《Machines》:A Self-Referencing Framework for Milling Tool Wear Diagnosis Under Tool-to-Tool Variability Using Physics-Informed Order-Tracked Features
编辑推荐:
刀具磨损会降低加工质量,若不加控制可发展为崩刃,导致工件缺陷、停机与主轴承损伤,因此自动刀具状态监测至关重要。在实际生产中,新刀与重磨刀交替使用,几何与材料存在细微差异,致使“正常”基线随刀具与装夹而漂移,这使得依赖全局基线的诊断方法及需大量标注故障数据的深度
刀具磨损会降低加工质量,若不加控制可发展为崩刃,导致工件缺陷、停机与主轴承损伤,因此自动刀具状态监测至关重要。在实际生产中,新刀与重磨刀交替使用,几何与材料存在细微差异,致使“正常”基线随刀具与装夹而漂移,这使得依赖全局基线的诊断方法及需大量标注故障数据的深度学习方法难以落地。研究人员提出一种轻量自参考框架,其每把刀具的基线仅由可接受状态数据构建,用于在刀具间变异性下诊断铣刀磨损。其新颖性不在于自参考、阶次跟踪与马氏距离等既有技术本身,而在于将其集成为单一框架,以无故障标签方式运行,并为每把新装刀具重建专用基线。刀具装夹后,取其装夹后短时初始健康切削段作为可接受数据构建基线;基于运动学的阶次跟踪特征从单主轴轴承加速度计提取,计算至可接受状态的马氏距离作为连续健康指数;由可接受数据统计设定预警限,并以工程倍数设定缺陷限,划分可接受、预警与缺陷三级。在四支同规格立铣刀上,完整基线分析得预警检测AUC 0.986、缺陷检测AUC 0.936;加入持续规则后,四支刀具缺陷级磨损全检出且可接受态无误报。因基线仅需短时可接受段且计算廉价,该框架原则上适用于频繁换刀的车间及机载或边缘部署(尚未在边缘设备基准测试);但验证限于四支刀具、单一工件材料、固定切削条件与加速磨损,需更广验证。
研究背景方面,切削过程中刀具作为耗材逐渐磨损,严重时引发尺寸与表面质量退化及突发崩刃,带来返工与非计划停机损失,故实时刀具条件监测(Tool Condition Monitoring, TCM)在智能制造中十分重要。振动信号因加速度计廉价易改装、装于主轴轴承壳体可敏感捕获切削激励且对安装差异鲁棒,被选为传感源。现有振动基TCM多混用所有数据学单一全局基线,或依赖大量标注故障数据训练深度学习,但车间中新刀与重磨刀交替、跑跳(runout)与装夹差异使正常基线漂移,全局基线每次换刀需重校,转移学习与域适应仍耗资源且依赖先验故障数据。针对刀具间变异性、以无标签自参考方式结合可解释物理特征与正常统计阈值的案例稀少,研究人员据此开展本研究。
研究人员构建台式三轴CNC铣削试验台,主轴为2.2 kW气冷、开环V/f驱动无编码器,刀具为两刃HSS 8 mm立铣刀,工件为铝块,主轴轴承壳体装500 mV/g加速度计以25600 Hz采1 s帧;以钻混凝土块1/2/3 mm深度诱导Normal与Wear 1/2/3有序退化级,四支同规刀具各跑一轮,每态15次直线切深1 mm通行,取稳定切段中心4 s共60观察。该研究样本队列来源于实验室台架四支立铣刀的加速磨损诱导数据。
关键技术方法上,研究人员采用三类方法集成:信号表示上比较加速度幅值谱、速度谱与加速度包络谱,选定加速度幅值谱;运动学特征上设1X转速估计门(速度谱峰值三点抛物插值),以估出1X为基准放±10 Hz窗提取奇阶(转频族)、偶阶(齿通频TPF=2×1X族)、半阶及宽带、高频带、非对称与周期丢失比等11维阶次跟踪特征;诊断上对各刀可接受态(Normal+Wear 1)标准化,用Ledoit–Wolf收缩协方差算马氏距离作健康指数,预警限取该刀可接受通行级指数经验95百分位,缺陷限取3倍预警限,并以连续三通行超阈为持续规则抑瞬时报误。
研究结果部分,第三节各小节结论如下。3.1谱表示比较中,加速度幅值谱预警AUC 0.986、缺陷AUC 0.936优于速度谱与包络谱,因磨损主要增齿通谐次与宽带底,加速度谱直接表征。3.2特征集消融中,固定马氏距离下,阶次跟踪特征预警AUC 0.986高于固定频窗物理特征0.976与时间域统计0.923,缺陷AUC三者均高(0.936–0.963),表明早期预警优势来自运动学阶次特征。3.3相似性度量比较中,阶次特征固定下,马氏距离预警0.986、缺陷0.936优于欧氏0.963与余弦0.601,单类SVM预警1.000但缺陷仅0.887,自编码器0.980/0.922未超越马氏,说明小数据下轻量统计法已足。3.4健康指数分布显示四刀各阶段中位数1.77/2.37/7.71/19.08逐级升,Wear 2全超各刀自有预警限,加工表面目检与分级一致。3.5操作点与持续规则下,Normal与Wear 1零误报(0/4),Wear 2四刀全预警(1刀升缺陷),Wear 3四刀全缺陷。3.6基线构成与全局基线对比中,仅用Normal作基线会使Wear 1误报(中位13.76),Normal+Wear 1作基线则Wear 1留可接受区且AUC更佳;留一刀全局基线在留出刀可接受态帧误报率3%–42%(均20.6%),自参考帧误报均9.2%,预警AUC 0.984对0.897。3.7总结指出自参考马氏指数在四刀达预警0.986/缺陷0.936,两级限加持续规则实现无可接受态误报的全缺陷检出。
讨论部分中,研究人员指出绝对特征跨刀水平不同致全局阈脆弱,自参考使各刀指数单调一致;框架借多元统计过程控制(Multivariate Statistical Process Control)概念但每刀重建参考而非固定基线,区别于单刀标注磨损校准法。磨损信号非单特征可概,故需协方差感知马氏距离联合偏距;TPF幅值随磨损单调升且离散度增,宽带比在Wear 3上尾部分布上升。预警限为95百分位控制限、缺陷限为3倍工程行动限,帧级两区有重叠但通行聚合与三通行持续规则使刀级Wear 2仅1/4升缺陷。缺陷倍数2.5–3.5×扫描刀级诊断不变,取3×为中值;五折可接受基线重估预警AUC 0.976±0.011近完整0.986,缺陷AUC降至0.866±0.009,示早期预警对基线重估稳。持续规则引入最多两通行延迟,但两级报警与计划换刀叠加缓解释放不良件风险。简单可解释组合无须GPU与大标注集,同数据集有监督深度学习跨刀仅82%–87%且邻级混淆,反衬本框架实用。现场部署于新/重磨刀装夹后取计划寿命初段为可接受基线,可加原始RMS异常筛除坏装夹,边缘控制器按周期算指数判级。
结论翻译:该框架贡献不在单技术新颖而在集成自参考、阶次跟踪与马氏距离以针对刀具间变异性;每刀装夹后即用自身可接受段建基线,无故障标签、计算轻,适于频繁换刀车间与边缘部署;四刀加速磨损验证得预警AUC 0.986、缺陷AUC 0.936,持续规则下可接受态零误报且缺陷全检;局限为样本少、单材定速、诱导磨损,需运行至寿命数据广验。