砂輪磨損的智能監(jiān)測的研究設(shè)計說明書

1、<p><b>　　畢業(yè)論文</b></p><p>　　砂輪磨損的智能監(jiān)測的研究</p><p>　　鹽城工學院機械工程系</p><p><b>　　二○○三年六月</b></p><p><b>　　目 錄</b></p><p>　

2、　0引言…………………………………………………………………………1</p><p>　　1砂輪磨損狀態(tài)的智能監(jiān)測的系統(tǒng)研究及方法……………………………………… 3</p><p>　　1.1多傳感器信息融合方法…………………………………………………………3</p><p>　　1.2信號處理與特征提取……………………………………………………………4<

3、;/p><p>　　1.3實現(xiàn)多傳感器信號融合與識別決策—人工神經(jīng)網(wǎng)絡(luò)………………………………6</p><p>　　2ART-2神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)及數(shù)學推導…………………………………………………8</p><p>　　2.1ART-2神經(jīng)網(wǎng)絡(luò)的特點………………………………………………………… 8</p><p>　　2.2ART-2神經(jīng)網(wǎng)

4、絡(luò)的結(jié)構(gòu)及綜合評價…………………………………………… 9</p><p>　　3ART-2神經(jīng)網(wǎng)絡(luò)的軟件實現(xiàn)……………………………………………………15</p><p>　　3.1實現(xiàn)過程…………………………………………………………………………15</p><p>　　3.2ART-2算法………………………………………………………………………18</p

5、><p>　　3.3程序編制…………………………………………………………………………20</p><p>　　3.4調(diào)試過程…………………………………………………………………………20</p><p>　　3.5結(jié)果分析…………………………………………………………………………20</p><p>　　3.6程序性能說明…………………………

6、…………………………………………21</p><p>　　3.7交互界面應用程序………………………………………………………………21</p><p>　　4實驗系統(tǒng)及數(shù)據(jù)分析……………………………………………………………24</p><p>　　4.1實驗系統(tǒng)及方法…………………………………………………………………24</p><p>

7、;　　4.2磨削火花信號分析及特征提取…………………………………………………25</p><p>　　4.2.1火花信號機理……………………………………………………………………25</p><p>　　4.2.2信號分析特征提取………………………………………………………………26</p><p>　　4.2.3時域分析……………………………………………………

8、……………………27</p><p>　　4.3磨削聲音信號分析及特征提取…………………………………………………27</p><p>　　4.4頂尖法向振動信號分析及特征提取……………………………………………28</p><p>　　5監(jiān)測系統(tǒng)模型及試驗……………………………………………………………29</p><p>　　5.1監(jiān)

9、測系統(tǒng)模型……………………………………………………………………29</p><p>　　5.2樣本識別結(jié)果……………………………………………………………………30</p><p>　　6結(jié)論………………………………………………………………………………31</p><p>　　致謝 ……………………………………………………………………………………32</p

10、><p>　　參考文獻………………………………………………………………………………33</p><p>　　附件清單……………………………………………………………………………… 35</p><p><b>　　摘 要 </b></p><p>　　本文研究了自動化加工過程中對砂輪磨損狀態(tài)進行智能識別的一種新方法，即

11、在磨削過程中利用多路傳感器獲取多路信號，輸入計算機提取特征向量，利用自適應共振神經(jīng)網(wǎng)絡(luò)--ART2建立的模型對數(shù)據(jù)進行融合并對砂輪狀態(tài)進行智能識別。文中介紹了ART2網(wǎng)絡(luò)的特點、工作原理和對通過多路傳感器所獲得的實驗數(shù)據(jù)進行融合的方法及數(shù)據(jù)處理的步驟，并給出了具體的實現(xiàn)過程；同時對ART2網(wǎng)絡(luò)結(jié)構(gòu)作了討論，為了保證網(wǎng)絡(luò)在應用中的穩(wěn)定性，給出了一種新型的網(wǎng)絡(luò)結(jié)構(gòu)和算法。研究結(jié)果表明，應用改進后的ART網(wǎng)絡(luò)對砂輪磨損狀態(tài)進行智能監(jiān)測是可行的

12、，該網(wǎng)絡(luò)具有較強的信號模式識別能力，實驗中識別率可以達到92%以上。</p><p>　　關(guān)鍵詞： ART2神經(jīng)網(wǎng)絡(luò) 砂輪磨損 狀態(tài)識別 人工智能</p><p>　　多傳感器數(shù)據(jù)融合 </p><p><b>　　Abstract</b></p><p>　　In this pap

13、er, a new method is introduced to study the artificial intelligent recognition of the grinding wheel’s state in automatic manufacturing process, i.e. input the multi-signal data which got by the multi-sensors into comput

14、er and abstract the special features, meanwhile fuse the data, recognize intelligently by erecting ART2 model and then give the grinding wheel’s state. The character, mechanism of ART2 and the method of fusing data got b

15、y multi-sensors are analyzed, at the same time th</p><p>　　Keywords: ART2 Neural NetworkGrinding Wheel BluntingState Identification</p><p>　　AIMulti-sensor Data Fusion</p><p>&

16、lt;b>　　引言</b></p><p>　　磨削加工工件的加工精度和表面質(zhì)量直接影響到零件的最終質(zhì)量和機器的壽命。在磨削加工過程中，砂輪的磨耗和鈍化對磨削質(zhì)量具有直接的重要影響。因此，在生產(chǎn)過程中識別砂輪的磨損，合理確定砂輪的耐用度，對保證加工質(zhì)量、提高生產(chǎn)率、減小不必要的砂輪消耗等具有重要的意義。以往識別砂輪磨損主要是靠操作者的經(jīng)驗來判斷，這已成為磨削過程自動化的一個主要障礙。目前，人們提

17、出了各種自動識別砂輪磨損的方法，如在線監(jiān)測磨削力、磨削顫振、磨削聲、工件表面粗糙和聲發(fā)射等，并仍致力于尋找簡單實用、準確可靠、響應速度快的砂輪磨損識別方法。</p><p>　　其中很明顯磨削過程中的砂輪磨鈍是磨削過程狀態(tài)發(fā)生變化的綜合表征之一，它對零件的最終質(zhì)量影響很大。生產(chǎn)中一般采用定時修整砂輪的方法來保證工件表面質(zhì)量，但降低了砂輪使用壽命和生產(chǎn)效率，因此對砂輪磨鈍的在線智能識別一直是工程領(lǐng)域的重要研究課題。

18、要實現(xiàn)加工過程的自動化、柔性化，在很大程度上取決于系統(tǒng)識別加工過程的異常情況和及時校正作用，在無操作人員的情況下，必須用傳感器、識別決策系統(tǒng)來替代操作人員的功能。人們一直在期待用智能傳感器系統(tǒng)來替代操作人員的知識、經(jīng)驗、感官和模式識別能力。</p><p>　　識別加工過程異常情況中的重要內(nèi)容——砂輪狀態(tài)的實時監(jiān)測，砂輪狀態(tài)的信息是通過傳感器來獲取的。單一傳感器所獲取的信息量有限，事實證明不能滿足高精度狀態(tài)監(jiān)測的

19、要求。砂輪狀態(tài)監(jiān)測的信息采集正向多傳感器化方向發(fā)展。80年代初期，一些人所提出的方法都因訓練程序費時，對過程狀態(tài)敏感，很難適用于實時過程監(jiān)測。Rangwala和Dornfeld利用神經(jīng)網(wǎng)絡(luò)集成聲發(fā)射傳感器和力傳感器信息，以監(jiān)測車削過程的后刀面磨損，成為智能刀具狀態(tài)監(jiān)測系統(tǒng)的雛形。</p><p>　　隨著人工智能的發(fā)展，越來越多的研究人員開始將眼光轉(zhuǎn)向用神經(jīng)網(wǎng)絡(luò)來處理多傳感器融合所采集的信號，并取得了比較大的進展

20、。國內(nèi)學者在基于人工神經(jīng)網(wǎng)絡(luò)的智能砂輪狀態(tài)監(jiān)測系統(tǒng)研究方面取得了一系列成果。參考文獻[7] 利用聲發(fā)射（AE）信號的歸原處理法，在線監(jiān)測小批量、多品種磨削過程砂輪鈍化程度，實驗結(jié)果表明，該方法獲得的結(jié)果與砂輪鈍化有很好的一致性。參考文獻[8]用磨屑熱輻射流溫度信號作為信號源,運用BP神經(jīng)網(wǎng)絡(luò)對磨削燒傷狀態(tài)的智能辨識進行探討。結(jié)果表明，利用BP網(wǎng)絡(luò)的高度非線性映射表達能力，實現(xiàn)了樣本特征值空間到模式空間的映射，對訓練樣本及測試樣本進行了正

21、確識別，在實際工況下對磨削燒傷的識別正確率也較高。參考文獻[9]研究了基于粗糙集理論的在線辨識磨削燒傷和砂輪磨鈍的新方法,以測取信號、計算敏感特征量、構(gòu)造辨識砂輪磨損和磨削燒傷的知識表示系統(tǒng)、連續(xù)屬性離散、分類模式的合并、屬性約簡、知識提取的順序?qū)Λ@取的信息進行處理,提取判別規(guī)則,進而通過判別規(guī)則來辨識磨削燒傷和砂輪磨鈍。辨識結(jié)果與實驗數(shù)據(jù)相符。理論和實驗表明,采用粗糙集理論來解決多品種、小批量生產(chǎn)方式中的分類辨識非常有用。參考文獻[1

22、0] </p><p>　　雖然國內(nèi)外對智能狀態(tài)監(jiān)測系統(tǒng)進行了大量研究，但是對其理論和應用還處于初期，隨著以靈捷制造戰(zhàn)略為核心的先進制造技術(shù)的研究與開發(fā)，刀具實時磨／破損監(jiān)控技術(shù)已成為實現(xiàn)靈捷制造的關(guān)鍵技術(shù)之一。對未來砂輪狀態(tài)監(jiān)控技術(shù)主要要求如下：（1）降低響應時間；（2）最大運用可靠性；（3）具有廣泛集成能力；（4）強魯棒性；（5）低成本性；（6）翻新改型簡化；（7）用戶操作方便；（8）體積?。唬?）安裝容易；

23、（10）最少維修保養(yǎng)。就目前的研究看還存在如下的不足：</p><p>　?。?）所用傳感器遠遠不能滿足對信息高質(zhì)量的要求。應根據(jù)多傳感器信息融合的要求，改進傳感器使之更加可靠、靈巧、堅固?，F(xiàn)有傳感器在機床上安裝問題也待解決、急需研制、開發(fā)能提供高質(zhì)量信息，又使用方便的新型傳感器。</p><p>　?。?）研究原始信號處理方法，凈化原始信號，實現(xiàn)高信噪比、高質(zhì)量信息。</p>

24、<p>　?。?）砂輪磨損和破損是切削參數(shù)的函數(shù)，如切削速度、進給、刀具工件材料、刀具的幾何形狀、切削時間，所有這些參數(shù)可否在神經(jīng)網(wǎng)絡(luò)輸入中進行考慮。</p><p>　?。?）“對神經(jīng)網(wǎng)絡(luò)模型選擇、層和節(jié)點數(shù)的選擇，訓練策略的研制還需要做很多基本工作。</p><p>　　本論文提出了利用多路傳感器信號在線識別砂輪磨損狀態(tài)的新方法，對其可行性進行了理論分析和試驗研究，通過紅

25、外感器獲得的磨削火花信號，由電容傳感器茯得的磨削聲音信號和壓電式加速度計拾取的工件的尾頂尖法向振動信號，由A／D轉(zhuǎn)換器轉(zhuǎn)換后輸入計算機提取特征向量利用ART－2人工神經(jīng)網(wǎng)絡(luò)對多路信號進行智能識別。同時在對ART－2模型分析、研究的基礎(chǔ)上，將ART－2模型應用于砂輪磨削狀態(tài)診斷系統(tǒng)中，對ART－2模型在知識處理系統(tǒng)中的應用進行有益的探索。</p><p>　　1 砂輪磨損狀態(tài)的智能監(jiān)測的系統(tǒng)研究及方法 </

26、p><p>　　1.1多傳感器信息融合方法</p><p>　　從操作人員綜合運用視覺、聽覺、嗅覺器官的聯(lián)合作用，成功識別刀具狀態(tài)的例子得到啟發(fā)，為使智能系統(tǒng)成功工作，必須使用多傳感器信息。利用多傳感器信息可以給監(jiān)測系統(tǒng)提供更高準確性、可靠性，可以擴寬監(jiān)測系統(tǒng)有效范圍，可以提供豐富信息來源。經(jīng)過集成與融合的多傳感器信息能完善地、精確地反映切削過程特征，而單一傳感器只能獲得切削過程特征的部分信息

27、。經(jīng)過集成與融合的多傳感器信息具有以下4個方面特點：（1）信息的冗余性；（2）信息的互補性；（3）信息的實時性；（4）信息的低成本性。</p><p>　　用于多傳感器信息集成的方法有許多，其個最簡單的方法是讓每個傳感器的信息單獨輸入到系統(tǒng)控制器中。如果每個傳感器所提供的信息反映的是環(huán)境中完全不同的方面，那么這種方法最適合。該方法的主要優(yōu)點是增大了所傳感的環(huán)境范圍。如果傳感器所能夠傳感到的環(huán)境內(nèi)容出現(xiàn)重疊，以及可

28、能出現(xiàn)信息的冗余、矛盾與相關(guān)，甚至出現(xiàn)其中的某個傳感器影響其它傳感器的工作，則來自不同傳感器的信息就必須在多種表達層次上實現(xiàn)融合，在這種情況下，傳感器融合能使系統(tǒng)獲得更高質(zhì)量的信息，這是任何單獨工作的單個傳感器所無法直接得到的。</p><p>　　在許多多傳感器的數(shù)據(jù)系統(tǒng)中，處理輸入信息的數(shù)量和速率已超過操作人員的能力。此外，數(shù)據(jù)的復雜性(如多維測量)和測量中的模糊性也都超出了人們對數(shù)據(jù)的關(guān)聯(lián)和分類能力。這就要

29、求各單獨的融合處理方法全部或部分地實現(xiàn)自動化，以從大量的原始信息中獲得精確的、易于理解的信息。就自動系統(tǒng)的應用來說，自動信息融合可以使人類從重復的勞動中解脫出來。因此，模擬人的融合處理方法，以提高處理速度、容量或改善處理精度是研究多傳感器信息融合的重要原因。</p><p>　　多傳感器集成與融合技術(shù)實際上是一種多源信息的綜合技術(shù)，通過對來自不同傳感器(信息源)的數(shù)據(jù)信息進行分析和綜合，可以獲得被測對象及其性質(zhì)的

30、最佳一致估計。</p><p>　　多傳感器融合(Multi-sensor fusion)是指在多傳感器集成過程中，將傳感器的信息合并成統(tǒng)一的綜合信息的任何一個具體階段。它強調(diào)的是數(shù)據(jù)的轉(zhuǎn)換和合并的具體方法與步驟。圖1-1所示的組網(wǎng)結(jié)構(gòu)為多傳感器集成與信息融合的一般模式。信息融合在圖中的各節(jié)點上進行，而整個結(jié)構(gòu)是一個多傳感器集成的實例。</p><p>　　圖1--1 多傳感器融合的一般模

31、式</p><p>　　從圖1--1中可以看到，幾個傳感器組合成一體為整個系統(tǒng)提供信息。前兩個傳感器的輸出xl和x2在左下邊的節(jié)點小進行融合后形成新的信息，用x1，2表示，第三個傳感器的輸出x 3又在下一個節(jié)點與x1，2融合，結(jié)果表示為x1，2，3，依此類推。系統(tǒng)所有傳感器的輸出以類似的方式融合成一個結(jié)構(gòu)。從系統(tǒng)方框到每一節(jié)點的虛線，表示信息融合過程中有可能與系統(tǒng)進行信息交互。大多數(shù)多傳感器集成結(jié)構(gòu)的共同之處在于

32、當信息向上移動時，信息的表示形式由低級向高級變換，即在結(jié)構(gòu)的最低一級，原始數(shù)據(jù)進人傳感器，并轉(zhuǎn)換為信號信息。經(jīng)過一系列信息融合之后，信號逐漸變?yōu)楦映橄蟮臄?shù)字或者符號。</p><p>　　多種傳感器信息融合與決策方法，在制造過程監(jiān)控中最有效的是利用人工神經(jīng)網(wǎng)絡(luò)。有人在智能刀具狀態(tài)監(jiān)測系統(tǒng)中使用了聲發(fā)射信息與切削力兩種信息，它們對刀具磨損有不同的影響：聲發(fā)射主要對于切削區(qū)的摩擦與塑性變形等微觀活動極為敏感，而切削

33、力功率譜主要對于由后刀面磨損引起的刀具工件振動宏觀影響敏感。這就有助于提供較高質(zhì)量的信號特征給模式分類器―—人工神經(jīng)網(wǎng)絡(luò)，使得對刀具磨損的識別決策具有更高的可靠性，參考文獻[14]中在智能刀具狀態(tài)監(jiān)測系統(tǒng)中用聲發(fā)射、切削力、主電機電流等多傳感器信息；參與文獻[13]中使用了聲發(fā)射、切削力的3個分力、刀尖溫度等多傳感器信息。</p><p>　　基于研究對象的相似性以及原理的一致性，本論文的用的多傳感器信息融合的智

34、能砂輪狀態(tài)監(jiān)測系統(tǒng)的基本結(jié)構(gòu)框圖，見圖1-2 </p><p>　　1.2信號處理與特征提取</p><p>　　由于來自傳感器的原始信號呈隨機性、低信噪比，必須進行預處理才能用于特征提取。實踐證明信號的高信噪比、高質(zhì)量非常重要。因為神經(jīng)網(wǎng)絡(luò)輸入特征中混有噪聲將引起神經(jīng)網(wǎng)絡(luò)的學習能力下降，結(jié)果影響系統(tǒng)性能下降，參考文獻[14]提出兩種信號處理方法。</p><p>

35、　　方法一：應用多回歸時間序列模型。參考文獻[14]報道，聲發(fā)射信號標量自回歸系數(shù)，在車削加工狀態(tài)范圍內(nèi)對刀具磨損具有很好的靈敏度，這樣自回歸系數(shù)矩陣被作為表征刀具狀態(tài)的參數(shù)。</p><p>　　方法二：應用傳感器信號的功率譜分析。聲發(fā)射和切削力信號的某些頻率成分的功率譜密度對刀具磨損顯示出靈敏度，所以這些頻率分量可以用作為刀具磨損檢測的特征信號。</p><p>　　由于使用高維輸入向

36、量給神經(jīng)網(wǎng)絡(luò)，要求大量的訓練樣本和一個過大的神經(jīng)網(wǎng)絡(luò)，而這樣做未必能改善系統(tǒng)的性能，所以高維輸入不切實際，因此僅使用那些對刀具磨損顯示足夠的靈敏度和那些對切削參數(shù)和環(huán)境噪聲不敏感的輸入量給神經(jīng)網(wǎng)絡(luò)。</p><p>　　圖1-2智能砂輪狀態(tài)監(jiān)測系統(tǒng)基本結(jié)構(gòu)框圖</p><p>　　1.3實現(xiàn)多傳感器信號融合與識別決策――人工神經(jīng)網(wǎng)絡(luò)</p><p>　　為了利用人的

37、智慧來處理突發(fā)事件，使的機械加工過程能夠智能化，柔性化，于是利用人類智力活動的機器模擬是人類長期夢寐以求的理想，歷來沿著兩條大體并行的道路向前發(fā)展。一條道路是進行宏觀的心理模擬，它從人的思維活動和智能行為的心理學特性出發(fā)，利用計算機系統(tǒng)來對人腦智能進行宏觀的功能模擬，這種方法稱為符號處理方法。另一條道路是進行微觀的生理模擬，即更注重機理性的研究，用仿生學的觀點探索人腦的生理結(jié)構(gòu)，把對人腦的微觀結(jié)構(gòu)及其智能的研究結(jié)合起來，這就是人工神經(jīng)網(wǎng)

38、絡(luò)的研究方法。</p><p>　　人工神經(jīng)網(wǎng)絡(luò)具有大規(guī)模并行、分布式存儲和處理、自組織、自適應和自學習能力，特別適用于處理需要同時考慮許多因素和條件的、不精確和模糊的信息處理問題，這些正克服了符號處理方法的某些弱點。利用神經(jīng)網(wǎng)絡(luò)的學習功能、規(guī)模并行分布式存儲與處理功能以及神經(jīng)網(wǎng)絡(luò)的集團運算能力，可實現(xiàn)知識獲取的自動化，并能克服在符號處理中所遇到的而又難以解決的“知識獲取瓶頸”、“組合爆炸”、“推理復雜性”及“無

39、窮遞歸”等困難，實現(xiàn)并行聯(lián)想搜索解空間和完成自適應推理，提高智能系統(tǒng)的智能水平。</p><p>　　作為一個智能刀具狀態(tài)監(jiān)測系統(tǒng)應能在無人參與下，實現(xiàn)對切削過程不正常狀態(tài)（刀具的磨損、破損）的自動識別。要實現(xiàn)這個目標監(jiān)測系統(tǒng)應具有如下特征：（1）快速處理來自多個傳感器的信息；（2）能利用樣本數(shù)據(jù)進行學習；（3）能形成綜合決策范圍；（4）對于外界環(huán)境變化（加工狀態(tài)變化）能迅速進行自適應變化。</p>

40、<p>　　要實現(xiàn)這些要求，人們自然想起使用人工神經(jīng)網(wǎng)絡(luò)，就用在砂輪磨損狀態(tài)監(jiān)測系統(tǒng)中而言，其最具吸引力的特點為：（1）可以通過對網(wǎng)絡(luò)訓練與學習，自動實現(xiàn)傳感器信號和刀具狀態(tài)之間功能映射。（2）能夠判斷處理，由于參數(shù)變化和噪聲影響而畸變失真?zhèn)鞲衅餍盘?。?）能夠?qū)ι拜啝顟B(tài)實現(xiàn)直接的判斷，使生產(chǎn)能夠穩(wěn)定、長期、高效、快速的進行。</p><p>　?。ㄒ唬?有監(jiān)督（導師）學習的神經(jīng)網(wǎng)絡(luò)方法</p&

41、gt;<p>　　Rangwala利用神經(jīng)網(wǎng)絡(luò)提出一個用于車削過程的刀具狀態(tài)自動識別的集成傳感器系統(tǒng)，利用多傳感器系統(tǒng)收集車削期間聲發(fā)射和切削力的信息。將聲發(fā)射信號和切削力信號數(shù)字化。聲發(fā)射信號采樣率為5MHz，記錄范圍為1024；切削力信號采樣率為1kHz，記錄范圍512點；利用快速傅里葉變換對它們進行處理，使用一個特征選取技術(shù)獲得4個聲發(fā)射信號測量值，2個切削力信號測量值，組成具有6個分量的特征向量，每一套輸入模式利用

42、相應的切削速度、切削進給將輸入模式擴大為8個分量作為該神經(jīng)網(wǎng)絡(luò)的輸入模式，以便在變過程條件下也能進行刀具磨損的自動監(jiān)測。相應于后刀面磨損量測量值為（0－0.25）作為新銳刀具類，而后刀面磨損量測量值為（0.5－0.75）作為已磨損刀具類。使用30組樣件（按新銳刀具、磨損刀具等分）訓練一個8－3－1 BP神經(jīng)網(wǎng)絡(luò)，對已訓練過神經(jīng)網(wǎng)絡(luò)利用93組模式測試集，進行測試獲得95％的識別成功率。然而，Rangwala是基于有監(jiān)督學習的神經(jīng)網(wǎng)絡(luò)方法，

43、具有下面缺點：（1）缺乏柔性，該系統(tǒng)在識別刀具狀態(tài)和響應環(huán)境變化方面均缺乏柔性；（2）它需要一個全部標定訓練集，這樣它需要大量時間和昂貴的費用；（3）會</p><p>　?。ǘ?、無監(jiān)督（導師）學習的神經(jīng)網(wǎng)絡(luò)方法</p><p>　　為了克服有監(jiān)督學習神經(jīng)網(wǎng)絡(luò)用在刀具狀態(tài)監(jiān)測方面的缺點，Burke提出利用無監(jiān)督學習神經(jīng)網(wǎng)絡(luò)方法用于刀具狀態(tài)監(jiān)測。這是一種具有自組織、自適應性，更富有柔性的方

44、法，與有監(jiān)督學習的BP神經(jīng)網(wǎng)絡(luò)方法比較具有下列優(yōu)越性：（1）無監(jiān)督學習的自適應共振網(wǎng)絡(luò)能達到95％的識別成功率。（2）該系統(tǒng)在訓練完畢后仍能保持僅值的可塑性。（3）自適應共振網(wǎng)絡(luò)使用部分標定的樣本訓練集，它和使用全部標定樣本訓練集可產(chǎn)生同樣效果，可大大減小數(shù)據(jù)分析的成本，而又不至于降低其識別成功率。（4）很大一部分無監(jiān)督學習系統(tǒng)，甚至僅利用新銳刀具的數(shù)據(jù)用于樣本訓練集。（5）由于無標定數(shù)據(jù)可以廉價獲取，即使要求一個較大的訓練集也是能辦得

45、到的。（6）自適應共振網(wǎng)絡(luò)基本上可以是一個柔性在線識別決策系統(tǒng)。</p><p>　　從以上分析看，為了實現(xiàn)實用而又可靠的在線刀具狀態(tài)監(jiān)測系統(tǒng)，對所用神經(jīng)網(wǎng)絡(luò)提出兩點要求：（1）最大限度利用豐富的“無監(jiān)督”傳感器數(shù)據(jù)，以降低數(shù)據(jù)成本；（2）學習分析和適應使用離線特征選擇而帶來的嚴重局限性。</p><p>　　本論文提出了利用多路傳感器信號在線識別砂輪磨損狀態(tài)的新方法，對其可行性進行了理論

46、分析和試驗研究，通過紅外感器獲得的磨削火花信號，由電容傳感器茯得的磨削聲音信號和壓電式加速度計拾取的工件的尾頂尖法向振動信號，由A／D轉(zhuǎn)換器轉(zhuǎn)換后輸入計算機提取特征向量利用ART－2人工神經(jīng)網(wǎng)絡(luò)對多路信號進行智能識別。同時在對ART－2模型分析、研究的基礎(chǔ)上，將ART－2模型應用于砂輪磨削狀態(tài)診斷系統(tǒng)中，對ART－2模型在知識處理系統(tǒng)中的應用進行有益的探索。</p><p>　　2 ART-2神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)及數(shù)學

47、推導</p><p>　　2.1 ART-2神經(jīng)網(wǎng)絡(luò)的特點</p><p>　　ART－2神經(jīng)網(wǎng)絡(luò)模型是針對任意模擬信號設(shè)計的神經(jīng)網(wǎng)絡(luò)，它模仿了人腦神經(jīng)系統(tǒng)工作的許多特點，如層次性、雙向性、注意力集中和轉(zhuǎn)移、3R功能等等，是一種很有發(fā)展?jié)摿Φ木W(wǎng)絡(luò)模型。</p><p>　　ART理論的出發(fā)點是從心理學、生物化學和神經(jīng)生理學不同角度充分借鑒人腦的工作特點,它學習人腦

48、神經(jīng)系統(tǒng)的主要特點有:</p><p>　　1．人腦的自主學習方式</p><p>　　人腦可以在一個復雜的、非平穩(wěn)的、有干擾的環(huán)境中意識學習目標并且獲得大量的知識，通常這種學習是自學,而且是半工半讀方式的，即不能把學習過程和使用學習的知識解決問題這兩方面截然分開。</p><p>　　2．人腦的自組織特點</p><p>　　人腦的工作方

49、式及信息存儲和檢索方式(即記憶和記憶提取方式)具有明顯的自組織的特點,人在與環(huán)境交互作用過程中,逐漸建立起大腦的信息存儲、檢索、加工、傳送能,其建立方式是自組織的。</p><p><b>　　3．彈性與可塑性</b></p><p>　　人腦的學習和記憶能力既有很大的剛性又有很大的彈性和可塑性,這就是說,人腦對所學知識可以記得十分牢固而又可以不斷學習新知識,還可以忘

50、掉一些不常用的或無關(guān)緊要的老知識。</p><p><b>　　4．集中注意力</b></p><p>　　人對外界的輸入信號做出響應時既通過由底向上的渠道,又通過從上往下的渠道。前者指人腦能夠?qū)Σ煌耐饨巛斎胧噶空_地區(qū)分不同客體 并掌握它們之間相互關(guān)系，后者涉及人的集中注意力能力，即人能夠?qū)Ｗ⒂谀承┦挛锘蜿P(guān)系置其它一切于不顧。人腦在一定環(huán)境下能估計到可能出現(xiàn)的情況

51、，預期會遇到、聽到或看到的各種內(nèi)容。例如,人們可以在嘈雜的背景下聽取自己關(guān)心的話語；在與對方談話時，人們會預先估計出對方會說些什么；在紛亂擁擠的場合里，人的視覺系統(tǒng)也能夠容易地攝取最值得注意的圖像信息、熟人的面孔、熟悉的或有趣的事物等等。</p><p>　　2.2 ART-2神經(jīng)網(wǎng)絡(luò)模型的結(jié)構(gòu)及數(shù)學描述</p><p>　　ART-2神經(jīng)網(wǎng)絡(luò)是為任意模擬輸入矢量而設(shè)計的（二值矢量為一種

52、特例）。它具有十分寬廣的應用范圍。通過警戒參數(shù)的調(diào)整,ART-2可以按任何精度對輸入的模擬觀察矢量進行分類。</p><p>　　ART-2模型的基本設(shè)計思想仍是采用競爭學習和自穩(wěn)機制的原理，系統(tǒng)由F1和F2兩個STM層及兩者之間的LTM層組成F1層的設(shè)計是全系統(tǒng)的核心，它要同時滿足各方面的要求，由此ART-2的F1層采用了一種三層結(jié)構(gòu)，其中包括正反饋、規(guī)格及非線性變換。如圖2-1所示。</p>&

53、lt;p>　　為了避免混淆，下面將分別稱F1和F2為特征表示場及類別表示場。需要說明的是，這一結(jié)構(gòu)及其中參數(shù)的確定是通過大量的實驗篩選而獲得的，此外，圖2-1給出的只是可供選擇的幾種結(jié)構(gòu)中的一種。</p><p>　　一、F1場第j個處理單元的描述</p><p>　　F1的輸入觀察矢量X是N維模似矢量，在F1中相應有N個處理單元。圖2-2中只畫出了第j個處理單元的結(jié)構(gòu)，每層里都包含

54、兩種功能不同的神經(jīng)元，一種是空心圓，另一種是實心圓，下面分別介紹其功能。</p><p>　　（1）空心圓：空心圓所代表的神經(jīng)元有兩種輸入，一種是興奮激勵，用空心箭頭表示，另一種是抑制激勵，用實心箭頭表示。設(shè)神經(jīng)元的活動電位為V(也就是它的輸出)，所有興奮激勵的總和為J+，所有抑制激勵的總和為J-。那么根據(jù)神經(jīng)生理學的研究結(jié)果，可知V滿足：</p><p><b>　　(2-1)

55、</b></p><p>　　其中ε和A是遠小于1的正實數(shù)，且ε遠小于A，B遠小于1，C遠小于D且D接近于1。當不存在任何激勵時(即J+= J- =0)，J將趨向于0，即處于抑制狀態(tài)。式(2-1)中：ε、B、C分別較A、1、D小得多，因此可假設(shè)B=0，C=0，ε→0，根據(jù)這一假設(shè)，在我所考慮的時間尺度范圍內(nèi)，可以為V在即能達到其穩(wěn)定解，這樣可得近似解為：</p><p><

56、;b>　　(2-2)</b></p><p>　　由于D接近于1，A遠小于1，可將(3-2)簡化為：</p><p><b>　　(2-3)</b></p><p>　　其中：e表示一個遠小于1的正實數(shù) 。(2-3)可用來近似計算空心圓神經(jīng)元的活動電位。</p><p>　　（2）實心圓：實心圓神經(jīng)元的

57、功能是求其輸入矢量之模。例如，在圖2-2中與標記為Pj的空心圓相連的實心圓,除了Pj以外還與P0，P1，···，Pn-1等各空心圓相連，即P=[P0P1…Pn-1]，那么此實心圓的輸出即等于P的模| P | ，|P|={P02+P12+…+Pn-1 2}1/2。</p><p>　?。?）在圖2-1中，F(xiàn)1的第一層和第二層構(gòu)成一個閉便的正反饋回路。其中標記為Zj的神經(jīng)元接受輸入信號X

58、j ， 而標記為Vj的神經(jīng)元接受上層送來的信號bf(Sj)。這個回路還包括兩個規(guī)格化運算和一次非線性變換。</p><p>　　底層的輸入方程和規(guī)格化運算可表示如下：</p><p><b>　?。?－4）</b></p><p><b>　　（2－5）</b></p><p>　　其中e是一個很小

59、的正實數(shù)，相對于|Z|可忽略不計.中層方程和規(guī)格化運算可表示為：</p><p><b>　　(2－6)</b></p><p><b>　　（2－7）</b></p><p>　　其中：e可忽略不計。</p><p>　?。?）由底層至中層以及上層至中層之間，對傳送的信號進行了非線性變換，在具體實

60、現(xiàn)時，f(x)可采取如下兩種形式：</p><p>　　第一種形式： </p><p>　　0≤X≤θ （2－8）</p><p><b>　　X＞θ</b></p><p>　　第二種形式： </p><p>

61、　　0≤X≤θ （2－9）</p><p><b>　　X＞θ</b></p><p>　　這兩種非線性函數(shù)的作用都是對小幅度信號進行抑制，并區(qū)別在于前者是連續(xù)函數(shù)而后者是非連續(xù)的，以上諸式中和參數(shù)a、b、q是通過大量實驗來確定的。</p><p>　　（5）F1的第二層和第三層構(gòu)成另一個閉合正反饋回路。在上層進行的規(guī)則化</

62、p><p>　　圖2-1 ART2神經(jīng)網(wǎng)絡(luò)示意圖,其中F1包括上、中、下三層,</p><p>　　本圖中只畫出了各層的第J個處理單元。</p><p><b>　　運算為：</b></p><p><b>　　(2－10)</b></p><p>　　其中e忽略不計,上中層

63、間的非線性變換已如前述。Pj可用下式表示：</p><p><b>　?。?－11） </b></p><p>　　上式右側(cè)第二項表示F2場對Pj神經(jīng)元的輸入，Wji是由頂向下的LTM系數(shù)，g(yi)將在下面說明。</p><p>　　二、F2場中所完成運算的描述</p><p>　　根據(jù)F1上層給出的矢量P以及由F1至

64、F2的LTM權(quán)重系數(shù)Wi可計算F2場的輸入矢量T， ， i=0,1,···,m-1</p><p>　　按照競爭學習機制，F(xiàn)2場的輸出矢量Y由下式?jīng)Q定：</p><p><b>　　若：</b></p><p>　　則： yI = 1 且

65、 yI = 0, 當 i ≠ I</p><p>　　若選擇式（2-11）中的變換函數(shù)為g(yi)= αyi，α是一個實常數(shù)， 那么</p><p>　　(2－12) </p><p&g

66、t;<b>　　三、LTM方程</b></p><p>　　當F2→F1的由頂向下矢量和輸入觀察矢量的相似度足夠大或開辟了一個新的輸出端,則進入LTM系數(shù)的學習階段。學習式是：</p><p>　　由頂向下(F2→F1)：</p><p>　　i=0，1，…，M－1 （2－13）

67、 </p><p>　　j=0，1，…，N－１</p><p>　　由底向上(F1→F2): </p><p>　　i=0，1，…，M－1 （2－14）

68、 </p><p>　　j=0，1，…，N－１</p><p>　　如果F2場中選出的優(yōu)勝輸出端是I,那么g(yi)=d,且g(yi)=0 i≠I時。將式（2-12)代入（2-13)和(2-14),可得到：</p><p>　　j=0,1,…，N－１ （2-15） </p><p>　　j=0,1,…，N－1

69、 （2-16）</p><p>　　對于參數(shù)α,它有別于一般學習公式中的步幅參數(shù)。</p><p>　　四、調(diào)整子系統(tǒng)的工作原理</p><p>　　圖2-1左側(cè)是ART2調(diào)整子系統(tǒng)的示意結(jié)構(gòu)。標志為rj的空心神經(jīng)元的輸出可用下式計算</p><p><b>　?。?-17）</b></p><p&

70、gt;　　之所以選擇P和U來比較相似度,而不直接比較X和Wi,除了因為在啟用新端時前者仍保持完全一致而后者差異極大(因而前者不會引起重置而后者會造成重置)以外,P和U比較 的是去除了基底噪聲的主要特征,而X和Wi的比較中還含了非主要特征和基底噪聲,當警戒參數(shù)設(shè)置得較高時,這使得一些次要特征和因素也會引起不應有的重置。</p><p>　　式(2-17)中,e遠小于1,在下面的計算中可略去。實心圓的輸出即等于矢量|

71、R|之模</p><p><b>　?。?-18）</b></p><p>　　顯而易見,U與P的相似度越高,則|R|越接近于1。這樣,我們可以選擇一個警戒參數(shù)ρ,0＜ρ＜1.無需重置;反之,則需要對F2進行重置.</p><p>　　如果在式(3-17)中含e=0且已知|U|≈1,那么式(3-17)和(3-18)可以寫為如下形式</p&

72、gt;<p><b>　?。?-19）</b></p><p>　　為了確保在LTM系數(shù)的學習過程中不能由于這些系數(shù)的變化造成優(yōu)勝者換的現(xiàn)象,參數(shù)c、d的選擇要滿足：</p><p>　　cd / (1-d) 1</p><p>　　在滿足此條件的前提下應選擇cd/(1-d)盡可能接近于1，因為1附近|R|對|U|和Wi的失配最

73、敏感。</p><p>　　同時,為了防止對新啟用端的重置，Wi初始值的選擇需足|W| 1/(1-d)。</p><p>　　2.3 ART-2神經(jīng)網(wǎng)絡(luò)模型的綜合評價</p><p>　　（1）ART-2神經(jīng)網(wǎng)絡(luò)模型在記憶的穩(wěn)定性和記憶的彈性之間得了良好的折衷，例如，某個輸出端I(相應于輸入矢量的i類)的由頂向下矢量Wi中某個分量之值較大,而有一次劃這一類的輸入矢

74、量X中相應分量之值較小，那么經(jīng)過F1場融合，在F1場向F2場送出的矢量U中，該分量之值與Wi中分量大體保持相同，只是略微減小而已，這樣調(diào)整后的權(quán)系數(shù)矢量基本保持不變，從而實現(xiàn)了記憶的穩(wěn)定。但是.劃入該類的許多X中該分量都很小，那么Wi的該分量就會漸減小下去，這樣就能保持記憶的彈性。</p><p>　?。?）在檢索記憶內(nèi)容時，多次搜索與直接檢索之間取得了折中。當對網(wǎng)絡(luò)賦予一個未輸入過的新類別的矢量X時.系統(tǒng)經(jīng)過反

75、復搜索和重置，直至開辟一個新輸出端.而對其賦一個屬于已學習過類別的矢量X時，系統(tǒng)能立即直接查到的類別，無需多次反復搜索。</p><p>　?。?）ART-2可以進行“快速學習”，LTM系數(shù)的調(diào)整速度雖然遠低于STM的變化速度，但是在X只呈現(xiàn)一次的時間內(nèi)即可達到穩(wěn)定平衡解.ART2的這種快速學習方式使學習效率大的提高。</p><p>　?。?）計算在局部進行,無需進行全局運算。</

76、p><p>　　（5）在F1場采用了獨特的具有正反饋和非線性變換的三層結(jié)構(gòu)，從而實現(xiàn)了對比度增強(強化輸入矢量中的突出特征)，達到了抑制基底噪聲的目的，這樣就削弱了非本質(zhì)的失配。</p><p>　?。?）解決了匹配與重置的矛盾.對于已占用的輸出端(相應已學過的類別)微小的失配即會引發(fā)重置，而對于新啟用端使完全失配也不會重置。</p><p>　?。?）系統(tǒng)參數(shù)選擇適當

77、就能夠保證，在LTM系數(shù)的調(diào)整過程中不會產(chǎn)生錯誤重置以及優(yōu)勝者換位現(xiàn)象。</p><p>　?。?）系統(tǒng)的學習是一種無監(jiān)督的自組織學習，而且系統(tǒng)的學習狀態(tài)和工作狀態(tài)不可能截然劃分開來。</p><p><b>　　2.4 3R功能</b></p><p>　　相比于BP網(wǎng)，感知機，ART模型更接近于人腦，但是單一網(wǎng)絡(luò)結(jié)構(gòu)在功能上遠遠不夠，它需

78、要與其它許多方法的結(jié)合，如模糊理論、專家系統(tǒng)、甚至其它神經(jīng)網(wǎng)絡(luò)，需要更完整的系統(tǒng)結(jié)構(gòu)來發(fā)揮長處。ART的3R功能，即識別(Recognition)、補充(Reinforcement)、撤銷(Recall)就是應用系統(tǒng)中必不可少的。</p><p>　　識別功能即分類功能,前面已經(jīng)詳述,下面介紹另外兩功能。</p><p>　　補充功能有兩方面的含義：第一，使系統(tǒng)“集中注意力”于某些特定的類

79、別。即使分類和學習都受到由頂向下預期模式的制約，這種制約是由系統(tǒng)與環(huán)境相互作用后形式的；第二，改變預期模式可以改變或遷移系統(tǒng)的“注意力”集中點。系統(tǒng)對外界做出某種響應后，這種響應造成的結(jié)果反饋回來對系統(tǒng)形成獎或懲的作用，從而使系統(tǒng)通過調(diào)整學習過程來適應環(huán)境要求。</p><p>　　撤銷功能的作用與補充功能相反,它是指某些不同的觀察矢量在初步分類時被劃分成不同的類別,但是通過系統(tǒng)與客體相互作用的結(jié)果，又應判定它們

80、屬于同一類。</p><p>　　圖2-2給出了一個將3R功能組合在一起的綜合自組織ART系統(tǒng).其中預處理器的作用是對輸入模式進行變換以產(chǎn)生一個更便于分類的特征矢量.ART-2的作用是對輸入特征矢量進行分類。ART-1的作用是通過學習建立ART-2的“分類輸出矢量和外界作用于系統(tǒng)的”預計矢量之間的聯(lián)想關(guān)系,實現(xiàn)補充功能。系統(tǒng)中后處理器的作用是完成撤銷功能,如果ART-2的不同分類結(jié)果具有一致的讀入輸出模式,那么后

81、處理器經(jīng)學習后,于這些不同的分類結(jié)果將給出完全相同的讀出輸出模式，將不同的類別歸并成一類。</p><p>　　圖2-2 將3R功能組合在一起的綜合自組織ART系統(tǒng)</p><p>　　3 ART-2神經(jīng)網(wǎng)絡(luò)模型的軟件實現(xiàn)</p><p>　　本軟件包含一個主程序和一個交互式界面應用程序兩個部分組成，主程序可以單獨執(zhí)行。兩個程序均用MATLAB語言編寫。</p

82、><p><b>　　3.1實現(xiàn)過程</b></p><p>　　根據(jù)圖3--1所示，每一個輸入模式I0被編碼成許多短期記憶（STM），如W0，V0，U0等。向量Bij和Tji為僅有的兩個長期記憶（LTM）。在輸入預處理場F0中</p><p>　　圖3-1 增加自穩(wěn)結(jié)構(gòu)F0的ART2 的結(jié)構(gòu)示意圖</p><p>　　有兩

83、層，其功能與F1場的前兩層的功能一致。F1場中的不穩(wěn)定STM會在F2的STM被激活之前觸發(fā)復位函數(shù)，因此，設(shè)計F0場的目的是為了避免F1場中出現(xiàn)不穩(wěn)定STM，并將上—下信號傳送給F1。假設(shè)在F0中對一個M維的輸入向量I0做變換，其每一層要完成兩種計算：首先對該層的場內(nèi)和場間輸入進行求和，然后對求和所得向量歸一化。例如，在F0場的第一層，向量W0為場內(nèi)輸入向量I0和內(nèi)部反饋向量a*U0之和，即</p><p>　　

84、=+ （3-1）</p><p>　　式中代表F0層的第i個節(jié)點，a為常數(shù)。當W0獲得后，通過對它歸一化就可以由下式推出向量X0：</p><p>　　= （3-2）</p><p>　　式中e為接近0的常數(shù)，||W0||表示向量W0的L2范數(shù)。F0

85、層的其他激勵通過下列方程計算：</p><p>　　=f() (3-3)</p><p>　　= (3-4)</p><p>　　式（3-3）中的非線行信號函數(shù)為</p><p><b>　　（3-5）

86、</b></p><p>　　假設(shè)式中的閾值滿足約束</p><p><b>　　0<<1/</b></p><p>　　其中M為輸入向量I0的維數(shù)。</p><p>　　為處理模擬輸入模式，在ART2網(wǎng)絡(luò)的F1 STM場中要有三個處理層，這三個處理層的組合使網(wǎng)絡(luò)能夠?qū)⑿盘枏脑肼曋蟹蛛x出來，并實現(xiàn)

87、F1 STM和F2 STM之間的匹配功能。在F1場的輸入向量等于F0場的輸出向量U0，F(xiàn)1中前面兩層的操作與F0的一樣。F1的每層對輸入求和，并由以下方程將所得向量歸一化。</p><p><b>　?。?-6）</b></p><p><b>　　（3-7）</b></p><p><b>　?。?-8）<

88、;/b></p><p><b>　?。?-9）</b></p><p><b>　　（3-10）</b></p><p>　　式中b為常數(shù)，f為式（3-5）中的非線性信號函數(shù)。在F1的頂層，向量P為F2的內(nèi)部信號向量U與F2F1的所有濾波信號之和，即</p><p><b>　?。?/p>

89、3-11）</b></p><p>　　式中g(shù)（j）為F2的第j 個節(jié)點的輸出，Tji為F2的第j個節(jié)點與F1的第i個節(jié)點之間由上到下的權(quán)。</p><p>　　F1場中的匹配函數(shù)、F2場中的選擇函數(shù)和取向子系統(tǒng)中的復位函數(shù)是ART2動態(tài)結(jié)構(gòu)中密切相關(guān)的函數(shù)。F2F1的輸入位加權(quán)之和，如式（3-11）一樣，F(xiàn)1F2的輸入也為加權(quán)信號之和，它代表當前STM向量P與F2中第j個LT

90、M的匹配程度，即</p><p><b>　?。?-12）</b></p><p>　　式中Sj為匹配度，Bij為自下到上的權(quán)。當所有的匹配度都得到后，就可以選擇F2中具有最大匹配度的做為激活節(jié)點，即</p><p><b>　　（3-13）</b></p><p>　　則F2的第J個節(jié)點被激活，即

91、</p><p><b>　?。?-14）</b></p><p>　　在此之后，F(xiàn)2的激勵被反向傳播給了F1中的向量P，然后通過警戒實驗來確定自上到下信號是否與輸入模式匹配。其中的警戒實驗由下式給出：</p><p><b>　?。?-15）</b></p><p><b>　?。?-1

92、6）</b></p><p>　　式中c 為常數(shù)，0<r<1.如果通過警戒實驗發(fā)現(xiàn)不匹配，就讓F2復位，迫使F2激活所選擇的節(jié)點，并尋找下一個最佳匹配的節(jié)點。另一方面，自下而上和自上而下的權(quán)根據(jù)下列方程選?。?lt;/p><p>　　Bij=Bij+d*(1-d)*[-Bij] (3-17)</p><p&

93、gt;　　Tji= Tij+d*(1-d)*[-Tij] (3-18)</p><p>　　式中自上而下和自下而上的初值必須滿足下面約束：</p><p>　　式中c 為常數(shù)，d 也為常數(shù)，M為輸入向量的維數(shù)。自下而上的初始權(quán)Bij（0）應該選擇的盡可能大，這樣有助于ART2的穩(wěn)定。</p><p>　　3.2 ART-

94、2算法</p><p>　　圖3-2 所示為ART2神經(jīng)網(wǎng)絡(luò)模型的軟件實現(xiàn)流程圖。</p><p><b>　　學習算法如下：</b></p><p>　　圖3-2 ART2模型的軟件實現(xiàn)流程圖</p><p>　　初始化下列參數(shù)，設(shè)置a,b,c,d,e,,</p><p><b>　　

95、Tji(0)=0;</b></p><p>　　Bij(0)=,其中0iM-1，0jN-1</p><p>　　式中M為輸入向量的維數(shù)，N為F2的節(jié)點數(shù)，</p><p><b>　　。</b></p><p>　　提供一個新的輸入向量。</p><p>　　由式（3-1）~（3-4）

96、計算F0的激勵。</p><p>　　由式（3-6）~（3-11）計算F1的激勵。</p><p>　　由式（3-12）計算F2的匹配度。</p><p>　　由式（3-13）選擇F2的激活節(jié)點。</p><p>　　激活F2的第J個節(jié)點。</p><p>　　由式（3-15）~（3-16）進行警戒實驗。</p&

97、gt;<p>　　如果，則激活所選擇F2的節(jié)點，返回（5）。</p><p>　　由式（3-17）~（3-18）進行自下而上和自上而下的權(quán)調(diào)整。</p><p>　　返回（2）進行新的識別。</p><p><b>　　3.3 程序編制</b></p><p><b>　　見附錄二</b&g

98、t;</p><p><b>　　3.4 調(diào)試過程</b></p><p>　?。?） 調(diào)用主程序并運行，輸入連續(xù)識別的參數(shù)（本程序是“yes”和“no”），輸入“yes”進行識別，輸入“no”退出主程序。</p><p>　?。?） 進入主程序后要求輸入所要識別的模擬數(shù)據(jù)向量，本論文中輸入向量由火花信號、振動信號、聲音信號進行去野點、消去

99、趨勢項等組合而成的一個六維向量。</p><p>　　輸入矢量以后，主程序會對數(shù)據(jù)進行自動的處理，并且得出結(jié)果。</p><p><b>　　3.5 結(jié)果分析</b></p><p>　　經(jīng)過式（3-1）~（3-18）的計算，程序會自動給出判別結(jié)果。如果說明砂輪沒有發(fā)生明顯的磨鈍，可以認為砂輪是新銳的，可以繼續(xù)磨削加工工件；反之，則說明砂輪已經(jīng)

100、發(fā)生明顯的磨鈍，需要更換砂輪或者是對砂輪進行休整，才能加工工件，如果繼續(xù)使用已經(jīng)磨鈍的砂輪則會破壞工件的加工表面，可能帶來損失。</p><p>　　3.6 程序結(jié)構(gòu)和性能說明</p><p>　　主程序的設(shè)計采用了參數(shù)化的設(shè)計，也就是說程序的柔性很好，可以根據(jù)具體的情況來確定程序的輸入向量的維數(shù)，可以重新設(shè)定初始化參數(shù)a,b,c,d,e,值的大小，可以調(diào)定警戒閾值的大小來調(diào)整系統(tǒng)的判斷的

101、精度。另外，本程序具有很好的開放性能，如果需要可以在原程序的基礎(chǔ)上進行擴充使其功能更加的完善，更加健壯。由于編寫程序的語言是MATLAB，而MATLAB本身由非常好的移植能力，在編寫底層程序的時候可以采用c語言使之與硬件設(shè)備進行通信，從而達到在線的自動識別，也就是達到智能判斷的目的。</p><p>　　3.7 交互界面應用程序</p><p>　　交互界面應用程序如下圖所示。其實現(xiàn)的功能

102、與主程序一樣的！使用和操作也很方便的！</p><p>　　圖3-1 交互界面程序的主框架</p><p>　　圖3-2 在“新建”中可以輸入一個新的向量以供程序判斷數(shù)據(jù)所代表的含義是什么</p><p>　　圖3-3 在“初始化”中可以對程序中的主要參數(shù)作調(diào)整以適應不同維數(shù)的輸入向量</p><p>　　圖3-4 對在“新建”中輸入的向量回

103、顯，同時給出程序的判斷結(jié)果</p><p>　　4 實驗系統(tǒng)及數(shù)據(jù)分析原理</p><p>　　4.1 實驗系統(tǒng)及方法</p><p>　　試驗在M1432普通外圓磨床上進行，磨削方式為外圓切入式，試件為軸承環(huán)，材料為淬火軸承鋼GCr15，砂輪為GB46ZR2SP400×50×203，砂輪轉(zhuǎn)速為1670r/min，工件轉(zhuǎn)速112r/min，磨削液

104、為乳化液。</p><p>　　試驗及數(shù)據(jù)采集與處理系統(tǒng)如圖4-1所示。自制的紅外傳感器探頭安裝在砂輪與工件接觸面的切線方向上，在接觸點側(cè)面約30處，分析和試驗結(jié)果表明，在此位置測得的磨削火花流溫度信號比較穩(wěn)定。由紅外傳感器測得的火花信號經(jīng)紅外測溫儀放大、變換、送磁帶記錄儀記錄和示波器顯示。為了進行比較，試驗中還同時測取了磨 圖 4－1 試驗及數(shù)據(jù)采集系統(tǒng)</p><p>　　削振動

105、和磨削聲信號，由壓電式加速度計拾取工件尾頂尖處的法向振動，磨削聲則由電容傳聲器和精密聲級計測取。各種信號均經(jīng)A／D轉(zhuǎn)換后送計算機分析和處理。在預備性試驗中，根據(jù)磨削過程中的各種現(xiàn)象（磨削聲異變，振動加劇等）確定砂輪的磨鈍標準。正式試驗時，砂輪重新修整狀態(tài)開始磨削，直至磨鈍后一段時間再停止。為減少隨機因素的影響，試驗重復多次。</p><p>　　但是由于各種客觀因素的影響，在記錄到的信號中常?；煊性肼暎袝r噪聲甚

106、至可以把信號“淹沒”。經(jīng)過A／D轉(zhuǎn)換后的離散時間信號除含響原來的噪聲外，又增加了A/D轉(zhuǎn)換器的量化噪產(chǎn)。因此，在對多傳感器信號作數(shù)字處理之前，有必要對它作一些預處理．以盡可能地去除這些噪聲，提高信號的信噪比，信號預處理的范圍很廣，在本實驗系統(tǒng)里采用的預處理的是野點剔除、消除趨勢項、信號平滑、零均值化四項，之后得到的信號才作為神經(jīng)網(wǎng)絡(luò)的輸入信號。</p><p>　　4.2磨削火花信號分析及特征提取</p&g

107、t;<p>　　4.2.1 火花信號機理</p><p>　　所謂磨削火花信號，是指用紅外傳感器測取的砂輪與工件接觸區(qū)附近的火花流的溫度信號。研究表明，磨削火花溫度的形成過程是一復雜的物理、化學過程；單個磨削火花溫度主要與熱源溫度和工件材料有關(guān)，由于許多磨粒同時參加切削，在高速下許多火花形成連續(xù)的火花流，由紅外傳感器測得的火花溫度，是通過傳感器熱敏面積的許多個火花溫度的統(tǒng)計平均值，該統(tǒng)計平均值是指在

108、某時刻所有通過熱敏面積的單個火花溫度的集合平均。當時間改變時，測量值隨之而改變，它與砂輪表面狀態(tài)、周圍介質(zhì)和磨削過程中的金屬去除量（即磨屑數(shù)）等許多因素有關(guān)，因此是一個連續(xù)的隨機過程，試驗與分析表明，磨削火花信號與磨削區(qū)溫度的變化規(guī)律之間具有良好的相似性，已成功地應用于磨削燒傷的在線識別。另一方面，火花流溫度與磨削過程中的瞬時金屬支除量的大小直接有關(guān)，金屬去除量大，磨屑數(shù)多，火花密集，則火花流溫度高，信號強；反之，則火花流溫度低，信號弱

109、，磨削火花信號的這些特點為砂輪磨損的在線監(jiān)視提供了可能性。</p><p>　　由磨削原理可知，由于砂輪表面磨粒分布和磨粒形狀的隨機性以及砂輪的自礪性等原因，砂輪磨損過程比其它刀具的磨損過程要復雜得多。目前，在生產(chǎn)條件下直接監(jiān)測砂輪磨損是困難的，只能通過砂輪磨損產(chǎn)生的二次信息來確定砂輪是否急劇磨損，如工件表面產(chǎn)生顫振痕跡、磨削聲劇變、磨削燒傷發(fā)生、磨削力劇增或劇減、加工表面粗糙度惡化和加工精度降低等，以上現(xiàn)象不是

110、各自獨立產(chǎn)生，而是相互關(guān)聯(lián)的。在外圓磨削時，主要有兩種砂輪急劇磨損類型：因發(fā)生燒傷而使砂輪不能繼續(xù)使用和因發(fā)生顫振而使砂輪不能繼續(xù)使用，其各自對應的耐用度即磨削燒傷型砂輪耐用度和顫振型砂輪耐用度。</p><p>　　磨削燒傷與砂輪、工件接觸區(qū)溫度直接有關(guān)，當接觸區(qū)溫度達到某一定值時就會發(fā)生磨削燒傷。因此，利用磨削火花流溫度的變化規(guī)律與磨削區(qū)溫度變化規(guī)律的相似性，就可以通過火花溫度來反映磨削區(qū)溫度的變化，從而確定

111、磨削燒傷型砂輪耐用度。</p><p>　　磨削顫振一般認為是屬于再生型顫振，由于再生效應，使得磨削過程中的動態(tài)磨削力不斷增大，導致磨削顫振不斷增大。在砂輪速度、工件速度、名義磨削深度和磨削寬度都已定的具體磨削過程中，動態(tài)磨削力的變化主要是由瞬時磨削厚度的變化所決定的；而瞬時磨削厚度的變化又決定了瞬時金屬去除量的變化，從而決定了火花溫度的變化。因此，磨削火花流溫度的變化能夠反映出磨削顫振的變化，從而確定顫振型砂輪