【摘 要】針對當前刀具狀態監測報警技術是建立在靜態報警基礎上的問題，本文提出了刀具狀態動態報警線的構建方法。采用聲發射傳感器、凌華科技PCI-9846高速數字化儀、LabVIEW構成數據采集系統，應用小波包分析提取刀具磨損狀態的特征向量，利用概率神經網絡構建刀具運行狀態模型，根據歷史數據確定報警值并設置報警線，使得刀具磨損狀態監測報警線能夠隨設備實際運行情況作自適應調整。實驗結果表明，該方法建立了刀具壽命與實際運行狀態之間的聯系，為刀具磨損狀態監測提供了新思路，具有重要的理論意義和應用價值。

1引言

刀具狀態監測系統是數控加工過程中保證產品質量、減少設備故障的重要手段,已成為現代數控機床的必要組成部分。當前的刀具狀態監測報警技術是建立在靜態報警的基礎上，一旦發現參數超越閾值，就立即報警或采取相應的措施。這種固定的報警技術沒有考慮機床的實際運行條件和現場工況，易出現誤報、漏報等。事實上，刀具狀態與工作條件、工作時間、功率、速度等實際情況密切相關的。隨著刀具磨損狀態的變化，合理的報警指標應該是隨之變化的，形成一條客觀反映刀具動態磨損閾值變化的曲線才真正滿足實際的需要。

針對上述問題，本文采用自我辨識的思路，采用聲發射傳感器、凌華科技PCI-9846高速數字化儀、LabVIEW構成數據采集系統采集刀具磨損信號，利用小波包分解提取刀具磨損狀態的特征向量，基于由特征向量組成的動態歷史數據，使用概率神經網絡自學習構建刀具磨損狀態的概率模型。該模型隨刀具磨損情況調整其分布模型，動態描述刀具磨損狀態的變化規律，依托模型，研究刀具磨損狀態的動態評判規則，構建刀具破損的閾值，形成刀具磨損狀態的自適應報警線。

2數控機床刀具狀態監測數據采集系統

2.1 傳感器的選擇

在線監測首先要解決傳感器的問題：常規的現代無損檢測技術如振動、超聲波、工業CT、磁粉檢測都是針對離線檢測，適合與離線缺陷的存在檢測，但是不適合與缺點的增長、活動過程監測。而聲發射技術適合于在線狀態監測，可以跟蹤缺點的動態狀態增長、活動過程監測，能探測到在外加結構應力下這些缺陷的活動情況，工業選用聲發射傳感器的優勢在于其頻率范圍遠遠高于機械振動和噪聲的頻率范圍，易于獲得無干擾的信號。因此項目中選用Kistler的壓電陶瓷聲發射傳感器（型號：8152B），頻率范圍：50~400kHz，諧振頻率150kHz。

2.2 測試系統的選擇和研制

聲發射傳感器的頻率范圍為：50~400kHz，根據乃奎斯特定理分析知采樣系統的頻率應在1MHz以上。現有的聲發射專用數據采集系統一方面價格昂貴，另一方面無法集成到數控系統中，因此本項目中選用凌華科技PCI-9846高速數字化儀作為數據采集系統。凌華科技PCI-9846是一款4通道16位40MS/s采樣率的高速數字化儀，提供高精度、低噪音及高動態范圍性能，高密度且高精準度，應用領域廣泛，例如：中頻信號（IFSignal）、雷達應用、光達應用、超音波顯像以及非破壞性檢測，可以完全滿足聲發射測試系統的要求。上位機程序選用NI公司的LabVIEW軟件開發。

3 小波包分解及其頻帶能量

3.1小波包分解

傅里葉變化頻譜分析只考慮正弦信號的能量，適合于平穩信號分析。而設備故障特征信號往往是非平穩非線性的，不能用簡單的正弦分量來表示。小波包分析是從小波分析延伸出來的一種對信號進行更加細致的分解和重構的方法，將包括正弦信號在內的任意信號劃分到相應的頻帶里，適用于非平穩信號分析。

設原始信號為，令，則小波包分解的定義如下：

和為兩尺度序列，，即兩系數也具有正交性。

由式⑴、⑵定義的稱為由基函數確定的正交小波包。當時，和分別為尺度函數和小波基函數。

定義空間

小波包分解可以將任一尺度為的小波空間,分解為如下任意正交子空間組合

3.2小波包頻段能量

由定理可知，時域計算信號的能量與頻域計算能量是一致的。設原始信號數據長度為N，則分解頻段中離散信號的數據長度減為  ，它的能量可以表示為：

其中k為分解次數；，為分解頻帶的位置序號。將能量歸一化，選取分解信號相對能量最大的為特征頻段。

4自適應報警技術

自適應報警技術是設備狀態監測領域涉及設備運行狀態等級劃分和報警閾值動態設定的新技術，其依據設備自身動態運行數據構建概率模型，建立有明確工程意義的狀態劃分，實現報警閾值的動態自適應設置和調整。自適應報警技術主要用于解決設備狀態監測中不同設備的個性問題。

4.1基于概率神經網絡模型的自適應報警技術的理論基礎

在設備狀態從正常→異常→故障的演變過程中，所采集的歷史數據必然包括大量正常數據、極少數異常狀態的數據和少量故障狀態的數據。由概率統計可知，歷史數據以很大的概率處于正常狀態，而以較小的概率處于故障狀態，在兩種狀態之前是極小的概率處于異常狀態。由此可看出，歷史數據的概率分布與設備運行狀態具有很好的對應關系，從而為概率神經網絡應用于設備狀態分析提供了理論基礎。

4.2自適應報警技術的具體實施方式

基于概率神經網絡的自適應報警技術整個實施步驟的流程圖如圖1所示。

Figure 1.Adaptive alarm technology flow chart
圖1.自適應報警技術流程圖

具體實施步驟如下：

  1． 獲取設備運行的歷史數據。通過傳感器獲取反映設備狀態的某一監測物理量。

  2． 根據改進概率神經網絡的原理及網絡結構，建立設備狀態概率模型。

  3． 對設備運行歷史數據進行預處理，主要過程包括：歸一化處理、相同數據的處理、數據量偏小時構建樣本層、數據量過多時優化網絡結構。

  4． 構建設備狀態概率模型。該模型客觀地描述設備的運行狀態及其歷史數據的分布范圍。

  5． 根據概率統計理論，確定各個狀態的報警閾值。確定準則是3倍平滑因子處的值作為當前范圍的邊界，此邊界也即作為該狀態下的報警閾值。

  6． 建立設備狀態的自適應報警線。每增加一組歷史數據，重復第2~6，即可建立動態自適應報警線。

5小波包分析和自適應報警技術在刀具狀態監測中的應用

5.1基于小波包分析的磨損特征向量提取

刀具磨損的聲發射信號具有非平穩性，而且小波包分析能將包括正弦信號在內的任意信號劃歸到相應的頻帶內，用每個頻帶內信號的能量比例的變化區分機械設備的狀態，因此選用小波包分解可以有效的提取表現刀具狀態量的特征向量。

5.2自適應報警技術在刀具狀態監測中的應用

由前言部分知，建立反映刀具動態磨損閾值變化的曲線具有很大的必要性。而且，在刀具磨損的狀態演變過程中，所采集的歷史數據包括大量正常磨損狀態的數據、極少數初期磨損狀態的數據和少量嚴重磨損或者破損狀態的數據。符合設備狀態的統計分析，為自適應報警技術在刀具狀態監測中的應用提供了理論依據。圖2是基于小波包和概率神經網絡的刀具破損自適應報警技術的總流程圖。

Figure 2. The total flow chart of tool breakage adaptive alarm technology
圖2.刀具破損自適應報警技術總流程圖

6 試驗研究

6.1刀具狀態監測試驗系統

刀具狀態監測試驗條件如表1所示。

刀具狀態信號的測試系統由傳感器、信號調理模塊和測試儀器組成的。試驗選用Kistler的壓電陶瓷聲發射傳感器（型號：8152B），頻率范圍：50~400kHz，諧振頻率150kHz。選用聲發射傳感器的優勢在于其頻率范圍遠遠高于機械振動和噪聲的頻率范圍，易于獲得無干擾的信號。采用凌華科技PCI-9846高速數字化儀、LabVIEW構成數據采集系統。

Table 1.Tool condition monitoring test conditions
表1刀具狀態監測試驗條件

在加工過程中，聲發射傳感器固定在刀桿接近刀頭處，為了消除AE波在越過界面的能量損失，刀桿和AE傳感器接觸表面均用金相砂紙研磨過，采用黃油作耦合劑。測試儀器是由作者基于虛擬儀器和凌華科技PCI-9846高速數字化儀研發的聲發射信號采集儀，采樣頻率，采集及后續分析框圖如圖3所示。

Figure 3. Block diagram of acquisition system
圖3.采集系統框圖

在實驗過程中，采用光學顯微鏡（KEYENCE光學顯微鏡，型號 VHX-6000）觀測刀具的磨損量。光鏡的最大放大倍數為5000倍，精確度達到，通過顯微鏡測出刀具的磨損量如圖4所示。（圖中黑色為刀具主體，灰色為磨損部分）

Figure 4. Tool wear figure
圖4 .刀具磨損圖

為找出最佳水平組合，使得指標最優，因此可采用正交試驗設計研究因子處于不同水平下信號特征的統計規律，找出影響特征變化的最大因子。

6.2刀具磨損特征向量提取

本文利用Db14小波對采集的聲發射進行3層小波包分解，得到8個頻帶的小波包變化系數。圖5為8個頻帶的能量數據從初期磨損到嚴重磨損的曲線，發現能量主要集中在第一、四頻帶，且這兩個頻帶隨著刀具磨損的加劇，能量也呈上升趨勢。

Figure 5. Energy distribution of tool wear in different frequency bands
圖5.不同頻帶刀具磨損能量圖

針對刀具磨損的不同狀態，對采集的聲發射信號進行頻譜分析。如圖6所示發現，隨著刀具磨損量的增加，不同頻段的信號能量都有增加，但增加程度不同。聲發射信號能量主要集中在50kHz-120kHz以及180kHz-360kHz，并且在該頻帶下，能量隨刀具磨損量增加而增加。驗證了小波包分解的結果。

Figure 6. Spectrum analysis of acoustic emission signals
圖6.聲發射信號頻譜分析

6.3自適應報警線

將預處理后的特征頻段信號的均方根值送入概率神經網絡，經概率神經網絡構建出刀具狀態概率模型，同時確定報警閾值。

實驗獲得的刀具磨損試驗自適應報警線如圖7所示。當刀具一直平穩切削時，所確定的報警線指明了設備正常運行的范圍，當刀具出現磨損直至破損時，由于歷史數據中已經包括了刀具磨破損的數據，就能夠確定出刀具磨破損狀態的報警線。如果監測值超出報警線（圖中磨損量0.45mm為界），則說明刀具處于嚴重磨損或者破損階段（報警線與實踐觀察刀具磨損臨界狀態吻合），立即停機檢查并換刀。

實驗結果，所繪制的報警線與實際刀具運行狀態具有很好的一致性，準確的反映了刀具磨損的實際運行情況。

Figure 7. Adaptive alarm line of tool wear test
圖7.刀具磨損試驗自適應報警線

7結論

本文應用凌華科技PCI-9846高速數字化儀在數控機床刀具破損自適應報警中。提出了一種基于小波包分析和概率神經網絡相結合的刀具磨損狀態的自適應報警技術。利用小波包分析有效地提取刀具聲發射的特征向量?；诟怕噬窠浘W絡構建設備運行狀態模型，根據歷史數據確定報警值并形成隨設備運行而作自適應調整的動態報警線。該方法建立了刀具壽命與實際運行狀態之間的聯系。而且由于考慮了刀具實際情況和現場的工作情況，使得刀具狀態監測更具有實際的意義。實驗結果證明，基于小波包技術和概率神經網絡的刀具狀態自適應報警技術是可靠的，可以準確識別刀具磨損情況。