刀具破損狀態的特徵提取及自動識別

刀具狀態監控是保證產品質量及加工系統可靠運行的關鍵技術之一。監測刀具破損的方法主要有切削力法、振動法、機床功率法和聲發射法等。切削力法由於在安裝測力裝置時常需要改變機床結構，不易為用戶所接受。與切削力法相比，機床功率法具有信號測量簡便，可以避免切削環境中切屑、油、振動等的干擾，監測裝置易於安裝的優點。研究表明：刀具破損時，擠壓在刀具和工件之間的斷裂碎片會導致切削力的增大，然後切削力又隨碎片的脫落減為零，當刀具再次接觸工件時，切削力又突然增加。但是筆者在試驗過程中發現，刀具破損時，作為切削力間接反映的電動機功率具有更多的變化形式，反映了刀具破損的隨機性。聲發射(AE)信號直接來源於切削區，具有頻率高、靈敏、響應快的特點，非常適合於刀具破損的監控。但是切削過程中的聲發射源很多，如材料的破裂、刀具破損、切屑折斷、切屑與工件的撞擊等，因此如何對聲發射信號進行有效的處理，從眾多聲發射信號中提取出對刀具破損敏感的特徵量是一個關鍵問題。

鑒於以上原因，本文綜合採用了機床功率法和聲發射法來實現刀具破損的監控。文中首先介紹了筆者提出的功率信號處理的延時方差，同時介紹了AE信號處理的時頻分析法，建立了刀具破損試驗系統，並採用上述方法對採集到的刀具破損信號進行處理，提取出反映刀具破損的特徵量，利用神經網路ART2實現了刀具破損的自動識別。

1 信號處理

延時方差法
刀具破損時，會引起機床功率信號發生變化。由於功率信號時域幅值變化具有不確定性，因此筆者提出了一種新的數據處理方法，稱之為延時方差法，來提取刀具破損的特徵量。
刀具在正常切削時，在一段很短的時間內，刀具的狀態可以認為保持不變，信號是平穩的。在計算信號方差時，首先計算正常切削時功率信號的均值，然後經一段時間的延時後計算功率信號的方差，即計算信號方差所用的信號均值是一段時間之前的功率信號均值。這樣處理的好處是，刀具破損后，如果用當前時刻的信號均值，則方差是刀具破損后信號的方差，雖然刀具破損后信號方差有增大的趨勢，但是相對來說增大的程度不是很顯著，而採用破損時功率信號對正常切削時功率信號均值的方差，就能更加明確地反映出刀具狀態的變化。以上就是延時方差法的基本思想，具體演算法如下：
1. 首先確定計算信號均值E和信號方差D的信號長度n和l，及均值對方差的延時長度d。
2. 設t時刻採集的功率信號為x(t)，在t=t+1時刻時，用以下的遞推公式計算新的信號均值E和方差D：
  
  E(t+1)=E(t)+ 1 x(t+1-d)-x(t+1-d-n)]
  
  n
  (1)
  
  D(t+1)=D(t)+ 1 [(x(t+1)-x(t+1-l)]×[x(t+1)+x(t+1-l)-2E(t+1)
  
  n
  (2)
3. 若D大幅度增大，則刀具發生了破損。
時頻分析法
切削過程中所發出的AE信號可分為連續型和突髮型兩類，突髮型AE信號的幅值常常又較連續型大出數倍甚至數十倍。產生突髮型信號的聲發射源較多，包括刀具破損、刀具內部微裂紋的擴展、切屑折斷、切屑和工件之間的撞擊等，因此僅僅從時域角度無法將由刀具破損發出的AE信號與其他AE源發出的信號區別開來。而以FFT為基礎的頻域分析方法的根本假設是AE信號是平穩的或是不變的信號，然而突髮型AE信號常與材料內部裂紋擴展、材料斷裂等密切相關，是一種非平穩信號，因此更合理的方法是從時域和頻域兩方面同時分析AE信號的變化情況。
本文採用由Cloi-Williams提出的指數分佈ED(ExponentialDistribution)。Cohen給出的時頻分佈的統一表達形式如下：

C_x(t, w, ~)= 1 ?e^j(xm-tw-xt)?(x, t)x(μ+ t )×x^*(μ- t )dμdtdx

2p 2 2
(3)
式中：x(μ)是時域信號；x^*(μ)是其復共軛；?(x, t)為核函數(kernal function)，給定不同的&216;(x, t)可以得到不同的時頻分佈。Cohen類分佈是雙線性分佈，在利用此類分佈進行時頻分析時，將不可避免地發生交叉項干涉問題。而由Cloi-Williams提出的指數核

?(x, t)=e^-x²t²/s (4)

很好地解決了這一問題。ED對交叉項的抑制是通過調整常數s的大小來實現的。在對AE信號進行時頻分析時所採用的s=1。

2 實驗

刀具破損試驗系統組成如圖1所示。採用J1-MAZAK530卧式車床，45號鋼棒料和可轉位硬質合金刀片(YT15)。如圖所示，功率變送器將電動機瞬時輸入功率轉換成電壓信號送入A/D採樣板，採用頻率為4kHz，採樣長度為8000點。AE壓電陶瓷感測器被緊固在刀桿上接近刀頭處，以拾取切削過程中發生的AE信號。AE信號經放大濾波後送入THS720型高速示波器，信號採樣頻率為2.5MHz，採樣長度為2500點。由於在正常切削條件下，刀具自然破損很難發生，為了加速刀具的破損，採用在工件中打入硬質點的方法來加速刀具的破損，硬質點選為高速鋼小鑽頭。為了獲取不同的刀具破損面積，分別取不同的轉速、切深和進給量進行試驗，採集了大量刀具破損時的功率信號和AE信號。

3 數據分析及結果

試驗結果表明，刀具破損時功率信號的變化具有一定的隨機性，在試驗中我們發現了4種情況(如圖2所示)：(a)刀具破損后，功率信號迅速增大，這可能是因為切削刃破損使前角減小引起的；(b)功率信號先上升隨即又下降的情況，這可能是由於刀具破損時破損的刀具碎片塞擠在刀具和工件之間引起功率上升，但隨即又脫落而引起功率下降；(c)功率信號迅速下降的情況，這有兩種可能的原因，一是刀具發生較大的破損，使切削深度有較大的減小從而引起功率減小，二是刀具發生前刀面或后刀面剝落，或前後刀面同時剝落引起有效切削前角和后角增大，從而引起消耗功率減小；(d)功率信號先下降後上升的情況，這可能是刀具破損的瞬間刀具處於空切狀態，使功率信號表現出在瞬間下降后又增大的現象。其中(a)所示的情況發生概率較高。

圖3是對應於圖2四種情況下採用延時方差法處理的結果，從圖中可以看出，刀具發生破損時，信號延時方差大幅度增加。因此用筆者提出的這種方法來監測刀具的破損是易於判斷的。功率信號的延時方差可以作為刀具破損的特徵量。

試驗過程中檢測到的四類典型AE信號，如圖4所示，其對應的時頻分布圖如圖5所示。從圖中可以明顯地看出4種信號時頻分佈的不同。時頻分佈較之時域或頻域分析提供了更多的用於判斷刀具狀態的信息，在頻域和時域上不能準確進行分類的4類信號，在時頻域有著良好的分類特徵。為了進行自動識別，以AE信號時頻分佈為依據按以下步驟提取特徵：

將時間和頻率規則化到統一的時間域T和頻率域F內。
將時域等距離分割為m個子域，每個子域範圍為?F=F/n，將頻域等距離分割為n個子域，每個子域範圍為?F=F/n，計算每個子時頻域為?T×?F內所具有的能量U_i,j，i=1，2，…，m；j=1，2，…，n。
由U_i,j構成m×n維矢量U，將矢量U進行歸一化處理：

U'={U'_i,j=U_i,j/max(U'_i,j)，i=1，2，…，m；j=1，2，…，n} (5)