深度学习视角下的刀具磨损监测软件开发与设计

为了提高金属切削加工生产率、提高加工质量和减少停机时间，本文研究的主要目标是开发有效的刀具磨损监测软件，该软件主要解决了铣削过程中如何通过传感器信号监测铣刀磨损量的问题。在软件中，使用了深度学习算法将刀具磨损量与加工过程中采集到的大量传感器数据联系了起来。工件在本文中被视为监测对象，切削力、声发射和切削振动为监测信号，针对实际监测环境中信号噪音较大等情况，使用了 VMD 降噪算法对信号进行处理，提取了信号特征。其主要是为了减少环境噪声对深度学习模型的影响和减少模型复杂度，赋予其良好的适应性。并在此基础上探讨了深度学习网络结构的优化，不同信号特征输入对深度学习模型的影响，提高了软件精度
第1章 绪 论

1.1 课题背景及研究的目的和意义

铣削是金属切削中常见的机械加工工艺。机械加工是指从工件上去除不需要的材料，从而制造出具有特定尺寸、形状和表面质量的设计产品。制造业目前必须应对日益增长的提高生产率和生产质量的需求[1]。刀具磨损是金属切削过程中最容易见到的现象之一，也是降低加工效率、降低零件质量的重要威胁。据 Zhou[2]介绍，数控机床7-20%的停机时间是由刀具故障造成的，整个加工过程总成本的3-12%浪费在更换刀具上，只有50-80%的刀具寿命得到了有效利用。在加工过程中，切削刀具边缘的温度很高，承受的切削力很大。由于摩擦、热效应、塑性变形、扩散和化学磨损等原因，可能导致切削刀具逐渐磨损并损失部分材料。在切削过程中可能会出现几种失效机制[3]，这些失效机制主要为粘附、疲劳、凹坑、破损和化学磨损。这可能会损坏刀具、机器和工件，并可能导致计划外停机。停机时间是指机器不工作的时间，这是影响生产线效率的一个重要因素。由于刀具故障造成的停机时间是加工环境中总停机时间的主要部分。此外，为了降低刀具过度磨损导致的问题，刀具通常在达到最大使用寿命之前更换，这将增加生产成本[4]。且由于相对较高的刀具价格，现在行业正在寻找最大化刀具使用寿命的方法，同时保持较低过度磨损和破损的发生概率。刀具磨损也会降低表面光洁度(粗糙度)，并影响生产质量。制造零件的尺寸精度和表面光洁度是产品质量的重要标准，这些参数可能会受到刀具磨损的影响。为了解决上述一系列问题，本文需要将刀具磨损量与加工过程中采集到的大量传感器数据通过深度学习算法联系起来，通过加工过程中的传感器收集的数据来判断当前刀具磨损值，并提供换刀建议。在最大化刀具寿命和降低过度磨损发生概率的情况下进行换刀，避免了在加工过程中刀具过度磨损导致的经济损失，提高了工厂的加工效率。

1.2 国内外研究现状及分析

1.2.1 传感器数据采集

刀具磨损监测方法主要分为两种:一种是直接法，激光、光学和超声波监测等直接方法基于对刀具表面工件表面的直接测量，虽然这些方法通常更可靠，但它们不便于在恶劣的加工环境中使用，并且它们难以应用于在线故障监测[5]；还有一种是间接法，间接方法通过将刀具磨损与辅助测量变量(如切削力、振动、声发射、功率信号等)相关联来估计刀具磨损[5]。这些方法通常更经济，更易于在工业环境中应用。使用这种方法的一个难点是，由其他机器和环境因素引起的工业环境噪声很大，这会降低信号质量。此外，刀具磨损和这些传感器信号之间的关系非常复杂，并且还与其他切削参数高度相关。先进的信号处理算法以及深度学习方法可以用来克服这些问题。

第2章 刀具磨损机理及刀具磨损信息采集

2.1 引言

刀具磨损是金属切削过程中最容易见到的现象之一，也是降低加工效率、降低零件质量的重要威胁。在加工过程中，切削刀具边缘的温度很高，承受的切削力很大。由于摩擦、热效应、塑性变形、扩散和化学磨损等原因，可能导致切削刀具逐渐磨损并损失部分材料。刀具磨损也会降低表面光洁度(粗糙度)，并影响生产质量。

2.2 刀具磨损机理

在金属切削加工中刀具切除材料的过程是一个使材料发生塑性变形的过程，在该过程中，刀具通过使用切削刃与被加工工件的接触，使其受到一个足以发生塑性变形的切削力，发生了以工件材料的脱落现象。与此同时，切削刀具边缘的温度很高，承受的切削力很大。由于摩擦、热效应、塑性变形、扩散和化学磨损等原因，可能导致切削刀具逐渐磨损并损失部分材料。在切削过程中可能会出现几种不同的磨损现象，包括但不限于：刀片断裂、塑性变形、月牙洼磨损、疲劳裂纹、后刀面磨损等类型。随着加工参数、刀具材料和加工材料的变化，产生的磨损的类型也有所不同。最常见的磨损类型有前刀面磨损、后刀面磨损和边界磨损这几种，如图2-1所示。

第 3 章 刀具磨损信号处理及特征提取 ................................................................20

3.1 引言.......................................................................................................20

3.2 变分模态分解方法简介..........................................................................20

3.3 不同降噪算法性能对比..........................................................................23

3.4 刀具磨损信号特征提取..........................................................................28

3.5 本章小结................................................................................................32

第 4 章 基于深度学习的刀具磨损量监测 ............................................................33

4.1 引言.......................................................................................................33

4.2 深度学习的相关网络结构 ......................................................................33

4.3 基于深度学习的刀具磨损监测模型搭建 ................................................37

4.4 MS-BILSTM 算法验证及对比 ................................................................44

4.5 本章小结................................................................................................48

第 5 章 刀具磨损监测软件的设计与实现 ............................................................49

5.1 引言.......................................................................................................49

5.2 软件设计需求分析 .................................................................................49

5.3 软件总体设计 ........................................................................................49

第5章 刀具磨损监测软件的设计与实现

5.1 引言

本章在详细分析刀具磨损监测软件的功能需求和设计要求的基础上，以刀具磨损量监测和刀具管理为重点，基于 Python 语言研发刀具磨损监测软件，并集成信号降噪功能、特征提取功能和刀具磨损量监测功能的刀具磨损监测程序，构建面向实际应用的刀具磨损监测软件。

5.2 软件设计需求分析

本文使用深度神经网络方法进行刀具磨损值监测的最终目的就是通过数控机床上所安装传感器采集到的信号判断出当前铣刀的最大磨损值，并保证使用者使用简单，实现在加工过程中监测刀具磨损值并在刀具到达磨损极限之前提前做出提醒。对刀具磨损监测软件的设计要求如下：

（1）稳定性。设计刀具磨损监测软件首先需要保证其运行过程中的稳定性，因此需要使用稳定的软件架构和传统的软件设计工具，从而避免在长时间的监测过程中发生软件崩溃的情况。

（2）实时性。监测软件需要具备在加工过程中实时监测刀具磨损值的功能，并通过软件界面直观的向用户展示，并且要在刀具到达磨损极限之前提前作出提醒。

（3）兼容性。传统的工程软件大多都是基于 Windows 开发的，依赖 Windows环境，而刀具磨损监测软件一般用于数控机床附近，很少会有符合使用要求的电脑。所以需要刀具磨损监测软件对不同系统的兼容性要强，可以运行在例如Linux 系统上。

结 论

为了提高金属切削加工生产率、提高加工质量和减少停机时间，本文研究的主要目标是开发有效的刀具磨损监测软件，该软件主要解决了铣削过程中如何通过传感器信号监测铣刀磨损量的问题。在软件中，使用了深度学习算法将刀具磨损量与加工过程中采集到的大量传感器数据联系了起来。工件在本文中被视为监测对象，切削力、声发射和切削振动为监测信号，针对实际监测环境中信号噪音较大等情况，使用了 VMD 降噪算法对信号进行处理，提取了信号特征。其主要是为了减少环境噪声对深度学习模型的影响和减少模型复杂度，赋予其良好的适应性。并在此基础上探讨了深度学习网络结构的优化，不同信号特征输入对深度学习模型的影响，提高了软件精度。论文主要结论如下：

(1) 搭建了刀具磨损信息采集实验平台，获得了大量刀具磨损过程振动信号、切削力信号和声发射信号。

(2) 使用了 VMD 降噪算法对信号进行处理，该算法在仿真信号和真实信号的降噪中表现出了良好的性能。并分别从时域、频域进行传感器信号特征的提取，使用了皮尔逊相关系数对信号特征进行筛选。

(3) 提出了一种 MS-BiLSTM 方法对提取的特征与刀具磨损值之间的复杂关系进行建模，研究了深度学习网络结构的优化和不同信号特征输入对该方法精确度的影响。结果表明，在来自多个数据集的所有测试信号中，MS-BiLSTM优于传统的深度学习算法。

(4) 开发了基于 MS-BiLSTM 方法的刀具磨损监测软件，该软件实现了实时监测、信号处理、磨损值预警功能，最终通过对软件实际界面效果的展示直观地展示了刀具磨损监测软件的工作效果。