基于神经元网络的加工中心刀具破损智能监控技术

　　1 前 言

　　刀具破损的在线监测是柔性制造系统(FMS)的关键性技术之一。近几十年来,国内外学者对刀具破损检测的原理和方法进行了大量的研究,由于切削加工环境中切削参数、刀具种类和刀具尺寸变化多样,给刀具破损的在线监测带来困难,要求我们探求更加合适的监测策略。HIT-TMS-100型刀具破损智能监控系统是我们最新研制的成果,该系统采用了人工神经网络对声发射(AE)信号、电机功率信号及各种切削参数进行数据融合,建立了适于不同刀具和不同加工条件下实现智能监控的数学模型,解决了切削加工参数多变致使刀具破损鉴别标准难以设置的难题。

　　2 利用声发射和电机功率信号监测刀具破损的实验基础

　　在以往的研究[1,2]中,作者对各种尺寸的钻头和铣刀进行了大量的实验,分析了利用声发射信号和电机功率信号在刀具破损前后所表现出来的特性,得知当钻头或铣刀直径小于<610 mm、刀具发生破损时,被检测的AE信号会有突发信号产生,其信号的频率主要分布在100~300kHz之间,此时电机功率信号的反映并不明显,这表明,对于小尺寸的刀具,检测电机功率可靠性不高。

　　对于刀具尺寸大于Φ610 mm,当发生大面积破损时,在上述频带范围内也可以看到突发信号,但此信号有趋于饱和的现象,而电机功率信号此时确有了足够的灵敏度。因此,对于较大尺寸的刀具,采用AE信号和电机功率信号的信息融合作为监控策略较为合适。实验研究的结果为我们建立实现智能监控的模型奠定的基础。

　　3 实现智能监控的神经元网络理论依据

　　3.1 智能监控的总体设计思想

　　根据实验研究的结果,我们采用的智能监控系统总体设计思想如图1所示。

　　3.2 前馈神经元网络及其模式分类器

　　图2为三层神经元网络的结构图,最低的输入层接受被检测信号的多种特征信号,最高的输出层给出刀具状态的决策,中间的隐层起特征压缩作用,箭头方向是信号的传递方向,低一层的神经元向高一层的神经元传递信息,其耦合程度用权值Wij来表示,神经元的激活函数定义为Sigmoid型,即

　　多层神经元网络是针对多输入的样本信息反向传播(BP)学习、通过调整网络权值和门槛值得以实现的。现令低一层神经元i的输出为Oik,它与高一层神经元j的连结权值为Wij,Hj为神经元的门槛值,则神经元j相应输入为

　　设yk为神经元网络输出层对应刀具某一状态的理想输出,yk为它的实际输出。神经元网络输出的均方误差函数为

m为神经元输出层。

　　设有刀具某状态下的N个信号特征样本(输入xk,输出yk),这N个样本输出的均方和误差函数为