專(zhuān)利名稱(chēng)：一種基于神經(jīng)網(wǎng)絡(luò)的磨削加工工況檢測(cè)方法
技術(shù)領(lǐng)域：
本發(fā)明涉及機(jī)械加工領(lǐng)域的一種檢測(cè)方法，具體說(shuō)是一種基于神經(jīng)網(wǎng)絡(luò)的磨削加 工工況檢測(cè)方法。
背景技術(shù)：
在機(jī)械加工中，磨削加工是一種重要的加工方法，而磨削車(chē)床是實(shí)施這一加工辦 法的主要工具。隨著科技的發(fā)展，計(jì)算機(jī)輔助控制的磨削車(chē)床(以下簡(jiǎn)稱(chēng)數(shù)控磨床)逐步 得到運(yùn)用。數(shù)控磨床是根據(jù)預(yù)先設(shè)定的計(jì)算機(jī)指令，按照加工圖紙完成工件的加工，大大提 高了加工效率和加工精度。但是，目前的數(shù)控磨床仍然需要較為熟練的工人操作，并由操作人員來(lái)根據(jù)工作 經(jīng)驗(yàn)判斷刀具和加工工件是否接觸，以及刀具(即砂輪)是否鈍化、工件是否灼傷或有裂紋 等異常狀態(tài)。由于人為因素的存在，加工效率和質(zhì)量常常受到影響，并可能造成工件和刀具 不必要的損毀。
發(fā)明內(nèi)容
發(fā)明目的本發(fā)明所解決的技術(shù)問(wèn)題是，減少磨削加工中的人為判斷因素，提供一 種基于神經(jīng)網(wǎng)絡(luò)的磨削加工工況檢測(cè)方法，其可以對(duì)加工工況進(jìn)行實(shí)時(shí)判斷，保證加工質(zhì) 量，提高加工效率，減少工件和刀具的損毀。本發(fā)明通過(guò)多次采集標(biāo)準(zhǔn)工況下刀具和加工工件接觸時(shí)的聲發(fā)射信號(hào)、刀具(砂 輪)鈍化時(shí)的聲發(fā)射信號(hào)、工件灼傷、裂紋時(shí)的聲發(fā)射信號(hào)，作為輸入向量輸入神經(jīng)網(wǎng)絡(luò)學(xué) 習(xí)；對(duì)應(yīng)的工況信息(接觸、鈍化、灼傷、裂紋)作為輸出信號(hào)輸入神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)；使用誤差 反傳算法可以得到該神經(jīng)網(wǎng)絡(luò)的權(quán)閾值；在神經(jīng)網(wǎng)絡(luò)的權(quán)閾值確定后，神經(jīng)網(wǎng)絡(luò)輸出模塊 可根據(jù)實(shí)時(shí)采集到的聲發(fā)射信號(hào)計(jì)算得出當(dāng)前的加工工況信息。技術(shù)方案為解決上述技術(shù)問(wèn)題，本發(fā)明采用了如下的技術(shù)方案。一種基于神經(jīng)網(wǎng)絡(luò)的磨削加工工況檢測(cè)方法，它包括如下步驟(1)標(biāo)準(zhǔn)工況下，采集加工時(shí)的現(xiàn)場(chǎng)聲發(fā)射信息由聲發(fā)射傳感器按照預(yù)設(shè)的采 樣頻率f實(shí)時(shí)采集加工現(xiàn)場(chǎng)的聲發(fā)射信號(hào)，聲發(fā)射信號(hào)序列用X向量標(biāo)記，X1表示、時(shí)刻 開(kāi)始的第1個(gè)采樣點(diǎn)，Xi為第i個(gè)采樣點(diǎn)，i = 1 N，N為采樣序列長(zhǎng)度，N彡1000 ；(2)建立神經(jīng)網(wǎng)絡(luò)模型選取的神經(jīng)網(wǎng)絡(luò)模型為三層BP網(wǎng)絡(luò)即輸入層、隱含層和 輸出層；所述神經(jīng)網(wǎng)絡(luò)輸入層的輸入激勵(lì)函數(shù)為Sigmoid型激勵(lì)函數(shù)
_1] /W = TT^w……式⑴……式⑴其中，Q為Sigmoid參數(shù)，X為、時(shí)刻的采樣序列N維向量，向量X的第i個(gè)變量 用Xi表示，i = 1 N，N彡1000 ；所述神經(jīng)網(wǎng)絡(luò)的隱含層參數(shù)h
<formula>formula see original document page 5</formula>其中，Wi/為第i個(gè)輸入變量到第j個(gè)隱含層節(jié)點(diǎn)的權(quán)重系數(shù)，θ J為隱含層各單 元的輸出閾值；X為tQ時(shí)刻的采樣序列，N維向量，向量X的第i個(gè)變量用Xi表示，i = 1 N， N 彡 1000i為輸入變量個(gè)數(shù)，i = 1 N，N彡1000 ；j為隱含層節(jié)點(diǎn)數(shù)；所述神經(jīng)網(wǎng)絡(luò)的輸出函數(shù)Y為<formula>formula see original document page 5</formula>······式⑶
......式⑶其中，Wjk0為第j個(gè)隱含層節(jié)點(diǎn)到第k個(gè)輸出節(jié)點(diǎn)的權(quán)重系數(shù)；Yk為輸出層各單 元的輸出閾值；k為輸出變量個(gè)數(shù)，k = 1 4 ;Y為、時(shí)刻的工況向量，四維向量，向量Y的 第i個(gè)變量用Yi表示，i = 1 4;即Y包含四個(gè)變量；標(biāo)準(zhǔn)工況時(shí)，第一個(gè)變量Y(I)為接 觸參數(shù)，布爾變量類(lèi)型，當(dāng)工件和刀具接觸時(shí)為1，當(dāng)工件和刀具未接觸時(shí)為0 ；第二個(gè)元素 Y(2)為刀具鈍化系數(shù)，整型變量類(lèi)型，當(dāng)?shù)毒邉傂拚^(guò)時(shí)，鈍化系數(shù)為0，在刀具使用過(guò)程 中，鈍化系數(shù)逐漸變大，直至達(dá)到100，此時(shí)刀具需要修整；第三個(gè)變量Y (3)為灼傷參數(shù)，布 爾變量類(lèi)型，當(dāng)工件灼傷時(shí)為1，當(dāng)工件未灼傷時(shí)為0 ；第四個(gè)變量Y(4)為裂紋參數(shù)，布爾變 量類(lèi)型，當(dāng)工件有裂紋時(shí)為1，當(dāng)工件沒(méi)有裂紋時(shí)為0 ；(3)學(xué)習(xí)訓(xùn)練所述聲發(fā)射傳感器信息采集模塊將標(biāo)準(zhǔn)工況下采集到的X向量輸 入到神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)模塊，輸入若干樣本組，利用誤差反傳算法，即BP算法來(lái)計(jì)算神經(jīng)網(wǎng)絡(luò) 的權(quán)閾值參數(shù)Wij^WjA θ和γ ;所述神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)過(guò)程中所定義的誤差函數(shù)為<formula>formula see original document page 5</formula>……式⑷……式⑷其中Yk為網(wǎng)絡(luò)實(shí)際輸出，即已知的工況Y志為通過(guò)式(1)、式(2)和式(3)由輸入 標(biāo)準(zhǔn)工況下時(shí)的X向量所計(jì)算出的工況；N彡1000 ；設(shè)定初始Wi/和W^為單位矩陣，θ和Y為0 1的隨機(jī)數(shù)，將采集到的標(biāo)準(zhǔn)工 況下的樣本數(shù)據(jù)X和所對(duì)應(yīng)的Y所組成的訓(xùn)練樣本，成對(duì)輸入到所述神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)模塊；通 過(guò)式(4)計(jì)算誤差Ε，并對(duì)權(quán)閾值進(jìn)行修正；修正公式為<formula>formula see original document page 5</formula>……式(5)......式(5)其中，W為權(quán)閾值參數(shù)矩陣，μ為修正步長(zhǎng)，0 < μ < 1 ；將修正后的權(quán)閾值再代入式(1)、式(2)、式(3)和式(4)，計(jì)算誤差Ε，如此反復(fù)， 直至E小于0. 001 ；(4)神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)模塊將神經(jīng)網(wǎng)絡(luò)的權(quán)閾值參數(shù)輸出給神經(jīng)網(wǎng)絡(luò)運(yùn)算輸出模塊； 所述神經(jīng)網(wǎng)絡(luò)運(yùn)算輸出模塊用于判斷當(dāng)前機(jī)械磨削加工中工件和刀具的工作狀態(tài)，即在神 經(jīng)網(wǎng)絡(luò)權(quán)閾值參數(shù)確定后，神經(jīng)網(wǎng)絡(luò)運(yùn)算輸出模塊可以根據(jù)接收到的傳感器信息采集模塊傳遞來(lái)的t時(shí)刻的實(shí)時(shí)數(shù)據(jù)向量Xt，使用式(1)、式⑵和式(3)計(jì)算輸出向量Yt;(5)根據(jù)向量Yt內(nèi)各變量的定義即可判斷出刀具和加工工件是否接觸、刀具的鈍 化狀況、工件是否灼傷、是否存在裂紋。其中，步驟(1)中，聲發(fā)射傳感器的采樣頻率f大于等于二倍的磨削加工固體聲致 聲發(fā)射信號(hào)的頻率。其中，步驟(3)中所述的樣本組數(shù)大于50。有益效果與現(xiàn)有技術(shù)相比，本發(fā)明利用神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)和智能判斷功能，可以自 動(dòng)判斷出工件和刀具的加工狀態(tài)，從而大大減小了對(duì)熟練工人的依賴(lài)，提高了加工效率；可 以有效地減少人為判斷因素，提高加工效率和加工質(zhì)量，并避免工件和刀具不必要的損毀。
圖1是本發(fā)明基于神經(jīng)網(wǎng)絡(luò)的磨削加工工況檢測(cè)方法的框圖。圖2是本發(fā)明中神經(jīng)網(wǎng)絡(luò)的示意圖。圖3是本發(fā)明基于神經(jīng)網(wǎng)絡(luò)的磨削加工工況檢測(cè)流程圖。
具體實(shí)施例方式下面結(jié)合附圖對(duì)本發(fā)明做更進(jìn)一步的解釋。如圖1、2和3所示，本發(fā)明的基于神經(jīng)網(wǎng)絡(luò)的機(jī)械磨削工況檢測(cè)系統(tǒng)，包括傳感器 信息采集模塊、神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)模塊和神經(jīng)網(wǎng)絡(luò)運(yùn)算輸出模塊。所述傳感器信息采集模塊，即為聲發(fā)射傳感器，主要是按照預(yù)設(shè)的采樣頻率采集 加工時(shí)的各種聲發(fā)射信號(hào)。所述神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)模塊，用于確定神經(jīng)網(wǎng)絡(luò)的權(quán)閾值參數(shù)，并傳遞給神經(jīng)網(wǎng)絡(luò)運(yùn) 算輸出模塊使用。在學(xué)習(xí)和訓(xùn)練階段，通過(guò)采集刀具和加工工件接觸時(shí)的聲發(fā)射信號(hào)、刀具 (砂輪)鈍化時(shí)的聲發(fā)射信號(hào)、工件灼傷、裂紋時(shí)的聲發(fā)射信號(hào)等構(gòu)成樣本庫(kù)，經(jīng)神經(jīng)網(wǎng)絡(luò) 學(xué)習(xí)模塊學(xué)習(xí)訓(xùn)練后，得到神經(jīng)網(wǎng)絡(luò)的權(quán)閾值參數(shù)，并將所述參數(shù)傳遞給神經(jīng)網(wǎng)絡(luò)運(yùn)算輸 出模塊。所述神經(jīng)網(wǎng)絡(luò)運(yùn)算輸出模塊，用于判斷當(dāng)前機(jī)械磨削加工中工件和刀具的工作狀 態(tài)。在神經(jīng)網(wǎng)絡(luò)的參數(shù)確定后，本模塊接收傳感器信息采集模塊傳遞來(lái)的實(shí)時(shí)數(shù)據(jù)，使用式 (1)、式(2)和式(3)計(jì)算，輸出刀具和加工工件是否接觸、刀具(砂輪)是否鈍化、工件是 否灼傷是否存在裂紋等工況信息。(1)采集標(biāo)準(zhǔn)工況下加工現(xiàn)場(chǎng)的聲發(fā)射信息首先將本系統(tǒng)設(shè)置處于訓(xùn)練學(xué)習(xí)模 式。磨削加工時(shí)固體聲致聲發(fā)射信號(hào)的頻率一般在50K 300K范圍內(nèi)，由此設(shè)定聲發(fā)射傳 感器的采樣頻率f為IMHz ；因?yàn)?，聲發(fā)射傳感器的采樣頻率f大于等于二倍的磨削加工固 體聲致聲發(fā)射信號(hào)的頻率，才能有效地采集到現(xiàn)場(chǎng)的聲發(fā)射信號(hào)；由聲發(fā)射傳感器按照預(yù) 設(shè)的采樣頻率f實(shí)時(shí)采集加工現(xiàn)場(chǎng)的聲發(fā)射信號(hào)。所述的標(biāo)準(zhǔn)工況即接觸參數(shù)Y(I)在工件和刀具接觸時(shí)為1，在工件和刀具未接 觸時(shí)為0，Y(I)布爾變量類(lèi)型；刀具鈍化系數(shù)Y(2)在刀具剛修整過(guò)時(shí)為0，在刀具使用過(guò) 程中，鈍化系數(shù)逐漸變大，直至達(dá)到100，此時(shí)刀具需要修整，Υ(2)整型變量類(lèi)型；灼傷參數(shù) Y(3)在工件灼傷時(shí)為1，在工件未灼傷時(shí)為0，Υ(3)布爾變量類(lèi)型；裂紋參數(shù)Υ(4)在工件有裂紋時(shí)為1，在工件沒(méi)有裂紋時(shí)為0，γ(4)布爾變量類(lèi)型。聲發(fā)射信號(hào)序列用X向量標(biāo)記，X1表示、時(shí)刻開(kāi)始第1個(gè)采樣點(diǎn)，Xi為第i個(gè)采 樣點(diǎn)，i = 1 N，N為采樣序列長(zhǎng)度。在給定采樣頻率的情況下，采樣序列長(zhǎng)度N與本系統(tǒng) 對(duì)工況判斷的響應(yīng)時(shí)間有密切關(guān)系。N越大系統(tǒng)的響應(yīng)時(shí)間越長(zhǎng)；N越小，系統(tǒng)對(duì)工況判斷 的響應(yīng)時(shí)間越短。但選擇較小的長(zhǎng)度N，可能會(huì)影響神經(jīng)網(wǎng)絡(luò)對(duì)工況判斷的準(zhǔn)確性。在采樣 頻率為IMHz的情況下，為使得本方法的最小準(zhǔn)確響應(yīng)時(shí)間為毫秒級(jí)，N取值為1000。則聲 發(fā)射信號(hào)向量X的采樣時(shí)間為1ms，再加上神經(jīng)網(wǎng)絡(luò)運(yùn)算時(shí)間(微秒級(jí))，可保證工況發(fā)生 變化后，本系統(tǒng)可在毫秒級(jí)作出正確響應(yīng)。(2)啟動(dòng)磨床進(jìn)行磨削加工，反復(fù)將刀具和工件進(jìn)行接觸和脫離接觸的操作；啟 動(dòng)本系統(tǒng)采集刀具和加工工件接觸時(shí)的聲發(fā)射信號(hào)X，采集100組數(shù)據(jù)備用。打磨刀具至鋒利狀態(tài)，設(shè)置本系統(tǒng)的鈍化系數(shù)為0。啟動(dòng)磨床的磨削加工，對(duì)工件 進(jìn)行加工。在加工過(guò)程中采集100組聲發(fā)射信號(hào)X，涵蓋刀具鋒利至刀具鈍化時(shí)的數(shù)據(jù)。由操作人員挑選有瑕疵即將灼傷的工件進(jìn)行磨削加工，在加工過(guò)程中采集100組 聲發(fā)射信號(hào)X備用。由操作人員挑選有裂紋工件進(jìn)行磨削加工，在加工過(guò)程中采集100組聲發(fā)射信號(hào) X備用。為保證神經(jīng)網(wǎng)絡(luò)能穩(wěn)定地表達(dá)輸入變量和輸出變量之間的函數(shù)關(guān)系，需要采集多 個(gè)樣本組進(jìn)行上述運(yùn)算，用于計(jì)算和修訂神經(jīng)網(wǎng)絡(luò)的權(quán)閾值。根據(jù)試驗(yàn)可得，在樣本數(shù)大于 50的情況下，經(jīng)過(guò)上述訓(xùn)練和學(xué)習(xí)后，本方法所建立的神經(jīng)網(wǎng)絡(luò)能準(zhǔn)確地計(jì)算出輸出工況。(3)建立神經(jīng)網(wǎng)絡(luò)模型選取的神經(jīng)網(wǎng)絡(luò)模型為三層網(wǎng)絡(luò)輸入層、隱含層和輸出 層，所述神經(jīng)網(wǎng)絡(luò)輸入層的輸入激勵(lì)函數(shù)為Sjgmoid型激勵(lì)函數(shù)f{X) = x+Xe_XIQ......式⑴……式(1)其中，Q為Sigmoid參數(shù)，X為、時(shí)刻的采樣序列N維向量，向量X的第i個(gè)變量 用Xi表示，i = 1 N ；所述神經(jīng)網(wǎng)絡(luò)的隱含層參數(shù)h
/ N \hj=f(∑WijXi-θj)……式⑵......式⑵其中，Wi/為第i個(gè)輸入變量到第j個(gè)隱含層節(jié)點(diǎn)的權(quán)重系數(shù)，θ j為隱含層各單 元的輸出閾值；X為t0時(shí)刻的采樣序列N維向量，向量X的第i個(gè)變量用Xi表示，i = 1 N ；i為輸入變量個(gè)數(shù)，i = 1 N ；j為隱含層節(jié)點(diǎn)數(shù)，本實(shí)施例中取j = 2*N ；本神經(jīng)網(wǎng)絡(luò)的輸出Y為Yk= f(∑Wjkhj-rk)……式⑶……式⑶其中，W/為第j個(gè)隱含層節(jié)點(diǎn)到第k個(gè)輸出節(jié)點(diǎn)的權(quán)重系數(shù)；Yk為輸出層各單元 的輸出閾值；k為輸出變量個(gè)數(shù)，本方法中，k = 1 4 ;Y為、時(shí)刻的工況向量，4維向量，向量Y的第i個(gè)變量用Yi表示，i = 1 4 ；即Y包含四個(gè)變量，第一個(gè)變量Y(I)為接觸參 數(shù)，布爾變量類(lèi)型，當(dāng)工件和刀具接觸時(shí)為1，當(dāng)工件和刀具未接觸時(shí)為O ；第二個(gè)元素Y(2) 為刀具鈍化系數(shù)，整型變量類(lèi)型，當(dāng)?shù)毒邉傂拚^(guò)時(shí)，鈍化系數(shù)為0，在刀具使用過(guò)程中，鈍 化系數(shù)逐漸變大，直至達(dá)到100，此時(shí)刀具需要修整；第三個(gè)變量Y (3)為灼傷參數(shù)，布爾變 量類(lèi)型，當(dāng)工件灼傷時(shí)為1，當(dāng)工件未灼傷時(shí)為0 ；第四個(gè)變量Υ(4)為裂紋參數(shù)，布爾變量類(lèi) 型，當(dāng)工件有裂紋時(shí)為1，當(dāng)工件沒(méi)有裂紋時(shí)為0。(4)學(xué)習(xí)訓(xùn)練將以上4*100組數(shù)據(jù)匯總，選取前4*50組數(shù)據(jù)作為訓(xùn)練樣本，輸入 所述神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)模塊學(xué)習(xí)。利用1985年由Rumelhart等人提出的誤差反傳算法(BP算 法)計(jì)算出神經(jīng)網(wǎng)絡(luò)的參數(shù)Wij^WjA θ、γ，以上參數(shù)稱(chēng)為神經(jīng)網(wǎng)絡(luò)的權(quán)閾值。將計(jì)算出 的權(quán)閾值傳遞給所述神經(jīng)網(wǎng)絡(luò)運(yùn)算輸出模塊。所述神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)過(guò)程中所定義的誤差函數(shù)為 <formula>formula see original document page 8</formula>……式⑷……式⑷其中Yk為網(wǎng)絡(luò)實(shí)際輸出，即已知的工況Y名為通過(guò)式(1)、式(2)和式(3)由輸入 X向量所計(jì)算出的工況；設(shè)定初始Wi/和W^為單位矩陣，θ和Y為0 1的隨機(jī)數(shù)，將采集到的樣本數(shù) 據(jù)X和所對(duì)應(yīng)的Y所組成的訓(xùn)練樣本，成對(duì)輸入到所述神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)模塊；通過(guò)式(4)計(jì)算 誤差Ε，并對(duì)權(quán)閾值進(jìn)行修正；修正公式為
QEW = W-//——......式⑶......式(5)
oW其中，W為權(quán)閾值參數(shù)矩陣，μ為修正步長(zhǎng)，0 < μ < 1，本實(shí)施例中取μ = 0. 5。將修正后的權(quán)閾值再代入式(1)、式(2)、式(3)和式(4)，計(jì)算誤差Ε，如此反復(fù)， 直至E小于0. 001 ；當(dāng)E小于0. 001時(shí)，稱(chēng)之為神經(jīng)網(wǎng)絡(luò)收斂，此時(shí)的權(quán)閾值即可為神經(jīng)網(wǎng) 絡(luò)運(yùn)算輸出模塊使用了。選取4*100組數(shù)據(jù)的后4*50組數(shù)據(jù)，輸入所述神經(jīng)網(wǎng)絡(luò)運(yùn)算輸出模塊進(jìn)行計(jì)算， 輸出工況，并和前4*50組數(shù)據(jù)的實(shí)際工況對(duì)比，工況判斷正確率在99%以上，證明本神經(jīng) 網(wǎng)絡(luò)穩(wěn)定可信。(5)在本系統(tǒng)得到訓(xùn)練和驗(yàn)證之后，啟動(dòng)磨削加工，本系統(tǒng)開(kāi)始采集加工現(xiàn)場(chǎng)t時(shí) 刻的聲發(fā)射信號(hào)Xt，送入神經(jīng)網(wǎng)絡(luò)運(yùn)算，輸出工況向量Yt。所述神經(jīng)網(wǎng)絡(luò)運(yùn)算輸出模塊，用于判斷當(dāng)前機(jī)械磨削加工中工件和刀具的工作狀 態(tài)，即在神經(jīng)網(wǎng)絡(luò)權(quán)閾值參數(shù)確定后，神經(jīng)網(wǎng)絡(luò)運(yùn)算輸出模塊可以根據(jù)接收到的傳感器信 息采集模塊傳遞來(lái)的實(shí)時(shí)數(shù)據(jù)向量xt，使用式(1)、式⑵和式⑶計(jì)算輸出向量Yt。(6)根據(jù)向量Yt內(nèi)各變量的定義即可判斷出刀具和加工工件是否接觸、刀具的鈍 化狀況、工件是否灼傷、是否存在裂紋。通過(guò)查詢(xún)工況向量Yt的對(duì)應(yīng)變量，可以得知當(dāng)前磨 削加工過(guò)程中，刀具和加工工件是否接觸、刀具(砂輪)的鈍化程度、工件是否灼傷或工件 是否存在裂紋等信息。(7)磨床的控制系統(tǒng)或操作工人可根據(jù)本系統(tǒng)的判斷提示進(jìn)行進(jìn)一步操作。比如 開(kāi)始計(jì)算刀具進(jìn)給量、更換刀具、更換工件等。其操作不在本發(fā)明涵蓋范圍之內(nèi)。
權(quán)利要求
一種基于神經(jīng)網(wǎng)絡(luò)的磨削加工工況檢測(cè)方法，其特征在于它包括如下步驟(1)標(biāo)準(zhǔn)工況下，采集加工時(shí)的現(xiàn)場(chǎng)聲發(fā)射信息由聲發(fā)射傳感器按照預(yù)設(shè)的采樣頻率f實(shí)時(shí)采集加工現(xiàn)場(chǎng)的聲發(fā)射信號(hào)，聲發(fā)射信號(hào)序列用X向量標(biāo)記，X1表示t0時(shí)刻開(kāi)始的第1個(gè)采樣點(diǎn)，Xi為第i個(gè)采樣點(diǎn)，i＝1～N，N為采樣序列長(zhǎng)度，N≥1000；(2)建立神經(jīng)網(wǎng)絡(luò)模型選取的神經(jīng)網(wǎng)絡(luò)模型為三層BP網(wǎng)絡(luò)即輸入層、隱含層和輸出層；所述神經(jīng)網(wǎng)絡(luò)輸入層的輸入激勵(lì)函數(shù)為Sigmoid型激勵(lì)函數(shù) <mrow><mi>f</mi><mrow> <mo>(</mo> <mi>X</mi> <mo>)</mo></mrow><mo>=</mo><mfrac> <mn>1</mn> <mrow><mn>1</mn><mo>+</mo><msup> <mi>e</mi> <mrow><mo>-</mo><mi>X</mi><mo>/</mo><mi>Q</mi> </mrow></msup> </mrow></mfrac> </mrow>……式(1)其中，Q為Sigmoid參數(shù)，X為t0時(shí)刻的采樣序列N維向量，向量X的第i個(gè)變量用Xi表示，i＝1～N，N≥1000；所述神經(jīng)網(wǎng)絡(luò)的隱含層參數(shù)h <mrow><msub> <mi>h</mi> <mi>j</mi></msub><mo>=</mo><mi>f</mi><mrow> <mo>(</mo> <munderover><mi>Σ</mi><mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn></mrow><mi>N</mi> </munderover> <msubsup><mi>W</mi><mi>ij</mi><mi>I</mi> </msubsup> <msub><mi>X</mi><mi>i</mi> </msub> <mo>-</mo> <msub><mi>θ</mi><mi>j</mi> </msub> <mo>)</mo></mrow> </mrow>……式(2)其中，WijI為第i個(gè)輸入變量到第j個(gè)隱含層節(jié)點(diǎn)的權(quán)重系數(shù)，θj為隱含層各單元的輸出閾值；X為t0時(shí)刻的采樣序列，N維向量，向量X的第i個(gè)變量用Xi表示，i＝1～N，N≥1000i為輸入變量個(gè)數(shù)，i＝1～N，N≥1000；j為隱含層節(jié)點(diǎn)數(shù)；所述神經(jīng)網(wǎng)絡(luò)的輸出函數(shù)Y為 <mrow><msub> <mi>Y</mi> <mi>k</mi></msub><mo>=</mo><mi>f</mi><mrow> <mo>(</mo> <munderover><mi>Σ</mi><mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn></mrow><mi>k</mi> </munderover> <msubsup><mi>W</mi><mi>jk</mi><mi>O</mi> </msubsup> <msub><mi>h</mi><mi>j</mi> </msub> <mo>-</mo> <msub><mi>γ</mi><mi>k</mi> </msub> <mo>)</mo></mrow> </mrow>……式(3)其中，Wjko為第j個(gè)隱含層節(jié)點(diǎn)到第k個(gè)輸出節(jié)點(diǎn)的權(quán)重系數(shù)；γk為輸出層各單元的輸出閾值；k為輸出變量個(gè)數(shù)，k＝1～4；Y為t0時(shí)刻的工況向量，四維向量，向量Y的第i個(gè)變量用Yi表示，i＝1～4；即Y包含四個(gè)變量；標(biāo)準(zhǔn)工況時(shí)，第一個(gè)變量Y(1)為接觸參數(shù)，布爾變量類(lèi)型，當(dāng)工件和刀具接觸時(shí)為1，當(dāng)工件和刀具未接觸時(shí)為0；第二個(gè)元素Y(2)為刀具鈍化系數(shù)，整型變量類(lèi)型，當(dāng)?shù)毒邉傂拚^(guò)時(shí)，鈍化系數(shù)為0，在刀具使用過(guò)程中，鈍化系數(shù)逐漸變大，直至達(dá)到100，此時(shí)刀具需要修整；第三個(gè)變量Y(3)為灼傷參數(shù)，布爾變量類(lèi)型，當(dāng)工件灼傷時(shí)為1，當(dāng)工件未灼傷時(shí)為0；第四個(gè)變量Y(4)為裂紋參數(shù)，布爾變量類(lèi)型，當(dāng)工件有裂紋時(shí)為1，當(dāng)工件沒(méi)有裂紋時(shí)為0；(3)學(xué)習(xí)訓(xùn)練所述聲發(fā)射傳感器信息采集模塊將標(biāo)準(zhǔn)工況下采集到的X向量輸入到神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)模塊，輸入若干樣本組，利用誤差反傳算法，即BP算法來(lái)計(jì)算神經(jīng)網(wǎng)絡(luò)的權(quán)閾值參數(shù)WijI、Wjko、θ和γ；所述神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)過(guò)程中所定義的誤差函數(shù)為 <mrow><mi>E</mi><mo>=</mo><mfrac> <mn>1</mn> <mn>2</mn></mfrac><munderover> <mi>Σ</mi> <mrow><mi>k</mi><mo>=</mo><mn>1</mn> </mrow> <mi>N</mi></munderover><msup> <mrow><mo>(</mo><msub> <mi>Y</mi> <mi>k</mi></msub><mo>-</mo><mover> <msub><mi>Y</mi><mi>k</mi> </msub> <mo>^</mo></mover><mo>)</mo> </mrow> <mn>2</mn></msup> </mrow>……式(4)其中Yk為網(wǎng)絡(luò)實(shí)際輸出，即已知的工況Y；為通過(guò)式(1)、式(2)和式(3)由輸入標(biāo)準(zhǔn)工況下時(shí)的X向量所計(jì)算出的工況；N≥1000；設(shè)定初始WijI和Wjko為單位矩陣，θ和γ為0～1的隨機(jī)數(shù)，將采集到的標(biāo)準(zhǔn)工況下的樣本數(shù)據(jù)X和所對(duì)應(yīng)的Y所組成的訓(xùn)練樣本，成對(duì)輸入到所述神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)模塊；通過(guò)式(4)計(jì)算誤差E，并對(duì)權(quán)閾值進(jìn)行修正；修正公式為 <mrow><mi>W</mi><mo>=</mo><mi>W</mi><mo>-</mo><mi>μ</mi><mfrac> <mrow><mo>∂</mo><mi>E</mi> </mrow> <mrow><mo>∂</mo><mi>W</mi> </mrow></mfrac> </mrow>……式(5)其中，W為權(quán)閾值參數(shù)矩陣，μ為修正步長(zhǎng)，0＜μ＜1；將修正后的權(quán)閾值再代入式(1)、式(2)、式(3)和式(4)，計(jì)算誤差E，如此反復(fù)，直至E小于0.001；(4)神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)模塊將神經(jīng)網(wǎng)絡(luò)的權(quán)閾值參數(shù)輸出給神經(jīng)網(wǎng)絡(luò)運(yùn)算輸出模塊；所述神經(jīng)網(wǎng)絡(luò)運(yùn)算輸出模塊用于判斷當(dāng)前機(jī)械磨削加工中工件和刀具的工作狀態(tài)，即在神經(jīng)網(wǎng)絡(luò)權(quán)閾值參數(shù)確定后，神經(jīng)網(wǎng)絡(luò)運(yùn)算輸出模塊可以根據(jù)接收到的傳感器信息采集模塊傳遞來(lái)的t時(shí)刻的實(shí)時(shí)數(shù)據(jù)向量Xt，使用式(1)、式(2)和式(3)計(jì)算輸出向量Yt；(5)根據(jù)向量Yt內(nèi)各變量的定義即可判斷出刀具和加工工件是否接觸、刀具的鈍化狀況、工件是否灼傷、是否存在裂紋。FSA00000061973000022.tif
2.根據(jù)權(quán)利要求1所述的一種基于神經(jīng)網(wǎng)絡(luò)的磨削加工工況檢測(cè)方法，其特征在于 步驟(1)中，聲發(fā)射傳感器的采樣頻率f大于等于二倍的磨削加工固體聲致聲發(fā)射信號(hào)的 頻率。
3.根據(jù)權(quán)利要求1所述的一種基于神經(jīng)網(wǎng)絡(luò)的磨削加工工況檢測(cè)方法，其特征在于 步驟(3)中所述的樣本組數(shù)大于50。
全文摘要
本發(fā)明公開(kāi)了一種基于神經(jīng)網(wǎng)絡(luò)的磨削加工工況檢測(cè)方法，包括如下步驟建立神經(jīng)網(wǎng)絡(luò)模型；在標(biāo)準(zhǔn)工況下由傳感器信息采集模塊采集現(xiàn)場(chǎng)聲發(fā)射信息，將采集到的聲發(fā)射數(shù)據(jù)和標(biāo)準(zhǔn)工況數(shù)據(jù)所構(gòu)成的樣本庫(kù)輸入到神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)模塊，利用誤差反傳算法得到權(quán)閾值參數(shù)，輸出給神經(jīng)網(wǎng)絡(luò)運(yùn)算輸出模塊；神經(jīng)網(wǎng)絡(luò)運(yùn)算輸出模塊根據(jù)接收到的實(shí)時(shí)數(shù)據(jù)向量，經(jīng)運(yùn)算后輸出實(shí)時(shí)工況向量；根據(jù)該工況向量?jī)?nèi)各變量的定義即可判斷出刀具和工件的情況。本發(fā)明利用神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)和智能判斷功能，可以自動(dòng)判斷出工件和刀具的加工狀態(tài)，大大減小了對(duì)熟練工人的依賴(lài)，提高了加工效率；可以有效地減少人為判斷因素，提高加工效率和加工質(zhì)量，并避免工件和刀具不必要的損毀。
文檔編號(hào)G01N29/14GK101817163SQ20101013214
公開(kāi)日2010年9月1日 申請(qǐng)日期2010年3月25日 優(yōu)先權(quán)日2010年3月25日
發(fā)明者劉翔雄, 徐水竹, 楊京, 程建春 申請(qǐng)人:南京大學(xué);昆山華辰機(jī)器制造有限公司