高效、高精度是數(shù)控機(jī)床切削加工永恒的目標(biāo)。實(shí)現(xiàn)切削過程的自適應(yīng)控制是保證高效、高精度加工的關(guān)鍵。由于切削力比其他信號，如切削功率、扭矩等，更能快速準(zhǔn)確地反映加工過程的狀態(tài)變化，且技術(shù)成熟，因此，在數(shù)控切削加工的自適應(yīng)控制主要是對切削力的檢測與控制，即控制切削用量使切削過程處在恒切削力下。切削過程是一個極其復(fù)雜、多因素相關(guān)的、高度非線性、強(qiáng)耦合過程。影響切削加工品質(zhì)和效率的主要因素有刀具磨損、切削溫度、顫振等。這些都會直接反映到切削精度和效率。因此，在實(shí)際加工中對于切削過程的狀態(tài)信息(切削力、切削溫度、振顫、刀具磨損等)監(jiān)控顯得尤為重要，實(shí)現(xiàn)對切削過程中的多參數(shù)自適應(yīng)控制，使CNC機(jī)床的切削過程處于或接近最優(yōu)狀態(tài)。

1 隱馬爾科夫模型(HMM)簡介

　　隱馬爾科夫模型(Hidden Markov Model，HMM)是對馬爾科夫模型的一種擴(kuò)充。隱馬爾科夫模型的基本理論形成于上世紀(jì)60年代末期和70年代初期。自20世紀(jì)80年代以來，HMM被應(yīng)用于語音識別，取得重大成功。到了90年代，HMM還被引入計(jì)算機(jī)文字識別和移動通信核心技術(shù)“多用戶的檢測”。近年來，HMM在生物信息科學(xué)、故障診斷等領(lǐng)域也開始得到應(yīng)用。隱馬爾科夫模型在計(jì)算語言學(xué)中有著廣泛的應(yīng)用，例如隱馬爾科夫模型在詞類自動標(biāo)注中的應(yīng)用。

　　隱馬爾可夫模型是馬爾可夫鏈的一種，其狀態(tài)不能直接被觀察到，但能通過觀測向量序列觀察到，每個觀測向量都是通過某些概率密度分布表現(xiàn)為各種狀態(tài)，每一個觀測向量是由一個具有相應(yīng)概率密度分布的狀態(tài)序列產(chǎn)生。所以，隱馬爾可夫模型是一個雙重隨機(jī)過程，具有一定狀態(tài)數(shù)的隱馬爾可夫鏈和顯示隨機(jī)函數(shù)集。其中馬爾科夫鏈描述了狀態(tài)的轉(zhuǎn)移，一般用轉(zhuǎn)移概率矩陣描述；而一般隨機(jī)過程描述狀態(tài)和觀測序列間的關(guān)系，用觀察概率矩陣描述。

2 加工過程的自適應(yīng)控制

　　加工過程自適應(yīng)控制的研究自60年代初經(jīng)歷了近50年的歷程，一直受到許多研究者的重視，并取得許多研究成果，但至今在工業(yè)上仍未得到廣泛應(yīng)用。這是由于刀具磨損速率(TWR)采用線性模型，不能充分反映刀具磨損特征，傳統(tǒng)自適應(yīng)控制依賴于過程模型，而加工過程由于加工參數(shù)的影響而具有嚴(yán)重的不確定性和時變性，因此，加工過程的傳統(tǒng)自適應(yīng)控制難以達(dá)到要求。其中具有代表性的控制方法主要有：

　　(1)基于刀具磨損速率模型，并在線調(diào)整優(yōu)化切削用量達(dá)到切削過程的最優(yōu)化目的的優(yōu)化型自適應(yīng)控制(ACO)；

　　(2)基于切削力模型的模型參考約束型自適應(yīng)控制(ACC)。

　　其中，基于刀具磨損速率模型的(ACO)、刀具磨損方程和模型的可靠性與有效性是問題的關(guān)鍵。研究具有自適應(yīng)、自組織刀具磨損識別與建模性能的自適應(yīng)控制技術(shù)一直是其難點(diǎn)，至今未能解決；基于切削力模型的ACC約束自適應(yīng)控制方案是以切削力為控制基準(zhǔn)，所以切削力模型的可靠性是關(guān)鍵；具有自適應(yīng)、模型辨識和自學(xué)習(xí)能力的ACC將能有效地提高系統(tǒng)的可靠性，并擴(kuò)大工業(yè)生產(chǎn)的應(yīng)用前景。

　　從以上分析來看，由于傳統(tǒng)的自適應(yīng)控制過分依賴于過程模型，使智能控制不依賴于模型的本質(zhì)成為加工過程自適應(yīng)控制的有效途徑。與傳統(tǒng)的控制方法相比，模糊控制具有無需對被控對象進(jìn)行精確的數(shù)學(xué)建模、尤其適應(yīng)于非確定性和非線性系統(tǒng)等優(yōu)點(diǎn)。因此，模糊控制方法在加工過程自適應(yīng)控制中得到了大量的研究和應(yīng)用。以恒切削力銑削加工為例，輸入變量一般取兩個，分別為切削力誤差(實(shí)測力和參考力的誤差)和誤差變化率(切削力誤差的一階差分)，輸出變量取一個或兩個，即進(jìn)給率增量域進(jìn)給率增量和主軸速度增量嘲。模糊控制規(guī)則的形成一般基于經(jīng)驗(yàn)和知識域傳統(tǒng)自適應(yīng)控制的實(shí)驗(yàn)結(jié)果。但是基于切削力模型的ACC約束自適應(yīng)控制對切削力模型的可靠性及精度要求很高，又由于加工過程具有隨機(jī)因素多、時變參數(shù)多、非線性程度高等特點(diǎn)，難以建立其精確的數(shù)學(xué)模型。因此，用傳統(tǒng)的、基于被控對象精確數(shù)學(xué)模型的控制方法不能獲得良好的控制效果，實(shí)用性受到限制。

3 HMM在實(shí)際切削過程最優(yōu)化控制中的應(yīng)用

　　實(shí)際的切削過程是一個極其復(fù)雜、多因素相關(guān)的高度非線性、強(qiáng)耦合過程。刀具磨損、顫振等對切削過程的影響而使切削過程模型具有嚴(yán)重的不確定性和時變性。因此，開展具有多參數(shù)自適應(yīng)控制的研究，利用隱馬爾可夫模型(Hidden Markov Models簡稱HMM進(jìn)行信息模式識別，對切削過程中的刀具的磨損過程進(jìn)行實(shí)時監(jiān)測和預(yù)報(bào)，建立在線識別刀具磨損速率模型，對顫振進(jìn)行監(jiān)測和預(yù)報(bào)，并且對切削過程模型進(jìn)行不斷地校正，將HMM信息模式識別技術(shù)應(yīng)用于切削過程的自適應(yīng)控制，建立不依賴于被控對象精確數(shù)學(xué)模型的控制方法，優(yōu)化切削用量使加工過程為最優(yōu)，具有重要的理論意義和現(xiàn)實(shí)意義。

4 國內(nèi)外研究現(xiàn)狀分析

　　由于切削過程的振動信號和噪聲中蘊(yùn)含著大量豐富切削過程發(fā)展的狀態(tài)信息，物理含義清晰，其特征與切削過程發(fā)展之間存在著很強(qiáng)的因果關(guān)系，因此，基于振動和噪聲的刀具磨損過程及顫振發(fā)展、發(fā)生的預(yù)報(bào)方法是最常用的一種方法。切削過程發(fā)展的狀態(tài)預(yù)報(bào)及顫振發(fā)展、發(fā)生的診斷問題往往可歸結(jié)為一個模式識別問題。模式識別的精度直接取決于能否有效準(zhǔn)確的提取信號的特征，另外和表現(xiàn)故障模式的機(jī)器學(xué)習(xí)方法有關(guān)。

　　HMM作為一種信號動態(tài)時間序列統(tǒng)計(jì)模型，已經(jīng)在信號處理領(lǐng)域，特別是在語音處理中得到了廣泛的應(yīng)用。HMM基本理論是在70年代左右由Baum等人創(chuàng)立的，Baker和Jehnek習(xí)等人將其成功地應(yīng)用到了語音識別之中，迄今仍然是語音處理與識別的主流技術(shù)，并且在計(jì)算語言學(xué)中得到了重要的應(yīng)用。HMM由兩個相互關(guān)聯(lián)的兩個隨機(jī)過程共同描述信號的統(tǒng)計(jì)特性，其中一個是隱藏的(不可觀測)具有有限狀態(tài)的Markov鏈，另一個是與Markov鏈的每一個狀態(tài)相關(guān)聯(lián)的觀測矢量的隨機(jī)過程(可觀測)。隱藏的Markov鏈主要由觀測到的信號特征來揭示，這樣HMM具有細(xì)致的結(jié)構(gòu)并建立在堅(jiān)實(shí)的統(tǒng)計(jì)學(xué)基礎(chǔ)之上。而振動和噪聲信號和語音信號在結(jié)構(gòu)和表現(xiàn)形式上具有類似性，因此HMM在機(jī)械故障診斷中也可發(fā)揮出良好的效果。

　　近年來，HMM在切削過程狀態(tài)監(jiān)測、故障發(fā)展過程進(jìn)行實(shí)時監(jiān)測方面的研究成果已經(jīng)有一些文獻(xiàn)報(bào)道。例如，有些文獻(xiàn)報(bào)道了應(yīng)用HMM對切削工具磨損過程狀態(tài)進(jìn)行實(shí)時監(jiān)測的方法和實(shí)驗(yàn)結(jié)果；西安理工大學(xué)的鄭建明博士完成了“基于HMM的多特征融合鉆頭磨損監(jiān)測技術(shù)的研究”；報(bào)道了基于HMM，利用振動信號對切削過程顫振進(jìn)行成功監(jiān)測與預(yù)報(bào)的方法和實(shí)驗(yàn)結(jié)果，這些成果為研究項(xiàng)目奠定了堅(jiān)實(shí)的理論基礎(chǔ)。項(xiàng)目組成員，參加完成了國家自然科學(xué)基金項(xiàng)目“基于多源信息融合的數(shù)控設(shè)備狀態(tài)監(jiān)測與故障診斷研究(項(xiàng)目編號：51075220)”、“基于DHMM-SVM的非平穩(wěn)故障診斷的方法研究(50405023)”，并主持國家民委重點(diǎn)科研課題“CNC機(jī)床切削過程的參數(shù)智能檢測”，發(fā)表了相關(guān)文章十余篇。

5 結(jié)束語

　　應(yīng)用隱馬爾可夫模型模式識別理論和方法在線識別刀具磨損速率，建立模型對刀具磨損進(jìn)行預(yù)報(bào)，并對切削過程中的顫振進(jìn)行預(yù)報(bào)，更準(zhǔn)確地判斷實(shí)時工況和狀態(tài)信息，并采用神經(jīng)網(wǎng)絡(luò)多參數(shù)融合技術(shù)棚對切削過程模型進(jìn)行不斷地校正；建立不依賴于被控對象精確數(shù)學(xué)模型的控制方法，使切削過程的自適應(yīng)控制具有廣大的工業(yè)生產(chǎn)的應(yīng)用前景。這也將推動基于刀具磨損速率模型、優(yōu)化型自適應(yīng)控制(ACO)的發(fā)展。