砂轮磨损的智能监测的研究.docx

砂轮磨损的智能监测的研究.docx

《砂轮磨损的智能监测的研究.docx》由会员分享，可在线阅读，更多相关《砂轮磨损的智能监测的研究.docx（60页珍藏版）》请在冰豆网上搜索。

砂轮磨损的智能监测的研究

摘要

本文研究了自动化加工过程中对砂轮磨损状态进行智能识别的一种新方法，即在磨削过程中利用多路传感器获取多路信号，输入计算机提取特征向量，利用自适应共振神经网络--ART2建立的模型对数据进行融合并对砂轮状态进行智能识别。

文中介绍了ART2网络的特点、工作原理和对通过多路传感器所获得的实验数据进行融合的方法及数据处理的步骤，并给出了具体的实现过程；同时对ART2网络结构作了讨论，为了保证网络在应用中的稳定性，给出了一种新型的网络结构和算法。

研究结果表明，应用改进后的ART网络对砂轮磨损状态进行智能监测是可行的，该网络具有较强的信号模式识别能力，实验中识别率可以达到92%以上。

关键词：

ART2神经网络砂轮磨损状态识别人工智能

多传感器数据融合

Abstract

Inthispaper,anewmethodisintroducedtostudytheartificialintelligentrecognitionofthegrindingwheel’sstateinautomaticmanufacturingprocess,i.e.inputthemulti-signaldatawhichgotbythemulti-sensorsintocomputerandabstractthespecialfeatures,meanwhilefusethedata,recognizeintelligentlybyerectingART2modelandthengivethegrindingwheel’sstate.Thecharacter,mechanismofART2andthemethodoffusingdatagotbymulti-sensorsareanalyzed,atthesametimethestepofachievingthesystemisalsogot.BecauseoftheborndefaultofART2network,anotherstructureisraisedtoovercomeitbyusingnewalgorithmandframe.Theresultofthispaperindicatedthattheartificialintelligentrecognitiontothegrindingwheel’sstateviatheART2neuralnetworkisworkable,thisnetworkhasastrongerabilitytorecognizethesignals,andtheprobabilityisupto92%.

Keywords:

ART2NeuralNetworkGrindingWheelBluntingStateIdentification

AIMulti-sensorDataFusion

目录

0引言…………………………………………………………………………1

1砂轮磨损状态的智能监测的系统研究及方法………………………………………3

1.1多传感器信息融合方法…………………………………………………………3

1.2信号处理与特征提取……………………………………………………………4

1.3实现多传感器信号融合与识别决策—人工神经网络………………………………6

2ART-2神经网络的结构及数学推导…………………………………………………8

2.1ART-2神经网络的特点…………………………………………………………8

2.2ART-2神经网络的结构及综合评价……………………………………………9

3ART-2神经网络的软件实现……………………………………………………15

3.1实现过程…………………………………………………………………………15

3.2ART-2算法………………………………………………………………………18

3.3程序编制…………………………………………………………………………20

3.4调试过程…………………………………………………………………………20

3.5结果分析…………………………………………………………………………20

3.6程序性能说明……………………………………………………………………21

3.7交互界面应用程序………………………………………………………………21

4实验系统及数据分析……………………………………………………………24

4.1实验系统及方法…………………………………………………………………24

4.2磨削火花信号分析及特征提取…………………………………………………25

4.2.1火花信号机理……………………………………………………………………25

4.2.2信号分析特征提取………………………………………………………………26

4.2.3时域分析…………………………………………………………………………27

4.3磨削声音信号分析及特征提取…………………………………………………27

4.4顶尖法向振动信号分析及特征提取……………………………………………28

5监测系统模型及试验……………………………………………………………29

5.1监测系统模型……………………………………………………………………29

5.2样本识别结果……………………………………………………………………30

6结论………………………………………………………………………………31

致谢……………………………………………………………………………………32

参考文献………………………………………………………………………………33

附件清单………………………………………………………………………………35

1

引言

磨削加工工件的加工精度和表面质量直接影响到零件的最终质量和机器的寿命。

在磨削加工过程中，砂轮的磨耗和钝化对磨削质量具有直接的重要影响。

因此，在生产过程中识别砂轮的磨损，合理确定砂轮的耐用度，对保证加工质量、提高生产率、减小不必要的砂轮消耗等具有重要的意义。

以往识别砂轮磨损主要是靠操作者的经验来判断，这已成为磨削过程自动化的一个主要障碍。

目前，人们提出了各种自动识别砂轮磨损的方法，如在线监测磨削力、磨削颤振、磨削声、工件表面粗糙和声发射等，并仍致力于寻找简单实用、准确可靠、响应速度快的砂轮磨损识别方法。

其中很明显磨削过程中的砂轮磨钝是磨削过程状态发生变化的综合表征之一，它对零件的最终质量影响很大。

生产中一般采用定时修整砂轮的方法来保证工件表面质量，但降低了砂轮使用寿命和生产效率，因此对砂轮磨钝的在线智能识别一直是工程领域的重要研究课题。

要实现加工过程的自动化、柔性化，在很大程度上取决于系统识别加工过程的异常情况和及时校正作用，在无操作人员的情况下，必须用传感器、识别决策系统来替代操作人员的功能。

人们一直在期待用智能传感器系统来替代操作人员的知识、经验、感官和模式识别能力。

识别加工过程异常情况中的重要内容——砂轮状态的实时监测，砂轮状态的信息是通过传感器来获取的。

单一传感器所获取的信息量有限，事实证明不能满足高精度状态监测的要求。

砂轮状态监测的信息采集正向多传感器化方向发展。

80年代初期，一些人所提出的方法都因训练程序费时，对过程状态敏感，很难适用于实时过程监测。

Rangwala和Dornfeld利用神经网络集成声发射传感器和力传感器信息，以监测车削过程的后刀面磨损，成为智能刀具状态监测系统的雏形。

随着人工智能的发展，越来越多的研究人员开始将眼光转向用神经网络来处理多传感器融合所采集的信号，并取得了比较大的进展。

国内学者在基于人工神经网络的智能砂轮状态监测系统研究方面取得了一系列成果。

参考文献[7]利用声发射（AE）信号的归原处理法，在线监测小批量、多品种磨削过程砂轮钝化程度，实验结果表明，该方法获得的结果与砂轮钝化有很好的一致性。

参考文献[8]用磨屑热辐射流温度信号作为信号源,运用BP神经网络对磨削烧伤状态的智能辨识进行探讨。

结果表明，利用BP网络的高度非线性映射表达能力，实现了样本特征值空间到模式空间的映射，对训练样本及测试样本进行了正确识别，在实际工况下对磨削烧伤的识别正确率也较高。

参考文献[9]研究了基于粗糙集理论的在线辨识磨削烧伤和砂轮磨钝的新方法,以测取信号、计算敏感特征量、构造辨识砂轮磨损和磨削烧伤的知识表示系统、连续属性离散、分类模式的合并、属性约简、知识提取的顺序对获取的信息进行处理,提取判别规则,进而通过判别规则来辨识磨削烧伤和砂轮磨钝。

辨识结果与实验数据相符。

理论和实验表明,采用粗糙集理论来解决多品种、小批量生产方式中的分类辨识非常有用。

参考文献[10]讨论利用外圆切入磨削循环过程中，初磨阶段持续的时间和工件每转实际磨削变化规律与砂轮锋利度密切相关这一特性，通过建立自适应共振网络—ART2模型对磨削过程工件实际每转磨削深度变化规律的信息进行分类处理，实砚磨削过程砂轮锋利度的在线识别。

对实际磨削过程中多种工艺参数变化的情况下砂轮锋利度进行在线识别，证实对复杂的磨削过程，可以有效地识别出砂轮的锋利度。

参考文献[12]针对磨削温度的变化特征及其不同的影响因素,对人工神经网络预报模型及灰色理论ＧＭ（1,1）预报模型应用于磨削温度在线监测与预报中的优缺点进行了分析,提出了一种新的ＡＮＮＧＭ（1,1）综合预报模型,对该模型进行了理论分析和工艺实验研究。

虽然国内外对智能状态监测系统进行了大量研究，但是对其理论和应用还处于初期，随着以灵捷制造战略为核心的先进制造技术的研究与开发，刀具实时磨／破损监控技术已成为实现灵捷制造的关键技术之一。

对未来砂轮状态监控技术主要要求如下：

（1）降低响应时间；

（2）最大运用可靠性；（3）具有广泛集成能力；（4）强鲁棒性；（5）低成本性；（6）翻新改型简化；（7）用户操作方便；（8）体积小；（9）安装容易；（10）最少维修保养。

就目前的研究看还存在如下的不足：

（1）所用传感器远远不能满足对信息高质量的要求。

应根据多传感器信息融合的要求，改进传感器使之更加可靠、灵巧、坚固。

现有传感器在机床上安装问题也待解决、急需研制、开发能提供高质量信息，又使用方便的新型传感器。

（2）研究原始信号处理方法，净化原始信号，实现高信噪比、高质量信息。

（3）砂轮磨损和破损是切削参数的函数，如切削速度、进给、刀具工件材料、刀具的几何形状、切削时间，所有这些参数可否在神经网络输入中进行考虑。

（4）“对神经网络模型选择、层和节点数的选择，训练策略的研制还需要做很多基本工作。

本论文提出了利用多路传感器信号在线识别砂轮磨损状态的新方法，对其可行性进行了理论分析和试验研究，通过红外感器获得的磨削火花信号，由电容传感器茯得的磨削声音信号和压电式加速度计拾取的工件的尾顶尖法向振动信号，由A／D转换器转换后输入计算机提取特征向量利用ART－2人工神经网络对多路信号进行智能识别。

同时在对ART－2模型分析、研究的基础上，将ART－2模型应用于砂轮磨削状态诊断系统中，对ART－2模型在知识处理系统中的应用进行有益的探索。

1砂轮磨损状态的智能监测的系统研究及方法

1.1多传感器信息融合方法

从操作人员综合运用视觉、听觉、嗅觉器官的联合作用，成功识别刀具状态的例子得到启发，为使智能系统成功工作，必须使用多传感器信息。

利用多传感器信息可以给监测系统提供更高准确性、可靠性，可以扩宽监测系统有效范围，可以提供丰富信息来源。

经过集成与融合的多传感器信息能完善地、精确地反映切削过程特征，而单一传感器只能获得切削过程特征的部分信息。

经过集成与融合的多传感器信息具有以下4个方面特点：

（1）信息的冗余性；

（2）信息的互补性；（3）信息的实时性；（4）信息的低成本性。

用于多传感器信息集成的方法有许多，其个最简单的方法是让每个传感器的信息单独输入到系统控制器中。

如果每个传感器所提供的信息反映的是环境中完全不同的方面，那么这种方法最适合。

该方法的主要优点是增大了所传感的环境范围。

如果传感器所能够传感到的环境内容出现重叠，以及可能出现信息的冗余、矛盾与相关，甚至出现其中的某个传感器影响其它传感器的工作，则来自不同传感器的信息就必须在多种表达层次上实现融合，在这种情况下，传感器融合能使系统获得更高质量的信息，这是任何单独工作的单个传感器所无法直接得到的。

在许多多传感器的数据系统中，处理输入信息的数量和速率已超过操作人员的能力。

此外，数据的复杂性（如多维测量）和测量中的模糊性也都超出了人们对数据的关联和分类能力。

这就要求各单独的融合处理方法全部或部分地实现自动化，以从大量的原始信息中获得精确的、易于理解的信息。

就自动系统的应用来说，自动信息融合可以使人类从重复的劳动中解脱出来。

因此，模拟人的融合处理方法，以提高处理速度、容量或改善处理精度是研究多传感器信息融合的重要原因。

多传感器集成与融合技术实际上是一种多源信息的综合技术，通过对来自不同传感器（信息源）的数据信息进行分析和综合，可以获得被测对象及其性质的最佳一致估计。

多传感器融合（Multi-sensorfusion）是指在多传感器集成过程中，将传感器的信息合并成统一的综合信息的任何一个具体阶段。

它强调的是数据的转换和合并的具体方法与步骤。

图1-1所示的组网结构为多传感器集成与信息融合的一般模式。

信息融合在图中的各节点上进行，而整个结构是一个多传感器集成的实例。

图1--1多传感器融合的一般模式

从图1--1中可以看到，几个传感器组合成一体为整个系统提供信息。

前两个传感器的输出xl和x2在左下边的节点小进行融合后形成新的信息，用x1，2表示，第三个传感器的输出x3又在下一个节点与x1，2融合，结果表示为x1，2，3，依此类推。

系统所有传感器的输出以类似的方式融合成一个结构。

从系统方框到每一节点的虚线，表示信息融合过程中有可能与系统进行信息交互。

大多数多传感器集成结构的共同之处在于当信息向上移动时，信息的表示形式由低级向高级变换，即在结构的最低一级，原始数据进人传感器，并转换为信号信息。

经过一系列信息融合之后，信号逐渐变为更加抽象的数字或者符号。

多种传感器信息融合与决策方法，在制造过程监控中最有效的是利用人工神经网络。

有人在智能刀具状态监测系统中使用了声发射信息与切削力两种信息，它们对刀具磨损有不同的影响：

声发射主要对于切削区的摩擦与塑性变形等微观活动极为敏感，而切削力功率谱主要对于由后刀面磨损引起的刀具工件振动宏观影响敏感。

这就有助于提供较高质量的信号特征给模式分类器―—人工神经网络，使得对刀具磨损的识别决策具有更高的可靠性，参考文献[14]中在智能刀具状态监测系统中用声发射、切削力、主电机电流等多传感器信息；参与文献[13]中使用了声发射、切削力的3个分力、刀尖温度等多传感器信息。

基于研究对象的相似性以及原理的一致性，本论文的用的多传感器信息融合的智能砂轮状态监测系统的基本结构框图，见图1-2

1.2信号处理与特征提取

由于来自传感器的原始信号呈随机性、低信噪比，必须进行预处理才能用于特征提取。

实践证明信号的高信噪比、高质量非常重要。

因为神经网络输入特征中混有噪声将引起神经网络的学习能力下降，结果影响系统性能下降，参考文献[14]提出两种信号处理方法。

方法一：

应用多回归时间序列模型。

参考文献[14]报道，声发射信号标量自回归系数，在车削加工状态范围内对刀具磨损具有很好的灵敏度，这样自回归系数矩阵被作为表征刀具状态的参数。

方法二：

应用传感器信号的功率谱分析。

声发射和切削力信号的某些频率成分的功率谱密度对刀具磨损显示出灵敏度，所以这些频率分量可以用作为刀具磨损检测的特征信号。

由于使用高维输入向量给神经网络，要求大量的训练样本和一个过大的神经网络，而这样做未必能改善系统的性能，所以高维输入不切实际，因此仅使用那些对刀具磨损显示足够的灵敏度和那些对切削参数和环境噪声不敏感的输入量给神经网络。

图1-2智能砂轮状态监测系统基本结构框图

1.3实现多传感器信号融合与识别决策――人工神经网络

为了利用人的智慧来处理突发事件，使的机械加工过程能够智能化，柔性化，于是利用人类智力活动的机器模拟是人类长期梦寐以求的理想，历来沿着两条大体并行的道路向前发展。

一条道路是进行宏观的心理模拟，它从人的思维活动和智能行为的心理学特性出发，利用计算机系统来对人脑智能进行宏观的功能模拟，这种方法称为符号处理方法。

另一条道路是进行微观的生理模拟，即更注重机理性的研究，用仿生学的观点探索人脑的生理结构，把对人脑的微观结构及其智能的研究结合起来，这就是人工神经网络的研究方法。

人工神经网络具有大规模并行、分布式存储和处理、自组织、自适应和自学习能力，特别适用于处理需要同时考虑许多因素和条件的、不精确和模糊的信息处理问题，这些正克服了符号处理方法的某些弱点。

利用神经网络的学习功能、规模并行分布式存储与处理功能以及神经网络的集团运算能力，可实现知识获取的自动化，并能克服在符号处理中所遇到的而又难以解决的“知识获取瓶颈”、“组合爆炸”、“推理复杂性”及“无穷递归”等困难，实现并行联想搜索解空间和完成自适应推理，提高智能系统的智能水平。

作为一个智能刀具状态监测系统应能在无人参与下，实现对切削过程不正常状态（刀具的磨损、破损）的自动识别。

要实现这个目标监测系统应具有如下特征：

（1）快速处理来自多个传感器的信息；

（2）能利用样本数据进行学习；（3）能形成综合决策范围；（4）对于外界环境变化（加工状态变化）能迅速进行自适应变化。

要实现这些要求，人们自然想起使用人工神经网络，就用在砂轮磨损状态监测系统中而言，其最具吸引力的特点为：

（1）可以通过对网络训练与学习，自动实现传感器信号和刀具状态之间功能映射。

（2）能够判断处理，由于参数变化和噪声影响而畸变失真传感器信号。

（3）能够对砂轮状态实现直接的判断，使生产能够稳定、长期、高效、快速的进行。

（一）有监督（导师）学习的神经网络方法

Rangwala利用神经网络提出一个用于车削过程的刀具状态自动识别的集成传感器系统，利用多传感器系统收集车削期间声发射和切削力的信息。

将声发射信号和切削力信号数字化。

声发射信号采样率为5MHz，记录范围为1024；切削力信号采样率为1kHz，记录范围512点；利用快速傅里叶变换对它们进行处理，使用一个特征选取技术获得4个声发射信号测量值，2个切削力信号测量值，组成具有6个分量的特征向量，每一套输入模式利用相应的切削速度、切削进给将输入模式扩大为8个分量作为该神经网络的输入模式，以便在变过程条件下也能进行刀具磨损的自动监测。

相应于后刀面磨损量测量值为（0－0.25）作为新锐刀具类，而后刀面磨损量测量值为（0.5－0.75）作为已磨损刀具类。

使用30组样件（按新锐刀具、磨损刀具等分）训练一个8－3－1BP神经网络，对已训练过神经网络利用93组模式测试集，进行测试获得95％的识别成功率。

然而，Rangwala是基于有监督学习的神经网络方法，具有下面缺点：

（1）缺乏柔性，该系统在识别刀具状态和响应环境变化方面均缺乏柔性；

（2）它需要一个全部标定训练集，这样它需要大量时间和昂贵的费用；（3）会遇到局部极小问题、算法收敛速度慢、隐节点的选用问题。

（二）、无监督（导师）学习的神经网络方法

为了克服有监督学习神经网络用在刀具状态监测方面的缺点，Burke提出利用无监督学习神经网络方法用于刀具状态监测。

这是一种具有自组织、自适应性，更富有柔性的方法，与有监督学习的BP神经网络方法比较具有下列优越性：

（1）无监督学习的自适应共振网络能达到95％的识别成功率。

（2）该系统在训练完毕后仍能保持仅值的可塑性。

（3）自适应共振网络使用部分标定的样本训练集，它和使用全部标定样本训练集可产生同样效果，可大大减小数据分析的成本，而又不至于降低其识别成功率。

（4）很大一部分无监督学习系统，甚至仅利用新锐刀具的数据用于样本训练集。

（5）由于无标定数据可以廉价获取，即使要求一个较大的训练集也是能办得到的。

（6）自适应共振网络基本上可以是一个柔性在线识别决策系统。

从以上分析看，为了实现实用而又可靠的在线刀具状态监测系统，对所用神经网络提出两点要求：

（1）最大限度利用丰富的“无监督”传感器数据，以降低数据成本；

（2）学习分析和适应使用离线特征选择而带来的严重局限性。

本论文提出了利用多路传感器信号在线识别砂轮磨损状态的新方法，对其可行性进行了理论分析和试验研究，通过红外感器获得的磨削火花信号，由电容传感器茯得的磨削声音信号和压电式加速度计拾取的工件的尾顶尖法向振动信号，由A／D转换器转换后输入计算机提取特征向量利用ART－2人工神经网络对多路信号进行智能识别。

同时在对ART－2模型分析、研究的基础上，将ART－2模型应用于砂轮磨削状态诊断系统中，对ART－2模型在知识处理系统中的应用进行有益的探索。

2ART-2神经网络的结构及数学推导

2.1ART-2神经网络的特点

ART－2神经网络模型是针对任意模拟信号设计的神经网络，它模仿了人脑神经系统工作的许多特点，如层次性、双向性、注意力集中和转移、3R功能等等，是一种很有发展潜力的网络模型。

ART理论的出发点是从心理学、生物化学和神经生理学不同角度充分借鉴人脑的工作特点,它学习人脑神经系统的主要特点有:

1．人脑的自主学习方式

人脑可以在一个复杂的、非平稳的、有干扰的环境中意识学习目标并且获得大量的知识，通常这种学习是自学,而且是半工半读方式的，即不能把学习过程和使用学习的知识解决问题这两方面截然分开。

2．人脑的自组织特点

人脑的工作方式及信息存储和检索方式（即记忆和记忆提取方式）具有明显的自组织的特点,人在与环境交互作用过程中,逐渐建立起大脑的信息存储、检索、加工、传送能,其建立方式是自组织的。

3．弹性与可塑性

人脑的学习和记忆能力既有很大的刚性又有很大的弹性和可塑性,这就是说,人脑对所学知识可以记得十分牢固而又可以不断学习新知识,还可以忘掉一些不常用的或无关紧要的老知识。

4．集中注意力

人对外界的输入信号做出响应时既通过由底向上的渠道,又通过从上往下的渠道。

前者指人脑能够对不同的外界输入矢量正确地区分不同客体并掌握它们之间相互关系，后者涉及人的集中注意力能力，即人能够专注于某些事物或关系置其它一切于不顾。

人脑在一定环境下能估计到可能出现的情况，预期会遇到、听到或看到的各种内容。

例如,人们可以在嘈杂的背景下听取自己关心的话语；在与对方谈话时，人们会预先估计出对方会说些什么；在纷乱拥挤的场合里，人的视觉系统也能够容易地摄取最值得注意的图像信息、熟人的面孔、熟悉的或有趣的事物等等。

2.2ART-2神经网络模型的结构及数学描述

ART-2神经网络是为任意模拟输入矢量而设计的（二值矢量为一种特例）。

它具有十分宽广的应用范围。

通过警戒参数的调整,ART-2可以按任何精度对输入的模拟观察矢量进行分类。

ART-2模型的基本设计思想仍是采用竞争学习和自稳机制的原理，系统由F1和F2两个STM层及两者之间的LTM层组成F1层的设计是全系统的核心，它要同时满足各方面的要求，由此ART-2的F1层采用了一种三层结构，其中包括正反馈、规格及非线性变换。

如图2-1所示。

为了避免混淆，下面将分别称F1和F2为特征表示场及类别表示场。

需要说明的是，这一结构及