李正官¹, 韩天杰²,王超群¹,郭保苏^2,3

(1.上海飞机制造有限公司，上海201324)

(2.燕山大学机械工程学院，河北 秦皇岛066004)

(3.河北省重型智能制造装备技术创新中心，河北 秦皇岛066004)

作者简介：李正官（1984—），男，工程师，硕士，主要研究方向为数控切削理论与技术，lizhengguan666@163.com.

通讯作者：郭保苏，男，讲师，guobaosu@ysu.edu.cn.

摘要：有刀具状态监测的加工生产既能提高加工效率又能降低生产成本，是智能制造生产的关键。近几年深度学习成为研究刀具磨损问题的主流算法。提出一种基于VGG-19卷积神经网络的刀具磨损监测方法，该方法应用小波包变换对振动信号进行处理并提取能量图，应用VGG-19卷积神经网络预测刀具磨损状态。结果表明，适当增加网络层数，可以学习更多数据特征并得到更好的预测表现；与其他卷积神经网络相比，VGG-19层数适合，预测准确率稳定，损失函数值最小，该方法对刀具磨损类型的预测表现最好。

关键词：刀具磨损监测；卷积神经网络；小波包变换

中图分类号：TH165+.3；TP183   文献标识码：A   文章编号：2095-509X(2020)06-0093-05

近些年世界各国纷纷提出新的制造理念，像德国的“工业4.0”、中国的“智能制造2025”等，提高智能化是制造业各个公司未来发展的方向，更是各个公司满足未来市场的要求。“黑灯工厂”这个新概念被提出，顾名思义，“黑灯工厂”就是无需人工操作，可以在夜晚不开灯运行的工厂，无人操作既可以降低成本，又可以提高效率。想要实现“黑灯工厂”，就要保证机床可以持续工作，本质是实时监测刀具磨损情况。刀具发生严重磨损时，继续加工会使工件表面质量急剧下降，导致工件不合格，容易发生崩刃，损坏机床，抵消无人工厂的优势。根据Rehorn等^［1］研究，有刀具监测系统的加工生产既能提高10%～50%加工效率，又能降低10%～40%成本。刀具磨损状态监测对生产加工十分重要。

刀具磨损的监测方法分为直接测量法和间接测量法。直接测量法包括光学图像法、接触式电阻测量法和放射性元素法^［2］。间接测量法通过采集切削力信号、振动信号和声发射信号等来反映刀具磨损状态，其信号获取简单，不需要停机检测，能保证实时监测。间接测量法需要对信号进行处理，信号处理的方法包括时域分析、频域分析、小波变换和小波包变换等。其中小波包变换具有很强的信号分析能力^［3］。在刀具磨损研究中，小波包变换被广泛采用。

刀具磨损监测问题可以视为计算机视觉图像分类问题。传统的机器学习需要人工构造特征，增加了工作量，且面对大数据时代庞大的数据集时显得束手无策。与传统的机器学习相比，深度学习完全可以解决上述问题，并且在分类准确率上表现更好。最近几年，深度学习在图像分类、语音识别等领域的使用效果远超传统机器学习。深度学习发展速度很快，已经成为学者研究刀具磨损监测问题的主流方法。Martínez-Arellano等^［4］提出了一种基于信号成像和深度学习的新型大数据刀具磨损分类方法。董靖川等^［5］提出了基于分布式卷积神经网络的刀具磨损量预测方法。张存吉等^［6］对刀具磨损信号进行小波处理，训练经典卷积神经网络进行刀具磨损状态识别。

在深度学习研究中，普遍认为网络模型的层具有提取不同特征信息的功能，增加网络层数,提取到的信息也会更多，网络效果也会越好。随着网络层数的增加，可能会发生过拟合现象，解决办法是加入Dropout层，但是继续增加网络层数会发生退化现象，导致准确率下降。

基于以上研究，本文希望选择适当层数让网络既能学习到更多刀具磨损数据的特征信息，又能避免网络发生退化现象。为此，本文应用深度卷积神经网络进行刀具磨损预测，该网络通过增加层数提高准确率。