摘要：為提高金屬微銑削過程中刀具磨損狀態在線監測系統的預測效率與精度，提出一種基于線性判別分析與改進型神經網絡模型識別刀具磨損的方法。該方法通過傳感器與數據采集系統采集微銑削過程振動信號，提取其時域和頻域特征并通過線性判別方法進行降維約簡。將降維后的特征輸入經灰狼優化改進的神經網絡模型，從而實現微銑刀磨損狀態特征的分類。結果表明，提出的微銑刀在線監測方法能夠準確識別微銑刀的各種磨損狀態。此外，和其它分類算法相比，提出的基于灰狼優化算法的BP神經網絡模型在分類精度和計算效率方面具有綜合優勢。這對實際生產過程中微銑刀的磨損狀態監測具有非常重要的實際意義。

　　關鍵詞：微銑削;刀具磨損;線性判別分析;神經網絡;灰狼優化

　　0引言

　　近年來，社會技術類型逐步傾向于精密化，尤其是一些重點領域[1]。這一要求帶動了微銑削加工技術[23]的發展。但是由于微銑刀尺寸急劇減小，且主軸轉速更快。微銑刀是更易磨損的。而刀具的磨損必然對加工工件的精度和質量造成影響。因此，對微銑削刀具的磨損進行監測是必要的。

　　當前的刀具磨損監測方法主要有直接測量法[4]和間接法[5]兩種。直接測量法，就是在切削加工平臺上安裝高速相機，從而達到拍攝刀具磨損圖像的目的，最后從圖像中就可以直接測量出刀具磨損量。但是在微銑削加工中，刀具尺寸急劇減小，主軸轉速很快，而且有切削碎屑以及冷卻液的影響，不利于高質量圖像的獲得。因此，為了解決直接測量法的缺陷，提出了間接法，該方法是基于信號處理技術與特征分類算法完成對刀具磨損的監測。

　　間接法首先采集與磨損狀態相關的信號，隨后進行時域分析[6]、頻域分析[7]和時頻域分析[8]，并提取特征量，再用分類模型對刀具磨損特征進行分類，實現刀具磨損狀態的在線監測。目前間接法常用信號有：聲發射信號[910]，它雖然攜帶了一定的刀具磨損信息，但是在加工過程中，必然存在著大量噪聲干擾信號;切削力信號[1112]，它同樣也攜帶了一定的刀具磨損信息。但是切削力受切削工況影響，一旦工況改變必然導致切削力改變，此時已經無法判斷切削力的改變是否由刀具磨損引起;振動信號[1314]，它就不存在上述問題，它是設備狀態信息的重要載體，其內蘊含大量與刀具磨損相關的信息。間接法提取出的特征量一般都是高維的，必然存在不相關的和冗余信息，對提取出的特征進行降維約簡是必要的。

　　因此，本文以振動信號為微銑刀磨損監測信號，并且通過線性判別分析[15](LinearDiscriminantAnalysis，DA)對提取出來的高維特征量進行降維約簡，獲取與微銑削刀具磨損息息相關的最優特征集。分類識別模型主要有近鄰(earestNeighbors，NN)[16]、決策樹(DecisionTrees，)[17]、支持向量機SupportVectorMachines，SVM)[18]和神經網絡[1920]，選擇出最優的特征分類方法對微銑刀磨損狀態分類識別至關重要。和其它分類算法相比，神經網絡由于結構簡單、易于實現，因此被廣泛使用。然而，它也有過擬合和局部最優問題的存在，主要是由于神經網絡的權值、閾值難以確定引起的。為了解決這個問題，提高神經網絡的分類精度，本文提出采用灰狼優化(GrayWolfOptimization，WO)[21]算法對神經網絡模型進行優化。

　　綜上所述，本文提出了一種基于DA與WOBP神經網絡模型的微銑刀磨損狀態在線監測方法。首先通過振動傳感器采集微銑刀磨損過程中的振動信號，對其進行時域、頻域分析，提取特征量。接著采用LDA將提取出的高維特征量進行降維約簡，得到與微銑刀磨損狀態密切相關的最優特征集。最后通過WOBP神經網絡模型實現微銑刀磨損狀態的分類識別。

　　1實驗原理及裝置結構

　　本文以微銑削刀具磨損狀態為研究對象，通過傳感器以及信號采集系統將微銑刀切削工件過程中所引起的振動信號進行采集。隨之對其進行分析處理，通過時域，頻域分析，提取特征向量。為了排除掉不相關的和冗余信息，需要對提取出的特征量進行降維約簡操作，選擇出與刀具磨損密切相關的最優特征集，使之后續的識別更加高效且準確。最后著重提出了將灰狼優化算法同神經網絡進行結合，使其用于微銑削刀具磨損狀態的識別中，對微銑刀磨損特征進行分類。

　　為驗證本文方法的有效性，將模具鋼NAK80在五軸加工中心HuronK2X5上進行一系列的切削實驗。在本實驗中，為了獲得更多的實驗數據進行后期的分析，一共選擇了把微銑刀進行模具鋼的切削實驗。該微銑刀是直徑為0.5mm、螺旋角為30°的硬質合金刀具，毛坯尺寸為：70cm50cm20cm。

　　2特征提取

　　雖然提取出的時域、頻域特征里包含了與微銑刀磨損相關的信息，但是這其中仍然存在大量的不相關和冗余信息。若是將這些特征直接輸入后續的識別模型，必然影響分類精度和效率。因此對提取出的特征進行降維約簡，提取出與微銑刀磨損類別息息相關的最優特征集是十分有必要的。本文選用線性判別分析(DA)對提取出的時域、頻域特征進行降維約簡。

　　3特征分類

　　本文將灰狼優化算法同神經網絡進行結合作為分類模型，將其用于微銑削刀具磨損特征的分類。神經網絡BP神經網絡是一種按誤差反向傳播算法訓練的多層前饋網絡，一般包括輸入層、隱含層和輸出層。和其它分類算法相比，神經網絡由于結構簡單、易于實現，因此被廣泛使用。

　　(1)對得出的訓練樣本進行歸一化操作，并且將歸一化處理的樣本數據作為識別模型的輸入。(2)從神經網絡的輸入層開始，進行各層神經元的輸出計算，并且此種計算是基于正向計算的。最終計算到輸出層。

　　(3)計算神經網絡的輸出層誤差，此輸出層誤差是基于期望輸出值計算出來的。除了此種處理，還要反向的計算各層誤差，一直到神經網絡的第二層才結束。(4)由上述的誤差大小，進行整個識別模型神經網絡權重這個重要參數的調整。此時四個步驟已經完成了神經網絡的基本算法流程，但是此時誤差不一定達到要求。如果達到要求則結束，不達到要求的話，則還要進行上述步驟的重復，直到滿足我們的要求為止。

　　4實驗結果與分析

　　在微銑刀切削模具鋼實驗中，一開始將刀具磨損分成五種類別。在不同類別下分別對模具鋼進行切削，全程采集振動信號，并每隔3min，停機，拆下刀具，通過影像儀觀察刀具切削部位的圖像。通過影像儀觀察得知，在第種磨損等級下，刀具磨損程度過深，已經完全不能用于加工工件了，且在第1種磨損等級下，微銑刀的磨損已經達到重度磨損了。因此對第種等級的磨損研究毫無意義。所以本文將微銑刀磨損狀態分為個級別：初始磨損狀態，輕度磨損狀態，中度磨損狀態和重度磨損狀態。

　　機械論文投稿刊物：工具技術(月刊)創刊于1964年，是成都工具研究所主辦的切削與測量工程綜合性技術刊物，本刊已被國內外有關機構認定為中文核心期刊、中國科技論文統計用刊、中國學術期刊(光盤版)入編期刊等，并多次榮獲四川省和機械工業部優秀科技期刊獎。

　　5結束語

　　基于微銑削振動信號，本文提出了基于LDA和WOBP神經網絡模型的微銑刀磨損在線監測方法。經過驗證，提出的微銑刀在線監測方法能夠準確識別微銑刀的各種磨損狀態。此外，將計算結果與其它分類算法進行了對比，同時分析了對時域、頻域提取出的特征值進行降維約簡的必要性。結果表明，本文提出的微銑刀磨損在線監測方法在分類精度和計算時間方面具有綜合優勢，對實際生產過程中微銑刀的磨損狀態監測具有非常重要的實際意義。

　　參考文獻

　　[1]于化東.超精密微機械制造技術研究進展[J].長春理工大學學報自然科學版),2008,31(3):18.

　　[2]李迎.微銑削加工技術研究現狀及發展趨勢[J].電子機械工程,2008(06):2632.

　　[3]劉戰強,雷原忠.微切削加工技術[J].工具技術,2006,40(3):2834.

　　[4]胡蔦慶,陳徽鵬,程哲,等.基于經驗模態分解和深度卷積神經網絡的行星齒輪箱故障診斷方法[J].機械工程學報,2019,55(7)18.

　　[5]王巖,羅倩,鄧輝.基于變分貝葉斯的軸承故障診斷方法[J].計算機科學,2019,46(11):323327.

　　作者：潘春龍，王二化，張屹