摘要: 针对FMS的零件加工过程，基于刀具的破损机理，分析了刀具小面积破损及刀具大面积破损情况下切削力及电机电流的变化规律，并建立了加工状态监测的实验系统。基于神经网络理论，建立了基于BP网络的加工状态识别系统理论模型，实验证明，该监测方案及建立的理论模型是正确的。

　　关键字: FMS;加工状态;监测

　　中图分类号：TH 165.2 文件标识码：A

　　0前言

　　FMS刀具的状态直接关系到加工工件的质量，由于FMS加工的连续性，如果不能及时地发现故障，往往会生产出大量的废品，甚至会造成重大事故。刀具状态监测是数控机床(CNC)、柔性制造系统(FMS)等自动化加工系统状态监测与故障诊断的重点研究对象。

　　1加工状态监测信号分析[d1][d2][d3]【1】[d4]

　　刀具状态监测与故障诊断方法分为直接法和间接法两种。直接法具有迅速可靠的优点，但受到机械结构或工作条件的限制而很难实现。间接法利用切削力、扭矩、功率、电流、振动、超声波、噪声、声发射等特征信号进行监测。本文针对中国兵器工业第五五研究所的FMS，综合考虑各种监测方法的成本、灵敏度、技术发展的成熟程度以及实现的难易程度等条件，采用检测电流来实现刀具状态的监测。电机电流检测技术实质上可归结为切削力检测，相当于把力的测定部位从切削区转到电机，相应的力参量也转变为电参量，信号的提取通过串联电阻或霍尔电流传感器来获得。

　　在零件的加工过程中，从破损的机理来看，主要可分为两种形式【2】：刀具小面积破损及刀具大面积破损。切削深度过大或进给量过大将导致刀具小面积破损。在加工过程中，当刀具发生小面积破损时，由于切削深度的减少，使得切削力减少从而导致电机电流也大大减少，但由于刀具变钝，电流又随之增大，具体电流变化如图1(a)所示。工件中的硬质点导致刀具发生大块崩落的破损。在加工中，由于刀具突然切入硬度很大的质点，造成刀具的崩落，此时，由于刀具发生大面积破损，电流瞬间急剧减少，而后电流再变大，但由于此时切削厚度大为减少，所以比正常切削时的电流小，此种情况电流变化如图1(b)所示。

　　图1表明，刀具在处于两种不同的切削状态下，电流的表现形式明显不同。

　　2实验系统设计

　　实验设备为中国兵器工业第五五研究所FMS的立式加工中心OMA，选用型号为SCXI-1000的虚拟仪器模拟量信号调理模块，型号为KT2A/P的磁平衡式霍尔电流传感器来获得电机电流信号，型号为IPC5448的12位模拟量采集卡进行信号采集。实验系统原理框图如图2所示。

图2 切削状态监测实验系统

　　设计两种实验条件来模拟这两种典型刀具破损情况，即重负载工况与硬质点工况。为模拟工件中的硬质点，在工件中预埋了一个φ2mm的销轴，接触线长度为0.2mm，该销轴材质为20CrMnMo、碳氮共渗，实验条件见表1。 表1 实验条件 刀具 端铣刀;刀具直径：8mm、10mm;刀具材料：高速钢;刀具齿数：2、3 切削参数 主轴转速:500r/min;进给速度:150mm/min;

　　切削深度: 0.3～1.2mm;无切削液 工件 工件材料：A3

时间t ( b ) 电流幅值I 图1 刀具破损的电流变化图 ( a) 电流幅值I 时间t

3基于神经网络的加工状态识别【3,4】 图3 主轴电机电流神经网络模型

　　在信号处理方面，人工神经网络显示出强大的优势。本论文采用误差逆传播网络(简称BP，即Back Propagation)来完成刀具切削状态的识别。典型的BP网络是三层、前馈神经网络，即：输入层、隐含层和输出层【5,6】。主要识别大、小面积破损两种状态，故采用的神经网络结构由图3所示。采用的BP网络的数学模型可以表示为：

　　设输入模式向量为：

，—学习模式对数

　　对应输入模式的希望输出向量为：

，—学习模式对数

输入层至隐含层的连接权矩阵为，阀值向量为，隐含层至输出层的连接权矩阵为，阀值向量为。

实验采用的转速为500r/min，采样频率为1000，因而，主轴每转一圈所采集的主轴电流信号的个数为。加工中心主轴电机的输入功率与刀具破损、加工状态等有着确定的内在联系规律。由于主轴电机的电压是恒定的，因此，功率的变化就表现为电流的变化。计算所得的功率数值作为信号特征参数，经过归一化处理后作为神经网络的输入参数。神经网络训练参数如表2。 表2 神经网络训练参数表 最大训练次数 误差目标 初始学习率 学习率增长系数 学习率减小系数 误差增大比率上限 动量项常数 10000 0.001 0.25 1.04 0.75 1.05 0.95 神经网络希望输出：大面积破损(1，0);小面积破损(0，1)。利用实验采集到的54组数据，学习样本占40组;待校验样本为14组，其中7组为正常切削状态下的数据。为了消除由于切削条件的不同对训练结果带来的负面影响，必须对输入参数进行归一化处理。

　　本论文采用如下的归一化处理方法：

将归一化处理后的数据作为输入，神经网络的训练过程如图4所示。 表3 待校核样本 序号 能 量 值 经 归 一 化 处 理 后 对应的切削状态 1 0.244009 0.247112 0.264761 0.305883 0.342758 0.393931 0.447370 0.492878 正常切削 2 0.543640 0.431482 0.472130 0.388048 0.300661 0.180506 0.118246 0.088491 正常切削 3 0.340874 0.339877 0.330203 0.348241 0.335094 0.443416 0.328725 0.347875 大面积破损 4 0.172262 0.173469 0.217696 0.231073 0.257484 0.847031 0.144928 0.186239 大面积破损 5 0.212724 0.223293 0.241634 0.270554 0.317431 0.381615 0.471126 0.552223 正常切削 6 0.376412 0.385276 0.369295 0.347451 0.342440 0.276895 0.371619 0.347474 小面积破损 7 0.621942 0.477037 0.432238 0.321679 0.258720 0.134069 0.074957 0.069194 正常切削 8 0.094741 0.092680 0.139372 0.259310 0.378154 0.469370 0.492262 0.538644 正常切削 9 0.315048 0.320852 0.476191 0.447740 0.304447 0.302158 0.295898 0.314684 大面积破损 10 0.401430 0.407525 0.394038 0.483920 0.529727 0.041801 0.020685 0.023370 小面积破损 11 0.580996 0.480160 0.477056 0.308946 0.210529 0.162996 0.140361 0.135161 正常切削 12 0.344623 0.348078 0.361406 0.359574 0.369735 0.351415 0.352890 0.339766 正常切削 13 0.330203 0.348241 0.335094 0.443416 0.328725 0.347875 0.340874 0.339877 大面积破损 14 0.435172 0.413815 0.372397 0.396835 0.400941 0.262634 0.233949 0.242411 小面积破损 图4 神经网络训练过程

 1/2    1 2 下一页 尾页