RBF云神经网络在数控机床刀具磨损状态识别中的应用.pdf

2 0 1 1 年 8门 第 3 9卷 第 l 5期 机床与液压 MACHI NE TO0L HYDRAULI CS Au g ． 2 01 1 V0 1 ． 3 9 NO ． 1 5 DO I 1 0 ． 3 9 6 9 ／ j ． i s s n ． 1 0 0 13 8 8 1 ． 2 0 1 1 ． 1 5 ． 0 4 3 R B F云神经网络在数控机床刀具磨损状态识别中的应用 王姣 ，祁 美玲 大连 交通大学软件学院，辽宁大连 1 1 6 0 2 8 摘要在数控机床加工过程中，刀具破损是造成加工设备损坏和加工安全事故的主要起因，且刀具的磨损对加工质量 有着直接影响，因此，正确对数控机床的刀具状态进行识别有着重要的工程价值。提出一种云理论与 R B F神经网络柏结合 的 R B F云神经网络模型，该模型既有云理论的随机性和模糊性，又有 R B F的学习、记忆能力。将其应用到数控机床的刀 具磨损状态识别中，实验结果表明该网络模型的精确度较高，具有较强实用性。 关键词数控机床；刀具磨损；R B F云神经网络 中图分类号 T P 2 7 4． 2 文献标识码 A 文章编号 l O O 1 3 8 8 1 2 0 1 1 1 51 4 6 4 Ap pl i c a t i o n o f RBF Cl o u d． n e u r a l Ne t wo r k i n I de n t i fic a t i O n O f CNC M a c hi ne To o l W e a r WA N G J i a o ．Q I M e i l i n g C o l l e g e o f S o ft w a r e ，D a l i a n J i a o t o n g U n i v e r s i t y ，D a l i a n L i a o n i n g 1 1 6 0 2 8 ，C h i n a Ab s t r a c t I n t h e NC ma c h i n i n g p r o c e s s ， t o o l b r e a k a g e i s t h e ma i n c a u s e o f e q u i p me n t s d a ma g e a n d s e t y i n c i d e n t s ， a n d t o o l we a r ha s a di r e c t i mp a c t o n t h e q ua l i t y o f pr o d u c t ， t he r e f o r e， c o r r e c t l y i d e nt i f y i ng NC ma c h i n e t o o l s t a t e h a s i mp o r t a n t e ng i n e e r i n g v a l u e ． A RB F c l o u d n e u r a l n e t w o r k mo d e l wh i c h c o mb i n e d c l o u d t h e o r y a n d R B F n e u r a l n e t wo r k w a s p r e s e n t e d ． T h e mo d e l h a d n o t o n l y r a n d o mn e s s a n d f u z z i n e s s o f c l o u d t h e o r y， b u t a l s o t h e a b i l i t y o f l e a r n i n g a n d me mo ry o f RB F． I t wa s a p p l i e d t o t h e s t a t e i d e n t i fi c a t i o n o f N C ma c h i n e t o o l w e a r ． T h e e x p e r i me n t a l r e s u l t s s h o w t h a t t h e mo d e l h a s h i g h a c c u r a c y a n d s t r o n g p r a c t i c a b i l i t y ． Ke y wo r dsCNC ma c h i n e t oo l ； To o l we a r ； RBF c l o u d n e u r a l n e t wo r k 神经 网络作 为人工智能联结主义方法 的产物 ，在 世 界范 围内已有近三十年历史 ，国内研究也 近一二十 年，其作为一种新型的信息处理手段运用在众多的专 业领域 ⋯。在众多 的网络模型 中应用较广 、研究较多 的是 以 B P为代 表 的静态 前馈 网络。虽然 己经 证 明 ， 只要有足够 多隐层 ，B P网可 以逼近任 意 的非 线性 映 射关 系 ，但是 因为误 差 曲面 是一个 非 常 复杂 的超 曲 面 ，所 以 B P网存在 着很 多的 问题 。这些 问题 的 根本原 因在 于 B P网络没有对输入 向量空 间进行有 效 的映 射 。MO O D Y 和 D A R K E N 提 出 的 R B F R a d i a l B a s i s F u n c t i o n N e t w o r k 神 经 网络 ，即径 向基 函数 网 络 ，其具有 能确切地描述 出实 际神经元 的响应基于感 受野这一 特点 ，比 B P网有更 深厚 的理论 基础 ，性 能 大大优于 B P网 。 目前 国内外对 R B F网络 已有 大量 的研究 ，一方面 ，就 网络结构及参数本身进行优化改 进 ；另一方面 ，考虑 到现实 中事件 发生 的不确定 性 ， 不少研究将模糊集理论 与神经 网络相结合 ，但是模糊 集理论用隶属度来刻画模糊事物亦此亦彼性，使得模 糊 问题转换 为精 确的数 学问题 ，因此是不彻底 的。同 时，在工程应用 中，由于测量环境和测量设备 的影 响 ，总是存在随机性 的采集误差 。针对此上 问题 ，作 者将李德毅教 授提 出的云模 型 随机 性 与模糊 性 的 完美结合 与 R B F神 经网络结合 ，形成 R B F云神经 网络模型 ，并应 用到数 控机床 刀具磨损状态识别 中。 1 云理论的基本理论 1 ． 1 云模 型 云理论是李德毅 教授 在 1 9 9 5年提 出的定性 定量 不确定性转换模型，实现定性概念与定量数值之间的 不确定性 转换 ，其 精髓 为 随机 性和模 糊 性 的完 美结 合 ，定义如下 设 是一 个用 精确 数 据值 表示 的定 量论域 ，c是 上 的定性概念 ，若定 量值 ∈U ，且 是定性概念 C的一 次随机实现 ， 对 c的隶属度 确 定度 为 ∈[ 0 ， 1 ] 是 具有 稳 定倾 向 的随机 数 。 即 l 0 ， 1 l V ∈U 则 在论域 u上的分布称为云，每个 称为一个云滴 ， 。 在云理论 中概念 的整体特性用 云的数字特 征 ， ， 来反映，这是定性概念的整体定量特性。 期望 是概念在论域中的中心值 ，是最能代表这个 收稿 日期 2 0 1 0 0 7 0 9 基金项 目辽宁省教 育厅计划项 目 2 0 0 9 A 1 3 2 作者简介王姣 1 9 7 0 一 ，女，硕士，副教授，主要研究领域为机电一体化控制、嵌入式系统、设备状态检测与故障诊 断 。电话 1 5 5 4 1 1 6 0 8 0 6 ，Em a i l w i n g g e l 1 6 3 ． c o m。 第 1 5 期 王姣 等R B F云神经网络在数控机床刀具磨损状态识别中的应用 ‘1 4 7 定性概念 的值。熵 E n是定 性概念 不确定 性度 量 ，反 应模糊性 与随机 性 的关 联 性。超 熵 可 谓熵 E n的 熵 ，即熵 的不确定 性度量 ，由熵 的随机性和不确定性 共 同决定 。 1 ． 2云 态发 生器 云发生 器是实现定性定量转换 的机制 ，有正 向和 逆 向两种 ，其模 型如图 1 所示 。 荔 廿 脚 ” Dropx,px a 正 向云发 生器 b 逆 向云 发生 器 Ex H e 图 l 云发生器模型 由云的数字 特征 E x ， E n ， l i e 产 生 云滴 D r o p ， 的过程 ，即定性 概念 到定量表 示 的过程 ，称 为 正 向云发生 器 ；反 之 ，称 为逆向云发生器 。云模型的 具体实现方法有多种，不同的方法构成不 同类型的 云，如半云模型、对称云模型、组合云模型等。文中 选用对称的正态云模型，正态云模型是在概率论的正 态分布函数和模糊集合的钟形隶属函数的基础之上发 展起 来的模型。 如图 1 b 所示 ，虽然传统的逆向云发生器实现 了从定量值到定性概念 的转换，但该模型有以下缺 点 1 在还 原参数 E n 、 时 ，需要 用到确定 度 的值 ，而实际应用 中给出 的往往 只有概念 的具体量化 值 ，而 未给出或难以获得 ； 2 将算法向高维扩 展时比较困难，而且高维逆向云会比一维逆向云有更 大的误差； 3 将肛0 ． 9 9 9的云滴剔除，对云滴没 有完全利用 。为此 提 出改 进 的一维逆 向正 态云算 法 ， 仅利用云滴 的定量数值来还原出云的3个参数，其 实现算法 如下 一 1 N 1 计算样本均值 寺∑ ，一阶样本绝对 』V I1 1 N 1 n 一 中 心 矩 亩 I 一 X I ， 样 本 方 差S 一 ； 2 E x ； 广 1 3 。 √ 芋‘ 亩 一 I ； 4 H e 。 当给定 3个 特 征值 E x ， E n ， H e 和 特 定 的 ‰ 的云发生器称为 条件云发生器；当给定三个特征 值 和特定 的 Y 。 的云发生器 称为 y 条件云发生器 。 2云 一神经网络 虽然 目前云理论已经广泛应用，但是其与神经网 络相结合应用 于工程领域的 比较少。文献 [ 6 ]将 R B F聚类中心和带宽的确定问题转换为正态云参数 的确定问题，进而使得 R B F隐层的输出结果同时具 有了模糊和随机 的特 性 ，充分体 现 了云理论 的精髓 ， 但是该算法在输入属性比较多且数据比较分散时，隐 层节 点个 数明显增多 ，计 算量增 加 ，时间复杂度显著 增大，运用到实时性强的数控机床刀具磨损状态识别 是不合理的。文献 [ 7 ]在简化的 T s云模型控制器 基础上提出了一种云神经网络结构，该网络是多输入 单输出的，不便于工程应用。文献 [ 8 ]在文献 [ 7 ] 的基础之上提 出了一种 m输 入 n输 出 的云神 经 网络 模型，并应用到空间推进系统的故障检测中，该模型 由输 入层 、云化层 、隐含层 、逆 云化层 和输 出层五层 组成。受该模型启发 ，又考虑到 R B F网络 的优越性 ， 作者将 R B F网络与云理论 结合建立 了 R B F云 神经 网 络，并将之运用到刀具磨损状态识别中。R B F云神 经网络模型如 图 2 所示 。 图2 R B F云神经网络模型 其中在云化层 ，使用 条件云发生器，其结点与 输入层结点一一对应；在逆云化层，使用 l ， 条件云发 生器，其结点与输出层结点一一对应；中间层为径向 基层，权值和中心及节点数的确定可以根据需要具体 而定。模型仍然保留R B F有导师学习机制 ，分为网络 训练 和测试两步。R B F云神经网络训练步骤如下 1 根据训练样本利用改进的逆 向云发生器 ， 求出每个属性 包 括输 入属 性 和输 出属 性 的特 征 值。即 E x i ， E n i ， i b a c k c l o u d X i 1 ， 2 ⋯ m， m 1 ⋯m ／7 ，X 为第 i 个属 性 的样 本 向 量。 2 使用 正态云发生器和步骤 1 中求出的 特征值，随机产生样本值 包括输入输出所对应 的确 定 度 。 即 肛 J ， i X C l o u d i ， E n i ， H e i ， ，其中／ z j ， i 表示第 个样本的第 i 个属性 所对应的确定度 。 3 将计算得到的输入样本的确定度作为径向 基层的输入 ，输出样本 的确定 度作为 径 向基 层输 出 ， 进行网络训练 。 R B F云神经 网络测试步骤如下 1 利 用训 练过 程得 到 的特征 值 ，计 算 出测试 1 4 8 机床与液压 第3 9卷 样本 对应 的确定度 。 2 将步骤 1 得 到的确定 度作 为 网络输 入 ， 进行仿 真。 3 将步骤 2 的输出数据输入到 y云发生器 进行逆 云化操作 ，得到 网络 的输 出。 该 R B F云神 经 网络 沿 用 了 传 统 R B F网络 的权 值 和 阈值概 念及学 习和 记忆 能力 ，并将 云 理论 的 随 机 性与模糊 性融入其 中 ，同时 该 网络结 构 也能 够满 足多输人多输出复杂系统的要求 ，具有较高的实用 性 。 3实验 仿真 在数控机床加工过程 中 ，刀具破损是造成加工设 备损 坏和加 工安全事故 的主要起 因。据统计 ，由刀具 破损造成的故 障停机率 占数控机床总故障的 1 ／ 5～ 1 ／3 “ ，因此能正确地对数控机床刀具磨损的状态进 行识别具有较高的工程价值。路勇 通过检测声发射 信号实现刀具 的磨损识别 ，首先采用基于移频原理的 小波包分解算法提取刀具磨损声发射信号 的特征 ，在 此基础 上构建 了一个五层基于规则连接 的模糊推理型 神经 网络模 型 ，较好地解释 了磨损状态与监控参数之 间的模糊关 系 ，之后考虑到磨损量 的大小不仅与切削 条件 密切相关还 与切 削时间有关 ，因此建立 了基于 当 量切 削时间的刀具磨损预测模型 ；最后从磨损识别的 可靠性角度 出发 ，提 出了基于 A N N的智能 融合磨损 识别模 型 ，该模型 以前面提 出的两种模型为基础 ，融 合 了两者 的识别结果 ，具有较好 的识别能力 ，但是这 种方 法 比较繁 杂 。作 者 同样 以文献 [ 9 ] 中表 A一1 作为样本数据 ，表 A一 2 作为测试数据 ，将 R B F云神 经 网络运用 到刀具磨损状态识别 中去 。 将文献 [ 9 ] 中基于移频小 波包分解 获得 的 4个 A E信 号 特征 向量 ， ， ， ， 及 切 削速度 、 进 给速度J 厂 、切削深度 a 、切削宽度 a 、切削时间 △ ￡ 作为网络的输入，△ ￡ 时间内的磨损量作为网络的输 出。考虑到该 网络是运行 在 P C机上 ，可 以快速处 理 复杂 的网络 ，直接调 用 M a t l a b提供 的 R B F学 习 函数 n e w r b e即可 ，该 函数在 创建 R B F网络时 ， 自动选 择 隐含层 的数 目，使得误差为 0 。 在算法实现时遇到一个 问题 ，】 ， 条件云发生 器的 算法 为 Fu n c t i o n Y c l o u d E x ，E n ，He ， E n cn o r i l l E n ，He ； Y E xEn c 、 ； O u t p u t d r o p b， ； e n d 对于 y中正负号 的选定 ，云理论 中规定为 “ 若 激活 的是前件上升沿 ，那 么输 出 l ， 对应着后件概念的 上升沿” 。但这个规定在单输入情况下比较有效，输 入值 比 期 望 小 那 么 就 在 上 升 沿 ，随 之 YE x E ri c 一 2 1 n ／ x ，反之亦然 。但 是在 Ⅳ维输入 时 ，就需 要有个 N一1 维 的模 型来 界定 网络 。为 了简单 易行 ， 作者提 出两种方 案 1 选 定最主要 的一个输 入属 性来决定输 出 y 在 上升 沿还是 下降沿 ； 2 将 输入 值的平均值与它们对应的期望的平均值进行 比较。 图3 、 4 、5通过 M a t l a b仿真分别显示 了以经典 R B F神经 网络 图 3 、模糊神经 网络 图 4 、期望 的平均值决定输 出的云神经 网络 图 5 进 行刀具磨 损量识别的结果 。 图 3 经典 R B F进行 刀具 图4模糊 R B F进行刀具 磨损量识别结果图 磨损量识别结果图 0． 12 0． 1 昌0． 08 o． 06 辎0 0 4 憾0 ． 0 2 0 0． 02 图 5 R B F 神经 网络进行刀 具磨损量识别结果图 给识别后 的磨损量加上初始磨损量便得到总磨损 量 ，之后按照文献 [ 9 ]所 提及 的刀具状态 划分隶属 函数进行 刀具磨 损 状态 识别 ，表 1 列 出了采 用 经典 R B F 、模糊 R B F神经 网络及 R B F云神经 网络模 型分 别对测试样本进行刀具磨损状态识别的结果。 通过表 1 的实验结果 ，可以很直观地看 出用模糊 R B F神经网络模型进行刀具磨损状态识别的可靠性 高于 R B F神经网络，云神经网络模型的可靠性在选 定 a 。 、a 、 1 、 2 、 、 4 、A t 及期 望平均 的情 况下 准确率最高，为 9 5 ％ ，与文献[ 9 ]的准确率相同， 由于其简单易行 ，明显有着更优的实用 价值 。再观察 表 1的误诊项，发现该项预测的磨损程度要比实际的 严重 ，可 以提早更换刀具 ，这对 防止一些异常不 良现 象 的发生是有益 的。 第 1 5期 王姣 等R B F云神经网络在数控机床刀具磨损状态识别中的应用 1 4 9 表 1 多种模型刀具磨损状态识别结果 4结论 作者提 出了一 种 云理论 与 R B F神经 网络相结 合 的 R B F云神经 网络 模 型 ，该模 型 既有 云理论 的随机 性 和模 糊性 ，又兼备 R B F的学 习 、记 忆能 力 ，随后 将其应用到数控机床的刀具磨损状态识别中，经比较 发现该网络模型的精确度较高，具有较强实用性。 参考文献 【 1 】 李德毅 ， 杜鹚． 不确定性人工智能[ M] ． 北京 国防工业 出版社 ， 2 0 0 5 ． 【 2 】 徐秉铮， 张百灵， 韦岗． 神经网络理论与应用[ M] ． 广州 华南理工大学出版社， 1 9 9 3 ． 【 3 】 刘永红． 神经 网络理论的发展与前沿问题 [ J ] ． 信息与 控制 ， 2 0 0 6， 4 1 61 0 ． 【 4 】Y A O X ． E v o l v i n g A r t i fi c i a l N e u r a l N e t w o r k[ J ] ． P ro c I E E E， 1 9 9 9 ， 8 7 9 1 4 2 31 4 4 7 ． 【 5 】N G S C， C h e u n g C C， L e u n g S H， e t a1． F a s t C o n v e r g e n c e f o r Ba c k - p r o p a g a t i o n Ne t wo r k wi t h Ma g n i fi e d Gr a d i e n t F u n c t i o n [ J ] ． I E E E， 2 0 0 3 ， 9 3 1 9 0 31 9 0 8 ． 【 6 】王守国． 基于云理论的 R B F神经网络算法改进研究 [ D] ． 吉林 东北电力大学， 2 0 0 8 ． 【 7 】田永青． 基 于云模 型的数据挖掘算法 的研究与应用 [ D] ． 上海 上海交通大学， 2 0 0 3 ． 【 8 】徐宗本， 樊忠泽． 基于云神经网络的空间推进系统故障 检测与诊断[ J ] ． 兵工学报， 2 0 0 9 ， 3 0 6 7 2 7 7 3 2 ． 【 9 】 路勇． 加工工况信息远程监测与刀具磨损识别技术的研 究[ D ] ． 哈尔滨 哈尔滨工业大学， 2 0 0 0 ． 【 1 0 】宫政． 基于嵌入式系统的数控机床加工工况信息采集 及处理技术的研究[ D] ． 大连 大连交通大学， 2 0 1 0 ． - - 、 “ “ ． “ ”‘ ’ 。 ” ‘ ’ 。 ” - ． “ “ “ “ - “ ’ ‘ 一 “ ” ” ” ” - ． ‘ ‘ ’ “ ” “ ‘ ‘ 。 “ ． - “ “ “ ； 开普新款 3 T电动叉车 K E F 3 0 一 I 研制成功 开普新款全交流蓄电池平衡重式叉车 K E F 3 0 一 I 研制成功。此新款叉车是在原有基础上进行的设计创新及优化。新 款 K E F 3 0 一 I 电动叉车较老款在外观上更加小巧，性能上更加卓越。通过性能试验检测，产品外观尺寸、性能参数 、稳 t定性参数、整车配置等均达到设计要求 ，与国际知名品牌相比，各项综合指标已处国际领先水平交流变频驱动叉车是 目前代表世界先进水平的叉车 ，其优点为节能、环保 、维修率底。 ≥ 目 前国内市场大多依赖进口 或主要元件进口。此次由开普自主研发、设计、制造的新款3 T交流变频驱动叉车， ≥是在综合以往电动叉车研发制造方面的经验及市场反馈情况，进行设计创新及优化 ，通过提高门架稳定性、降低配重 ≤ 高度、抬高转向桥支点高度、完善 3 ． 0 t 驱动桥、减小整车长度、增加蓄电池容量等方面的设计优化及改善，有效改 进车辆外观，提升整车使用效率、车辆稳定性 、安全性及整车配置。 通过对样机的性能试验检测，产品外观尺寸、性能参数、稳定性参数、整车配置等与知名品牌等同吨位电动叉车 t对比，各项指标综合处于最优，该叉车是全球领先的交流变频驱动叉车。 内容来源机电商情网