數控龍門加工中心有很多優點，例如性能優越，結構簡單，剛性好，加工效率高，操作方便等，所以在機械制造領域，龍門加工中心應用非常廣泛。轉向架是軌道客車上的一個重要部件，其上有很多深孔，我們用數控龍門加工中心加工深孔時，經常出現刀具折斷。經過分析得出，造成刀具折斷的原因是在深孔加工過程中， 由于刀桿的直徑小，長度大，剛性差，強度低，所以鉆削時刀桿會產生振動，就很容易折斷。另外在深孔鉆削過程中，必然會出現排屑困難，又因為冷卻液難以輸入到切削區，所以導致切屑纏繞在刀具上和切削溫度升高，長時間加工會使刀具的扭矩增大，最終會導致刀具折斷，工件報廢，有時會傷及操作人員，造成嚴重的安全問題。所以，為了保證順利完成深孔鉆削和加工質量，必須研究一套刀具過載保護系統，能夠使機床在刀具折斷之前主動停機，避免刀具和工件損壞，從而降低加工成本和提高加工效率。
經過多次現場試驗發現，刀具折斷時刀桿扭矩會突然增大導致機床主軸電機的功率增大，所以我們可以采集主軸電機的 功率信號，用小波算法提取功率信號特征參數，建立刀具狀態 監測系統，使在刀具過載之前，機床主動報警和停機，避免了刀 具折斷。
1 總體方案設計
圖 1 刀具過載保護系統結構示意圖
刀具過載保護系統采集到機床主軸功率的模擬量數據，則 可以實時監測機床主軸功率的變化。監測系統對于不同的刀 具、工件和切削用量，設定了不同的閾值。當功率達到一定數值 時，就可以判斷刀具處于過載狀態，此時過載保護系統向 PLC 發出報警和停機信號，PLC 會命令 840D 系統執行自動退刀和停機的數控加工程序，刀架自動退出，機床自動停止運轉，避免 了刀具折斷。
2 信號的采集方式
840D 數控系統機床內部有很多開放式的通用的軟硬件接口，功率相關信息的采集可通過設置 840D 的工作參數，在 PLC上可以檢出來刀具在切削工件時主軸產生的 i(t)和 u(t)信號，i(t)和 u(t)信號經過 lowpass 后分別進行檢測到的主軸產生的 i(t)和u(t)信號波形變換、整形，即可獲得兩個可調節的方波脈沖和直 流電平信號。兩個方波和直流信號經過 A/D 轉換器后變成數字信號，最后在終端的 CPU 得到主軸電機的功率值。
3 信號的處理方式
3.1 我們采集了大量的功率功率信號，之后用 matlab 軟件處理了采集到的數據得到了功率變化（圖 2）和功率信號頻譜分析變化（圖 3），從這些變化中可以看出功率信號中包含脈沖干擾信號和非平穩隨機噪聲，從中可以看出功率信號中含有很多低 頻成分的信號，這些干擾信號會降低刀具狀態數據的準確性和 可靠性，所以必須處理掉這些干擾信號，才能準確地判斷刀具的 切削狀態。
圖 2 圖 3
我們采用基于小波包的防脈沖干擾滑動平均消噪法來消除干擾信號和隨機噪聲。這種新的方法可以消除兩種干擾信號， 且處理過的信號中仍然保留了原始信號的信號特征。
通過對比可以發現利用這種新的方法去除了兩種干擾信 號，并且保留了原始信號中有用的信息。
3.2 刀具狀態信號特征提取
經過處理的數據其數量非常龐大和分散，并且包含很多無用的信息，所以我們只需從這些數據中提取那些能真實反映刀 具切削狀態的特征參數。在本文中，我們選擇基于小波變換的 功率信號提取方法。小波變換是一種時頻分析工具，利用這種 方法提取刀具在正常磨損、嚴重磨損、崩刃三種狀態下的功率信 號的特征參數。我們用 Mallat 算法對采集到的信號進行小波分解和重構。
綜合以上各式，功率信號特征向量可以構造成：
T = [E , K ]K (i = 1, 2, 3, 4, 5, 6, 7)
由xik 可以羅列出各個重構信號的幅值，將這些幅值計算公式中就可以計算出刀具在正常磨損、嚴重磨損、崩刃狀態下各層小波系數的能量和峭度。通過觀察這組數值發現：在d5,d6,a6 構成的頻段中，能量隨著刀具的磨損量成比例增大，因此我們選用特征向量來表征刀具的切削狀態。
5 刀具狀態的識別
我們選用RBF 神經網絡來建立模型。利用此模型可以在特征參數與刀具切削狀態之間建立映射關系，通過特征參數就能 判斷出刀具的切削狀態。一個 RBF 網絡包括隱含層的層數、神經元個數和激活函數、訓練算法等。根據深孔鉆削的特點，我們 設計RBF 網絡結構。其中，中間層為單隱層，隱含層的轉換函數為 Sigmoid 函數，輸出層的轉換函數為線性激活函數，R 為輸入特征向量的維數，S1 為隱層神經元數，S2 為輸出層神經元數。
用下面公式來確定隱含層節點數量：
上式中，m 代表輸入節點數目；n 代表輸出節點數目
根據前面的研究結果，我們選用頻帶能量特征向量作為表征刀具磨損狀態的特征向量。特征向量確定了之后，輸入特征 向量，通過觀察 RBF 網絡的訓練結果，我們發現隱含層節點數為 4 時，RBF 神經網絡訓練結果的誤差最小，所以我們決定選用隱層節點數為 4 的 RBF 神經網絡來識別刀具狀態，這時向其中輸入一個特征向量，就能獲得一個反映刀具狀態的實際輸出 值。最后，為了減小誤差，需要把實際的輸出向量元素轉化成標 準的輸出向量元素，標準輸出向量的元素是 0 或者 1。最終我們是用標準的輸出量來判斷刀具的實際狀態。已經建立的 RBF 網絡模型，其標準輸出是一個的矩陣，所以假設網絡的實際輸出是，轉化之后的輸出為，其中，函數命令表示取絕對值，表示極限在 閾值。根據已有的數據，我們可以計算出實際輸出和理想輸出的均方根。令oi = 36作為極限閾值，極限閾值為o = 0.014，o = 0.025, o = 0.038 ，這時我們就可以對特征參數的實際輸出值進行標準化。
6 刀具過載保護
我們得到了表征刀具在三種切削狀態下的標準化的特征向量。當刀具正常磨損時；當刀具出現嚴重磨損時；當刀具發生崩 刃時；根據這三個特征向量，我們編寫了刀具過載保護的 PLC 程序。
結束語
本文通過研究 840D 數控系統和深孔鉆削的特點，做出了一套基于功率信號的刀具過載保護系統。采集了機床主軸的功 率信號，運用小波算法對功率信號做了消噪處理，運用 Mallat 算法對處理后信號進行小波分解和重構，提取了反映刀具切削狀態的特征參數，進而建立了基于 RBF 神經網絡的刀具狀態監測系統，最后根據識別結果編寫了 PLC 程序，開發出了一套刀具過載保護控制系統。
