基于CNC实时监测数据驱动方法的钛合金高速铣削刀具寿命预测

袁广超 鲍劲松 郑小虎 张 洁

东华大学机械工程学院，上海，201620

0 引言

高速加工技术已经在钛合金零件加工中广泛应用，但钛合金的高韧性和加工硬化特性又使得高速加工过程变得困难，刀具磨损快且加工质量难以保证。因此，实现加工过程中的刀具健康状态监控对实现制造车间的智能化水平具有重要意义。现有的数控机床基本都内置了电流传感器、加速度传感器及功率传感器等多种传感器，直接通过数控系统对刀具状态进行监测将会大大提高刀具监控的效率并降低成本。铣削加工中刀具磨损会导致切削力、加工振动等加工状态的变化，同时，机床主轴和驱动系统的转矩、电流、功率及负载等也会随之变化，最终影响工件的加工质量。

工业互联网技术的发展将快速提升制造车间的全面管控能力。借助信息化和数字化技术，通过集成、仿真、分析、控制等手段，实现制造设备之间上下文数据的互联互通及设备的实时管控与决策分析，是智能车间建设的核心。目前，车间内加工设备的品牌、型号往往不一致，尤其是数控系统、传感器不同，导致车间监控数据中存在大量的多源异构数据，它们难以通过单一的通信协议实现采集与监控，因此，实现不同设备间多源异构数据的统一是当前急需解决的问题。机床数控系统可获得的数据信息种类多、数量大，这些信息与刀具状态和加工质量呈现复杂的非线性关系。为了实现刀具状态与加工状态的准确监控，解决海量数据的过滤与梳理，建立一致化的车间数据存储传输模型是实现车间多源数据监控的先决条件。

OPC-UA协议因其便利的互操作性和安全性被广泛使用，奥地利的贝加莱工业自动化公司在Mappview技术中，通过OPC-UA实现了Web、移动技术对机器的访问，它可以基于Javascript、HTML5、CCS格式等实现对机器的访问[1]。TU等[2]在WCF技术的基础上，用OPC-UA的SDK开发了监控系统，缩短了开发时间，降低了成本。目前MTConnect还处于初始阶段，国内对其研究较少。国外很多公司和组织对MTConnect进行了大量研究和应用，如日本Mazak公司以MTConnect作为其生产车间公用数据格式，在柔性制造系统上安装了MTConnect设备监控系统，获取和分析了多台加工中心的实时性能数据，为车间管理员和机床操作工提供所需的数据和图像[3]。VIJAYARAGHAVAN等[4]将MTConnect应用在机床加工过程中，实时仿真了刀具运行轨迹和进给速率。波音、FANUC和美国NIST等公司采用OPC和MTConnect结合的方式，在OPC-UA统一地址空间内构建MTConnect数据模型,验证了MTConnect的可行性[5]。因此，将MTConnect协议作为连接不同设备信息的桥梁，采用OPC-UA实现机床数据的实时监测，进而实现车间海量异构数据的互联互通，将是一条有效的途径。

刀具破损和剩余使用寿命(remaining useful life，RUL)对预测加工过程的监控十分重要。视情维修(condition based maintenance，CBM)被广泛应用于刀具RUL预测。但CBM方法也存在缺陷,它很难实现刀具在连续监控过程中、不同工作条件下刀具RUL值预测[6]。在过去十年里，故障预测与健康管理(prognostics and health management，PHM)概念在很多领域内被广泛接受，它可以有效地延长产品生命周期并减少维护费用[7]。刀具剩余寿命预测是实现加工过程自适应优化的重要依据，尤其对于钛合金等难加工材料，加工过程中刀具磨损快，工件质量状态控制难度高。应用泰勒刀具寿命公式或经验模型预测刀具寿命是常见的方法，但是，这类模型只考虑刀具磨损中的确定性，而未考虑其他不确定的因素，并且确定模型中的参数还需大量试验。然而制造企业要求更高的生产效率，为达到企业级要求，快速实时预测非常重要。

BENKEDJOUH等[8]提出了一种基于非线性特征降维和支持向量机的刀具寿命预测方法，用来预测刀具磨损量和刀具剩余使用寿命。HUANG等[9]考虑超精密金刚石加工过程中刀具刃口半径的影响，建立了基于切削力的刀具磨损预测模型。KARAM等[10]利用多传感器融合技术，基于人工神经网络建立了在线识别系统，预测了高速旋转过程中刀具的剩余使用寿命。李锡文等[11]以铣刀后刀面磨损带面积作为衡量刀具磨损量的一个评价指标，利用多传感器信息融合技术，在线监测了铣刀后刀面磨损带宽度和磨损带面积，监测结果与实际测量结果基本吻合。目前的刀具状态监控仍依赖声发射传感器、力传感器等外加传感器，这会影响监控的实时性。目前大量的机床数控系统中已经融入了功率传感器、温度传感器等，可以实现机床工作状态的实时监控。所以，研究基于CNC系统与多传感器融合的监控方式是当前的发展方向。

本文介绍了一种用于预测高速铣削钛合金铣削刀具RUL数据的驱动模型，提出了一种刀具PHM系统，介绍了基于异常检测的RUL预测方法。在高速铣削试验中对机床数控系统中的主轴转速、主轴负载、进给轴负载等实时数据进行采集和处理，最终运用前馈神经网络(feed forward neural networks，FFNN)方法预测刀具RUL值，从而实现对刀具实时状态的预测。

1 加工过程的多维数据模型结构

1.1 基于OPC-UA与MTConnect的实时SCADA数据结构

为解决车间加工设备的多源异构问题，建立一种连接各设备的统一的通信桥梁是首要工作。OPC-UA技术是实现数控机床间数据交互的一个重要规范，统一的地址空间模型设计使得它可以描述高度复杂的数据模型，在现今的西门子和FANUC数控系统中已经广泛应用该技术。MTConnect是一个开放源文件，是一个免版税的通信协议，其系统由适配器、代理和客户端程序组成。适配器可以使现有的车间加工设备与MTConnect系统“对话”，而其代理程序连接器则能够将MTConnect系统的信息和数据文件，通过一个网络传送到与MTConnect系统兼容的应用程序之中。为了满足实际监控中对机床-刀具-在制品监控的需要，本文重新构建了符合MTConnect语义要求的数据模型，从OPC-UA获得的数据被分为三个数据集：铣削刀具、在制品(work-in-progress，WIP)及机床状态数据集，数据模型如图1所示。

图1 加工过程监测信息模型Fig.1 Process monitoring information model

在制品数据集主要包括工件材料和加工工艺，其中，加工工艺数据集包括刀具路径、NC加工代码以及工件加工质量、尺寸的检测信息。通过采集这些数据，能对在制品的加工状态及加工质量进行实时监控，同时能够为刀具的工作寿命和工作状态判断提供决策依据。在刀具数据集中，将重点放在刀具寿命预测相关的数据采集中，主要包括刀具管理信息(刀具号等)、刀具几何尺寸信息以及刀具状态信息。在机床数据集中，重点采集机床数据状态数据，主要包括各进给轴负载、机床温度、主轴负载、主轴转矩、加工参数及冷却液。另外，数据集还包括机床能耗状态、电流、功率信息等。采用实时SCADA数据结构进行智能车间内面向加工过程的大数据采集与分析，完成对刀具状态的判别。

1.2 刀具状态特征映射模型

要提高刀具状态预测模型的准确度，除了利用机床CNC系统的数据以外，适当采用成熟的刀具磨损经验预测模型，可以有效地提高预测准确性。为了对建立的预测模型进行训练和改进，适当地进行一些刀具磨损试验，将由离线检测获得的刀具磨损值以及刀刃微裂纹等失效状态判断得到的刀具健康状态结果与预测值进行比较，可以对预测模型进行修正。基于这一思想，本文在此基础上构建 “机床-刀具-在制品”复合映射模型。图2为加工过程的复合映射模型的框架图，

图2 加工过程复合映射模型Fig.2 Composite mapping model of process

该模型以数据驱动下的刀具RUL预测方法为主，同时考虑了刀具寿命物理模型预测结果与刀具磨损试验结果(刀具、工件健康状况)，从而达到复合映射的目的。

本文采用较为常用的刀具寿命预测经验公式：

(1)

其中，CT为一个与刀具材料和工件材料相关的刀具耐用度系数；vc为切削速度；f为进给速度；ap为切削深度；m、n和p分别为寿命指数，表示影响刀具寿命的程度。该模型表征了加工参数与刀具寿命之间的关系。本文在此基础上构建“机床-刀具-在制品”复合映射模型。

2 刀具健康状态诊断与管理

2.1 刀具健康状态诊断与管理系统框架

进行刀具磨损预测的重要目的是完成刀具健康状态的诊断与管理，进而控制工件的加工质量。如图3所示，针对高速钛合金铣削加工，其刀具的健康诊断与管理(PHM)系统可以分为3个阶段：数据采集、建立模型和数据分析交互。在数据采集阶段，从数控系统、刀具库获得的数据通过OPC-UA上传至上位机，机床在位测量系统及数控加工工艺信息等非实时数据存入数据库，通过数据融合、特征提取、特征选择等数据操作方法对数据进行过滤和降维处理。经过处理的数据进入数据建模阶段，通过采用主成分分析(PCA)、支持向量机(SVM)等方法对刀具状态进行评估与诊断，最终对刀具剩余寿命进行预测。当刀具更换或加工参数更改优化后，相应地，数据也会进行实时的交换更新。通过这一循环往复过程，最终实现数据驱动下的刀具RUL预测。

图3 刀具健康诊断与管理系统框架Fig.3 Tool health diagnosis and management system framework

2.2 基于PCA前置处理的FFNN刀具RUL预测模型

刀具寿命是指刀具针对某种工件具体加工形式下的剩余可用时间，刀具最终失效时间的判定是综合考虑在制品加工质量和刀具表面形态的结果。刀具不同RUL阶段的界限分割主要依据刀具的后刀面磨损值Vb、工件加工精度以及工件表面粗糙度。图4是RUL的含义图，本文将刀具RUL预测模型分为两种：

(1)基于刀具可用性的RUL预测模型,其RUL记为RUL_1。这种模型的目的在于预测刀具从刚出现轻微磨损到刀具完全失效所需时间。RUL_1的计算首先需要评估刀具当前健康状态，此阶段需要运用各种模式识别算法解决。其次是通过刀具状态的连续诊断结果预测刀具性能退化趋势，采用局部多项式回归拟合从正常磨损症状出现到当前时间刀具磨损的诊断结果，拟合曲线与刀具磨损失效阈值线的交点对应的时间和当前时间的差值即为RUL_1。

(2)基于加工质量判断的RUL预测模型，其RUL记为RUL_2。控制图(control chart)是对过程质量加以测定、记录，最终进行控制管理的一种用统计方法设计的图。产品加工质量的好坏可以通过比较周期抽取的样本点位置与控制图中质量中心线(central line，CL)、上控制限(upper control limit，UCL)和下控制限(lower control limit，LCL)的位置关系得出。控制图理论认为，描点落在UCL与LCL线以外部分属于极小概率事件，所以一旦出现就说明加工过程出现了异常,而刀具与工件在加工过程中又直接相关，故质量异常的来源可以认为是刀具失效(刀具磨损或破损)，当然不排除测量过程、工件夹具或环境等因素造成的异常。因此，本文采用控制图理论预测RUL_2，每隔一段时间测量一次工件的尺寸偏差，假设刀具磨损是一个渐进的过程，那么工件尺寸偏差应呈现出整体递增的趋势。利用除磨合阶段外的历史采样点尺寸偏差值进行局部多项式回归拟合，因为磨合阶段刀具的切削性能不稳定，导致工件尺寸偏差无明显单调递增趋势。拟合曲线与UCL限的交点对应的时间即认为是刀具磨损的失效阈值时间。当前时间到失效阈值时间的时间差作为RUL_2值。通常，RUL_2值比RUL_1值要小，刀具生命周期主要取决于较小的RUL值。

图4 RUL_1和RUL_2说明Fig.4 Meaning of RUL_1 and RUL_2

由于神经网络输入参数随着加工条件不同而不断变化，故需要采用一种快速的数据处理算法先对大量时频域特征进行降维和过滤处理，然后将降维过滤后的特征值作为神经网络的输入，输入层根据加工参数的不同，选取的特征参数不同。图5所示的FFNN模型，采用基于主成分分析的动态FFNN方法对刀具磨损状态进行预测。采用主成分分析方法动态找出对刀具磨损影响最大的6种特征值作为FFNN模型输入层。输出层是刀具磨损值，粗略分为3种状态：刀具磨合、正常磨损和急剧磨损。刀具磨损值的诊断结果直接影响刀具RUL的预测的准确性。

图5 基于PCA的动态FFNN刀具磨损预测模型Fig.5 Tool wear prediction model based on dynamic FFNN of PCA

3 试验过程与分析

3.1 试验过程

为了建立预测模型，通过搭建的试验采集平台对钛合金铣削过程实时监控，并对采集数据进行分析建模。钛合金铣削试验在DMG635V加工中心上进行。试验过程中实时采集机床数控系统数据，同时定期测量刀具磨损值，作为模型学习与校验依据。刀具磨损情况由Motic SMZ-168工具显微镜测得。试验参数列于表1中。图6为试验装置及测量工具照片，试验工件为钛合金块料，通过夹具固定在机床工作平台上。刀具每切削完成200 mm长度后测量一次刀具磨损并进行RUL预测，直至刀具完全破损为止。采用OPC-UA采样，频率为50 Hz，虽然采样频率较常规传感器采集频率低，但也能满足加工过程的预测需求。由于OPC-UA采样方式限制，特征提取阶段目前只提取采集数据项的时域特征。采集的信号由于存在干扰，故采用带通滤波方法对信号进行预处理，保证信号的可靠性。

表1 试验参数

图6 试验装置及测量工具Fig.6 Test equipment and measuring tools

3.2 数据通信架构

为实现上文中车间机床间多源异构数据的采集与分析，设计了图7所示的通信架构。首先采用MTConnect通信协议实现机床数据采集，建立OPC UA-MTConnect的适配器，实现多源数据的采集。通过车间以太网将监控数据传输至监控客户端，并显示在界面上。

图7 OPC-UA MTConnect通信架构Fig.7 OPC-UA MTConnect communication architecture

3.3 试验结果分析

图8所示为经过FFNN方法预测出的RUL_1值和RUL_2值与通过试验获得的刀具RUL结果。试验结果显示，随着加工过程的不断推进，采用基于主成分分析的动态FFNN方法的RUL预测值与实际RUL值逐渐趋于一致。因此，基于数据驱动方法的PHM方法可以实现刀具剩余寿命的预测及刀具健康状态监控。

图8 RUL_1和RUL_2预测结果与实际RULFig.8 Comparison between RUL_1 and RUL_2 predictions and actual RUL

4 结论

(1)针对车间多源异构数据采集分析难度高、数据结构不一致的问题，建立了“机床-刀具-在制品”监控数据模型，并在此基础上建立了基于OPC-UA MTConnect的通信架构，初步实现了多源异构数据的实时采集。

(2)为了适应多种不同加工环境下刀具磨损的准确诊断，通过在FFNN分析前采用PCA方法，对海量数据进行特征提取与降维。

(3)采用一种综合刀具健康状态及在制品加工质量的刀具剩余寿命预测方法进行试验，试验结果表明，此方法得出的RUL与测得的刀具真实RUL结果一致，证明本文的刀具剩余寿命预测方法完全可行。

[1] OPC UA——互联工厂方案[J].国内外机电一体化技术,2016(4):26-28.

OPC UA—Interconnected Plant Scheme[J]. International Mechatronics Technology,2016(4):26-28.

[2] TU N T T, QUYET T H. Development of an OPC UA SDK Based WCF Technology and Its Deployment for Environmental Monitoring Applications[C]//Context-Aware Systems and Applications: First International Conference.Ho Chi Minh City, 2012:347-356.

[3] 安东，王峰丽. 美国先进制造中心四大研究热点解析[J].金属加工(冷加工)，2015(4): 16-19.

AN Dong, WANG Fengli. Analysis of the Four Major Research Areas of the Advanced Manufacturing Center in America [J]. Metal Working,2015(4): 16-19.

[4] VIJAYARAGHAVAN A, HUET L, DORNFELD D A. Addressing Process Planning and Verification Issues with MTConnect[J]. Transactions of the North American Manufacturing Research Institution of SME, 2009, 37:557-564.

[5] MICHALOSKI J, LEE B, PROCTOR F, et al. Quantifying the Performance of MT-Connect in a Distributed Manufacturing Environment[J]. ASME International Design Engineering Technical Conferences & Computers & Information in Engineering Conference. San Diego,2009:533-539.

[6] JAVED K. A Robust & Reliable Data-driven Prognostics Approach Based on Extreme Learning Machine and Fuzzy Clustering[D]. Lyon :Universite de Franche-Comte, 2014.

[7] UCKUN S, KAI G, LUCAS P J F. Standardizing Research Methods for Prognostics[C]//International Conference on Prognostics & Health Management.Denver, 2008:1-10.

[8] BENKEDJOUH T, MEDJAHER K, ZERHOUNI N, et al. Health Assessment and Life Prediction of Cutting Tools Based on Support Vector Regression[J]. Journal of Intelligent Manufacturing,2015, 26(2): 213-223.

[9] HUANG P, LEE W B. Cutting Force Prediction for Ultra-precision Diamond Turning by Considering the Effect of Tool Edge Radius[J]. International Journal of Machine Tools and Manufacture,2016,109:1-7.

[10] KARAM S, CENTOBELLI P, D ADDONA D M, et al. Online Prediction of Cutting Tool Life in Turning via Cognitive Decision Making[J]. Procedia CIRP， 2016, 41: 927-932.

[11] 李锡文，杨明金，谢守勇，等.基于神经网络信息融合的铣刀磨损状态监测[J].农业机械学报,2007,38(7): 160-163.

LI Xiwen, YANG Mingjin, XIE Shouyong, et al. Wear Condition Monitoring of Helical Cutters Based on Neural Network Information Infusion Method[J].Transactions of the Chinese Society of Agricultural Machinery, 2007,38(7): 160-163.