高效、高精度是數控機床切削加工永恒的目標。實現切削過程的自適應控制是保證高效、高精度加工的關鍵。由于切削力比其他信號，如切削功率、扭矩等，更能快速準確地反映加工過程的狀態變化，且技術成熟，因此，在數控切削加工的自適應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雜、多因素相關的、高度非線性、強耦合過程。影響切削加工品質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，在實際加工中對于切削過程的狀態信息(切削力、切削溫度、振顫、刀具磨損等)監控顯得尤為重要，實現對切削過程中的多參數自適應控制，使CNC機床的切削過程處于或接近最優狀態。

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

　　隱馬爾可夫模型是馬爾可夫鏈的一種，其狀態不能直接被觀察到，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為各種狀態，每一個觀測向量是由一個具有相應概率密度分布的狀態序列產生。所以，隱馬爾可夫模型是一個雙重隨機過程，具有一定狀態數的隱馬爾可夫鏈和顯示隨機函數集。其中馬爾科夫鏈描述了狀態的轉移，一般用轉移概率矩陣描述；而一般隨機過程描述狀態和觀測序列間的關系，用觀察概率矩陣描述。

2 加工過程的自適應控制

　　加工過程自適應控制的研究自60年代初經歷了近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，但至今在工業上仍未得到廣泛應用。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，傳統自適應控制依賴于過程模型，而加工過程由于加工參數的影響而具有嚴重的不確定性和時變性，因此，加工過程的傳統自適應控制難以達到要求。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，并在線調整優化切削用量達到切削過程的最優化目的的優化型自適應控制(ACO)；

　　(2)基于切削力模型的模型參考約束型自適應控制(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鍵。研究具有自適應、自組織刀具磨損識別與建模性能的自適應控制技術一直是其難點，至今未能解決；基于切削力模型的ACC約束自適應控制方案是以切削力為控制基準，所以切削力模型的可靠性是關鍵；具有自適應、模型辨識和自學習能力的ACC將能有效地提高系統的可靠性，并擴大工業生產的應用前景。

　　從以上分析來看，由于傳統的自適應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成為加工過程自適應控制的有效途徑。與傳統的控制方法相比，模糊控制具有無需對被控對象進行精確的數學建模、尤其適應于非確定性和非線性系統等優點。因此，模糊控制方法在加工過程自適應控制中得到了大量的研究和應用。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，即進給率增量域進給率增量和主軸速度增量嘲。模糊控制規則的形成一般基于經驗和知識域傳統自適應控制的實驗結果。但是基于切削力模型的ACC約束自適應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因素多、時變參數多、非線性程度高等特點，難以建立其精確的數學模型。因此，用傳統的、基于被控對象精確數學模型的控制方法不能獲得良好的控制效果，實用性受到限制。

3 HMM在實際切削過程最優化控制中的應用

　　實際的切削過程是一個極其復雜、多因素相關的高度非線性、強耦合過程。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重的不確定性和時變性。因此，開展具有多參數自適應控制的研究，利用隱馬爾可夫模型(Hidden Markov Models簡稱HMM進行信息模式識別，對切削過程中的刀具的磨損過程進行實時監測和預報，建立在線識別刀具磨損速率模型，對顫振進行監測和預報，并且對切削過程模型進行不斷地校正，將HMM信息模式識別技術應用于切削過程的自適應控制，建立不依賴于被控對象精確數學模型的控制方法，優化切削用量使加工過程為最優，具有重要的理論意義和現實意義。

4 國內外研究現狀分析

　　由于切削過程的振動信號和噪聲中蘊含著大量豐富切削過程發展的狀態信息，物理含義清晰，其特征與切削過程發展之間存在著很強的因果關系，因此，基于振動和噪聲的刀具磨損過程及顫振發展、發生的預報方法是最常用的一種方法。切削過程發展的狀態預報及顫振發展、發生的診斷問題往往可歸結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確的提取信號的特征，另外和表現故障模式的機器學習方法有關。

　　HMM作為一種信號動態時間序列統計模型，已經在信號處理領域，特別是在語音處理中得到了廣泛的應用。HMM基本理論是在70年代左右由Baum等人創立的，Baker和Jehnek習等人將其成功地應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，并且在計算語言學中得到了重要的應用。HMM由兩個相互關聯的兩個隨機過程共同描述信號的統計特性，其中一個是隱藏的(不可觀測)具有有限狀態的Markov鏈，另一個是與Markov鏈的每一個狀態相關聯的觀測矢量的隨機過程(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具有細致的結構并建立在堅實的統計學基礎之上。而振動和噪聲信號和語音信號在結構和表現形式上具有類似性，因此HMM在機械故障診斷中也可發揮出良好的效果。

　　近年來，HMM在切削過程狀態監測、故障發展過程進行實時監測方面的研究成果已經有一些文獻報道。例如，有些文獻報道了應用HMM對切削工具磨損過程狀態進行實時監測的方法和實驗結果；西安理工大學的鄭建明博士完成了“基于HMM的多特征融合鉆頭磨損監測技術的研究”；報道了基于HMM，利用振動信號對切削過程顫振進行成功監測與預報的方法和實驗結果，這些成果為研究項目奠定了堅實的理論基礎。項目組成員，參加完成了國家自然科學基金項目“基于多源信息融合的數控設備狀態監測與故障診斷研究(項目編號：51075220)”、“基于DHMM-SVM的非平穩故障診斷的方法研究(50405023)”，并主持國家民委重點科研課題“CNC機床切削過程的參數智能檢測”，發表了相關文章十余篇。

5 結束語

　　應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行預報，并對切削過程中的顫振進行預報，更準確地判斷實時工況和狀態信息，并采用神經網絡多參數融合技術棚對切削過程模型進行不斷地校正；建立不依賴于被控對象精確數學模型的控制方法，使切削過程的自適應控制具有廣大的工業生產的應用前景。這也將推動基于刀具磨損速率模型、優化型自適應控制(ACO)的發展。