刘胜辉　张人敬　张淑丽　马超　张宏国

摘 要：为了更好的解决切削刀具剩余寿命难以准确预测这一问题，从监控指标选取、数据特征提取以及预测模型建立等方面进行了深入的研究。首先，选取切削力和切削振动两项信号作为初始数据，两者可有效反映刀具的工作状态，为分析刀具磨损过程提供数据支持。其次，使用小波包分析方法进行数据降噪，实现特征提取，得到监控数据的熵值化结果。然后，将该结果作为预测模型的输入，训练和测试深度神经网络，建立刀具剩余寿命预测模型。最后，使用实际加工数据对该预测方法进行验证实验，验证结果表明该模型能有效的预测剩余寿命。

关键词：深度神经网络; 切削刀具; 特征提取; 刀具剩余寿命预测

DOI：10.15938/j.jhust.2019.03.001

中图分类号： TP301

文献标志码： A

文章编号： 1007-2683（2019）03-0001-08

Abstract：In order to better solve the problem that the remaining life of cutting tool is difficult to predict accurately， this paper studies three aspects of the selection of monitoring indexes， the extraction of data features and the establishing of prediction models. Firstly， Cutting force and vibration frequency were selected as the indirect monitoring indexes of cutting tool. These two indexes can accurately reflect the state of cutting tool， and also can solve the problem that the selecting the direct monitoring indexes causes， the wear analysis results of cutting tool being too subjective in the traditional state monitoring method. Secondly， feature extraction is carried out by using wavelet packet analysis， and then the entropy values of the monitoring data are obtained. They are taken as the input data. Thirdly， the input data are used as the training data and testing data of the prediction model based on Deep Neural Network （DNN）. Finally， the simulation experiments of the prediction method are carried out by using the real data of the workshop. The results show that the model can effectively predict the useful life.

Keywords：deep neural network; cutting force; feature extraction; prediction of remaining useful life

0 引 言

關键设备作为制造企业中承担关键工序加工任务的设备，其在负荷大小、资源竞争程度、生产成本以及加工调度优先级等多个生产指标上都远优于其他生产设备[1]，在企业生产运营中起着决定性作用。一旦其出现设备故障、甚至宕机，将给制造企业带来不可估量的经济损失[2]。因此，如何保障其长期处于高效率的运行是制造企业车间生产管理者亟需解决的关键问题。

在制造企业车间生产中，刀具作为关键设备的基础组件，它的状态直接影响着关键设备的性能。在实际的车间生产中，刀具的状态常受到各种因素的影响，例如，机械磨损、化学磨损、破碎、崩刃、粘结以及变形等。为了保证切削设备高效率地运行，准确的评估其刀具的状态就变得尤为重要。目前，研究者多通过刀具的状态来预测刀具的剩余寿命。而随着加工技术不断发展与工业4.0时代的到来，加工过程正向着智能化发展，越来越多的智能加工技术应用到其中，这也为监控刀具状态提供了技术支持[3]。

在实际生产中，对切削刀具进行剩余寿命预测可以帮助车间生产管理者提早发现刀具的问题，针对问题采取相应的措施，避免刀具在生产过程中失效，避免切削设备的故障。从而有效提高企业生产效率、降低生产成本及保证产品质量。B.M.Karmer提出：在提高计算机集成制造系统的生产效率中，最重要的技术之一就是准确估计刀具的剩余寿命[4]。

目前，在剩余寿命预测这一研究领域中已经出现了不少有价值的研究成果。例如，杨志波等人通过运用粒子滤波近似推理算法对钻头进行剩余寿命的预测，建立了基于动态贝叶斯网络的设备剩余寿命预测框架模型，取得了较为良好的效果[5]。任淑红等人通过分析发动机性能退化过程，利用贝叶斯更新方法以及免疫粒子群优化算法建立了航空发动机剩余寿命组合预测模型[6]。奚立峰等人针对球轴承剩余寿命预测问题，基于自组织映射和反向传播两种神经网络，提出了一套新的预测球轴承剩余寿命的方法体系，结果证明，该方案远优于业界常用的L10寿命估计[7]。赵敏等人通过监测丝杠性能在不同条件下的变化趋势，利用多变量灰色模型建立丝杠寿命与切削三要素、信号特征值的非线性映射关系，构建了基于多变量灰色模型的丝杠寿命预测模型[8]。

但针对刀具的剩余寿命预测的研究尚处于发展阶段。刘锐等人提出基于BP神经网络的刀具磨损量检测和剩余寿命预测的方法，用铣削力信号提取的特征向量作为神经网络的数据进行训练和测试，取得了不错的效果[9]。徐玲等人设计了可进化的神经网络学习算法，采用遗传算法训练反向传播神经网络的方式进行实现。同时优化刀具切削参数的选择，得到了较高精度的刀具寿命预测结果[10]。虽然目前针对刀具的剩余寿命预测已经出现了一些有价值的研究成果，但在监控指标选取、数据特征提取以及预测模型建立等多个方面，对刀具的剩余寿命预测问题的研究均有必要继续深入，以获得更加合理、准确、可靠的预测结果。

本文通过分析现阶段的刀具状态监控技术，选取效果较为理想的刀具间接测量指标，并利用信号分析处理后的小波熵值数据作为预测训练数据，不仅消弱了信号本身噪音的影响，还降低了不同信号间的差异性，使预测模型更加通用。采用的深度神经网络预测模型，是基于数据本身特点的预测模型，从数据中挖掘特征，并将这些特征与剩余寿命相关联。通过大量真实数据对预测模型进行训练，使其对寿命阶段的划分更加细化，预测更加准确。最后，通过实验结果表明，建立的模型能够较准确预测刀具的剩余寿命，具有较高的工业推广价值。

1 刀具剩余寿命预测方法

通过对刀具实时监控方法、数据特征提取技术、深度神经网络的研究，提出一套针对刀具剩余寿命的预测方法，该方法主要分为四部分：数据构建预处理、数据特征提取、状态识别与寿命预测。

在数据构建与预处理中通过小波包分解，对特征频带信号进行熵值计算，采用小波时间熵、小波能量熵及小波奇异熵这三大指标度量被分析数据的不确定性，实现对分解后复杂数据的定量描述。

数据特征提取是利用小波包分解的特性提取能反应数据环境的特征频带信号，在此基础上使用稀疏自编码器对得到的熵值进行标签化处理，通过稀疏自编码器本身的特点及功能实现自动化的特征提取，其采用车间生产过程中真实的刀具数据进行训练得到。

状态识别与寿命预测的主要功能是对输入数据进行分析。其核心是两个并行的深度神经网络，该网络的建立基于大量车间真实监测数据和N个具有随机性的刀具磨损实验。网络建立过程如下：

步骤1：将实验数据分为训练数据集T和验证（预测）数据集V两部分储存到磨损数据库中。

步骤2：将数据集中的数据进行小波包分解，得到6维的熵值存储到原集合中。

步骤3：通过N中的数据训练深度网络中的“稀疏自编码器网络”，使其能对刀具信号进行识别。

步骤4：通过T中的数据训练由Logistic构成的“状态识别网络”及由Softmax构成的“寿命预测网络”，使其能对刀具当前状态和剩余寿命进行识别和预测。

步骤5：将“稀疏自编码器网络”分别与“状态识别网络”和“寿命预测网络”相连接得到两个并行深度神经网络。（后文给出该过程的具体实现方法）

预测方法如图1所示。首先，采集切削刀具在相同的工件材料、刀具材料、切削参数下的不同磨损状态的数据，并对采集的数据进行预处理，通过小波包分解提取能反应刀具状态的特征频带信号，并对其进行熵值化处理，得到小波时间熵、小波能量熵及小波奇异熵，组成神经网络数据样本集。

然后，通过由稀疏自编码器对数据进行特征提取，将特征提取后的数据输入到状态识别网络和寿命预测网络中，其会得到两部分结果，即刀具当前状态和剩余寿命，将其合并后得到最终结果。

为解决传统预测方法中因刀具处在急剧磨损状态下无法准确计算其寿命的问题，本文对刀具所处状态进行了识别，若刀具当前为急剧磨损状态则使用通过急剧磨损状态下刀具数据训练的预测网络进行寿命预测，进一步提高预测的准确性。

2 刀具磨损状态监控分析技术

2.1 刀具状态监控信号

刀具状态监控信号作为刀具切削状态的体现，是判断刀具磨损状态的数据基础，精准的刀具状态监控信号能够完整、充分的展示刀具的生产状态。对刀具状态进行定量、定时地监控采样，分析刀具磨损情况和剩余寿命，对于提高生产效率有着重大的意义。传统的刀具状态监控主要通过切削声音、切削时间等直接测量指标来综合判断刀具的生产状态，导致刀具磨损分析过程存在主观性过强的问题[11]。

因此，本文从切削力、切削振动、功率消耗、切削温度、表面粗糙度等指标着手，尽可能的还原真实刀具状态。其中切削力与切削振动两项指标，具有灵敏度高、响应快等优点，更符合刀具磨损状态监控的要求，所以选择这两项作为研究重点。本文通过控制变量的方法，尽可能的保证在同一时间段、同一环境下、相同参数与相同材料下采集这两种信号。这两个与刀具状态密切相关的间接测量信号，即可以解决直接测量指标主观性过强的问题，还可以克服单一监控信号提供的特征出现扭曲和不完全的情况。在保证监控分析可靠性和准确性的基础上，尽可能地降低监控复杂度[12]。

2.2 小波熵磨损指标

由于刀具磨损是切削热、切削力等因素耦合作用的过程，使得刀具失效形式多样，表现形式多样，刀具磨损具有多特征，非线性特征强等特点。因此从复杂的刀具监控信号中提取有用的信息，消除背景噪音对刀具磨损状态带来的影响显得尤为重要。本文采用小波包分析方法实现刀具信号的特征提取，通过对信号进行小波包分解，得到每一频带内振动信号的变化规律，并从中提取反应信号环境的特征频带信号。

小波包分析方法作為小波分析方法的推广，克服了小波分析在低频段的时间分辨率较差，在高频段的频率分辨率较差的问题，在时频两域都具有表征信号局部特征的能力，是一种窗口大小固定不变，但其形状、时间窗、频率窗都可改变的视频局部化分析方法[13]。本文基于小波熵理论，根据信息不确定性、不规则程度以及复杂程度等三方面，选取小波时间熵，小波能量熵和小波奇异熵三种小波熵制定小波熵磨损指标，实现对分解后复杂信号指标的定量描述[14-16]。

通过对刀具切削力信号和刀具切削振动信号进行高低频分离，利用上述三类小波熵值对非稳态谐波部分进行特征提取。使得在任何生产时刻，任意刀具信号都将对应一组六个元素的向量，分别代表切削力信号和切削振动信号的变化，该向量作为刀具切削特征的综合体现可作为神经网络的重要输入参数。

2.3 基于BSR指标的刀具状态识别

针对刀具指标繁多且无法准确体现刀具磨损趋势的问题，Qiu H等人提出了基于SOM神经网络的最小量化误差（MQE）指标[17]，该指标可以反映出刀具所处的状态，但其实现和运用过程复杂，且其准确度与训练数据的规模成正比。在实际训练环境中，往往很难判断设备是否真正处在正常阶段，且实际情况是正常状态指标中夹杂着很多非正常状态的噪点，这些干扰会使得该模型的基准值产生误差。并且MQE指标作为通用状态指标，并没有针对刀具数据进行相关优化。

为更好的对刀具状态进行识别，本文借鉴了MQE指标的理论和方法，在其基础上简化磨损指标，提出了针对刀具信号特点的新的高容错状态识别指标（bit tool state recognition，BSR），该指标由深度神经网络计算得出，网络的输入为经过熵值化处理的切削力和切削振动两项数据，通过网络内的稀疏自编码器对输入进行自编码，得到一维的输出结果。

BSR=fsa（x1，x2，x3，x4，x5，x6）

其中，函数fsa是激活函数为ReLU的稀疏自编码器，输入{x1，x2，x3}为切削力信号在某一时刻的三维熵值，{x4，x5，x6}为切削振动在此刻的三维熵值，函数输出的結果即为该时刻的BSR指标。与此同时，人为的根据加工精度及表面粗糙度等因素对输入数据的刀具状态进行标签化处理，得到正常磨损状态刀具样本与急剧磨损状态样本，使用该样本对网络内的Logistic分类器进行训练，使其可以识别刀具的状态，如图2所示。

通过BSR指标的计算，可以将刀具的磨损周期划分为正常磨损和急剧磨损两个阶段，如图3所示。刀具在正产磨损下的状态数据与急剧磨损下的状态数据有着明显不同，为得到针对性更强的预测模型以提高预测的准确性。将两个状态下的刀具数据进行分别提取，训练两个不同状态下的神经网络是十分必要的。因此，本文通过分析BSR值的变化，确定刀具是否处的磨损状态，从而产生了两段式的剩余寿命预测方法，该方法可有效缩短预测模型训练过程中的数据捕获时间，并提高预测结果的准确率。

同时为避免无关因素产生的波动，对预测结果造成干扰，对BSR指标的判断过程增加了缓冲机制，当BSR数值进入急剧磨损区间时，并不会立即判定刀具进入急剧磨损状态，而是根据缓冲阶段结束后的BSR数值进行判断，有效的提高了BSR指标容错性。

3 基于深度神经网络的预测模型

针对刀具剩余寿命预测问题存在时序性、唯一性以及复杂性等特点，本文在参考多种神经网络预测算法的基础上，建立了基于深度神经网络的预测模型。该预测模型充分考虑到刀具磨损信号的变化特点，针对刀具在不同磨损状态下，其状态数据非线性增强的问题，本文采用多网络相结合的方式进行组合预测，进一步提升刀具状态预测的准确性。该模型由两个并行的深度神经网络构成，其主要包含3个部分，分别是稀疏自编码器网络和用于寿命预测的Softmax子网络及用于状态识别Logistic子网络。该模型训练及预测过程如图4所示。

3.1 深度神经网络

深度神经网络简单来说即含有多个隐藏层的神经网络。相比传统神经网络，深度神经网络的特点是善于从无标签数据中自我学习，得到网络自己的数据标识，一切结果皆有数据本身产生。本文的深度神经网络由经过修改的稀疏自编码器网络和Softmax回归分类器及Logistic回归分类器组成，这其中稀疏自编码器分别和两个分类器相组合，实际上为两个并行的深度网络。

深度神经网络的构建主要输入内容有：①车间样本中刀具正常磨损状态下的监控数据熵值集合HS;

②车间样本中刀具急剧磨损状态下的监控数据熵值集合FS;

③车间中个生命周期采样点个数N;

④实验样本中刀具正常磨损状态下的数据熵值集合THS;

⑤实验样本中刀具急剧磨损状态下的监控数据熵值集合TFS;

⑥实验样本中采样时刻t时刀具实际剩余寿命集合Tt;

⑦实验中采样点总个数NT。

最重输出：

深度神经网络预测模型SASMSL;

3.1.1 稀疏自编码器子网络构建

该网络可以用无标签数据进行训练，其主要功能是对监测数据进行自动编码和分类，找到数据本身的特点，并根据此特点对数据进行标签化处理。

其构建过程如下：

1）将集合HS和FS合并，根据实际车间情况，共取3台设备上的120个刀具在1个生命周期内的监测数据，其熵值数据矩阵：

3.2 数据合并与输出处理

通过以上步骤即可生成预测模型SASMSL，其主要包含网络Fsasm和Fsasl两部分，Fsasm主要功能是通过实时的监测数据，对刀具的剩余寿命进行预测;而Fsasl对刀具所处阶段进行划分，辅助Fsasm网络进行寿命预测。

首先，根据上文中BSR指标的特点，对Fsasl网络的输出进行处理。增加状态缓冲区，即当监控数据进入急剧磨损区间时，不会立即将刀具置为急剧磨损状态，而是以刀具离开缓冲区时的状态为准，这有效减少了外界干扰所带来的影响，而当刀具一旦处于急剧磨损期，即使其数据由于随机因素等原因，表现的和正常磨损状态相同，但由于其进入缓冲区时的状态为急剧磨损，模型也不会将其置于正常状态。

其次，根据Fsasl网络输出的不同刀具状态，选择不同的预测网络进行寿命预测，当所处状态为正常磨损时，使用通过THS集合训练的 Fsasm网络进行预测，当所处状态为急剧磨损时，使用通过TFS集合训练的 Fsasm网络进行预测。

最后，将刀具状态和刀具寿命两部分预测结果，进行整理合并，得到最终的输出结果，用户可以根据结果自行判断是否需要更换刀具等操作。

4 案例验证

参照上一节中深度神经网络的建立和训练过程，采用实际车间中的历史数据作为训练样本，样本以设备为单位，共取3组具体内容如下：

组1样本所用的刀具为XF8型重型硬质合金车刀，涂层类型为复合涂层;工件材料为加氢筒节锻造毛坯[18]。样本具体参数样例：刀具几何参数γ0/°=15、α0/°=4、εr/°=90、λs/°=0，切削速度分别为20/（m/min）、30/（m/min）、40/（m/min）、50/（m/min），切削深度ap/mm=20，进给量f/（mm/r）=2.0。

组2样本所用的刀具为自制切削TCMC120408;工件材料为45钢（HB180）[19]。样本具体参数样例：刀具几何参数γ0/°=5、α0/°=7、rε/mm=0.8，切削速度为80～138/（m/min），进给量为0.2～0.3 mm/r，切削深度ap/mm=2.5。

组3样本所用的刀具为环形铣刀，尺寸为D12r3;涂层类型为TiSiN;工件材料为淬硬钢，长×宽×高为60mm×100mm×80mm，硬度为45HRC、51HRC、61HRC;切削方式为顺铣[20]。样本具体参数样例：刀具参数第一后角8°、第二后角13°、螺旋角30°、齿数2、刀具直径12mm、主切削刃半径3mm，切削速度为120/（m/min），切削宽度ae/mm=0.4，轴向切深ap/mm=0.2，每齿进给量f/（mm/z）=0.15。

为减小篇幅不一一列举每组具体加工参数。其中每个样本的取样区间为刀具的一个生命周期，考虑到刀具磨损的连续性和渐进性，系统每10s采集一次数据，每组包含了切削设备上所有刀具的加工数据，每组数据中随机选取一部分样本作为测试数据，其余为训练数据。具体数据如表1所示。

在训练完毕后使用测试样本对并行深度神经网络进行测试，3组共15个样本，其中进入急剧磨损状态的有9例，模型识别的结果与实际相同。寿命预测结果根据不同组别稍有差异，验证实验分别在加工开始1分钟后和刚进入急剧磨損状态时对刀具进行寿命预测，结果如图5所示。

根据实验数据计算得到其在正常磨损阶段的寿命预测准确度为87.8%，全部磨损阶段的寿命预测精度为78.3%，其中状态预测准确度为96.75%。

为了更好地展现所提模型的优势，对不同的预测模型的预测能力进行了研究，实验中将预测模型SASMSL与BP、SVM分类器、单Softmax分类器进行了比较，其中还加深了BP神经网络的深度，采用双隐藏层BP（300～100）神经网络，与文中算法实现的深度神经网络进行综合对比。比较结果一同展示在表2中，表中试验结果都是由10次随机试验所得结果取平均值而得。从表中数据可以看出基于深度神经网络的预测模型能准确的对剩余寿命进行预测，并且预测效果整体上比其他神经网络好，而且表中数据也显示，BP神经网络中神经元数量越多，其准确率不一定越高，也可能会导致过拟合。

5 结 论

针对切削刀具的剩余寿命预测问题，建立了并行深度神经网络预测模型，一方面利用小波包分解及稀疏自编码对特征提取的优势，实现对刀具信号标签化处理;另一方面采用Logistic回归模型，实现对刀具磨损阶段的划分;采用Softmax回归模型，在磨损阶段预测的辅助下实现刀具剩余寿命预测。

提出的基于深度神经网络刀具剩余寿命预测方法，相比传统的神经网络预测方法，具有更强的优化能力，能够学习到数据深层次的特征，训练数据的获取难度也更低。同时，还提出了新的刀具状态度量指标BSR，其通过使用深度神经网络计算得出，该网络训练成本低，不需要大量的“标签化”数据即可训练。BSR指标将刀具的生命周期划分为正常磨损和急剧磨损两个阶段，通过计算BSR数值可以有效的识别刀具所处阶段，针对不同阶段使用不同的预测网络进行寿命预测。提高了预测模型的针对性，充分运用了不同状态下的数据特征，有效的提高了非线性特征较强的急剧磨损状态下的预测精度。

最后，通过在切削设备上进行验证实验，验证了该预测模型在刀具剩余寿命预测过程中的正确性和准确性，也为此模型在其他领域中的剩余寿命预测问题提供了参考。

参 考 文 献：

[1] 谢规良， 孙树栋， 刘冉， 等. 基于关键设备的计划调度模型与应用[J]. 航空制造技术， 2003（5）：37.

[2] 李海清， 涂海宁， 刘建胜， 等. 制造执行系统中基于状态的关键设备预防性维护研究[J]. 机械设计与制造， 2006， 12（7）： 178.

[3] 刘献礼，刘强，岳彩旭， 等. 切削过程中的智能技术[J/OL]. 机械工程学报， 2017（6）： 1.

[4] KRAMER B. M.， VONTURKOVICH B. F. A Comprehensive Tool Wear Model[J]. Cirp AnnalsManufacturing Technology， 1986， 35（1）：67.

[5] 杨志波， 董明. 动态贝叶斯网络在设备剩余寿命预测中的应用研究[J]. 计算机集成制造系统， 2007， 13（9）： 178.

[6] 任淑红， 左洪福. 基于性能衰退的航空发动机剩余寿命组合预测方法[J]. 机械科学与技术， 2011， 30（1）： 23.

[7] 奚立峰， 黄润青， 李兴林， 等. 基于神经网络的球轴承剩余寿命预测[J]. 机械工程学报， 2007， 43（10）： 137.

[8] 赵敏， 高宏力， 许明恒， 等. 多变量灰色模型在滚珠丝杠剩余寿命预测中的应用[J]. 计算机集成制造系统， 2011， 17（4）： 846.

[9] 刘锐， 王玫， 陈勇. 铣刀磨损量检测和剩余寿命预测方法研究[J]. 现代制造工程， 2010（6）： 102.

[10]徐玲， 杨丹， 王时龙， 等. 基于进化神经网络的刀具寿命预测[J]. 计算机集成制造系统， 2008， 14（1）： 167.

[11]刘宇， 汪惠芬， 刘庭煜. 一种基于多特征和支持向量机的刀具磨损状态识别技术[J]. 制造业自动化， 2016， 38（5）： 132.

[12]李威霖. 车铣刀具磨损状态监测及预测关键技术研究[D]. 成都：西南交通大学，2013.

[13]周喜寿. 基于小波包分析和BP神经网络的车牌识别算法的研究[D]. 成都：西南交通大学，2010.

[14]王登， 苗夺谦， 王睿智. 一种新的基于小波包分解的EEG特征抽取与识别方法研究[J]. 电子学报， 2013， 41（1）： 193.

[15]何正友， 蔡玉梅， 钱清泉. 小波熵理论及其在电力系统故障检测中的应用研究[J]. 中国电机工程学报， 2005， 25（5）： 38.

[16]张华荣. 基于小波熵的变形信号分析方法研究[D]. 淄博：山东理工大学，2012.

[17]QIU H， LEE J， LIN J， et al. Robust Performance Degradation Assessment Methods for Enhanced Rolling Element Bearings Prognostics[J]. Advanced Engineering Informatics， 2003，17（4）：127.

[18]刘献礼，刘铭，何耿煌， 等. 重型切削过程硬质合金刀片的冲击破损行为[J]. 机械工程学报，2014，50（23）：175.

[19]何耿煌，吴冲浒，刘献礼， 等. 可转位刀片断屑槽断屑性能及其槽构技术研究[J]. 哈尔滨理工大学学报，2015，20（3）：13.

[20]袁帅. 环形铣刀铣削拼接淬硬钢模具切削性能研究[D].哈尔滨：哈尔滨理工大学，2017.

（编辑：关 毅）