基于贝叶斯理论的刀具剩余寿命预测

刀具健康状态的监测以及刀具剩余寿命的预测，对于企业与厂家的降本增效来说异常重要。针对单一通道预测所带来的数据预测不精确，包含的退化信息过少，可靠性低等问题，提出一种基于隐马尔可夫模型及多通道融合的刀具剩余寿命预测方法。首先通过计算多通道信号所提取特征的时间序列与对应时间向量的斯皮尔曼等级相关系数对特征时序做单调性排序，其次筛选出单调性优异的特征代入隐马尔可夫模型进行训练，并构建得到健康因子作为观测数据，最后借助贝叶斯理论和马尔科夫链蒙特卡洛采样估计退化模型，实现实时在线不断更新的退化模型模拟真实的退化进程。本文用PHM2010公开数据挑战赛中三槽球头硬质合金铣刀切削不锈钢过程的磨损全寿命数据验证了方法的有效性。

刀具作为直接与工件接触的部分，其性能的好坏直接影响工件的优劣。而在机械加工的过程中不可避免地存在刀具磨损的现象。严重的刀具磨损对加工效率和加工质量均会产生较大影响，同时也关系到加工成本，在精密超精密切削过程中，刀具的微量磨损会引起零件的精度误差[1] [2]。要想获得一把刀具的磨损量，从而达到刀具剩余寿命预测的目的[3]，一般都是对刀具进行大量实验，进而得以分析该刀具的剩余使用寿命。因此，本文对刀具所进行的实时剩余寿命预测对保障生产安全，企业大幅降本增效有着重大的意义。

随着机械加工向集成化，机械化，复杂化方向的发展，传统的刀具状态监测技术无法满足生产加工中复杂多变的需求。近年来，随着智能传感技术的大力发展，人工智能的广泛运用，研究人员借助诸如机器学习，人工运维等方法对工件的剩余寿命进行了高效的预测。目前，常用的方法诸如：支持向量机(support vector machine, SVM)并结合多种优化算法对模型或者流程改进的方法。Celestino [4]等人使用自动回归综合移动平均模型(ARIMA)来预先估计预测变量的值，并将其作为支持向量回归模型(SVM)的输入，新方法远远超过了VARMA 模型所提供的预测能力。梅飞等人[5]基于融合粒子群的模糊聚类与支持向量机结合，实现设备在故障样本数据量较小情况下建模，解决断路器故障分类诊断问题。除了支持向量机的方法，Yang 等人[6]结合长短时记忆(LSTM)法与递归神经网络实现基于大数据的旋转机械设备故障智能分类。Li 和Liu [7]提出了一个改进的HMM，构建了一个危险模型来描述时间变化和条件适应的状态转换概率，并使用正向算法在线预测RUL。Akhilesh Kumar [8]等人建立了基于隐藏马尔科夫模型和多项式回归的刀具自主诊断和预测模型。但是，上述成果大多基于单通道信号进行研究，对于本文的刀具剩余寿命预测而言，采用单一信号进行预测易受外界环境干扰，同时基于单一传感器的剩余寿命预测方法存在数据利用率低，可靠性较低的问题。因此，多通道的信息融合和巧妙应用就显得尤为重要。对于多通道问题，李乃鹏等[9]提出一种基于多传感器数据融合模型的剩余寿命预测方法，该算法首先根据传感器在RUL 预测中的单独性能进行优先排序，然后根据其综合性能选择一个最佳的传感器组。

对刀具而言常用监测信号有切削力、振动、声发射、电流等。从原始监测信号中提取的特征有些可能与刀具磨损退化的相关性较小，另一方面，受外部环境、工况波动等随机因素的影响，信号与刀具退化的相关性会出现波动。而对多通道信号提取的特征进行融合能够减小对某单一信号的依赖，即使某监