搜索
中国测试CHINAMEASUREMENT&TESTVol.42No.3March，2016第42卷第3期2016年3月基于小波包和PSO优化神经网络的刀具状态监测唐亮袁傅攀袁李敏（西南交通大学机械工程学院，四川成都610031）摘要院为改进BP神经网络进行刀具磨损状态识别时训练时间较长尧收敛速度较慢尧测试精度不够高尧甚至完全不能训练等问题袁引入一种全局搜索能力强袁收敛速度快的算法要要要粒子群优化算法渊PSO冤袁用其来优化BP神经网络参数袁改进网络的训练和识别性能遥实验证明院经粒子群算法优化后的BP神经网络较原网络有更快的训练迭代收敛速度和更高的测试准确度袁达到优化的目标袁对实现数控刀具磨损状态的智能化在线监测具有重要意义遥关键词院BP神经网络；磨损状态识别；PSO；优化文献标志码院A文章编号院1674-5124渊2016冤03-0094-05StudyonmonitoringofcuttingtoolconditionswithoptimizedBPneuralnetworksbasedonwaveletpacketsandPSOalgorithmTANGLiang，FUPan，LIMin（SchoolofMechanicalEngineering，SouthwestJiaoTongUniversity，Chengdu610031，China）Abstract:Analgorithm-particleswarmoptimization（PSO）whichhasstrongerglobalsearchingcapabilityandfasterconvergencespeedwasproposed.ItwasusedtooptimizetheparametersandimprovethetrainingandrecognitionperformanceofBPneuralnetworks.Experimentsshowthatthetraining，iterationandconvergencespeedsofBPneuralnetworksoptimizedbyPSOaremuchshorterandtheirtestingaccuracyismuchhighercomparedwithoriginalones.ThisissignificantinrealizingintelligentonlinemonitoringofthewearconditionsofNCcuttingtools.Keywords:BPneuralnetwork；wearconditionrecognition；PSO；optimize收稿日期院2015-06-07曰收到修改稿日期院2015-08-10基金项目院中央高校基本科研业务费专项资金渊SWJTU12CX039冤作者简介院唐亮渊1988原冤袁男袁四川达州市人袁硕士研究生袁专业方向为智能化状态监测与故障诊断遥doi院10.11857/j.issn.1674-5124.2016.03.0220引言数控刀具是现代数字化制造技术的一个有机组成部分袁刀具状态直接影响加工产品的质量和加工系统运行的可靠性和稳定性遥因此袁在数控机床自动化加工过程中袁实时有效地监测和诊断刀具运行状态袁对延长机床设备正常运行时间袁提高产品质量至关重要袁刀具状态监测技术在现代化数控机床上的应用具有重要意义[1]遥国内外学者很早就开展了刀具磨损状态监测研究袁日本牧野公司通过对主轴负载电流进行监控以及美国麻省理工学院通过对刀具原子能放射性监测的方法都实现了刀具磨损情况的实时监测遥20世纪80年代初期袁日本和德国等国为数控机床配置控制系统袁设置带传感器的刀具磨损监测系统袁可以检测出刀具的损伤情况并及时发出信息遥80年代后期袁美国率先采用多传感器参数融合技术进行车刀磨损监视系统的研究袁通过神经网络进行信号并行输入和磨损识别遥美国学者Dirmela[2]将测量所得的切削力信号和振动信号进行融合袁用比较分析法可以得到准确的结果遥BenhardSeck等[3]利用多传感器第42卷第3期信息融合技术对刀具的磨损状态进行有效监测遥国内学者也进行了相关的研究袁清华大学开发了声发射和切削振动信号融合识别的TM-9000型刀具磨/破损监控仪曰刘志艳[4]开发了声发射和电机电流参数融合的刀具破损监控系统曰高琛[5]构建了以神经网络为识别网络袁以小波分析提取刀具磨损状态特征参数为输入的刀具磨损监测系统曰陈益林等[6]使用HMM进行信号分析以及张大吉提出的双谱与分形技术等都用于刀具监测系统的建立遥BP神经网络因其实用性和可靠性袁在国内外的刀具实时监测系统构建中发挥了重要的作用袁目前仍有广泛的应用遥本论文针对传统BP神经网络在进行刀具磨损状态数据训练以及磨损状态识别时存在的训练时间长尧收敛速度慢尧难以完成训练尧识别准确度不够高等缺点袁提出了基于小波包和粒子群优化BP神经网络的刀具磨损状态的识别方法袁有效提高网络训练速度和识别准确度遥1实验设备及系统构成本实验选用CK6143/1000数控车床作为测试平台袁根据车床结构设计了相应的测力仪和振动传感器安装平台遥分别选用了Kistler9257B测力仪和8702B50M1振动传感器来检测车床车削时的力信号和振动信号遥他们的安装位置如图1所示遥信号的采样频率设为100kHz袁采样长度设为20kHz遥通过数据采集卡A/D转换袁将采集的力信号与振动信号保存到计算机遥使用Matlab软件编写数据处理程序获得刀具在不同磨损状态下的时频域特征参数遥通过BP神经网络来训练和测试不同刀具磨损状态下的特征向量袁达到准确监测刀具的磨损状况的目的遥2特征向量的提取针对切削力信号袁其信号频谱图上幅值会随着刀具磨损的增加而增大袁因此利用小波分析方法在频谱分析的优势袁通过小波分解及小波包来提取不同刀具状态下的不同频谱段的能量特征向量[7]遥小波变换的基本思想是将采集的信号分为高尧低频两个部分袁再分别将高尧低频分解为低频和高频两个部分袁直到达到要求的层数遥通过逐层细分提高细节信号和逼近信号的频率分辨率袁避免了信号分解和重构时可能出现的冗余和泄漏遥小波分解的示意图如图2所示遥虽然从理论上讲小波分析对信号的分解可以进行无限次袁但是实际使用时只需要依据信号的实际特性来选择合适的分解层数即可遥通过试验袁对采集的切屑力信号进行六层分解与重构后袁此时的重构信号与原始信号的误差达到了设定的要求袁所以即采用六层小波分解遥虽然经过六层分解可以得到64个不同频段的能量袁但信号能量主要集中于前16个频段袁同时选取这16个频段能量中不同刀具状态下重复性和差异性较好的组别作为特征信号渊见图3冤袁然后对不同刀具状态分别进行分解与能量计算可以得到各自的特征向量遥与此同时袁通过时域分析方法袁提取振动信号的峰值因子尧裕度因子尧方差尧脉冲因子尧均值尧峰值尧均方根和波形因子作为时域特征向量袁将得到的时域和小波包能量特征向量合并袁并做归一化处理袁为其作为神经网络输入做好准备遥特征参数如表1所示遥3基于粒子群优化的神经网络故障诊断模型3.1BP神经网络的不足BP神经网络是由Rumelhart和McClelland等提出的基于BP算法的前馈神经网络模型袁其基本结构如图4所示遥由图可知袁三层BP神经网络模型由输入层尧隐层和输出层构成遥其学习过程为院信息由输入层输入网络袁通过中间隐层的加权处理后向输出层传播袁输出的结果与目标输出对比袁若存在误差袁则沿原路刀具刀架测力仪图1刀具状态监测实验台渊3袁7冤渊3袁6冤渊3袁5冤渊3袁4冤渊3袁3冤渊3袁2冤渊3袁1冤渊3袁0冤渊2袁0冤渊2袁1冤渊2袁2冤渊2袁3冤渊1袁1冤S=渊0袁0冤渊1袁0冤图2三层小波包分解示意图唐亮等院基于小波包和PSO优化神经网络的刀具状态监测95中国测试2016年3月线反向传播袁调节其连接权值使误差减小遥BP神经网络的收敛过程存在着两个很大的缺陷院1冤收敛速度慢曰2冤存在野局部极小点冶问题遥例如袁当反复学习进行到一定次数后袁虽然网络的实际输出与希望输出还存在很大的误差袁但无论再如何学习下去袁网络的全局误差的减少速度都变得很缓慢袁或则根本不再变化袁这种现象是因网络收敛与局部极小点所致遥原因在于袁BP网络的全局误差函数E是一个以S型函数为自变量的非线性函数遥这就意味着由E构成的连接权空间不正有一个极小点的曲面袁而是存在多个局部极小点的超曲面袁如图5所示遥左左左左WTY1Y2YjX1X2X3Xj-1Xj输入层隐层输出层图4神经网络结构图ABE误差函数局部极小点全局最小点局部极小点图5多个极小点的连接权空间刀具磨损状态样本分组神经网络输入特征参数1耀16新刀训练样本0.258噎0.12990.115710.69480.76950.739810.515测试样本0.91190.73470.6578轻度磨损训练样本0.28560.72670.57680.02560.76560.63340.53490.33880.4171测试样本0.3610.48850.561中度磨损训练样本0.21490.88010.74930.25610.45370.7410.46350.21130测试样本0.00730.7260.5496严重磨损训练样本0.1560.18190.0360.67970.8430.9574000.022测试样本0.33890.87461表1不同刀具磨损状态特征参数图3小波包分解不同刀具状态的能量直方图渊a冤新刀024681012141610203040506070频段渊b冤轻度磨损024681012141610203040506070频段渊c冤中度磨损024681012141610203040506070频段渊d冤严重磨损024681012141610203040506070频段96第42卷第3期导致这一缺陷的主要原因是采用了按误差函数梯度下降的方法进行校正遥如图中袁若初始条件是从A点的位置开始则只能达到局部极小点袁但如果从B点开始则可到达全局最小点遥这些问题导致BP神经网络在进行复杂问题求解时袁容易陷入局部极小值袁导致网络训练时间长尧收敛速度慢甚至不能训练等问题遥3.2粒子群优化算法优化BP神经网络针对BP神经网络易于陷入局部最小点袁收敛速度慢的缺点袁本文引入了粒子群优化算法[8-9]遥该算法是一种基于种群的优化算法袁源于鸟群群体觅食运动行为研究结果的启发遥粒子群中的个体被称为粒子袁每一个粒子的位置就代表在D维搜索空间内优化问题的潜在解袁所有的粒子就构成了种群遥算法的原理是采用野种群冶和野进化冶的概念遥引入野种群冶概念是为了避免神经网络初始条件陷入局部极小值遥将神经网络初始化时的网络连接权值和阈值视为一个为m维向量袁m为神经网络连接权值和阈值个数总和遥在权值和阈值的取值范围内随机产生N个这样的m维向量袁就构成了粒子群的初始种群遥根据随机数的产生机制袁在粒子足够多的情况下袁就能顺利找到全局极小值遥粒子群优化算法的进化方式数学描述如下院设这N个粒子组成的群体中袁第i个粒子表示为1个m维的向量xi渊i=1袁2袁噎袁N冤袁第i个粒子的飞行速度也是1个m维的向量袁记为淄i渊i=1袁2袁噎袁N冤袁pi渊i=1袁2袁噎袁N冤为第i个粒子迄今为止搜索到的最优位置袁再设f渊x冤为最小化的目标函数袁粒子群优化算法可表示为淄i渊k+1冤=w淄i渊k冤+c1r1渊pi渊k冤-xi渊k冤冤+c2r2渊pg渊k冤-xi渊k冤冤渊1冤xi渊k+1冤=xi渊k冤+淄i渊k+1冤渊2冤式中院棕要要要惯性因子曰c1尧c2要要要加速系数曰r1尧r2要要要介于[0袁1]之间的相互独立的随机函数曰k要要要迭代次数遥式渊1冤尧式渊2冤表示为优化算法中各个粒子在每次迭代过程中速度与位置的更新公式袁其中院pi渊k+1冤=pi渊k冤袁f渊xi渊k+1冤冤跃f渊pi渊k冤冤xi渊k+1冤袁f渊xi渊k+1冤冤臆f渊pi渊k冤冤嗓渊3冤pg渊k冤为整个粒子群迄今为止搜索到的最优位置袁即院pg渊k冤沂{p1渊k冤袁p2渊k冤袁噎袁pN渊k冤渣f渊pg渊k冤冤=min{f