西南交通大学 博士学位论文 切削加工过程中刀具磨损的智能监测技术研究 姓名：高宏力 申请学位级别：博士 专业：机械制造及其自动化 指导教师：许明恒;傅攀
西南交通大学博士研究生学位论文第ｌ页摘要刀具作为金属切削过程的直接执行者，在工件的切削加工过程中不可避 免地存在着刀具磨损和破损现象，刀具状态的变化直接导致产品质量下降和生产成本增加，进而影响产品的市场竞争力。针对这一问题，本文开展了以下研究工作： １．研究了试验方法对神经网络识别精度的影响，提出了采用全因子组 合的试验方法对刀具磨损监测进行研究，获得了网络建模所需的完整数据， 为研究成功奠定了坚实的基础。２．分析了信号特征随不同因素变化的规律，提出了基于标准模块的刀具磨损监测方法和基于动态树理论的刀具磨损监测方法。这两种方法完全消 除了加工参数变化对信号特征的影响，提高了监测系统的识别精度，能够构 建任意加工条件下的刀具磨损监测系统。 ３．在对切削力信号、振动信号及声发射信号进行时域分析、频域分析、 时问序列分析和小波分析的基础上，提出了采用变化特征监测多加工条件下 刀具磨损的新方法，并采用综合系数方法选择监测特征，实现了特征的自动 选择，提高了监测精度，有利于建立自适应的刀具监测系统。 ４．分析了ＢＰ神经网络应用于刀具磨损监测的特点，提出了采用Ｂ样条 模糊神经网络对特征建模的新方法，提高了系统识别速度，系统具备一定的 增殖能力，适合在线监测。 ５．针对监测系统可靠性差的难题，利用集成神经网络建立刀具磨损与 信号特征之间的影射关系，并提出了改进的模式识别模型，通过同时监测多个时间的刀具状态，消除了信号畸变对系统监测结果带来的影响，监测系统的可靠性得到大幅度提高。 ６．在提出监测理论的基础上，创造性地提出了刀具磨损监测的实用化第ｌｌ页西南交通大学博士研究生学位论文模型，并将其应用于铣刀监测和车刀监测。研究结果表明，提出的模型有利 于研究成果的工业推广。 本文的研究在试验设计、信号分析、监测策略、特征提取与选择、以及 模式识别等方面进行了积极的探索，解决了刀具磨损监测技术实用化进程中 出现的一系列问题，提高了监测系统的精度及可靠性，为监测系统实用化研 究探索了一种新的思路，丰富和发展了刀具磨损监测技术。关键词：刀具磨损：模式识别；神经网络；特征选择西南交通大学博士研究生学位论文第１Ｉ Ｉ页ＡｂｓｔｒａｃｔＴｏｏｌ ｗｅａｒ ａｎｄ ｔｏｏｌｂｒｅａｋａｇｅａｒｅｉｎｅｖＲａｂｌｙ ｐｈｅｎｏｍｅｎｏｎ ｏｃｃｕｒｒｉｎｇ ｉｎ ｔｈｅｃａｕｓｅｐｒｏｃｅｓｓ ｏｆ ｍｅｔａｌ ｃｕｔｔｉｎｇ，ｔｈｅ ｔｒａｎｓｆｏｒｍａｔｉｏｎ ｏｆ ｔｏｏｌ－ｓｔａｔｅ ｄｉｒｅｃｔｌｙｐｒｏｄｕｃｔｑｕａｌｉｔｙ ｄｅｃｌｉｎｉｎｇ，ｐｒｏｄｕｃｔｉｏｎ ｃｏｓｔ ｉｎｃｒｅａｓｍｇ，ａｎｄ ｇｒａｄｕａｌｌｙ ａｆｆｅｃｔ ｔｈｅ ａｂｉｌｉｔｙ ｏｆｍａｒｋｅｔ ｃｏｍｐｅｔｉｔｉｏｎ ｏｆ ｐｒｏｄｕｃｔｓ．Ｔｈｅｒｅｆｏｒｅ ｉｔ ｉｓ ｎｅｃｅｓｓａｒｙｔｏｏｌ ｗｅａｒ ｍｏｎｉｔｏｒｉｎｇ ｔｅｃｈｎｉｑｕｅ ｉｎ ＮＣ ｍａｃｈｉｎｉｎｇ ｐｒｏｃｅｓｓ．ｔｏｄｏ ｒｅｓｅａｒｃｈｅｓｏｎｔｈｅＴｈｉｓ ｔｈｅｓｉｓ ｄｅａｌｓ ｗｉｔｈ ｔｈｅ ｆｏｌｌｏｗｉｎｇ ｒｅｓｅａｒｃｈ ｅｆｆｏｒｔｓ：１．Ｔｈｅｅｆｆｅｃｔ ｏｆ ｅｘｐｅｒｉｍｅｎｔａｌ ｍｅｔｈｏｄｏｎｒｅｃｏｇｎｉｔｉｏｎ ｐｒｅｃｉｓｉｏｎ ｏｆ：ｎｅｕｒａｌｎｅｔｗｏｒｋ ｉｓ ｉｎｖｅｓｔｉｇａｔｅｄ：ｔｈｅ ｒｅｓｅａｒｃｈ ｍｅｔｈｏｄ ｏｆ ａｄｏｐｔｉｎｇ ｆｕｌｌ ｆａｃｔｏｒｓ ｃｏｍｂｉｎａｔｉｏｎｔＯｓｔｕｄｙ ｔｏｏｌｗｅａｌ＇ｍｏｎｉｔｏｒｉｎｇａｎｄｔｅｃｈｎｉｑｕｅ ｉｓ ｇｉｖｅｎ ＯＵｔ；Ｆｕｌｌ ｄａｔａ ｔｈａｔ ｎｅｔｗｏｒｋｍｏｄｅｌｉｎｇ ｎｅｅｄｏｂｔａｉｎｅｄ．ｅｓｔａｂｌｉｓｈ ｔｈｅ ｓｏｌｉｄｆｏｕｎｄａｔｉｏｎ ｆｏｒｒｅｓｅａｒｃｈｓｕｃｃｅｓｓａｒｅ２．Ｔｈｅｃｈａｎｇｅ ｒｕｌｅ ｏｆ ｓｉｇｎａｌ ｆｅａｔｕｒｅｓ ｗｉｔｈ ｄｉｆｆｅｒｅｎｔ．ｆａｃｔｏｒｓ ｉｓ ａｎａｌｙｚｅｄ，ｔ。ＷＯｏｎｋｉｎｄｓ ｏｆ ｔｏｏｌ ｗｅａｒ ｍｏｎｉｔｏｒｉｎｇ。ｍｅｔｈｏｄｓ ｂａｓｅｄ ｓｅｐａｒａｔｅｌｙ ‘‘ｄｙｎａｍｉｃ ｔｒｅｅ’’ｔｈｅｏｒｙ ａｒｅ ｇｉｖｅｎｏｎｓｔａｎｄａｒｄ ｍｏｄｕｌｅ ａｎｄ ｅｌｉｍｉｎａｔｅｏｕｔ．ＴｈｅｔＷＯ ｍｅｔｈｏｄｓ ｃｏｍｐｌｅｔｅｌｙｆｅａｔｕｒｅｓ，ａｎｄ ｉｍｐｒｏｖｅ ｔｈｅ ｒｅｃｏｇｎｉｔｉｏｎ ｐｒｅｃｉｓｉｏｎ ｏｆ ｍｏｎｉｔｏｒｉｎｇ ｓｙｓｔｅｍ，ａｎｄ ａｌｓｏ，ｉｔ Ｃａｎ ｂｕｉｌｄ ｔｈｅ ｔｏｏｌ ｗｅａｒ ｍｏｎｉｔｏｒｉｎｇ ｓｙｓｔｅｍ ｕｎｄｅｒａｒｂｉｔｒａｒｙ ｍａｃｈｉｎｉｎｇ ｃｏｎｄｉｔｉｏｎｓ．３．Ｂａｓｅｄｏｎｍａｃｈｉｎｉｎｇ ｐａｒａｍｅｔｅｒ ｅｆｆｅｃｔｔｈｅ ｄｅｔａｉｌ ａｎａｌｙｓｉｓ ｏｆ ｃｕｔｔｉｎｇ ｆｏｒｃｅｓ ｓｉｇｎａｌｓ，ｖｉｂｒａｔｉｏｎ ｓｉｇｎａｌｓａｓａｎｄａｃｏｕｓｔｉｃ ｅｍｉｓｓｉｏｎ ｓｉｇｎａｌｓ ｉｎ ｔｉｍｅ ｄｏｍａｉｎ，ｆｒｅｑｕｅｎｃｙ ｄｏｍａｉｎｗｅｌｌａｓｗａｖｅｌｅｔ，ｐａｃｋｅｔ ｔｒａｎｓｆｏｒｍａｔｉｏｎ，ａ ｎｅｗ ｍｅｔｈｏｄ ｏｆ ｍｏｎｉｔｏｒｉｎｇ ｔｏｏｌ ｗｅａｒ ｔｈｒｏｕｇｈ ｖａｒｉａｂｌｅ ｆｅａｔｕｒｅｓ ｉｓ ｐｒｅｓｅｎｔｅｄ ａｎｄａｎｅｗ ａｐｐｒｏａｃｈａｒｅｎａｍｅｄ“ｓｙｎｔｈｅｓｉｓ ｃｏｅｆｆｉｃｉｅｎｔ”ｏｆｓｅｌｅｃｔｉｎｇ ｍｏｎｉｔｏｒｉｎｇ ｆｅａｔｕｒｅｓｇｉｖｅｎ ＯＵＩ‘．Ｔｈｅｓｅ ｍｅｔｈｏｄｓＣａｎｓｅｌｅｃｔ ｆｅａｔｕｒｅｓｔＯａｕｔｏｍａｔｉｃａｌｌｙ，Ｉ’ｍｐｒｏｖｅ ｍｏｎｉｔｏｒｉｎｇｐｒｅｃｉｓｉｏｎ ａｎｄ ｂｅ ａｄｖａｎｔａｇｅｏｕｓｂｕｉｌｄａｓｅｌｆ－ａｄｊｕｓｔｉｎｇｔｏｏｌ ｍｏｎｉｔｏｒｉｎｇ ｓｙｓｔｅｍ．４．Ｔｈｅ ｆｅａｔｕｒｅｓ ｏｆ Ｂ―ｓｐｌｉｎｅ ａｎａｌｙｚｅｄ ａｎｄａｎｅｕｒａｌｎｅｔｗｏｒｋ ａｐｐｌｉｅｄ ｔｏ ｔｏｏｌ ｗｅａｒ ｍｏｎｉｔｏｒｉｎｇａａｒｅｎｅｗ ｍｅｔｈｏｄ ｏｆ ｕｓｉｎｇ Ｂ?ｓｐｌｉｎｅ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ｔｏ ｂｕｉｌｄ ｏｕｔ．Ｔｈｉｓｃｈａｒａｃｔｅｒ ａｎｄｍｏｄｅｌｉｓｇｉｖｅｎｍｅｔｈｏｄｉｍｐｒｏｖｅｓｔｈｅ ｉｔｒｅｃｏｇｎｉｔｉｏｎｉｓ ｓｕｉｔａｂｌｅｓｐｅｅｄ ｆｏｒｍｕｌｔｉｐｌｉｃａｔｉｏｎ ｍｏｎｉｔｏｒｉｎｇ．ｏｆｍｏｎｉｔｏｒｉｎｇｓｙｓｔｅｍ，ｔｈｅｒｅｆｏｒｅｏｎ―ｌｉｎｅ第１ Ｖ页５．Ａｉｍｅｄａｔ ｔｈｅ西南交通大学博士研究生学位论文ｄｉｆｆｉｃｕｌｔ ｐｒｏｂｌｅｍｏｆ ｐｏｏｒ ｒｅｌｉａｂｉｌｉｔｙ ｏｆ ｍｏｎｉｔｏｒｉｎｇ ｓｙｓｔｅｍ，ｔｈｅａｌｌｕｓｉｖｅ ｒｅｌａｔｉｏｎｓｈｉｐ ｂｅｔｗｅｅｎ ｔｏｏｌ ｗｅａｒ ａｎｄ ｓｉｇｎａｌ ｆｅａｔｕｒｅｓ ｉｓ ｂｕｉｌｄ ｂｙ ｍｅａｎｓ ｏｆ ｉｎｔｅｇｒａｔｅｄ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ．Ａｎｄ ｐｒｏｐｏｓｅｄ．Ｔｈａｔｃａｎａｎｉｍｐｒｏｖｅｄ ｍｏｄｅｌ ｆｏｒ ｐａｔｔｅｒｎ ｒｅｅｏｇｎｉｚａｔｉｏｎ ｉｓｏｎｅｌｉｍｉｎａｔｅ ｔｈｅ ｓｉｇｎａｌ ａｂｅｒｒａｎｃｅ’ｓ ｅｆｆｅｃｔｓｔａｔｅｃｌａｓｓｉｆｙｉｎｇ ｒｅｓｕｌｔｓｂｙ ｍｏｎｉｔｏｒｉｎｇ ｔｏｏｌｇｒｅａｔｌｙ ｅｎｈａｎｃｅｄ．ｉｎ ｄｉｆｆｅｒｅｎｔ ｔｉｍｅ，ｗｈｉｃｈ ｍａｋｅｓ ｔｈｅ ｓｙｓｔｅｍ ｒｅｌｉａｂｉｌｉｔｙ６．Ｔｈｅ ｐｒａｃｔｉｃａｌ ｍｏｄｅｌ ｏｆ ｔｏｏｌ ｗｅａｒ ｍｏｎｉｔｏｒｉｎｇ ｉｓ ｃｒｅａｔｉｖｅｌｙ ｐｒｅｓｅｎｔｓｏｎｔｈｅｂａｓｉｓ ｏｆ ｔｈｅ ｐｒｏｐｏｓｅｄ ｍｏｎｉｔｏｒｉｎｇ ｔｈｅｏｒｉｅｓ，ｗｈｉｃｈ ｉｓ ａｐｐｌｉｅｄ ｔｏ ｍｉｌｌｉｎｇ ｏｐｅｒａｔｉｏｎ ａｎｄ ｔｕｒｎｉｎｇ ｏｐｅｒａｔｉｏｎ．Ｔｈｅ ｒｅｓｅａｒｃｈ ｒｅｓｕｌｔｓ ｉｎｄｉｃａｔｅ ｔｈａｔ ｔｈｅ ｐｒｏｐｏｓｅｄ ｍｏｄｅｌ ｉｓｂｅｎｅｆｉｃｉａｌ ｔｏ ｉｎｄｕｓｔｒｉａｌ ｐｏｐｕｌａｒｉｚａｔｉｏｎ ｏｆ ｒｅｓｅａｒｃｈ ｆｉｎｄｉｎｇ．Ｔｈｅ ｒｅｓｅａｒｃｈｅｓｏｎｔｈｅ ｅｘｐｅｒｉｍｅｎｔ ｄｅｓｉｇｎ，ｓｉｇｎａｌ ａｎａｌｙｓｉｓ，ｍｏｎｉｔｏｒｉｎｇ ｓｔｒａｔｅｇｙ， ｆｅａｔｕｒｅｆｅａｔｕｒｅ ｅｘｔｒａｃｔｉｏｎａｎｄｓｅｌｅｃｔｉｏｎ ａｎｄ ｐａｔｔｅｒｎ ｒｅｃｏｇｎｉｔｉｏｎ ａｎｄｅｔｃａｒｅｅｘｐｌｏｒａｔｏｒｙ ｉｎ ｔｈｉｓ ｔｈｅｓｉｓ．Ａ ｓｅｒｉｅｓ ｏｆｐｒｏｂｌｅｍｓｆｏｒｔｈｅ ｐｒａｃｔｉｃａｌｉｔｙ ｐｒｏｇｒｅｓｓ ｏｆｔｏｏｌｗｅａｒ ｍｏｎｉｔｏｒｉｎｇ ｔｅｃｈｎｉｑｕｅ ａｒｅ ｓｏｌｖｅｄ，ｔｈｅ ｐｒｅｃｉｓｉｏｎ ａｎｄ ｒｅｌｉａｂｉｌｉｔｙ ｏｆ ｍｏｎｉｔｏｒｉｎｇ ｓｙｓｔｅｍａｒｅｉｍｐｒｏｖｅｄ，ａｎｄａｎｅｗ ｉｄｅａ ｆｏｒ ｔｈｅ ｐｒａｃｔｉｃａｌｉｔｙ ｏｆ ｍｏｎｉｔｏｒｉｎｇ ｓｙｓｔｅｍ，ｗｈｉｃｈ ｅｎｒｉｃｈｅｓ ａｎｄ ｄｅｖｅｌｏｐ ｔｈｅ ｔｏｏｌ ｗｅａｒ ｍｏｎｉｔｏｒｉｎｇ ｔｅｃｈｎｉｑｕｅ，ｉｓ ｅｘｐｌｏｒｅｄ．Ｔｈｅ ｒｅｓｅａｒｃｈ ａｃｈｉｅｖｅｍｅｎｔｓ ａｐｐｌｉｃａｔｉｏｎ ｆｏｒｅｇｒｏｕｎｄ．ｃａｎｂｅ ａｐｐｌｉｅｄ ｔｏ ａｌｌ ｓｏｒｔｓ ｏｆ ｍａｃｈｉｎｉｎｇ，ａｎｄ ｉｔ ｈａｓａｇｏｏｄＫｅｙｗｏｒｄｓ：Ｔｏｏｌ ｗｅａｒ；Ｐａｔｔｅｒｎ ｒｅｃｏｇｎｉｔｉｏｎ；Ｎｅｕｒａｌ ｎｅｔｗｏｒｋ；Ｆｅａｔｕｒｅ ｓｅｌｅｃｔｉｏｎ西南交通大学学位论文版权使用授权书本学位论文作者完全了解学校有关保留、使用学位论文的规定，同意学校 保留并向国家有关部门或机构送交论文的复印件和电子版，允许论文被查阅和借阅。本人授权西南交通大学可以将本学位论文的全部或部分内容编入有关数 据库进行检索，可以采用影印、缩印或扫描等复制手段保存和汇编本学位论文。本学位论文属于 １．保密口，在 年解密后适用本授权书２．不保密回，适用本授权书。学位论文作者签名：鬲堀为日期：ｐ?彳年ｔ、月７日指导教师签名。，乞多殇，／帕日期：沙口降ｆ明ｒ汨西南交通大学 学位论文创新性声明本人郑重声明：所呈交的学位论文，是本人在导师的指导下独立进行研究工作所取得的成果。除文中已经注明引用的内容外，本论文不包含任何其它个人或集体己经发表或撰写的研究成果。对本文做出贡献的个人和集体，均已在 文中作了明确的说明。本文完全意识到本声明的法律后果由本人承担。 本学位论文的主要创新点如下：（１）提出了基于神经网络的刀具磨损监测试验设计方法，为研究成功奠定了良好的基础。并针对信号特征交化特点，首次提出采用变化特征监测变化 加工条件下刀具磨损的新方法，并采用综合系数方法选择信号特征，实现了监 测特征的自动选择，提高了刀具磨损监测系统的识别精度，使监测系统的自动 化设计变为可能（２．２．４，４．５．５）。 （２）通过分析加工三要素、工件材料等因素对信号特征的影响，提出了基于标准切削力模块的刀具磨损监测策略和基于“动态树”理论的刀具磨损监 测策略，消除了各种因素对信号特征的影响，简化了特征提取方法，实现了任意加工条件下刀具磨损的可靠监测（３．３，３．４）。 （３）首次采用Ｂ样条模糊神经网络建立刀具磨损与信号特征的映射模型， 提高了识别模块的计算速度，使监测系统具备一定的增殖能力，有利于刀具磨 损的在线监测。在提高系统可靠性方面，采用集成神经网络建立信号特征与刀 具磨损量之间的映射模型，并创新地提出７改进的刀具磨损识别模型，通过对多个时刻刀具磨损量的综合判别，使监测系统的预测精度及容错能力都有了较大的提高（３．５，５．１．５．３，５．３）。 （４）提出了刀具磨损监测系统的实用化模型，解决了刀具磨损监测系统 工业应用的关键问题，有利于研究成果的推广应用（６．１）学位论文作者：高骗步１３期：２００５年９月１ １３西南交通大学博士研究生学位论文第１页第一章１．１刀具状态监测研究的意义绪论制造业是国家经济发展的支柱行业，制造业的发展离不开先进制造技术 的支持。自进入２１世纪，随着电子、计算机、信息等高新技术的不断发展， 为了适应全球化市场需求的多变性与多样化，制造技术正朝着精密化、柔性 化、集成化、网络化、全球化、虚拟化、智能化和清洁化的方向发展“１。刀 具状态智能监测技术作为先进制造技术的重要组成部分，是在现代传感器技 术、信号处理技术、计算机技术和制造技术基础上发展起来的新兴技术，它 对于推动加工过程自动化和无人化发展具有极其重要的作用。 刀具作为切削过程的直接执行者，在工件的切削加工过程中不可避免地 存在着磨损和破损等现象，刀具状态的变化直接导致切削力增加、切削温度 升高、工件表面粗糙度上升、工件尺寸超出公差、切屑颜色变化以及切削颤 振的产生”３。在传统的机械加工过程中，刀具状态的识别是通过加工人员辨 别切屑颜色和加工过程中的噪声等来判断，或根据加工时间判断，或在加工 工序之间拆卸刀具实测其破损程度和磨损量，这些方法和加工人员的经验紧 密相关，所以它不可避免地存在下列问题： 一方面，如果刀具磨损量低于磨钝标准，则会因为没有充分利用刀具的 实际寿命而带来浪费，增加制造成本；另一方面，如果刀具磨损量高于磨钝 标准，刀具已经磨钝或破损，则会影响工件的加工表面质量和尺寸精度，严 重时甚至会损坏机床。此外，在自动化加工、无人化加工以及自适应加工过 程中，不仅要求能够在加工过程中实时获知刀具的准确磨损状态，而且还要 求根据刀具的磨损和破损程度改变切削参数，以便优化生产率和加工质量。 解决这些问题的关键在于对刀具实际的磨损状态进行自动和实时检测。这一 工作的重要性正如美国学者Ｂ．Ｍ．Ｋｒａｍｅｒ在ＣＩＲＰ３５届年会上所说：在提高计 算机集成制造系统生产率方面，没有任何一项技术比准确地估计刀具寿命更重要Ⅲ。近年来，随着市场竞争的进一步加剧，现代制造工业要求产品产量最大 化，成本最小化。这迫切要求制造工业向自动化和无人化方向发展，对制造 过程进行全面监测成为必然趋势，尤其是对刀具状态的监测。而人工判别刀 具状态已经成为制约制造工业发展的重要瓶颈，这也是刀具状态智能监测技第２页西南交通大学博士研究生学位论文术获得广泛研究的重要原因。 刀具状态智能监测技术是指在产品加工过程中，计算机通过检测各类传 感器信号变化，实时预测刀具的磨损和破损状态，过程控制系统根据刀具状 态检测结果，自动控制刀具进给以补偿刀具磨损导致零件尺寸和形状精度的 变化。研究表明，ＣＮＣ机床配备刀具监测系统后可减少故障停机时间的７５％， 提高生产率ｉ０～６０％，提高机床利用率５０％以上。美国Ｋｅｎｎｓｍｅｔａｌ公司的 研究表明，刀具监测系统不仅提高了刀具本身的利用率，而且可避免刀具失 效所导致的工件报废和机床故障，节约费用达３０％。因此，为有效防止设备 的损坏、工件的报废并保证机床无故障运行，就必须发展加工过程的刀具状 态监测技术ｕ，。１．２刀具损坏形式及标准刀具损坏是机械加工过程中的一个必然现象，刀具损坏的形式主要有： 刀具磨损和刀具破损。１．２．１刀具磨损刀具磨损主要取决于工件材料、刀具材料的机械物理性能和切削条件。 用不同的刀具材料切削不同的工件材料时，刀具磨损状况各有不同。刀具磨 损按其发生的部位分为下面三种类型： （１）前刀面磨损（月牙洼磨损） 切削塑性材料，当切削速度高、进给量较大时，切屑与前刀面在高温、 高压、高速下接触，产生剧烈摩擦，磨损开始发生在前刀面上距刀刃一定距 离处，并逐渐向前、后扩大，形成月牙洼。前刀面磨损以月牙洼最大深度ｋＴ 表示，如图１―１所示。图Ｉ－１刀具前刀面磨损Ｆｉｇ １－１ Ｎｏｓｅ ｗｅａｒ ｏｆｃｕｔｔｉｎｇｔｏｏｌ西南交通大学博士研究生学位论文（２）后刀面磨损第３页这是在薄切屑、切削速度较低，或者切削高硬度及脆性较大的材料时所 发生的磨损情况。这时，前刀面的接触长度较小，所以磨损集中发生在刀刃 及刀刃附近的后刀面上，如图卜２所示。图１－２刀具后刀面厝损Ｆｉｇ １－２ ｆｌａｎｋ ｗｅａｌ－ｏｆ ｃｕｔｔｉｎｇ ｔｏｏｌ（３）前后刀面同时磨损这种磨损介于前两种类型之间，发生的条件（工件材料的硬度、脆性， 切削速度和进给量，刀具材料的热硬性等）也介乎其间，且刀具的磨损形式随切削条件不同可以互相转化。１．２．２刀具破损用脆性大的刀具材料制成的刀具进行断续切削（铣自４和刨削），或者加 工高硬度的材料，刀具都易产生破损。据统计，硬质合金刀具约有５０～６０％ 的损坏属于破损。刀具破损包括刀具塑性破损和刀具脆性破损，常见的崩刃、剥落、裂纹、碎断等属于脆性破损。１．２．３刀具磨损测量基准在加工过程中，必须制定正确的刀具磨损测量基准，才能够测量刀具的 磨损状态，从而进行正确判断。生产中可根据下列现象，判断刀具是否已经磨损，从而及时换刀。 （１） （２）后刀面的磨损宽度达到一定数值； 切屑的颜色或者形状有显著的变化。以切屑的底面变得粗糙来判 工件表面粗糙度显著变粗，或尺寸精度超出公差： 切削力增大，出现不正常的声响和产生振动。断刀刃的磨损情况； （３） （４）制定测量基准时，主要考虑刀具磨损状态对工件表面光洁度和尺寸精度第４页西南交通大学博士研究生学位论文的影响，且测量方便。目前，国内外研究人员都将后刀面磨损量作为测量刀 具磨损量的基准，国际标准ＩＳ０３６８５．１９７７统一规定以１／２切削深度处后刀 面上测定的磨损宽度ＶＢ作为刀具磨钝测量基准。１．３刀具状态监测技术的研究目标一个理想的刀具状态监测系统必须能够对刀具在加工中出现的各种异 常进行可靠监测，如检测刀具的破损、刀具的非正常切入及碰撞、刀具不同 部位的磨损等。针对刀具损坏形式的不同，出现了不同研究目标的刀具状态 监测系统，主要包括： ?刀具破损监测系统：以检测刀具突发性损坏为目标，不能够准确判断刀具的磨损状态。?刀具磨损监测系统：以准确检测刀具实际的磨损状态或具体的磨损值 为目标，包括刀具磨损分类和刀具磨损量计算。 刀具破损以及非正常切入、碰撞等问题经长期的研究已基本上得到了圆 满的解决。而刀具磨损监测却由于磨损过程的复杂性一直未获得圆满的答案， 这也是国内外研究人员致力于刀具磨损监测技术研究的原因。””１。鉴于此， 本文以刀具磨损监测为研究对象，展开深入的研究。１．４刀具磨损监测技术的国内外研究现状在现代工业生产中，生产方式的改变和市场竞争的需要促使以计算机辅 助的自动化加工得到迅速发展。刀具磨损监测系统作为自动化加工系统不可 缺少的重要组成部分，日益受到国内外研究人员的重视。 刀具磨损监测过程实际上是模式识别过程。一个刀具监测系统由研究对 象、加工条件、传感器检测，信号处理、特征抽取及选择、模式识别等模块 组成，如图１―３所示。设计一个监测系统，首先必须确定研究的对象，如车 刀的磨损监测、钻头的磨损监测或铣刀的磨损监测等；其次决定监测系统的 实际应用范围。理想情况下，人们总是希望一个监测系统对任意加工条件下 （包括工件改变、刀具改变和加工要素改变）的刀具磨损状态都能准确检测。 监测系统的传感器检测模块包括传感器的选择、安装和位置的确定以及信号 的放大与传送；信号处理模块通过研究信号的时域特性和频域特性，确定提 取反映刀具磨损特征的方法：特征抽取和选择模块包括信号特征的计算，利 用合适的数学方法选择能够反映刀具状态变化的敏感特征；模式识别模块主西南交通大学博士研究生学位论文第５页要通过建立信号特征和刀具磨损之间的数学模型，实现对刀具状态的分类或 刀具磨损量的精确计算。刀具磨损监测技术的研究主要围绕各个模块进行。詈图ｌ－３刀具磨损监测系统框图Ｆｉｇ １－３ ｔｈｅ ｓｃｈｅｍａｔｉｃ ｄｉａｇｒａｍ ｏｆ ｔｏｏｌ ｗｅａｒ ｍｏｎｉｔｏｒｉｎｇ ｓｙｓｔｅｍ１．４．１刀具磨损监测方法综合国内外刀具磨损检测的诸多方法，根据刀具磨损量检测原理的不 同，主要分为两种：直接监测方法和间接监测方法。１．４．１．１直接监测方法直接测量刀具磨损量或刀具破损的方法，称为刀具状态的直接监测方法。 常用的方法主要有接触法、放射线法和光学检测方法。直接检测刀具磨损的 传感器有接触探测传感器、光学显微镜，高速摄像机等。 （１）接触检测方法 接触探测传感器于１９７４年由Ｒｅａｉｓｈａｗ发明，它能够检测刀具磨损和破 损。在检测刀具磨损和破损程度时，旋转刀具，让刀具后刀面接触传感器， 它根据刀具ａｎ：ｉ：前后的直径变化获得刀具的磨损量，并根据刀具的接触力大 小判断刀具的破损程度。该方法有较高的检测精度。其缺点是只能在停车时 进行检测，不能用于实时监控。德国Ｍａｌｔｏ公司利用该方法研制的刀具破损监测装置，能够成功监测刀具的破损。（２）放射线检测方法 由Ｍａｓｓａｃｈｕｓｅｔｔｓ技术研究所开发的放射线检测装置，用于检测刀具是 否已经达到预先指定的磨损状态。此方法是预先在刀具后刀面设置个位置， 在该位置放置少量放射性物质，定期在切削周期的间隙中用盖革一弥勒离子 管检查放射物质是否存在。如果该物质不存在，就说明已经达到磨钝标准。 此方法的缺点是不能进行实时监控，并且具有放射性污染。 （３）光学检测法 通过光学传感器获得刀具磨损区域的图形，并利用图像处理技术得到刀第６页西南交通大学博士研究生学位论文具的磨损状态。和其他检测方法相比，采用光学法检测刀具磨损的优点是： 不受切削条件和工件材料影响，能够同时获得刀具多个磨损模式的图形，便 于对刀具的磨损形态整体了解。缺点是易受加工方式的影响，许多加工方法 无法采用光学法监测其刀具状态。此外，冷却液的使用、切屑及光源都会影 响图像质量，获得清晰和完整的刀具图形并非易事。 文献【８】采用由物镜、光导传像束和ＣＣＤ照相机组成的光学测量系统能 直接测量刀具的后刀面磨损量和主磨损沟及副磨损沟尺寸，系统９２％的预报误差小于７．２％，能提高刀具寿命４３％以上：文献［９］采用电视摄像输入装置获取车刀磨损区的图像，提取刀具磨损带、主磨损沟尺寸、副磨损沟尺寸、月牙洼宽度、月牙洼深度和月牙洼中心至切削刃的距离等作为识别刀具磨损的特征，利用模糊模式方法识别刀具磨 损，获得了较好的效果； 文献【】Ｏ卜一［】２】利用ＣＣＤＴ业摄像机同时监测刀具前刀面和后刀面的磨 损，提出了全面的刀具磨损识别方法； 文献［１３］介绍了一种新型的激光位移传感器监测系统，直接测量刀具的 空间图像，测量精度达４０ｕｒｎ，而且能够避免冷却液和切屑对监测的干扰： 文献［１４１通过激光检测旋转刀具后刀面处直径的变化，监测刀具磨损状 态的变化。１．４．１．２间接监测方法通过监测与刀具磨损或破损密切相关的传感器信号，并利用建立的刀具 磨损或破损和信号特征之间的数学模型，间接获得刀具磨损状态的方法称为 刀具状态的间接监测方法。 间接监测刀具磨损的传感器有：测力仪，振动传感器，声发射传感器， 扭矩传感器，电流传感器和功率传感器等。与直接监测刀具磨损的方法相比， 间接测量方法具有不影响加工过程，可以连续监测加工过程的优点，更适宜 于加工中的在线监测。因此，大多数国内外学者都利用这种方法来研究刀具 磨损监测中的相关技术难题１５Ｊ【６Ｊ。 （１）切削力监测技术 研究表明，切削力信号作为加工过程中最稳定和最可靠的信号，和刀具磨损和破损密切相关。此外，测力传感器在工业上的成功应用，使得切削力监测技术在刀具磨损监测研究领域应用最为广泛，也是最具优势的一种方法。 测力仪作为研究切削过程不可缺少的检测仪器，其性能对研究的结果影西南交通大学博士研究生学位论文第７页响巨大。ＣＩＲＰ（国际生产工程研究学会）推荐的测力仪的评价指标主要包括 以下内容【１５Ｊ： １．静态刚度 静态刚度的大小直接影响机床加工系统的刚度及动态性能，ＣＩＲＰ推荐测力仪三个方向的刚度均不低于１００Ｎ／肛ｍ。２．灵敏度 灵敏度指系统测力仪输出和输入之间的比值，灵敏度越高，能够反映加 工过程的微小变化，ＣＩＲＰ规定灵敏度不低于１％。 ３．线性度 线性度反映系统输出与输入之间的关系，好的线性度能保证输出和输入之间的转换准确、方便，是测力仪的一项重要指标。 ４．固有频率测力仪固有频率的高低决定了动态切削力测量的频率范围，ＣＩＲＰ推荐的 标准是，测量仪的固有频率应高于切削力动态分量最高频率的３～５倍。 ５．力的位置效应 不同的加工方法，切削力的作用位置也发生相应变化，此时要求测力仪 的灵敏度保持不变，确保输出的精度。目前生产的测力仪还不能保证任意位 置输出的精度，都对力的作用位置进行了一定的限制，这也影响了测力仪的工业应用。除了上述指标，测量仪还须满足交叉灵敏度、温度效应、体积等性能指 标要求。 切削力是切削过程中的主要参数，由静态分量和动态分量组成。因此测 力仪必须能够准确测量静态力和动态力，其类型有压电式和应变式两种。前 者以瑞士Ｋｉｓｔｌｅｒ公司为代表，价格昂贵。后者由我国的北京航空航天大学、 北方工业大学、哈尔滨工业大学、南京航空航天大学等都曾研制出相应的产 品，但未形成产业化。根据传感元件、测量原理以及使用场合的不同，测力传感器分为不同的种类： １．刀夹式测力仪和测力刀柄刀夹式测力仪用于车削加工的刀具磨损检测，测力刀柄用于铣削和钻削加工的刀具磨损检测。刀夹式测力仪在加工过程中随刀架平动，测力刀柄随主轴作旋转运动。 瑞士的Ｋｉｓｔｌｅｒ公司是专业生产测力仪的著名厂家，其生产的系列测力第８页西南交通大学博士研究生学位论文仪获得学术界及制造业的～致认可。Ｋｉｓｔｌｅｒ ９２６３型刀夹式测力仪，可测量 车削时的三向分力，灵敏度０．０１Ｎ。此外，日本、德国、加拿大和意大利也 研制出了用于车削的测力仪。 在国内，大连理工大学成功研制了压电石英刀杆式三向车削测力仪。这 种测力仪适用于在线测量动态、瞬态及静态切削力。测力仪体采用体积小、 重量轻、刚度大的刀杆式结构。刀杆前部带有装敏感元件的弹性环，用一个 三向压电石英力敏元件代替多个价格昂贵的压电石英力传感器。该压电力敏 元件直接装入测力仪体中并用过盈装配预紧。这种测力仪是一种轻便、高性 能的压电石英动态车削测力仪。国外的测力刀柄有瑞士Ｋｉｓｔｌｅｒ公司的测力刀柄，日本Ｎａｇａｏ公司和 Ｈａｔａｍｕｒａ公司开发的小型钻头扭矩检测刀柄，前者采用的传感元件是压电石 英晶体，后者采用应变片制作。国内北京航空航天大学研制了一种主轴安装型扭矩遥测刀柄。这种刀柄 可装夹各种钻头、镗刀和铣刀。测力仪采用薄壁筒式弹性元件作为传感元件， 用滚针轴承将莫氏锥套刚性支承在锥柄内孔中。薄壁筒式弹性元件与莫氏锥 套为一体，英氏锥套尾部用４个锥形销与锥柄固联，莫氏锥套伸出锥柄端面 那部分外侧与塑料防护罩围成一个中间是空腔的环形槽，其内放置发射器和电池组。 ２．台式测力仪台式测力仪用于铣削、车削和钻削时的刀具监测。铣削和钻削加工时， 工件固定在测力仪上表面，切削力通过工件传送到测力仪。车削加工时，刀 具固定在测力仪中部，切削力通过刀具传送到测力仪。 瑞士Ｋｉｓｔｌｅｒ生产的９２５７Ａ／Ｂ型台式测力仪，可以测量三向切削力和扭 矩。具有测量灵敏度高，稳定性好等优点，是目前研究中应用最多的测量仪。 国内哈尔滨工业大学开发的六筋结构切削测力仪，是根据弹性体纯拉、 压和纯剪切应变量的大小只与弹性体的截面有关，而与其长度无关的理论设 计的。其特点是，具有高刚度、高灵敏高、高固有频率，可以广泛用于机械 切削三向力的测量，特别适用于动态切削力的测量。 大连理工大学机械工程学院研制的ＹＤ Ｘ―１１１９７０２压电式三向铣削测力仪、ＹＤｚ―Ｉ―１０ＩＷ压电无定心钻肖４测力仪和ＹＤＭ―１１１９９整体式压电磨削测力仪都通过了教育部科技成果鉴定。其中，ＹＤ Ｚ－－１１０１Ｗ压电无定心钻削测力仪可实现无定心钻削测力，为国内外首创。西南交通大学博士研究生学位论文ＹＤ第９页Ｘ―ＩＩｌ９７０２压电式三向铣削测力仪采用该院自行开发的三向力传感器，测力仪体采用隔热板结构和分层夹紧措施，提高了测力仪的抗环境干扰 能力：采用多种密封技术，提高了仪器的稳定性和可靠性，在切削测力领域 具有广阔的应用前景。ＹＤＺ－－１１０１Ｗ压电无定心钻削测力仪可实现无定心钻 削测力，孔的位置变化所带来的最大测力误差受％：该测力仪具有结构简单、 工艺性好、调整方便、所用压电力传感器数量少、成本低等特点，并已在长 春第一汽车厂工艺研究所得到成功应用。Ｙ 敏度，消除了温度干扰。 北方工业大学采用有限元分析技术，经过多年的不断研究、实验，研制 出整体式弹性元件结构，使应变式测力仪的动态性能得到了极大的提高，固 有频率达到并超过了瑞士Ｋｉｓｔｌｅｒ公司压电测力仪的指标，提高了应变式测 力仪动态力的测量精度，从而形成对Ｋｉｓｔｌｅｒ测力仪的一个强大的挑战。３．测力轴承ＤＭ―ＩＩｌ９９整体式压电磨削测力仪的测力仪体采用整体结构，提高了刚性；电路上采用推挽原理，提高了灵尽管台式测力仪和刀夹式测力仪测量精度足以满足刀具状态监测的需 要，然而它们在实际现场的应用中由于受到结构和安装等诸多因素的限制， 工业应用范围有限，因此测力轴承的研制受到了高度重视。 测力轴承不仅可以测量三向切削力和扭矩，还可以用来测量轴承的预载 力，判断轴承的工作状况，其优点是适合各种加工过程的刀具监测。 目前，测力轴承的研制以国外为主。自８０年代起，德国就开展了测力 轴承的理论和应用研究，商品化的测力轴承也已应用在加工中心上，以监测 刀具的实际状态。如Ｐｒｏｍｅｓｓ，Ｆａｇ，Ｓａｎｄｉｖｋ公司生产的测力轴承先后被 ０ｅｒｌｉｋｏｎ―Ｂｏｈｒｉｎｇｅｒ，Ｔｒｏｕｂ和Ｇ．Ｆｉｓｈｅｒ等公司生产的车削加工中心安装在机床上作为监测刀具状态的传感器。国内南京航空航天大学也较早对测力轴承的理论及应用进行了深入研 究，大连理工大学研制的智能测力轴承及其监控系统也已在仿ＤＵ３４２０组合 机床试验机上成功应用。 测力仪的成功研制，使得基于切削力的刀具磨损监测方法成为目前应用最广泛，研究最成熟的方法之一。文献［１６］～［１８］研究了切削力系数、摩擦力系数、切屑平均厚度和切削 刃的平均长度与刀具磨损之间的关系，并建立切削力系数、切自０三要素和刀具磨损之间的数学模型，能够较好预测刀具的磨损；第１０页西南交通大学博士研究生学位论文文献［１９］～［２１］建立了铣刀磨损面和铣削力之间的模型，从理论上进一 步说明了利用铣削力监测刀具磨损的有效性； 文献［２２］～［２６］建立了背吃刀量、进给速度、刀具磨损、材料比压及旋 转角与切削力的函数关系，通过监测力的变化监测刀具的磨损； 文献［２７］建立了切削力的自回归时序模型，并利用递归最小乘方方法实时更改模型系数，通过监测模型系数确定刀具磨损量。文献［２８］建立了车刀磨损与切削分力均值、切削速度和切削分力比值的偏最小二乘回归模型，用来监测刀具后刀面的磨损：文献［２９］～［４５］通过抽取切削力信号的不同特征，利用神经网络建立了 刀具磨损与切削力的映射关系，对刀具磨损状态进行识别或计算精确的刀具磨损值。（２）基于声发射的监测技术 自１９５５年德国科学家Ｋａｉｓｅｒ发现声发射现象以来，声发射技术在工程 应用方面得到迅速发展，被公认为是一种最具潜力的新型检测技术。声发射 是一种物理现象，是指固体材料在变形、破裂和相位改变时迅速释放应变能 而产生的一种弹性应力波。 研究表明，在金属切削过程中，工件材料的塑性变形、切屑的塑性变形、 切屑与刀具表面摩擦、刀具后刀面与已加工表面的摩擦、第一剪切区和第二 剪切区的塑性变形、刀具破损和切屑的破裂等现象都会引起声发射现象。声 发射作为加工过程中的基本物理现象，与刀具材料、工件材料、刀具参数、 工件参数等密切相关ｎ““。 接收声发射信息的传感器有：谐振式压电传感器、差动式压电传感器和 宽带压电传感器。在应用中，声发射传感器通过磁力吸附在工件表面，具有安装简便的优点。为了消除噪声的影响，信号一般经过高通滤波、前置放大、 带通滤波和主放进行处理。由于声发射信号反映的是金属材料内部晶格的变化，因此包含与刀具磨 损密切相关的信息，对刀具磨损和破损有较好的预报特性，声发射监测技术也成为目前应用最广泛的方法之一。和其它检测方法相比，声发射信号的频率很高，一般在５０ｋＨｚ以上，能 够避开加工过程中振动和噪声污染严重的低频段，并能抵御一定范围内由于切削用量变化而引起的信号干扰，因此具有灵敏度高，信息量丰富等优点。 文献［４６］详细总结了声发射信号产生的机理，信号的特点及处理方法，西南交通大学博士研究生学位论文第１１页指出了利用声发射信号监测刀具磨损的优越性。研究结果表明，在正常磨损 状态下，声发射主要来自第一、二、三变形区，是典型的连续信号。而刀具发生破损时，声发射信号是非连续型突发信号； 文献［４７］～［５７］分别将声发射信号用于车刀、钻头及铣刀的磨损监测，从不同应用角度阐述了声发射信号能够满足刀具磨损监测的要求。 （３）基于振动（加速度）的监测技术 切削过程中的振动信号包含丰富的与刀具状态密切相关的信息，它主要 由切削力中的动态分量引起，且和刀具一工件一机床构成的切削系统本身的动 态特性密切相关。在具体应用过程中，振动信号和力信号一样，被分解为三 个方向的振动。根据不同的加工方式，选择不同方向的振动信号监测刀具的磨损。测量振动信号的传感器是加速度传感器，传感器通过磁力直接吸附在工件表面，安装非常简便，但是安装位置不同对信号也会产生不同的影响，这也是使用振动信号监测刀具状态实用化进程的一个障碍。 文献［５８］利用光学系统研究了主轴振动和进给轴旋转振动与刀具磨损 之间的对应关系，并成功监测刀具磨损的变化，缺点是监测精度有限； 文献［５９］～［６１］分别单独使用振动信号监测刀具状态，通过建立振动信 号与刀具磨损的回归模型，或抽取振动信号与刀具磨损相关的不同特征监测刀具磨损的变化，均取得了一定的效果。 （４）基于电流和功率的监测技术刀具磨损时，由于切削力增大，造成切削功率和扭矩增加，使得机床电 机电流增大，负载功率也随之增大，因此部分研究人员采用监测电流或功率 的方法识别刀具磨损状态的变化””叫“１。电流监测方法和功率监测方法具有安装简易，测量信号简便，成本低，不受加工条件限制，不干扰加工过程等优点，因此成为广泛采用的一种监测方 法，一些公司也开发了基于功率监测的设备。限制其发展的关键技术在于分 辨率和响应慢的问题，尤其在精加工时，进给量和切削深度的改变对机床功 率和电流的改变影响很小，识别精度无法提高严重影响其应用的范围。此外， 导轨的误差和传动系统的精度也会造成电机电流和功率的改变。 文献［６２］建立电机电流与刀具破损之间的模型，用于预测刀具的破损； 文献［６３］利用随机模糊神经网络建立刀具磨损与电机电流的对应关系，在一定精度范围识别刀具磨损：第１ ２页西南交通大学博士研究生学位论文文献［６４］通过基于遗传算法优化的模糊规则训练网络，获得刀具磨损和 直流电机电流的函数关系，刀具监测系统在无人化工厂运行，刀具后刀面平 均监测误差在Ｏ．１４ｒａｍ内，８１％不超过４－０．２ｒａｍ； 文献［６５］考虑了加工条件和平均后刀面磨损状态，建立了铣削过程的切 削功率模型。仿真和试验表明，切削功率模型能够成功用来监测各种变化条件下的铣刀刀具磨损。 （５）表面光洁度监测法刀具的磨损必将导致零件表面尺寸精度和表面光洁度的改变，这也是监 测刀具状态的直接原因，因此可以通过检测零件表面光洁度的方法监测刀具磨损。文献［６６］［６７］介绍了利用表面光洁度监测刀具磨损的方法，主要通过光 纤、光学系统或表面纹理传感器检测工件表面光洁度，通过对比不同刀具磨损下的表面光洁度确定刀具磨损范围；文献［６８］利用神经网络建立加工参数和工件表面光洁度之间的函数关 系，网络输入是切削速度、进给速度、背吃刀量、三向切削力和刀具磨损量， 网络输出是工件表面光洁度，取得了较满意的效果。 （６）超声波监测法 用来检测刀具状态的超声波传感器是一套超声波发射和接受装置。在机械加工过程中，将一束超声波打在刀具磨损表面或工件己加工表面上，随着刀具磨损程度的变化，由刀具反射回的超声波能量也随之变化。另外，刀具 磨损变化也引起已加工表面的光洁度发生变化，因此由已加工表面反射回来 的超声波能量也发生变化。通过对接收到的能量变化进行检测，就可间接获得刀具磨损状态”””…。 （７）基于温度的监测方法由金属切削机理可知，随着刀具磨损量的增加，切削温度明显升高，温 度升高的同时也会加速刀具的磨损，因此刀具磨损和温度变化密切相关，这一因素可以用作监测刀具状态。传统测量温度的传感器是热电偶，然而在实际加工中几乎没有一种工件 允许在其内部埋置热电偶，且其热惯性大，响应慢，因此不适和在线监测。 利用红外线辐射方法可以间接检测切削温度，该方法是将红外辐射感温 器对准切削区，由它接收切削区红外辐射强度的变化。由于切削区的红外辐 射强度与切削区的温度有直接联系，这样红外辐射温度计的读数将反映切削西南交通大学博士研究生学位论文第１ ３页区温度的变化，这样就可以间接测量刀具的磨损和破损程度。该方法的原理 很完善，但在实际加工中，因为切屑经常缠绕刀具，或因为工件等挡住切削区，可能无法顺利获得切削区的切削温度。另外在使用切削液时该方法的使用更受限制。 表卜ｌ总结了不同加工方法的刀具磨损监测方法，对其应用范围和特点进 行了说明。表Ｉ．１刀具磨损的监测方法Ｔａｂ １－１Ｍｅｔｈｏｄｓ ｏｆｔｏｏｌｗｅａｒ ｍｏｎｉｔｏｒｉｎｇ监测方法直适用范围 各种加＿丁特点接监 测 法光学法 接触法 放射线法切削力分辨率高，成本高，易受加Ｔ环境 影响，实用化困难车削加工受温度和切屑影响 对人体危害， 已停止使用各种加ｑ－ 车、铣、钻等 车、铣、钻等各种加工灵敏度高，工作稳定，价格高 灵敏度低，响应慢，成本低 对刀具磨损敏感，有好的应用价值 单独使用效果差，易受环境影响 灵敏度低，受冷却液影响大 非实时监测，应用范围小 受切削振动影响，处于研究阶段功率（电流）ｌ司接监 测 法声发射 振动 切削温度 表面光沽度 超声波车，钻、铣车车、铣 车、铣１．４．１．３多传感器融合技术多传感器信息融合技术是指充分合理地选择多种传感器，提取对象的有效信息，充分利用多传感器资源，通过对它们的合理支配和使用，把多个传 感器在时间或空间上的冗余信息或互补信息依据某种准则进行组合，以获得被测对象的一致性解释或描述，使该信息系统由此获得比其各组成部分的子 集所构成的系统具有更优越的性能”“。多传感器信息融合是刀具监测系统广 泛采用的方法，通过对不同传感器信号信息进行不同层次的融合，使监测系 统获得对象更全面的信息，图卜４是多传感器融合系统模型。第１ ４页西南交通大学博士研究生学位论文幽１＿４多传感器融合系统的结构模型Ｆｉｇ １－４ Ｔｈｅ ｓｔｒｕｃｔｕｒｅ ｏｆ ｍｕｌｔｉ―ｓｅｎｓｏｒ ｆｕｓｉｏｎ ｓｙｓｔｅｍ多传感器信息融合与经典信号处理方法问存在本质区别。信息融合可以在不同的信息层次出现，如数据融合、特征融合和决策融合。由于数据融合缺乏一致性检验准则，因此数据合成主要作为单一特征进行门限检测，而很 难建立监测模型，在刀具磨损监测系统几乎没有应用。特征融合在刀具磨损 监测技术中应用最为广泛，其实质是把特征分类成为有意义的组合模式识别过程，如采用神经网络进行特征融合。决策融合属于最高层次的融合，其输出是一联合决策结果，能够有效反映对象各个侧面的不同类型信息。 １９８０年，ｈ／ａｔｓｕｓｈｉｍａ和Ｓａｒａ最早提出集成几种传感器的信号或至少用 多只传感器的特征信息来监测加工状态和刀具失效。１９８５年，Ｄｏｒｎｆｅｌｄ和 Ｐａｎ综合切削速度、进给量和声发射信息监测车刀状态。”１。１９８７年，Ｒａｎｇｗａｌａ 和Ｄｏｒｎｆｅｌｄ首次利用神经网络融合切削力和声发射信息监测车刀后刀面磨 损，扩展了系统的监测范围””。１９８８年，Ｃｈｒｙｓｓｏｌｏｕｒｉｓ ａｎｄ Ｄｏｍｒｏｅｓｅ建议采 用多传感器融合方法提高监测的准确性和减少噪音，并比较了三种不同的数据融合方法，最小乘方回归法、群组聚类方法和神经网络融合数据，每种方法各有优缺点，然而神经网络表现出更好的性能”“。此后，基于神经网络的 多传感器融合技术得到广泛研究，其应用范围也愈来愈广泛。 文献［７５］～［８０］通过融合力传感器、振动传感器及声发射传感器监测刀 具磨损及破损；文献［８１］使用力传感器和声发射传感器作为监测传感器，利用ＧＤＭＨ方法建立了加工过程的动态模型，并利用模型监测刀具磨损，预测准确率达到９５％：文献［８２］使用力信号和声发射信号构建了刀具磨损监测系统，通过神经西南交通大学博士研究生学位论文 网络建模预测刀具磨损，也取得了满意的识别效果：第１５页文献［８３］～［８６］通过神经网络融合声发射信号和振动信号特征监测刀具磨损量的变化；文献［８７］～［８９］建立切削力和振动信号与刀具磨损的映射关系预测刀具状态ｉ 文献［９０］融合电流、功率、电流及温度信号监测刀具状态；文献［９１］利用ＡＥ信号和功率信号监测刀具磨损； 文献［９２］［９３］使用模糊系统融合声发射及电流信号监测铣刀及钻头的磨损，取得了较好的效果；文献［９４］利用使用神经网络融合声发射信号和工件表面光洁度监测刀具磨损；文献［９５］比较了不同多传感器信息融合方法的特点，强调了多传感器信息融合的必要性；总之，使用多传感器信息融合技术提高了刀具监测系统的预报精度和可 靠性，不同的传感器组合取得的监测效果也各不相同。１．４．２特征抽取传感器信号包括与刀具磨损有关的信息，还包括噪声、加工参数变化引 起的信息。因此，原始信号不能直接用来监测刀具磨损的变化，必须进行特 征分析和特征抽取。常用的特征分析方法有：时序分析、时域分析、频域分析和时频域分析。１．４．２．１时间序列分析及特征时间序列分析方法最早起源于１９２７年，数学家Ｙｕｌｅ提出建立自回归模 型来预测市场变化的规律。１９３１年，Ｗａｌｋｅｒ在自回归模型（ＡＲ）的启发下，建立了滑动平均模型（ＭＡ）和自回归一滑动平均混合模型（ＡＲＭＡ），奠定了时间序列分析方法的基础。６０年代，基于ＡＲ模型的功率谱估计克服了传统傅 立叶功率谱分析所带来的分辨率不高和频率泄漏严重等缺点，使时间序列分 析方法在频域中获得广泛的应用，成为分析随机数据序列不可缺少的有效工具。大量研究表明，利用ＡＲ模型建立切削系统的动态模型，并使用模型参 数、特性函数和残差作为刀具磨损监测特征是广泛采用的方法，其中模型阶 数和参数的确定和选择是成功的关键所在。 文献［７５］建立了ＡＥ信号和振动信号的ＡＲ模型，选取了两个模型参数和第１ ６页西南交通大学博士研究生学位论文残差作为监测刀具磨损的特征； 文献【８８］建立了刀架加速度信号的ＡＲ模型，并提取模型的三个敏感系 数作为监测特征； 文献［９６１建立了功率、ＡＥ和振动信号的５阶ＡＲ自回归模型，提取５ 个模型参数作为监测特征，刀具磨损分类识别率达到１００％。Ａｌｔｉｎｔａｓ利用一 阶ＡＲ自回归模型判断刀具磨损和破损时的切削力，通过监测切削力残余误 差的变化监测刀具状态。Ｌａｎ利用最小平方回归法更新铣削力的ＡＲ系数， 模型的预测误差用来预测刀具状态。 需要强调的是，在大多数情况下，ＡＲ模型系数并不单独作为监测特征， 而是和其它信号特征一起构成监测系统的输入向量。１．４．２．２时域特征时域统计特征有均值、均方根、方差、脉冲因子、偏态系数、峰值、脉 冲因子等。不同的传感器信号的时域统计特性表现不同，能否应用于刀具磨 损监测，主要根据信号随刀具磨损变化的规律及幅度来确定。 在所有信号中，切削力信号特征大多从时域提取。 文献［３７］［８８儿９１］［９７］提取切削力比值作为监测特征，目的是消除加工 条件、工件材料和刀具尺寸变化对特征的影响； 文献［３８３提取切削力信号的奇异性指数监测刀具磨损； 文献［３９］使用轴向力的峰值因子、峭度和力的敏感频段能量监测钻头的磨损； 文献［３１］［３２］［４４］［４５］提取切削力均值、均方根、信号增量等时域参数 监测刀具磨损；研究表明，ＡＥ信号的振铃计数和ＲＭＳ值随刀具磨损变化逐渐增大，被用于监测刀具磨损变化“７“…；文献［４９］为了减小加工参数变化对特征的影响，采用声发射信号的时域平均偏差监测刀具磨损；文献［５２］利用模糊关系矩阵优选ＡＥ的时域特征作为网络识别刀具磨损 的有效特征，识别准确率大大提高： 文献［８３］提取声发射、振动和功率的均值、方差作为识别刀具磨损的模 式特征，和转速与背吃刀量一起构成神经网络的输入向量对刀具状态进行预测。 １．４．２．３频域特征西南交通大学博士研究生学位论文第１ ７页频域特征是信号经频谱分析得到的特征，通过快速傅立叶变换获得。信 号的频域特征有幅值谱、相位谱、功率谱、幅值谱密度、能量谱密度、功率 谱密度等。 信号的敏感频段能量是研究人员经常采用的频域特征，用来监测刀具磨 损和破损，如随刀具磨损加剧，切削力信号的主频段能量增加明显，声发射 信号及振动信号也都存在特征频段，频段能量随刀具磨损加剧而增加［２９１口町［３３】［３盯［４５］［７叫ｏ１．４．２．４时频域特征 小波包分解技术是时频域分析的有效工具，对加工过程中的力、振动和 声发射等信号进行小波包分解，获得不同频段内信号状态特征，可用于监测刀具磨损。文献［４６］［５６］［８４］［８５］利用小波包技术分解ＡＥ信号和振动信号，研究 了信号不同频段小波包系数同刀具磨损之间的关系，提取了和刀具磨损敏感 频段的能量作为模糊系统的输入，成功地监测刀具状态的变化。此外，通过 小波变换可以将ＡＥ信号中连续信号和突变信号进行分解，突变信号监测刀具 破损，连续信号监测刀具磨损。同样，利用小波分析可以提取刀具初期磨损 时的微弱信号，对监测刀具正常磨损和剧烈磨损非常有效。 文献［９８］利用小波变换模极大值的多尺度传播特性，滤掉了振动信号的 噪声，提高了监测特征的可靠性。 １．４．２．５分形维数 １９７３年，Ｍａｎｄｅｌｂｒｏｔ首次提出了分形几何理论，突破了维数只能是整数 的概念，因此维数是连续函数。分形几何学在处理问题时，将面对的对象看 成是分形维数，由于分形理论是基于一种尺度来探讨复杂的问题，因此它为 非平稳信号处理提供了新的分析方法。 文献［９９］［１００］将分形理论引入刀具磨损研究，论证了刀具磨损存在分 形结构，具有分形特征。利用ＣＣＤ获取刀具后刀面磨损区域图形，通过计算 磨损区域的分形维数，研究了刀具后刀面磨损的分形特征和分形结构，并揭 示了切削速度与刀具磨损分形结构之间的映射关系： 文献［１０１］通过计算不同加工条件下声发射信号关联维数，认为利用分 形维数作为判断刀具磨损状态的敏感特征，可以克服加工条件变化对信号特 征的影响，能够提高监测系统的适应能力。１．４．３特征选择第１ ８页西南交通大学博士研究生学位论文从各种传感器信号中提取的加工状态特征向量往往是高维特征向量，不 同特征和刀具磨损的敏感程度、关联程度及影射关系都不相同。若直接对这 些高维特征向量进行识别，不仅会消耗大量时间，而且特征向量中各分量间 存在的干扰和噪声也会影响识别结果。因此必须根据特征与磨损量间的内在 关系，对所获得的高维特征向量进行优选，降低特征向量的维数，同时获得 最优的特征组，这也是决定刀具磨损监测系统性能好坏的重要步骤“”３。特征 选择包括特征数量的选择和特征的优化，特征选择的好坏严重影响监测系统识别模块的分类效果和计算精度。 （１）特征的数量一般来讲，应该以最紧凑的方式选择与刀具磨损最敏感的特征，特征的 数量必须完全覆盖与刀具磨损相关的全部信息，同时应避免特征过多导致的 网络过拟合现象。Ｒａｎｇｗａｌａ和Ｄｏｒｎｆｅｌｄ指出，在一定情况下，增加传感器信 号特征可以提高系统性能，然而多余的特征将会导致系统性能恶化ｆ１０３］。此外， 当特征向量增加，网络需要的训练样本也必须增加，为满足网络的推广能力 和泛化能力，必然导致试验成本的增大。 目前，采用多少个特征对刀具磨损监测过程进行监测，依然没有比较成 熟的理论依据。国内外学者大多根据经验选择，根据监测对象和试验条件的 不同，采用的特征数量从几个到几十个不等，监测的结果也因为试验方法不 同，且没有具体的数据验证而无法进行类比。（２）特征的优化 从一组数量为Ⅳ的特征中选择出数量为＂的一组最优化特征，所有可能 的方法ｍ为：一ｑ＝尚从上式看出，从ｍ种方法中挑选一种最优方法，计算量很大，为了提高 设计效率，必须研究特征的优化选择方法。 文献［５２］利用模糊关系矩阵优选ＡＥ信号特征； 文献［７２］通过计算Ｄ个特征的类内散射矩阵和类间散射矩阵，根据类间矩最大，类内间距最小的原则，采用向前顺序搜索算法选择对刀具最敏感的 ｄ个特征；文献［８６］计算特征的灰色关联度，根据关联度的大小顺序选择特征；文献［７７］［７８］利用正交矩阵选择最合适的传感器及信号处理方法；西南交通大学博士研究生学位论文 文献［１０４］采用主分量分析（ＰＣＡ）选择特征。第１ ９页ｓｉｃｋ提出了基于遗传算法的特征优选算法，能够从一组特征中自动选择 合适的特征，并确定合适的网络层数及神经元数量，提高了系统设计的效率和性能。１．４．４模式识别刀具磨损监测研究经历了从刀具状态判别（新刀和磨损刀具）、刀具磨 损分类（划分刀具磨损区间）和计算刀具的实际磨损量三个过程。随着监测 精度的提高，监测系统识别模块的结构和功能区别显著。 实现刀具磨损状态识别的方法很多，有模式识别，简单决策逻辑，统计 方法，模糊逻辑，黑板系统，多元最小二乘回归法，群组处理方法（ＧＭＤＨ）和 人工神经网络等方法，不同方法实现的效果也各不相同“””１。 建立加工系统的数学模型，并根据模型参数的变化或系统响应的变化来 监测刀具状态的方法称为基于模型的方法。要准确预测刀具磨损量，就必须 建立加工过程的动态模型。当模型结构确定后，系统可以通过多种方法，如 ＡＲ模型、状态空间模型、回归方程等表述，这种建模方法属于灰箱方法。对 于刀具磨损过程而言，由于存在多种因素的作用，它属于非线性时变系统。 许多信号建模时无法确定其系统模型，此时采用传统的建模方法无法获得准 确的结果，必须采用黑箱处理方法，即忽略复杂的过程分析，仅对系统的输 入和输出进行观测，建立其等价模型。常用的黑箱建模方法有神经网络和群 组处理（ＧＭＤＨ）等方法。 人工神经网络是模仿人脑神经系统而开发的一种新的信息处理方法。使 用神经网络建立刀具磨损和信号特征之间的映射关系，从而实现刀具磨损量 的预测，这是目前国内外研究人员广泛采用的方法。使用神经网络的优点是 无须考虑复杂的建模过程，利用训练样本对网络进行训练，系统的信息存储 在网络的权系数中。 刀具磨损监测分为刀具磨损状态的分类和刀具磨损量的连续计算。根据 监测目标的不同，采用不同结构的神经网络。目前，多层感知器、径向基网 络、小波神经网络、ＳＯＭ、ＡＲＴ、模糊神经网络等都被应用于刀具磨损监测技 术，不同网络的应用效果也各不相同。根据网络学习算法的不同，网络分为 监督型神经网络和无监督型神经网络。 （Ｉ）基于监督型神经网络的刀具磨损监测 监督型神经网络实现刀具磨损分类和刀具磨损量计算，常用的网络有：第２０页西南交通大学博士研究生学位论文多层感知器（ＭＬＰ）、径向基网络（ＲＢＦ）、单层感知器（ＳＬＰ）、时延神经网络 （ＴＤＮＮ）、递归神经网络（ＲＮＮ）和模糊神经网络等。多层感知器是最常用的神经网络，能够实现刀具状态分类和磨损量计算。１９８７年，Ｒａｎｇｗａｌａ和Ｄｏｒｎｆｅｌｄ首次应用ＢＰ神经网络成功地对车削加工中 的新刀和磨损刀具进行分类，提高了监测系统识别的精度，简化了识别模型 设计。随后基于ＢＰ神经网络的刀具磨损监测技术获得广泛研究，目前７０％ 的研究人员都采用ＭＬＰ监测刀具磨损嘲呻ｍｏ卜Ⅲｍ”州”。Ｓｉｃｋ比较了ＭＬＰ、ＣＳＯＭ、ＦｕｚｚｙＡＲＴＭＡＰ和ＮＥＦＣＬＡＳＳ等网络在刃具磨损分类中的性能，其中ＭＬＰ识别精度最好ｕｗ。 针对加工过程出现的不确定现象，特别是刀具状态本身就具有较强的模糊性，研究人员提出采用模糊神经网络监测刀具磨损，且与ＭＬＰ网络进行了性能对比，结果表明，模糊神经网络的识别精度高于ＭＬＰ。“”¨““６“。此外， 小波模糊神经网络、随机模糊神经网络应用于刀具磨损监测技术研究，都取 得了很好的效果呻ｍ小”㈣１。 和ＢＰ网络相比，ＲＢＦ网络具有好的收敛性质，能够逼近任意非线性函数，因此在刀具磨损监测领域也获得了应用““’“”１。（２）基于无监督型神经网络的刀具磨损监测 利用无教师学习算法进行训练的网络，称为无监督型神经网络。无监督 型神经网络仅能够实现刀具状态分类，不能用于计算刀具实际的磨损量。 ＡＲＴ和ＳＯＭ是常用的无监督型神经网络，文献［１０９］认为：由于网络训练需要的有教师学习样本在刀具磨损中是非常昂贵的，因此应用ＢＰ型神经网络检测刀具磨损量是不合适的方法。此外，无监督网络对特征提取具有学习快， 计算量小等优点，适合在线监测刀具磨损状态“”儿¨“。群组处理方法（ＧＭＤＨ）是Ａ．Ｖ．Ｉｖａｋｈｎｅｎｋｏ于１９６８年提出的非线性系统 辨识方法，该方法根据Ｒｏｓｅｎｂｌａｔ提出的仿脑机制改进的多层算法，引入线性多参数多项式描述一般系统的输入、输出关系。它是－４＋自适应算法，最 大优点是不需要输入变量和输出变量之间的任何先验信息，能够自动选择模 型的结构（线性阶次）“”１。 文献［８１］利用ＧＭＤＨ动态建模方法建立了力信号和ＡＥ信号与刀具磨损之 间的数据模型，决策层使用知识库的规则进行推理，完成刀具状态预测，预 测准确率达到’９５％。１．４．５监测系统的实用化研究西南交通大学博士研究生学位论文第２１页在刀具磨损监测技术研究的基础上，国内外的研究机构积极推动刀具状 态监测系统的实用化进程””。以色列ＯＭｔＡＴ有限公司发明的刀具状态自动监测仪，用于给加工时的切削刀具状态提供瞬时指示。该系统监测加工过程中扭矩的变化，通过比较多 个刀具磨损系数的平均值和基准平均刀具磨损系数，获得切削刀具的瞬时刀具状态指示。德国Ｓｉｃｋ公司研制的刀具破损监测仪，利用红外线方法监测刀具的破损。瑞典Ｓａｎｄｖｉｋ公司生产的ＴＭ―Ｂｕ一１００１型刀具监测仪、美国ｋｅｎｎａｍｅｔａｌ公司生产的ＴＳ一２００型刀具监测仪和德国Ｗｉｄｉａ公司研制的Ｗｉｄａｔｒｏｎｉｃ刀具 监测仪都能够通过监测切削力的变化检测刀具的磨损、破损和非正常碰撞。德国ｗｅｎｎｅｒ公司利用光学法研制的刀具监测仪能够监测刀具的磨损和破损。美国Ｖａｌｅｒｏｎ公司研制的７２３型刀具监测仪、美国Ｃｉｎｃｉｎａｔｉ 用功率变化监测刀具的磨损和破损。Ｍｉｌａｃｒｏｎ公司的加工过程监测器和意大利Ｂｏａｎｏ公司生产的ＡＳ―Ｔｒｏｌ型刀具监测仪利 日本ＯＫＫ公司生产的ＣＣＭ系列刀具监测仪、日本Ｍａｋｉｎｏ公司研制的刀 具破损监测仪和美国Ｏｍｒｏｎ公司的ＫＴＡ型刀具监测仪利用声发射监测技术对刀具破损状态进行监测。Ｔｅｃｈｎ．Ｃｈｅｃｋ刀具状态监测系统由Ｔｅｃｈｎａ．Ｔｏｏｌ＆Ｍａｃｈｉｎｅ Ｃｏ．Ｉｎｃ．研制， 采用主轴电机功率消耗判断刀具磨损状态，适合于铣削加工，钻削加工和绞削加工等工艺过程。８０年代初，国内的一些大学开始对刀具监测技术进行研究，并开发了一些刀具监测装置。清华大学利用多传感器融合技术发明的刀具监测仪，是一种充分融合声 发射和振动信号的一种刀具失效综合监控装置，提高了刀具状态监测预报的 准确度，减少了漏报率和误报率，可用于多种机床加工的刀具失效监控。 西北工业大学研制了基于声发射技术的刀具破损监测仪。 哈尔滨工业大学研制的刀具破损监测仪，通过监测电机功率和声发射信号预报刀具的破损状态。西安交通大学研制了基于切削力监测刀具磨损和破损的刀具磨损、破损实时监测系统。第２２页西南交通大学博士研究生学位论文北京航空航天大学也成功研制了基于切削力的刀具破损监测仪。１．４．６存在的问题及技术难点尽管国内外学者对刀具磨损和破损进行了多年的研究，也出现了大量的 刀具状态监测系统。然而真正能够用于工业生产的监测系统还存在许多问题。 归结起来，主要有以下几点““１：（１）传感器技术发展滞后在刀具监测系统中，目前广泛采用的力传感器、振动传感器和声发射传 感器，在使用过程中，都不可避免受到加工条件的限制。如力传感器在监测 铣削过程时，工件大小受传感器尺寸和监测精度的严格限制；声发射和振动 传感器信号与安装位置紧密相关。此外，传感器高昂的价格严重限制了其在 工业中的广泛应用。因此，监测系统的发展首先应大力发展传感器技术，尤其是发展针对刀具状态监测的特种传感器。 （２）加工过程的复杂性金属切削过程中，工件、刀具和机床构成了极为复杂的动态系统。不同 的系统使监测的传感器信号呈现不同的特性，信号时域特征和频域特征也各不相同。此外，不同加工方式、不同加工参数、不同加工机床和不同加工刀具对应的监测系统也各不相同，使得监测的难度大大增加。 （３）加工参数的多变性 研究表明，传感器信号无一例外地受到加工参数的影响。加工过程中， 切削三要素（切削速度、进给速度和背吃刀量），刀具几何角度等参数均可引 起电机电流、切削力、振动幅度和切削温度的变化，提取完全区分加工参数和刀具磨损引起变化的特征几乎是不可能的。（４）磨损与破损共存性刀具在金属切削过程中，刀具破损和刀具磨损往往是并存的，尤其像铣削这样的多齿断续加工。此外，刀具磨损的渐变性和刀具破损的突发性增加 了信号分析的难度。不同的磨损形态对信号也会带来一定的影响，这些错综 复杂的变化都将影响刀具磨损监测的可靠性和准确性。（５）材料组织不均匀当工件材料出现金相组织不均匀的情况时，加工中会对刀具造成一定的 冲击，导致传感器信号发生突变，影响监测结果的准确性。（６）冷却液和切屑的影响以光学检测法和红外辐射方法为基础构建的监测系统，在加工中主要受西南交通大学博士研究生学位论文第２３页到切屑和冷却液的影响，冷却液给图像处理带来较大干扰，切屑对红外辐射 的强度影响较大，这些因素都严重制约相关监测技术的实用化进展。（７）多磨损状态下建模困难 如何构建多种磨损状态下的磨损模型，是目前仍然无法解决的技术难题。尽管在一般加工条件下，基于后刀面磨损建立的模型能够近似反映加工 状态。然而，基于后刀面磨损、前刀面磨损和刀具破损建立的磨损模型才是 加工过程的最真实反映。１．５主要研究内容针对刀具磨损监测系统各个组成部分出现的技术难题，本文开展了下列 研究工作，主要研究内容及各部分之间的关系，如图卜５所示。１．５．１试验设计（１）试验系统建立 确定了研究对象及研究范围，选择测力仪、声发射传感器和振动传感器 作为信号检测元件。针对不同传感器的结构和特性，设计了试验工件的结构 和尺寸，建立了对称铣削加工方式下的铣刀磨损监测系统。并根据不同传感 器信号变化的特性，确定了信号的采样频率和采样长度，奠定了正确分析刀具磨损和信号特征之间关系的基础。 （２）试验方法研究为了推动刀具磨损监测系统的实用化进程，研究了传感器安装位置、加 工参数变化、加工方法变化等因素对信号特征的影响。利用正交试验研究特 征数据变化的统计规律，找出影响信号特征的最大因子。考虑了试验方法对 数据建模的影响，在对正交试验获取的数据认真分析的基础上，指出正交试 验对神经网络建模和识别是不合适的试验方法，提出利用全因子组合试验方法研究刀具磨损和信号特征之间的映射函数关系。１．５．２监测策略研究针对多加工条件下特征提取和监测精度低等难题，提出了以下监测方法：（１）基于标准模块的刀具磨损监测方法 利用神经网络建立不同刀具磨损区间切削三要素（切削速度、背吃刀量 和进给速度）和信号特征之间的映射关系。提出了基于标准切削力模块的刀 具磨损监测方法，解决了加工参数变化对特征造成的影响，提高了监测系统第２４页西南交通大学博士研究生学位论文啦＊蓖鲺咏Ｒ譬蚺匿ｄａ巾硝．Ｈ 犁镶晏ｆ《一蜂《＊毒苇摧咪掣堙蚺匿名．搿粕恃嚣哥咪Ｒ譬杂匿啦饕田岫越．旱暴Ｌ等蒂咤一半划科妹苦缸交磐忙眯《．卑＃丝０申帚嘎一罅岳挂鼙咏州譬＊尊面氧辱趣咪Ｒ丫一研等ｂＩｊｏ翌叫ｕｌ苔＝ｃｏＥ矗ｕ；一ｅｋｏ上２嚣∞巴一罡甚８上卜，一兽山一ｇ鼙刚文心坚曾僻商岛桀趣咪Ｒ譬《鞯＊雌巾硝西南交通大学博士研究生学位论文 的识别精度。 （２）基于动态树理论的刀具磨损监测方法第２５页在树状理论的基础上，提出了基于动态树理论构造监测系统的新方法。 该方法为全局性构造刀具磨损监测系统提出了新的思路，既消除了特征提取 的复杂性，又简化了任意条件下监测系统构造的方法，并且给出了相应的算法。１．５．３信号分析与特征选择（１）信号特征分析 对试验获得的力信号、声发射信号和振动信号进行了细致的分析。从时 域、频域和时频域提取了与刀具磨损相关的特征，并从加工过程的本质说明 了信号变化的原因。（２）特征选择特征选择的好坏直接影响模式识别或模型的准确性，对识别结果有至关 重要的影响，也是监测系统设计成功的一个重要因素。此外，特征的自动选 择是实现监测系统自动化的必要前提，因此研究特征的选择方法是不可忽略 的步骤。本文通过对力信号、声发射信号和振动信号的详细分析，对特征选 择方法进行了研究，提出了采用变化特征监测变化条件下刀具磨损的思路， 并使用综合系数方法选择信号特征，能够实现特征的优化选择。１．５．４模式识别研究了多条件下和固定条件下基于神经网络的刀具磨损识别方法。在认 真研究ＢＰ前馈型神经网络的基础上，分析了其存在的缺点及不足。首次提出 了利用Ｂ样条模糊神经网络建模识别刀具磨损量的新方法。研究了Ｂ样条网 络的学习算法、样本和网络的关系，分析了训练样本质量及分布对网络识别 精度的影响。提出采用自适应算法对网络进行训练，优化了网络结构，满足 了刀具磨损监测的实际需要。１．５．５可靠性研究针对系统可靠性差的难题，采用集成神经网络建立刀具磨损与信号特征 之间的非线性映射关系，通过多个子网络的有效组合及输出决策的融合，提 高了网络识别精度及可靠性。为了消除信号随机性及工件组织不均匀导致信 号畸变给监测结果的影响，提出了改进的模式识别模型，通过对多个时刻刀 具磨损值的综合判断，系统的可靠性大大提高。１．５．６实用化监测系统研究第２６页西南交通大学博士研究生学位论文在提出相关监测理论的基础上，构建了刀具磨损监测系统的实用化模型。 为了验证监测理论和监测方法的准确性和实用性，分别对车刀磨损与铣刀磨 损进行监测，构建了车刀磨损监测系统和铣刀磨损监测系统。试验结果表明， 提出的监测模型具有良好的学习能力和增殖性，能够满足生产加工要求的监 测精度，具有很好的推广价值。西南交通大学博士研究生学位论文第２７页第二章刀具磨损监测的试验设计完善的试验方法是降低试验成本，获得完整数据的可靠保证。常用的试 验方法有正交试验设计方法，均匀试验方法及回归试验设计方法。刀具磨损监测试验设计包括试验方法选择，加工参数确定，刀具和工件参数的确定，传感器选择及安装位置确定等步骤。２．１试验装置２．１．１试验对象及加工参数确定理想的刀具状态监测系统必须能够准确预测不同加工状态下刀具的实 际磨损状态。在机械加工过程中，针对不同的加工对象和产品精度的要求， 加工方式、加工刀具及加工参数都要不断地调整以满足工件的加工工序要求。 每个参数的变化都会导致检测信号的变化，这种参数的多变性给刀具磨损监 测研究带来许多困难，因此刀具磨损监测试验首先应确定监测对象和监测范围。 （１）监测对象研究表明，在不同的加工方式下，传感器的选择和安装方法是不同的， 典型的加工方法是车削和铣削。车削加工的特点是，工件旋转，刀具固定在 刀体上沿导轨方向直线移动。铣削加工的特点是，刀具安装在主轴上，刀具只作旋转运动，工件固定在机床工作台的台钳或夹具上，沿导轨方向运动， 以满足金属切削要求。此外，车削是连续切削，而铣削则是多齿断续切削。 因此，铣削加工较其它加工方法更为复杂，刀具磨损监测也更为困难。为了 解决监测技术的一些通用性问题，本文选择铣刀磨损为研究对象，提出的技 术方案可用于其它刀具磨损的监测。 （２）切削三要素考虑不同加工条件下的刀具磨损监测，选择加工参数如下：主轴速度：１２００（ｒ／ｍｉｎ）；９００（ｒ／ｍｉｎ）；６００（ｒ／ｍｉｎ）进给速度：０．４（ｍｍ／ｒ）；０．８（ｍｍ／ｒ）；１．２（ｍｍ／ｒ）背吃刀量：０．５ｍｍ：ｌｍｍ；１．５ｍｍ （３）工件和刀具考虑不同材料对检测信号的影响，工件材料分别选择如下：４５＃调质钢：硬度：ＨＢ２３６第２８页西南交通大学博士研究生学位论文Ｑ２３５Ａ钢；硬度：ＨＢｌ８６工件的尺寸应根据所选择传感器的安装要求决定。在铣削加工中，当采 用测力仪检测力信号时，工件必须安装在测力仪表面。因此工件高度是由测 力仪的检测要求所决定的，如Ｋｉｓｔｌｅｒ９２５７Ｂ测力仪要求工件上表面至测力仪 安装面最大距离不能超过２５ｍｍ。考虑试验次数和试验成本的要求，工件高度设计为２５ｍｍ，长度和宽度根据测力仪上表面的尺寸（１７０ｍｍ×１００ｍｍ）和螺纹孔尺寸决定，其结构如图２―１所示。Ｉｌ；：。图２－ｌ工件结构图Ｆｉｇ ２－Ｉ Ｔｈｅ ｓｔｒｕｃｔｕｒｅ ｏｆｗｏｒｋｐｌｅｃｅ切削刀具选择ＶＸ一８１０３２型标准端铣刀：直径８０ｍｍ，６个刀齿，刀片材料分别选择ＹＴｌ５和ＹＧ６，前角Ｏ。，后角５。。 铣削宽度：５０ｍｍ。 应该说明的是，在车削加工方式下，工件的尺寸不受测力仪的尺寸限制，而是由机床的最大旋转半径所限制。（４）刀具磨损划分金属切削过程中，刀具的磨损是比较缓慢的。如果在每一种加工条件下，传感器信号的获得都是从新刀加工一直到刀具磨损，则将是十分巨大的试验工作，试验成本和试验时间也是无法估量的。为了节约试验时间，必须对刀 具磨损进行划分，提前在工具蘑床上磨削至要求的磨损量，并进行钝化处理， 实际的刀具磨损量在工具显微镜下测量获得。根据刀具磨损对加工精度的影响，铣刀刀具磨损划分见表２－１。表２－１刀具磨损划分Ｔａｂ ２．１ Ｔｈｅ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｏｆｔｏｏｌ Ｗｅａｌ＂类别 刀具磨损量ｖＢｌｍｍＡＢＣＤＥＦ ＞Ｏ．５Ｏ～Ｏ．１Ｏ．２ Ｏ．３０．４０．１～０．２～Ｏ．３～０．４～０．５西南交通大学博士研究生学位论文（５）加工方法第２９页常用的铣削加工方式有：对称铣削、逆铣、顺铣和全铣削。在不同的加 工方式下，铣削力大小和方向的变化都是不同的，这也是铣削加工较其它加工方法更为复杂的原因之一。加工相同的工件，当选择不同的加工方式时，导致传感器信号的变化也截然不同，这也给刀具监测带来了很大的困难。为 研究方便，本文选择最常见的对称铣削加工方式。 （６）润滑方式 在加工中，使用冷却液可以减缓刀具的磨损，提高刀具工作寿命。然而， 对本项研究，冷却液会对传感器的使用和维护造成一定的影响，因此所有试 验均不采用冷却液。２．１．２传感器的选择与安装２．１．２．１传感器的选择传感器信号是监测系统处理的数据源，因此传感器的合理选择对于刀具 磨损监测技术研究成功起着重要的作用。研究表明，ＡＥ信号对与塑性变形和 切削区裂变有关的微观活动敏感，切削力信号和加速度信号对后刀面磨损而 导致的刀具和工件振动敏感，其组合为刀具磨损监测提供了更多的冗余信息， 能够满足刀具磨损状态的可靠监测“删。所以本文选择测力仪、声发射传感器和振动传感器的组合对刀具磨损状态进行监测。 （１）力传感器选择瑞士Ｋｉｓｔｌｅｒ公司生产的Ｋｉｓｔｌｅｒ ９２５７Ｂｌ钡４力仪。测力仪的结构见图２－２，传感器由３个圆形压电晶体板组成，上面的压电晶体板对Ｆｘ方向的力灵敏，中间的压电晶体板对Ｆｚ方向的力灵敏，最下面的 晶体板对Ｆｙ方向的力灵敏，其组合满足三向切削力的准确测量。（２）力信号放大器力信号放大器采用配套的Ｋｉｓｔｌｅｒ ５０１９Ｂ四通道电荷放大器。放大器所 有操作由一个８位微处理器控制和监测，通过面板上的液晶屏和操作按钮可 以察看各个通道信号的状态，放大器内置的低通滤波器可以根据信号的频率 对信号滤波。放大器具有操作简单，使用可靠等优点。具体指标见附录１。（３）声发射传感器选用北京航空航天大学生产的声发射传感器，型号ＲＮＴ一２００，具体参数见附录１。第３０页西南交通大学博士研究生学位论文图２―２力传感器结构图Ｆｉｇ ２－２ Ｔｈｅ ｓｔｒｕｃｔｕｒｅ ｏｆ ｄｙｎａｍｏｍｅｔｅｒ（４）声发射信号放大器 采用配套的前置放大器及主放大器，具体指标见附录１。 （５）振动加速度传感器 选用丹麦Ｂ＆Ｋ公司的振动传感器，型号Ｂ＆Ｋ４９３０，可以测量位移、速度 和加速度，具体指标见附录１。（６）振动信号电荷放大器信号放大采用Ｂ＆Ｋ公司配套的放大器，型号Ｂ＆Ｋ２６３５，其外观图及性能 指标见附录１。 ２．１．２．２传感器的安装 在加工过程中，声发射传感器和振动传感器依靠磁力固定在工件表面， 工件表面必须精磨，满足表面粗糙度不大于５“ｍ。随着试验次数的增加，传 感器安装位置与切削点之间的距离发生变化，导致信号间可比性减弱。为了 减小试验误差，在加工过程中，传感器安装位置通过专用量具始终保证与工 件已加工表面５毫米，ＡＥ和振动传感器安装位置见图２－３。西南交通大学博士研究生学位论文第３１页图２－３传感器安装位置简图Ｆｉｇ ２－３ Ｔｈｅ ｓｋｅｔｃｈ ｍａｐ ｏｆｆｉｘｉｎｇ ｌｏｃａｔｉｏｎ ｏｆＡＥ ａｎｄ ｖｉｂｒａｔｉｏｎ ｓｅｎｓｏｒｓ２．１．３Ａ／Ｄ卡及采集参数选择（１）ＪＯＶＩＡＮ双通道高速数据采集卡， 高速采集卡用于采集ＡＥ的高频信号，型号为ＪＶ５２０１４。采样长度最大为 ２５６Ｋ，采样率：ＩＯＨｚ～４０ＭＨｚ，具体指标见附录１。 （２）ＰＣ２６６低速采集卡 低速采集卡主要用于振动和力信号的采集，主要指标如下： 通道数：１６通道；分辨率：１２位；采样频率：１Ｈｚ～７５０ｋＨｚ。（３）采集参数确定１．力和振动信号 机床主轴的试验最高转速为１２００ｒ／ｍｉｎ，则刀具每转需要的时间：ｔ＝６０／１２００＝０．０５（Ｓ）机床主轴的试验最低转速为６００ｒ／ｍｉｎ，则刀具每转需要的时间：ｔ＝６０／６００＝０．１（Ｓ）根据铣削加工特点，随着铣刀刀齿切入和切出工件，在刀具安装理想的 情况下，在每齿的切削周期内，切削厚度随刀具转角而变化，因此切削力随 刀具转角和刀具旋转而变化，此时可以对每齿周期的切削力信号进行分析， 研究刀具磨损的变化规律。然而，由于刀片的安装误差，切削力在每齿周期 的变化是不同的，此时切削力表现为刀具转动一周时间的周期函数，因此信 号采样时间应该大于刀具每转的最长时间，才能正确分析切削力信号特征与 刀具磨损的映射关系，即采样时间满足：，＝净…，式中：三一采样长度：产一采样频率。㈣?，由于力和振动信号属于低频信号，首先确定采样频率１６ｋＢｚ，则采样长第３２页西南交通大学博士研究生学位论文度必须大于１．６Ｋ，实际的采样长度取为１０Ｋ。２．ＡＥ信号 目前的研究表明，ＡＥ信号的频率在５０ｋＨｚ～１ＭＨｚ之间ｍｍ州”１。由于选用 的采集卡采样长度最大为２５６Ｋ，且采样频率越高，采集的长度越小，即采样 时间越短。根据香浓采样定理，采样频率至少为信号最高频率的２倍，因此 选择声发射信号采样频率为２ＭＨｚ，信号采样长度的选择满足式（２―１）。即 Ｌ＞２００Ｋ，本文选择采样长度为２５６Ｋ。２．１．４试验机床所有切削试验在铣削加工中心（Ｃｉｎｃｉｎｎａｔｉ Ｍｉｌａｃｒｏｎ 床外形机床的外形图见图２－４，主要技术参数见附录１。Ｓａｂｒｅ５００）进行，机图２?４立式加工中心外形图Ｆｉｇ ２－４ Ｃｉｎｃｉｎｎａｔｉ Ｍｉｌａｃｒｏｎ Ｓａｂｒｅ ５００ Ｖｅｒｔｉｃａｌ Ｍａｃｈｉｎｉｎｇ Ｃｅｎｔｒｅ２．１．５刀具磨损监测系统刀具磨损监测信号采集系统框图见图２－５，Ｋｉｓｔｌｅｒ９２５７Ｂ测力传感器通 过４个螺栓固定在机床的工作台上。工件由６个螺栓固定在测力仪的上表面，声发射传感器ＲＮＴ一２００通过专用磁性卡座（ＭＳＨ－１）的磁力固定在工件的侧面，西南交通大学博士研究生学位论文第３３页高通滤波一Ｈ Ｈ拌放一前㈠Ｈ¨ 带遥滤波一工 控变 送 工件 测力计 工作台 Ｉ振动传感器 声发射传感器 器 变 送 器 低 速 Ⅱ 转 换 机图２－５铣刀磨损监测信号采集系统Ｆｉｇ ２－５ Ｔｈｅ ｓｃｈｅｍａｔｉｃ ｄｉａｇｒａｍ ｏｆｓｉｇｎａｌ ｓａｍｐｌｅ ｓｙｓｔｅｍ ｆｏｒ ｍｉｌｌｉｎｇ ｃｕｒｅｒ ｗｅａｒｓ ｍｏｎｉｔｏｒｉｎｇ振动传感器Ｂ＆Ｋ４３７０通过磁力座吸附在工件另一侧面（进给方向），传感器的 位置通过专用量具保证在加工的过程中离工件上表面和侧面的距离保持不 变，以确保在不同的加工条件下，检测的信号具有完全可对比性。加工过程 中，监测的信号通过放大器处理后，经过Ａ／Ｄ转换送入工控机进行相应的计 算和处理，计算机给出刀具磨损识别结果，图２－６为实际的铣刀磨损监测系统。图２－６铣刀磨损监测系统Ｆｉｇ ２－６ Ｔｈｅ ｐｒａｃｔｉｃａｌ ｔｏｏｌ ｗｅａｒ ｍｏｎｉｔｏｒｉｎｇ ｓｙｓｔｅｍ第３４页西南交通大学博士研究生学位论文２．２试验方法研究试验设计是英国统计学家Ｒ．Ａ．Ｆｉｓｈｅｒ创立的，至今已有８０多年的历史， 产生了许多试验设计方法，包括正交设计、区组设计、饱和设计与超饱和设 计、参数设计、回归设计、均匀设计等诸多设计方法。试验设计的重要性就如质量工程学的创始人Ｇ．Ｔａｇｕｃｈｉ所说：不懂试验设计的工程师只能算半个工程师。由此可以看到试验设计对产品质量的影响程度。 一个可靠的刀具磨损监测系统主要依赖良好的传感器信号特征对刀具的 实际状态进行检测。在实际加工过程中，由于待加工产品呈现不同特点，因 此加工参数需要合理组合，刀具材料、尺寸和磨损量也要不断改变以满足加工要求，监测信号也随之改变。如果把这些参数看作系统的输入，监测信号看作系统的输出，则刀具磨损监测试验属于多因子、多指标试验问题。对于 研究刀具磨损监测的研究人员，如何确定合理的试验方法，降低试验成本， 缩短研究周期、提高试验结果的可靠性和准确性是首要解决的问题。此外， 考虑样本质量对监测系统神经网络识别精度的影响，试验设计还必须满足模 式分类及数据建模的要求。２．２．１试验目的进行刀具磨损监测试验的最终目的是，通过分析刀具磨损和传感器信号 特征之间的统计规律，建立刀具磨损量和信号特征之间的函数关系，实现刀 具磨损状态的准确预测或磨损量的计算。为了达到试验目标，必须对下列问 题进行深入研究：（１）确定影响信号特征变化的因子数量，以及各个因子的水平数：（２）研究不同因子处在不同的水平时，信号特征的变化规律，并找出影 响特征变化的最大因子。 （３）研究利用不同方法建立刀具磨损量和信号特征之间的数学模型，以 及试验方法对识别精度的影响。２．２．２影响信号的因素在试验设计中，影响试验结果的因素称为因子。图２―７（ａ）详细描述了金属切削过程中影响传感器信号变化的因素。从图中可知，影响传感器信号的因子有切削速度从进给速度＾背吃刀量蚧工件参数、刀具参数、机床类型、刀具磨损船和电气噪声等，局，局，……，墨分别对应ｎ个传感器信号。西南交通大学博士研究生学位论文第３５页毫无疑问，采用如此多的因子进行试验设计将非常繁琐和复杂，因此必 须对具体的加工过程进行分析，剔除次要因子，使试验的可控因子减至最少。在产品加工过程中，工件、刀具、加工方式和机床是固定因素，切削三要素和刀具磨损是变化因素。其中，刀具磨损属于加工中的不可控因素。试 验的目的是研究刀具磨损和信号特征之间的映射关系，因此必须将刀具磨损 变为可控因子，其水平分布按表２一ｌ中的刀具磨损划分确定。电气噪声的干 扰可以通过合理的设计和滤波等手段减至最小，因此忽略不计。简化后的试 验模型见图２－７（ｂ），即试验确定的因子为：切削三要素及刀具磨损量。ｘ’ Ｘ２ ＸＪＸ’ Ｘ２ Ｘ３（ａ）（ｂ）图２－７影响信号特征的因素Ｆｉｇ ２－７ Ｔｈｅ ｆａｃｔｏｒｓ ｔｈａｔ ａｆｆｅｃｔ ｓｉｇｎａｌ ｆｅａｔｕｒｅｓ２．２．３正交试验方法正交试验的目的是找出最佳水平组合，使得指标最优，因此可采用正交 试验设计研究因子处于不同水平下信号特征的统计规律，找出影响特征变化 的最大因子。正交表是正交设计的工具，正交表具有下列两个特征““¨“”：１．每列中不同的数字重复次数相同。２．将任意两列的同行数字看成一个数对，那么一切可能数对重复次数相同。正交表一般记为Ｌ。（矿），称为ｇ水平的正交表。式中：三一正交表的代号；，ｒ－表的行数；ｇ一水平数；，一列数。若正交表的行数ｎ，列数Ｐ和水平数ｇ满足下列关系：第３６页西南交通大学博士研究生学位论文Ｉ”＝ｑ‘ｋ＝２，３｛，ｚ一１（２－２）ｆ胪再因子所处的状态称为水平，根据图２―７（ｂ）的简化模型，确定因子水平表如下：表２－２因子水平表Ｔａｂ ２．２ Ｔｈｅ ｆａｃｔｏｒ ｌｅｖｅｌｓ １ ６００ ０．４ Ｏ．５ ２ ９００ ０．８ ｌ ３ １２００ ｌ ２雨卜＼垄１Ａ：主轴速度（ｒ／ｒａｉｎ） Ｂ：进给速度（ｍｒｎ／ｒ） ｃ：背吃刀量（／ｔｉｍ）Ｄ：刀具磨损（ｎｌｍ）４５６１．５０～０．１０．１～０．２０．２～０．３０．３～０．４０．４～ ＞０．５ Ｏ．５在试验过程中，刀具磨损是区间内的一个固定值。由表２―２知，各个因子的水平数是不同的，切削三要素的水平数为３，而刀具磨损的水平数为６， 因此试验是混合水平下的试验设计。可以使用混合水平正交表Ｌ。。（６×３６）安排试验。它是一张完全正交表，表的自由度等于各列自由度之和，正交表安 排的试验见表２―３。需要注意的是，对应相同的因子组合，可以使用的正交 表并不唯～，而不同的正交表安排的试验次数是不同的。从表２―３可知，采用正交设计需要进行１８个试验，即获得的试验数据样本是１８个，而全因子试验需要进行３×３×３×６＝１６２个试验，可见使用正 交试验极大减小了试验次数，降低了试验成本。２．２．４基于神经网络的试验设计方法在实际的加工过程中，系统的输入向量（如切削要素和刀具磨损）与传 感器信号特征（如切削力、振动和声发射）存在特定的映射关系。由于加工 过程的高度非线性和时变性，采取常用的回归建模等方法无法建立准确的映 射模型。人工神经网络属于黑箱处理方法，不需要模型的先验知识，能够逼 近任何复杂非线性函数。网络通过学习训练样本建立系统的识别模型，无须 了解刀具磨损的演变规律，具有快速建模和方法简单等优点，因此在刀具磨西南交通大学博士研究生学位论文第３７页损监测领域获得了广泛应用。表２－３Ｔａｂ ２－３ Ｌｓ８（６×３６）正交表ｔａｂｌｅ Ｃ ５Ｌｉｓ（６ｘ３６）ｏｒｔｈｏｇｏｎａｌＡＢ ４表头设计Ｄ ｌ＼＼列号ｌ ２ ３ ４ ５ ６ ７ ８试验八２３６７１ ｌ １ ２ ２１ ２ｌ ２１１１ ２１ ２２ ３２ ３２ ３２ ３３ｌ ２３ｌ ２ ３ ２ ３ １ ３ １ ２３３ ｌ３３ １２３ ３３ｌ ２１ｌ ２ ３ ３ １ ２ ３ １ ２ ２ ３ ｌ１３ ｌ ２ ２２２ ３ １ ２ ３ １ ３ ｌ ２ ｌ２３ ｉ９１０ １ｌ３４ ４ ４ ５ ５ ５ ６３ｌ ２ ３ ｌ ２ ３ １２ｌ ２ ３ ２ ３ １ ２３ｌ ｌ ２ ３ ３ １ ２１２１３ １４ １５ １６ １７２３ １ ３ ｌ ２６ ６２３２３３１１８在刀具磨损监测系统中，神经网络实现刀具磨损状态的识别或刀具磨损 量的计算，磨损分类和磨损量计算对网络训练样本的要求是不同的“１。众多 的研究表明，神经网络的识别精度、逼近和泛化能力与样本的数量和质量密 切相关。换言之，应用神经网络技术建立的刀具磨损监测系统识别的精度在 很大程度上取决于训练样本的质量及分布。 多年来，各国学者广泛采用正交设计方法进行刀具磨损监测技术研究， 在一定范围内取得了较好的结果””””。”“…。然而，当加工条件进一步扩大，第３８页西南交通大学博士研究生学位论文正交试验设计获取的数据样本能否满足神经网络建模的需要，网络的识别精度能否达到满意的结果，必须进一步深入研究，这对于监测系统的实用化研究是非常重要的。下面以ＢＰ神经网络识别刀具磨损状态为例，分析采用ＢＰ前馈型神经网 络对刀具磨损状态识别时，利用正交试验方法获取的样本训练网络对系统识别精度造成的影响，网络结}