啪啪91,日韩美女在线视频,51ⅴ精品国产91久久久久久

您現在的位置：銑床網> 技術前沿>基于自適應神經模糊推理系統的刀具磨損監測

基于自適應神經模糊推理系統的刀具磨損監測

2017-3-14 來源：華中科技大學作者：朱永猛，吳軍，吳超勇，蘇永衡

摘要: 為精確地監測高速銑床刀具在加工過程中的刀具磨損量，通過采集高速銑床加工過程中的振動信號、電流信號和噪聲信號，經數據預處理與數據融合，建立基于自適應神經模糊推理系統的刀具磨損過程變化模型，實現在高速銑床不停機的前提下對銑床刀具進行狀態監控。實驗結果顯示: 針對銑床刀具磨損量的監測平均準確率為95. 21% ，最大監測準確率為 99． 74% 。這表明文中所采用的方法具有較高的可行性。

關鍵詞: 銑床; 刀具磨損監測; ANFIS

高速銑床作為一種較為先進的智能制造裝備，在加工過程中，刀具加工工件，產生磨損，影響最后的成品品質。刀具的磨損受到科研人員的極大關注，曾嘗試用各種不同的方法監測刀具的磨損。

1.國內外研究現狀

早期的科研人員利用單一傳感器采集到的信號數據，如噪聲信號［1］、振動信號［2］和切削力信號［3］，進行刀具的狀態監控( tool condition monitoring，TCM) 。伴隨著科學技術的不斷發展，一些通過建立刀具磨損動力學模型進行刀具磨損量監測的方法，顯示了廣闊的適用性。

對于模型的建立，一般有 2 種: ① 假設可以完全通過數學模型描述刀具磨損過程中所有的物理規律，基于這種假設提出“白盒子”方法［4］; ② 假設刀具磨損過程為不可知，也沒有任何的先驗知識，但可以通過采集數據獲得未知模型的輸入、輸出關系，實現對未知過程的認知，這樣的方法稱為“黑盒子”方法。“黑盒子”方法最大的優點，是可以在不需要對磨損過程中的物理意義有任何了解的前提下，通過采集準確的實驗過程數據，進行磨損過程模型的搭建［5］，最大的缺點是對磨損過程中物理意義的認知缺乏。實際應用過程中，最好是將 2 種方法進行融合，得到“灰盒子”方法［6］。但是，在復雜的工況下，難以采集準確的過程數據，以及缺乏經驗知識，都對刀具磨損過程的動力學模型正確搭建造成不良影響。

Jang 于 1991 年提出了基于模糊神經網絡的自適應模糊推理，1993 年又撰文將之前提出的算法稱為自適應神經模糊推理系統( adaptive network － based fuzzy inference system，AN-FIS) 。模糊推理系統使得顯性知識更加詳盡和精確，神經網絡通過學習算法建立數學模型解釋隱性知識，這使得模糊神經網絡的優勢更加凸顯，這也是模糊神經網絡被廣泛應用到刀具磨損量監測領域的原因。Chen S L 等人則利用多個傳感器數據，如振動信號和切削力信號，提出新的數據融合算法，結合 ANFIS 進行刀具磨損狀態的監測［7］; Uros Z 等人利用切削力信號，對比了三角形隸屬度函數和梯形隸屬度函數應用到 ANFIS 中的刀具磨損量監測結果［8］; Gill S S 等人利用經過低溫處理的 M2 高速鋼車刀在加工過程中的切削速度、工作時間和低溫浸泡均熱溫度等參數，結合 ANFIS 進行刀具磨損量的監測［9］; Ｒizal M 等人利用刀具切削速度、切削深度、進給速率和融合系數等參數，結合 ANFIS 進行刀具磨損量的監測［10］。

2 基于 ANFIS 的刀具磨損監測模型

圖 1 基于 Takagi-Sugeno 模糊推理的 ANFIS 網絡

Layer 2: 計算規則使用度。每個節點代表一條模糊規則，它的作用是用來匹配模糊規則的前件，每一個節點的輸出是所有輸入信號的乘積，計算出每個規則的適用度，則:

合并不同的分層構建不同的 ANFIS 模型。

3.實例分析

本研究采用一個實際的銑床監測數據集［11］，數據集包含 16 組刀具全壽命周期，共 167 個運行次數的銑床刀具磨損實驗數據。文中選擇第 13 組刀具全壽命周期數據實現刀具磨損量監測算法。在刀具正常運行過程中，傳感器每次采集數據可得到 9 000 個數據點，去空值和去奇異點后，繪制主軸直流電流信號如圖 2。

圖 2 主軸直流電流信號

從圖 2 中曲線可以發現，信號數據有很明顯的階段性特征，包括空轉階段、接觸階段和穩定階段。為了使實驗過程更具代表性、監測結果更具準確性，本文選取第 4 500 個點的穩定階段的信號作為原始數據。提取均值、均方差、方根幅值、均方根、最大值、偏斜度、峭度、峰值因子和裕度因子 9種時域特征參數，并歸一化。針對不同傳感器計算得到的時域特征，利用式( 6) 進行相關性分析，式中，X 表示時域特征參數，Y 表示刀具磨損量，Cov( X，Y) 為 X 和 Y 的協方差，D( X) 為 X 的方差，D( Y) 為 Y的方差。

利用式( 7) 進行殘差分析，式中，S1( x) 和 S2( x) 是根據特征值點擬合的曲線，N 為數據點個數。結果如表 1、表 2。表 1 中 Na N 表示非數字，即 Not a Number，當分母為 0 時，計算結果為 Na N。首先，保留皮爾遜相關系數大于 0． 8 的強相關特征參數。其次，在保留下來的特征參數中，選取殘差值最小［12］的特征參數組成最終的特征參數集，獲得的特征參數集為: 主軸噪聲信號的方根幅值、工作臺噪聲信號的均方差、主軸交流電流信號的最大值和主軸直流電流信號的均方根。