测中表现出较好的性能，特别是在利用声发射信号进行预测时。OU等[37]提出了一种结合堆栈降噪自编码器（SDAE）和在线顺序极限学习机（OS-ELM）的刀具磨损状态智能识别方法。DOU J等[38]通过重构稀疏自动编码器（SAE）的监测信号来跟踪误差序列，自适应地提取振动信号的特征，在没有经验标签监督的情况下完成刀具磨损状态的在线自动识别，以监控铣削过程。

基于深度学习的刀具磨损智能监测方法对比见表1。

表1 基于深度学习的刀具磨损智能监测方法对比

4 结束语

深度学习作为智能状态监测的新方法，与传统的信号处理和浅层的机器学习模型相比，在自主学习数据的特征提取方面具有良好的特性。深度学习以其自适应特征提取的方式，省去了人为的特征提取与选择，并以非线性函数逼近的能力，避免了手动提取特征遗漏的问题，使得提取的特征信息敏感性更高、鲁棒性更好。通过逐层学习的方式，更容易从原数据中学习深层有用信息，提高了监测识别的精度。

随着工业物联网4.0对传统机械制造的影响越来越大，预计深度学习将在智能监测领域有更进一步的研究和发展。