专利名称：一种基于神经网络的磨削加工工况检测方法
技术领域：
本发明涉及机械加工领域的一种检测方法，具体说是一种基于神经网络的磨削加 工工况检测方法。
背景技术：
在机械加工中，磨削加工是一种重要的加工方法，而磨削车床是实施这一加工办 法的主要工具。随着科技的发展，计算机辅助控制的磨削车床(以下简称数控磨床)逐步 得到运用。数控磨床是根据预先设定的计算机指令，按照加工图纸完成工件的加工，大大提 高了加工效率和加工精度。但是，目前的数控磨床仍然需要较为熟练的工人操作，并由操作人员来根据工作 经验判断刀具和加工工件是否接触，以及刀具(即砂轮)是否钝化、工件是否灼伤或有裂纹 等异常状态。由于人为因素的存在，加工效率和质量常常受到影响，并可能造成工件和刀具 不必要的损毁。
发明内容
发明目的本发明所解决的技术问题是，减少磨削加工中的人为判断因素，提供一 种基于神经网络的磨削加工工况检测方法，其可以对加工工况进行实时判断，保证加工质 量，提高加工效率，减少工件和刀具的损毁。本发明通过多次采集标准工况下刀具和加工工件接触时的声发射信号、刀具(砂 轮)钝化时的声发射信号、工件灼伤、裂纹时的声发射信号，作为输入向量输入神经网络学 习；对应的工况信息(接触、钝化、灼伤、裂纹)作为输出信号输入神经网络学习；使用误差 反传算法可以得到该神经网络的权阈值；在神经网络的权阈值确定后，神经网络输出模块 可根据实时采集到的声发射信号计算得出当前的加工工况信息。技术方案为解决上述技术问题，本发明采用了如下的技术方案。一种基于神经网络的磨削加工工况检测方法，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、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彡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
_1] /W = TT^w……式⑴……式⑴其中，Q为Sigmoid参数，X为、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彡1000 ；所述神经网络的隐含层参数h
<formula>formula see original document page 5</formula>其中，Wi/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tQ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 彡 1000i为输入变量个数，i = 1 N，N彡1000 ；j为隐含层节点数；所述神经网络的输出函数Y为<formula>formula see original document page 5</formula>······式⑶
......式⑶其中，Wjk0为第j个隐含层节点到第k个输出节点的权重系数；Yk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、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(I)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Wij^WjA θ和γ ;所述神经网络学习过程中所定义的误差函数为<formula>formula see original document page 5</formula>……式⑷……式⑷其中Yk为网络实际输出，即已知的工况Y志为通过式(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彡1000 ；设定初始Wi/和W^为单位矩阵，θ和Y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Ε，并对权阈值进行修正；修正公式为<formula>formula see original document page 5</formula>……式(5)......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Ε，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Xt，使用式(1)、式⑵和式(3)计算输出向量Yt;(5)根据向量Yt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。其中，步骤(1)中，声发射传感器的采样频率f大于等于二倍的磨削加工固体声致 声发射信号的频率。其中，步骤(3)中所述的样本组数大于50。有益效果与现有技术相比，本发明利用神经网络的学习和智能判断功能，可以自 动判断出工件和刀具的加工状态，从而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。
图1是本发明基于神经网络的磨削加工工况检测方法的框图。图2是本发明中神经网络的示意图。图3是本发明基于神经网络的磨削加工工况检测流程图。
具体实施例方式下面结合附图对本发明做更进一步的解释。如图1、2和3所示，本发明的基于神经网络的机械磨削工况检测系统，包括传感器 信息采集模块、神经网络学习模块和神经网络运算输出模块。所述传感器信息采集模块，即为声发射传感器，主要是按照预设的采样频率采集 加工时的各种声发射信号。所述神经网络学习模块，用于确定神经网络的权阈值参数，并传递给神经网络运 算输出模块使用。在学习和训练阶段，通过采集刀具和加工工件接触时的声发射信号、刀具 (砂轮)钝化时的声发射信号、工件灼伤、裂纹时的声发射信号等构成样本库，经神经网络 学习模块学习训练后，得到神经网络的权阈值参数，并将所述参数传递给神经网络运算输 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。在神经网络的参数确定后，本模块接收传感器信息采集模块传递来的实时数据，使用式 (1)、式(2)和式(3)计算，输出刀具和加工工件是否接触、刀具(砂轮)是否钝化、工件是 否灼伤是否存在裂纹等工况信息。(1)采集标准工况下加工现场的声发射信息首先将本系统设置处于训练学习模 式。磨削加工时固体声致声发射信号的频率一般在50K 300K范围内，由此设定声发射传 感器的采样频率f为IMHz ；因为，声发射传感器的采样频率f大于等于二倍的磨削加工固 体声致声发射信号的频率，才能有效地采集到现场的声发射信号；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。所述的标准工况即接触参数Y(I)在工件和刀具接触时为1，在工件和刀具未接 触时为0，Y(I)布尔变量类型；刀具钝化系数Y(2)在刀具刚修整过时为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，Υ(2)整型变量类型；灼伤参数 Y(3)在工件灼伤时为1，在工件未灼伤时为0，Υ(3)布尔变量类型；裂纹参数Υ(4)在工件有裂纹时为1，在工件没有裂纹时为0，γ(4)布尔变量类型。声发射信号序列用X向量标记，X1表示、时刻开始第1个采样点，Xi为第i个采 样点，i = 1 N，N为采样序列长度。在给定采样频率的情况下，采样序列长度N与本系统 对工况判断的响应时间有密切关系。N越大系统的响应时间越长；N越小，系统对工况判断 的响应时间越短。但选择较小的长度N，可能会影响神经网络对工况判断的准确性。在采样 频率为IMHz的情况下，为使得本方法的最小准确响应时间为毫秒级，N取值为1000。则声 发射信号向量X的采样时间为1ms，再加上神经网络运算时间(微秒级)，可保证工况发生 变化后，本系统可在毫秒级作出正确响应。(2)启动磨床进行磨削加工，反复将刀具和工件进行接触和脱离接触的操作；启 动本系统采集刀具和加工工件接触时的声发射信号X，采集100组数据备用。打磨刀具至锋利状态，设置本系统的钝化系数为0。启动磨床的磨削加工，对工件 进行加工。在加工过程中采集100组声发射信号X，涵盖刀具锋利至刀具钝化时的数据。由操作人员挑选有瑕疵即将灼伤的工件进行磨削加工，在加工过程中采集100组 声发射信号X备用。由操作人员挑选有裂纹工件进行磨削加工，在加工过程中采集100组声发射信号 X备用。为保证神经网络能稳定地表达输入变量和输出变量之间的函数关系，需要采集多 个样本组进行上述运算，用于计算和修订神经网络的权阈值。根据试验可得，在样本数大于 50的情况下，经过上述训练和学习后，本方法所建立的神经网络能准确地计算出输出工况。(3)建立神经网络模型选取的神经网络模型为三层网络输入层、隐含层和输出 层，所述神经网络输入层的输入激励函数为Sjgmoid型激励函数f{X) = x+Xe_XIQ......式⑴……式(1)其中，Q为Sigmoid参数，X为、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 ；所述神经网络的隐含层参数h
/ N \hj=f(∑WijXi-θj)……式⑵......式⑵其中，Wi/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 ；i为输入变量个数，i = 1 N ；j为隐含层节点数，本实施例中取j = 2*N ；本神经网络的输出Y为Yk= f(∑Wjkhj-rk)……式⑶……式⑶其中，W/为第j个隐含层节点到第k个输出节点的权重系数；Yk为输出层各单元 的输出阈值；k为输出变量个数，本方法中，k = 1 4 ;Y为、时刻的工况向量，4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，第一个变量Y(I)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O ；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Υ(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。(4)学习训练将以上4*100组数据汇总，选取前4*50组数据作为训练样本，输入 所述神经网络学习模块学习。利用1985年由Rumelhart等人提出的误差反传算法(BP算 法)计算出神经网络的参数Wij^WjA θ、γ，以上参数称为神经网络的权阈值。将计算出 的权阈值传递给所述神经网络运算输出模块。所述神经网络学习过程中所定义的误差函数为 <formula>formula see original document page 8</formula>……式⑷……式⑷其中Yk为网络实际输出，即已知的工况Y名为通过式(1)、式(2)和式(3)由输入 X向量所计算出的工况；设定初始Wi/和W^为单位矩阵，θ和Y为0 1的随机数，将采集到的样本数 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Ε，并对权阈值进行修正；修正公式为
QEW = W-//——......式⑶......式(5)
oW其中，W为权阈值参数矩阵，μ为修正步长，0 < μ < 1，本实施例中取μ = 0. 5。将修正后的权阈值再代入式(1)、式(2)、式(3)和式(4)，计算误差Ε，如此反复， 直至E小于0. 001 ；当E小于0. 001时，称之为神经网络收敛，此时的权阈值即可为神经网 络运算输出模块使用了。选取4*100组数据的后4*50组数据，输入所述神经网络运算输出模块进行计算， 输出工况，并和前4*50组数据的实际工况对比，工况判断正确率在99%以上，证明本神经 网络稳定可信。(5)在本系统得到训练和验证之后，启动磨削加工，本系统开始采集加工现场t时 刻的声发射信号Xt，送入神经网络运算，输出工况向量Yt。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实时数据向量xt，使用式(1)、式⑵和式⑶计算输出向量Yt。(6)根据向量Yt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。通过查询工况向量Yt的对应变量，可以得知当前磨 削加工过程中，刀具和加工工件是否接触、刀具(砂轮)的钝化程度、工件是否灼伤或工件 是否存在裂纹等信息。(7)磨床的控制系统或操作工人可根据本系统的判断提示进行进一步操作。比如 开始计算刀具进给量、更换刀具、更换工件等。其操作不在本发明涵盖范围之内。
权利要求
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 <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 <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为第i个输入变量到第j个隐含层节点的权重系数，θj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 <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为第j个隐含层节点到第k个输出节点的权重系数；γk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WijI、Wjko、θ和γ；所述神经网络学习过程中所定义的误差函数为 <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WijI和Wjko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 <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Xt，使用式(1)、式(2)和式(3)计算输出向量Yt；(5)根据向量Yt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。FSA00000061973000022.tif
2.根据权利要求1所述的一种基于神经网络的磨削加工工况检测方法，其特征在于 步骤(1)中，声发射传感器的采样频率f大于等于二倍的磨削加工固体声致声发射信号的 频率。
3.根据权利要求1所述的一种基于神经网络的磨削加工工况检测方法，其特征在于 步骤(3)中所述的样本组数大于50。
全文摘要
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习模块，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习和智能判断功能，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。
文档编号G01N29/14GK101817163SQ20101013214
公开日2010年9月1日 申请日期2010年3月25日 优先权日2010年3月25日
发明者刘翔雄, 徐水竹, 杨京, 程建春 申请人:南京大学;昆山华辰机器制造有限公司