基于BP神经网络的数控机床刀具磨损状态识别方法
何一千，黄民，孙巍伟
（北京信息科技大学机电工程学院，北京100192）
摘要：为了提高三相电流信号监测刀具磨损状态的可靠性，提出了一种基于BP神经网络的数控机床刀具磨损状态识别方法。首先对采集得到的三相电流信号进行时域、频域和小波分析，从中提取出与刀具磨损程度相关性较好的多个特征量，组合成敏感特征向量，然后搭建BP神经网络，建立三相电流信号特征向量与刀具磨损状态之间的联系。最后，用经过训练后的BP神经网络识别多组未知样本的刀具磨损状态。实验结果表明，该方法能够准确判定刀具的磨损状态。
关键词：三相电流信号；BP神经网络；刀具磨损；状态识别
中图分类号：TG71文献标识码：B DOI：10.16621/jki.issn1001-0599.2019.09.15
0引言
在数控机床切削加工的过程中，刀具的磨损是不可避免的。刀具的磨损直接导致切削力的增大、切削温度的上升、工件表面粗糙度增大，严重时甚至会影响整个加工系统的正常运行，造成不可估量的损失[1]。目
前，刀具的磨损状态主要通过停机卸刀后，依靠工人的观察和经验来判断刀具的磨损程度，这严重影响了数控加工的整个自动化过程，且大大降低了生产效率。因此对刀具的磨损状态进行在线监测，及时有效地识别刀具的磨损状态十分重要。
目前，在刀具状态监测这一领域经过各国学者的研究和探索总结出很多方法。例如通过测量切削力、主机电流、光学图像、振动分析等多种方法都可以有效地监测刀具的磨损状态，总结起来可以分为直接监测和间接监测两大类[2]。直接监测不能在线监测，如光学法、电阻法等直接检测方法需要停机获取刀具的磨损参数，所以在自动化系统中一般不予采用[3]。间接监测虽然能够在线监测，但是如切削力信号检测法、振动检测法等大多数监测方法的传感器安装会影响到加工进程。
综合考虑多种原因，通过电流信号在线监测是一种比较好的监测方法，目前有很多研究均是监测机床主轴或者进给电机的电流信号。其主要原理是当刀具出现磨损或破损时，由于切削力增大，造成切削功率随之增加，使得机床主轴电机的负载功率变大[4]。而电机的功率又和电流相关，因此刀具状态的监测可以间接由测量主轴电机电流变化来实现。因为机床的输入三相电流与主轴电机和进给电机电流都具有较高的相关性[5]。因此，采用机床的输入三相电流来监测刀具的磨损状态。
对采集得到的三相电流监测信号，还需要进行信号分析处理，提取出能够明显反映刀具磨损状态变化的特征，即提取特征值。信号的特征提取非常关键，直接影响到能否对样本有效的模式识别和状态分类。
本文通过时域分析、频域分析和小波分析等多种信号分析技术，从三相电流信号中提取出敏感特征向量。得到的敏感特征向量不能直接反映刀具的磨损状态，需要利用模式识别技术，建立刀具磨损状态与敏感特征向量之间的映射。
人工神经网络是近年来渐渐兴起的一项技术，它仿照人类大脑的神经网络搭建出一种数学模型，通过不断的训练，使这个模型具有分类的功能，其中BP（Back Propagation，反向传播）神经网络是目前应用最广泛的一种人工神经网络[6-7]。在对机床输入三相电流信号进行信号分析的基础上，利用BP神经网络来预测识别刀具的磨损状态，以此作为一种更有效、更精确的监测出刀具的磨损状态识别的方法。
1实验设计及监测信号采集
本次切削实验在VMC850立式加工中心上进行，这类机床的特点是装卡十分方便，操作简单，调试程序容易，并且易于观察加工情况，应用十分广泛。刀具选用四齿硬质合金平铣刀，这种刀具硬度高，切削力强，也十分常用。
以刀具后刀面的磨损值V B作为刀具的磨损量，根据刀具磨损失效标准，当刀具的磨损值超过0.2mm时即为严重磨损，此时就不能再继续使用。于是设定正常磨损的V B为小于0.1mm，中期磨损的V B为0.1~0.2mm，严重磨损的V B为大于0.2mm。
待加工的工件尺寸为160mm伊65mm伊40mm，材料为45#钢。具体的切削参数如下：立式加工中心的主轴的转速设定为4000r/min，进给速度设
定为1000r/min，背吃刀
量设定为1mm，侧吃刀
量设定为5mm。传感器
选用的是开环霍尔电流
传感器，传感器的采样
频率设置为4096Hz。图
1为电流传感器的安装
现场。
选用一把新刀，利用
其进行铣削加工，将其从
新刀一直加工到严重磨
损为止。采集这整个过程
中的三相电流信号。图2
为一个采样周期的U相、
V相和W
相的电流信号。图1电流传感器的安装现场
2信号分析和敏感特征提取
从采集到的三相电流信号中，截取刀具不同磨损程度时的
三相电流信号，作为特征向量提取的样本数据。总共截取252段三相电流信号作为样本数据，每组数据包含4096个采样点。
首先对每组样本数据进行时域分析，分别计算其均值、均方根值、方差、峭度、峰值、峰值因子、波形因子、脉冲因子、裕度因子等时域上的特征值。图3为W 相电流信号方差的变化曲线。
然后对每组样本数据进行频域分析。由于采集的三相电流信号属于随机信号，不具有可积条件，不能直接进行傅里叶变换，所以对随机信号做频域分析时一般只分析其功率谱密度。
刀具处于不同磨损阶段时，某些特定频率上的功率谱密度的幅值有所变化。为了方便比较，将整个功率谱密度平均划分成4段，分别为1~512Hz 、513~1024Hz 、1025~1536Hz 和1537~2048Hz 四个子频率段，分别计算每个子频率段的均值，就能得
到4个频域特征量。图4为U 相电流信号功率谱密度1~512Hz 频率段的均值。
最后通过小波分析三相电流信号。在信号分析方面，小波分析是目前应用较多的分析方法。小波分析的变焦特性，使小波分
析不论在时域还是频域都具有显示局部特征的能力。此外其窗函数大小不变，而形状可变的特点使其具有多分辨分析的能力。在对复杂信号以及非平稳信号中微弱的故障信息进行研究时，小波分析具有十分突出的优势。
首先，对三相电流信号采用db1小波基三层分解重构，从而
得到三层细节信号（D1，D2，D3）和逼近信号（A3）。图5为某一个U 相电流信号的样本经过db1小波基分解重构。
图5中，逼近信号A3主要反映信号的宏观变化趋势，各层细节信号（D1，D2，D3）
中包含有原始信号中的细节信息。在对三相电流信号的每组样本数据进行小波分解后，同样对三层细节信号（D1，D2，D3）和逼近信号（A3）进行同时域分析一样的计算
处理，得到各层信号的均值、均方根值和方差等特征值。图6是
W 相电流信号经过小波分解得到的细节信号D3的方差变化曲
线。
通过信号分析总共获得了三相电流信号的75种特征量，但这些特征量并不都与刀具的磨损状态有关，需要从这些特征量中提取出同刀具磨损状态相关联的特征量。为了能够从中筛选出有用的特征量，将每种特征量与刀具磨损量进行相关性分析，
籽xy =cov （x ，y ）[var （x ）var （y ）]1/2。其中，x 为某种特征量，y 为刀具的磨损量。根据特征量相关性分析后得到的结果，选取其中相关性较强的特征量，分别是U 相电流信号的均方根值、U 相电流信号
小波分解后的逼近信号A3的均方根值、
U 相电流信号小波分解后的细节信号D3的均方根值、
U 相电流信号小波分解后的逼近信号A3的方差、W 相电流信号小波分解后的细节信号D3的均方根值这5个特征量，
将这些特征量组合成敏感特征向量，
图2
三相电流信号
图3W
相电流信号方差的变化曲线
图4U 相电流信号功率谱密度（1~512Hz 段的均值
）图5U 相电流信号db1
小波基分解重构
图6三相电流信号细节信号D3的方差变化曲线
刀具磨损状态网络输出正常磨损[100]中度磨损[010]严重磨损
[001]
表1刀具磨损状态与网络输出关系
序号实际状态网络识别输出结果1正常磨损[0.99980.00090.0008]正确2正常磨损[0.99950.00160.0009]正确3正常磨损[0.99970.00100.0008]正确4正常磨损[0.99910.00230.0009]正确5正常磨损[0.99690.00360.0012]正确6中度磨损[0.00050.99140.0089]正确7中度磨损[0.00030.97240.0337]正确8中度磨损[0.00040.99530.0055]正确9
中度磨损[0.00050.98940.0101]正确10中度磨损[0.00050.99750.0027]正确11严重磨损[0.00010.00110.9986]正确12严重磨损[0.00030.00080.9979]正确13严重磨损[0.00000.00190.9989]正确14严重磨损[0.00000.00190.9989]正确15严重磨损
[0.00000.00180.9988]
正确
该特征向量作为后续模式识别的输入参数。3基于BP 神经网络的模式识别
近些年，人工神经网络逐渐应用于刀具状态监测方面，本项目利用BP 神经网络模型，对刀具的磨损状态进行识别。对于刀具磨损状态识别来说，将刀具加工过程中的监测信号特征作为人工神经网络模型的输入，预期输出则是刀具的真实磨损状态，而经过模型得到的输出则是神经网络预测的刀具磨损状态。
正则化损伤识别matlab3.1
网络构建
利用Matlab 构建BP 神经网络模型，由于只包括一个隐含
层的BP 神经网络可以实现任何连续函数，因此选择带单隐含层的3层神经网络结构。
经过上面信号分析和特征提取后，将由5个特征量组成的敏感特征向量作为神经网络的样本输入。因此，神经网络的输入层有5个节点。神经网络的输出为刀具的磨损状态，分别是正差磨损、中度磨损和严重磨损3个阶段，所以输出层有3个节点，刀具磨损状态对应的输出关系如表1所示。
隐含层节点数的确定十分关键，其节点个数不同会影响到神经网络的训练精度和收敛速度。当隐含层节点数过少，降低
样本识别能力，容错性差；节点数过多又会延长网络训练时间，泛化能力较差。确定隐含层节点数通常根据l =n+m 姨+a 。其中，l 为隐含层节点数；
n 为输入节点数；m 为输出节点数；a 为1~10的调节常数。
为了提高网络的训练速度，选择L-M 算法作为网络的学习
算法。L-M 算法的特点是收敛速度快且识别误差小的。隐含层的传递函数选用tansig 函数，输出层的传递函数选用Logsig 函数。
3.2
训练网络
网络模型构建完成后，从数据样本中划分出用于训练网络
模型的训练样本和测试网络模型的识别准确率的测试样本。首先，分别选择50组刀具处于正常磨损、中度磨损和严重磨损3个阶段的特征向量，共150组数据样本用于训练神经网络。由于每种特征的计算单位不同，为了保证每种特征获得同等的权重，对训练样本进行归一化处理。设置最大训练次数为
1000，学习率取为0.001，训练误差为0.0001。网络训练结果如
图7所示，由图可知，网络在训练7次之后，训练误差小于目标训练误差。
3.3
刀具磨损状态识别
神经网络训练完成后，选择样本识别刀具的磨损状态。选
择提供给神经网络识别的测试样本，同样分别选择5组刀具处于正常磨损、中度磨损和严重磨损3个阶段的特征向量，共15组数据样本用于网络测试，同样进行归一化处理。神经网络识别的结果如表2所示。
从表2可以看出，神经网络的识别结果与刀具真实的磨损状态完全一致，可以肯定基于BP 神经网络的状态识别方法能够准确有效的识别判断出刀具的磨损状态。
4结束语
根据实际的加工情况，选择数控机床的输入三相电流信号作为刀具磨损状态识别的监测信号。接着将采集的三相电流信
号数据进行时域、频域和小波分析等，从中提取出了与刀具磨损程度相关性较好的敏感特征向量。构建BP 神经网络，利用训练样本训练网络，利用测试样本检验训练后神经网络的识别准确度，根据实验识别结果可以表明，基于BP 神经网络的数控机床刀具磨损状态识别方法能够准确地识别出刀具的磨损状态。
基金项目：北京市自然科学基金京津冀基础研究合作专项（J170004）；北京市教委科研项目（KM201811232001）；北京市属高校高水平创新团队建设计划项目（IDHT20180513）。
参考文献
［1］李祝庆.加工前的误差对加工精度的影响分析与研究［J ］
.教育界，2014（33）：
134.［2］王超厚.基于软测量技术的刀具磨损在线检测系统研究［D ］.南昌：
南昌大学，
2008.表2神经网络识别结果
图7网络训练结果
［3］董嵩松，梁宏斌.五轴铣削加工刀具磨损状态监测研究［J］.组合机床与自动化加工技术，2013（8）：69-72.
［4］王军政，王信义.监测机床主电机电流判断刀具磨损和破损［J］.新技术新工艺，1990（6）：21.
［5］李康，黄民.基于变频器输入电流的刀具磨损状态监测系统设计与实现［J］.组合机床与自动化加工技术，2017（6）：90-96.［6］朱云芳.基于小波神经网络的刀具故障诊断［D］.成都：西南交通大学，2005.
［7］库祥臣.基于小波包和BP神经网络的刀具磨损状态识别［J］.现代制造工程，2014（12）：68-72.
〔编辑吴建卿〕
铝制缸套湿式离合器极限滑摩转矩测试研究
宿博康，唐长亮，王立勇，
（北京信息科技大学现代测控技术教育部重点实验室，北京100192）
摘要：为适应新一代装甲车辆对减重和变速箱功率密度提升的要求，通过抱死制动状态下双副双钢片与双副单钢片两种安装方式，对一种铝合金材料缸套离合器进行滑摩转矩测试。结果表明，铝质缸套离合器在极限滑摩转矩条件下强度满足要求，未出现明显磨损；抱死制动状态下双副双钢片安装测得峰值滑摩转矩为2263.80N·m，双副单钢片安装测得峰值滑摩转矩为2371.4N·m，满足实际使用要求；极限测试时，出现联轴器断裂、钢片烧蚀翘曲等现象。
关键词：湿式离合器；铝制缸套；极限滑摩转矩
中图分类号：U463.211文献标识码：B DOI：10.16621/jki.issn1001-0599.2019.09.16
0引言
湿式离合器具有结构紧凑、冷却效果好、可以承受较大功
率和扭矩等特点，广泛应用于履带车辆的传动系统中。湿式离
合器是装甲车辆动力换挡的关键部件，随着传动系统转速和
功率密度的提高，现有湿式离合器经常由于过载而发生打滑
现象导致摩擦副过度磨损、局部烧损、钢片翘曲等问题而失
效，成为车辆传动系统的易损件之一[1]。现有的湿式离合器采
用合金钢材料，在战车高机动性的要求下，采用轻质高强结构
设计的紧迫性日益增强。为适应新一代装甲车辆对减重和变
速箱功率密度提升的要求，寻一种新型材料的缸套具有工程价值。
本项目研究了一种新型铝合金材料离合器缸套，搭建了离合器摩擦转矩测试台架，并且对铝合金缸套离合器包箱进行滑摩转矩测试，主要研究了抱死制动状态下双副双钢片与双副单钢片两种安装条件下的离合器进行负载测试，以检验铝制离合器缸套是否达到车用离合器所规定的产品状态和主要性能，为以后的研究提供试验依据。
1湿式离合器摩擦转矩测试试验台
湿式离合器摩擦转矩测试台架主要由动力装置（变频电机）、被试离合器包箱、液压系统（泵站、控制及润滑油路），测试系统（压力、转速、转矩传感器等）以及计算机数据采集系统这五部分组成（图1）。
本试验台采用的是SIEMENS235kW变频调速电机，其最高输出转速为4500r/min，额定转矩为1500N·m，恒转矩区所对应的转速范围为0~1500r/min。被试离合器包箱中的离合器缸套采用了航空铝合金材料，包箱内部如图2所示。控制用油和润滑用油均由一个移
动式液压泵站提供，该
泵站可提供双路液压
系统，实验中使用一路
液压油作为控制油路，
负责提供离合器接合
时所需要的接合油压，
另外一路作为润滑油
路，负责给离合器摩擦
副和包箱内轴承提供
润滑冷却（图3）。泵站供给的润滑油压力和控制油压力如下：润滑油压0~0.3MPa，流量6~15L/min；控制油压0~1.6MPa。
在测试过程中，主要监测电机输出功率和扭矩值，数据采集设备采用FTIS公司的齿盘式扭矩仪，扭矩仪额定测量范围0~
2000N·m，最高可测转速为12000r/min（图4）。为了满足多路采集信号的需求，本次试验基于PLC技术开发了实时数据采集系统，
主要采集电机的输出功率和扭矩。
图1湿式离合器摩擦转矩测试台结构
图2湿式离合器包箱内部

版权声明：本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198，我们将在24小时内删除。