一种基于神经网络的磨削加工工况检测方法

摘要

本发明公开了一种基于神经网络的磨削加工工况检测方法，包括如下步骤：建立神经网络模型；在标准工况下由传感器信息采集模块采集现场声发射信息，将采集到的声发射数据和标准工况数据所构成的样本库输入到神经网络学模块，利用误差反传算法得到权阈值参数，输出给神经网络运算输出模块；神经网络运算输出模块根据接收到的实时数据向量，经运算后输出实时工况向量；根据该工况向量内各变量的定义即可判断出刀具和工件的情况。本发明利用神经网络的学和智能判断功能，可以自动判断出工件和刀具的加工状态，大大减小了对熟练工人的依赖，提高了加工效率；可以有效地减少人为判断因素，提高加工效率和加工质量，并避免工件和刀具不必要的损毁。

主权项

1.一种基于神经网络的磨削加工工况检测方法，其特征在于它包括如下步骤：(1)标准工况下，采集加工时的现场声发射信息：由声发射传感器按照预设的采样频率f实时采集加工现场的声发射信号，声发射信号序列用X向量标记，X₁表示t₀时刻开始的第1个采样点，Xi为第i个采样点，i＝1～N，N为采样序列长度，N≥1000；(2)建立神经网络模型：选取的神经网络模型为三层BP网络：即输入层、隐含层和输出层；所述神经网络输入层的输入激励函数为Sigmoid型激励函数：$f\left(X\right)=\frac{1}{1+e^{-X/Q}}$……式(1)其中，Q为Sigmoid参数，X为t₀时刻的采样序列N维向量，向量X的第i个变量用Xi表示，i＝1～N，N≥1000；所述神经网络的隐含层参数h：$h_j=f(\underset{i=1}{\overset{N}{\Sigma }}{W}_{\mathrm{ij}}^I{X}_i-{\theta }_j)$……式(2)其中，W_ij^I为第i个输入变量到第j个隐含层节点的权重系数，θ_j为隐含层各单元的输出阈值；X为t₀时刻的采样序列，N维向量，向量X的第i个变量用Xi表示，i＝1～N，N≥1000i为输入变量个数，i＝1～N，N≥1000；j为隐含层节点数；所述神经网络的输出函数Y为：$Y_k=f(\underset{i=1}{\overset{k}{\Sigma }}{W}_{\mathrm{jk}}^O{h}_j-{\gamma }_k)$……式(3)其中，W_jk^o为第j个隐含层节点到第k个输出节点的权重系数；γ_k为输出层各单元的输出阈值；k为输出变量个数，k＝1～4；Y为t₀时刻的工况向量，四维向量，向量Y的第i个变量用Yi表示，i＝1～4；即Y包含四个变量；标准工况时，第一个变量Y(1)为接触参数，布尔变量类型，当工件和刀具接触时为1，当工件和刀具未接触时为0；第二个元素Y(2)为刀具钝化系数，整型变量类型，当刀具刚修整过时，钝化系数为0，在刀具使用过程中，钝化系数逐渐变大，直至达到100，此时刀具需要修整；第三个变量Y(3)为灼伤参数，布尔变量类型，当工件灼伤时为1，当工件未灼伤时为0；第四个变量Y(4)为裂纹参数，布尔变量类型，当工件有裂纹时为1，当工件没有裂纹时为0；(3)学习训练：所述声发射传感器信息采集模块将标准工况下采集到的X向量输入到神经网络学习模块，输入若干样本组，利用误差反传算法，即BP算法来计算神经网络的权阈值参数W_ij^I、W_jk^o、θ和γ；所述神经网络学习过程中所定义的误差函数为$E=\frac{1}{2}\underset{k=1}{\overset{N}{\Sigma }}{(Y_k-\widehat{Y_k})}^2$……式(4)其中Y_k为网络实际输出，即已知的工况Y；为通过式(1)、式(2)和式(3)由输入标准工况下时的X向量所计算出的工况；N≥1000；设定初始W_ij^I和W_jk^o为单位矩阵，θ和γ为0～1的随机数，将采集到的标准工况下的样本数据X和所对应的Y所组成的训练样本，成对输入到所述神经网络学习模块；通过式(4)计算误差E，并对权阈值进行修正；修正公式为：$W=W-\mu \frac{\partial E}{\partial W}$……式(5)其中，W为权阈值参数矩阵，μ为修正步长，0＜μ＜1；将修正后的权阈值再代入式(1)、式(2)、式(3)和式(4)，计算误差E，如此反复，直至E小于0.001；(4)神经网络学习模块将神经网络的权阈值参数输出给神经网络运算输出模块；所述神经网络运算输出模块用于判断当前机械磨削加工中工件和刀具的工作状态，即在神经网络权阈值参数确定后，神经网络运算输出模块可以根据接收到的传感器信息采集模块传递来的t时刻的实时数据向量X_t，使用式(1)、式(2)和式(3)计算输出向量Y_t；(5)根据向量Y_t内各变量的定义即可判断出刀具和加工工件是否接触、刀具的钝化状况、工件是否灼伤、是否存在裂纹。