版權(quán)說(shuō)明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請(qǐng)進(jìn)行舉報(bào)或認(rèn)領(lǐng)
文檔簡(jiǎn)介
1、<p><b> 畢業(yè)論文</b></p><p> 砂輪磨損的智能監(jiān)測(cè)的研究</p><p> 鹽城工學(xué)院機(jī)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(cè)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(hào)處理與特征提取……………………………………………………………4<
3、;/p><p> 1.3實(shí)現(xiàn)多傳感器信號(hào)融合與識(shí)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(xué)推導(dǎo)…………………………………………………8</p><p> 2.1ART-2神經(jīng)網(wǎng)絡(luò)的特點(diǎn)………………………………………………………… 8</p><p> 2.2ART-2神經(jīng)網(wǎng)
4、絡(luò)的結(jié)構(gòu)及綜合評(píng)價(jià)…………………………………………… 9</p><p> 3ART-2神經(jīng)網(wǎng)絡(luò)的軟件實(shí)現(xiàn)……………………………………………………15</p><p> 3.1實(shí)現(xiàn)過(guò)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(guò)程…………………………………………………………………………20</p><p> 3.5結(jié)果分析…………………………………………………………………………20</p><p> 3.6程序性能說(shuō)明…………………………
6、…………………………………………21</p><p> 3.7交互界面應(yīng)用程序………………………………………………………………21</p><p> 4實(shí)驗(yàn)系統(tǒng)及數(shù)據(jù)分析……………………………………………………………24</p><p> 4.1實(shí)驗(yàn)系統(tǒng)及方法…………………………………………………………………24</p><p>
7、; 4.2磨削火花信號(hào)分析及特征提取…………………………………………………25</p><p> 4.2.1火花信號(hào)機(jī)理……………………………………………………………………25</p><p> 4.2.2信號(hào)分析特征提取………………………………………………………………26</p><p> 4.2.3時(shí)域分析……………………………………………………
8、……………………27</p><p> 4.3磨削聲音信號(hào)分析及特征提取…………………………………………………27</p><p> 4.4頂尖法向振動(dòng)信號(hào)分析及特征提取……………………………………………28</p><p> 5監(jiān)測(cè)系統(tǒng)模型及試驗(yàn)……………………………………………………………29</p><p> 5.1監(jiān)
9、測(cè)系統(tǒng)模型……………………………………………………………………29</p><p> 5.2樣本識(shí)別結(jié)果……………………………………………………………………30</p><p> 6結(jié)論………………………………………………………………………………31</p><p> 致謝 ……………………………………………………………………………………32</p
10、><p> 參考文獻(xiàn)………………………………………………………………………………33</p><p> 附件清單……………………………………………………………………………… 35</p><p><b> 摘 要 </b></p><p> 本文研究了自動(dòng)化加工過(guò)程中對(duì)砂輪磨損狀態(tài)進(jìn)行智能識(shí)別的一種新方法,即
11、在磨削過(guò)程中利用多路傳感器獲取多路信號(hào),輸入計(jì)算機(jī)提取特征向量,利用自適應(yīng)共振神經(jīng)網(wǎng)絡(luò)--ART2建立的模型對(duì)數(shù)據(jù)進(jìn)行融合并對(duì)砂輪狀態(tài)進(jìn)行智能識(shí)別。文中介紹了ART2網(wǎng)絡(luò)的特點(diǎn)、工作原理和對(duì)通過(guò)多路傳感器所獲得的實(shí)驗(yàn)數(shù)據(jù)進(jìn)行融合的方法及數(shù)據(jù)處理的步驟,并給出了具體的實(shí)現(xiàn)過(guò)程;同時(shí)對(duì)ART2網(wǎng)絡(luò)結(jié)構(gòu)作了討論,為了保證網(wǎng)絡(luò)在應(yīng)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(yīng)用改進(jìn)后的ART網(wǎng)絡(luò)對(duì)砂輪磨損狀態(tài)進(jìn)行智能監(jiān)測(cè)是可行的
12、,該網(wǎng)絡(luò)具有較強(qiáng)的信號(hào)模式識(shí)別能力,實(shí)驗(yàn)中識(shí)別率可以達(dá)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(shí)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(jī)器的壽命。在磨削加工過(guò)程中,砂輪的磨耗和鈍化對(duì)磨削質(zhì)量具有直接的重要影響。因此,在生產(chǎn)過(guò)程中識(shí)別砂輪的磨損,合理確定砂輪的耐用度,對(duì)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(shí)別砂輪磨損主要是靠操作者的經(jīng)驗(yàn)來(lái)判斷,這已成為磨削過(guò)程自動(dòng)化的一個(gè)主要障礙。目前,人們提
17、出了各種自動(dòng)識(shí)別砂輪磨損的方法,如在線監(jiān)測(cè)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(jiǎn)單實(shí)用、準(zhǔn)確可靠、響應(yīng)速度快的砂輪磨損識(shí)別方法。</p><p> 其中很明顯磨削過(guò)程中的砂輪磨鈍是磨削過(guò)程狀態(tài)發(fā)生變化的綜合表征之一,它對(duì)零件的最終質(zhì)量影響很大。生產(chǎn)中一般采用定時(shí)修整砂輪的方法來(lái)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(duì)砂輪磨鈍的在線智能識(shí)別一直是工程領(lǐng)域的重要研究課題。
18、要實(shí)現(xiàn)加工過(guò)程的自動(dòng)化、柔性化,在很大程度上取決于系統(tǒng)識(shí)別加工過(guò)程的異常情況和及時(shí)校正作用,在無(wú)操作人員的情況下,必須用傳感器、識(shí)別決策系統(tǒng)來(lái)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(lái)替代操作人員的知識(shí)、經(jīng)驗(yàn)、感官和模式識(shí)別能力。</p><p> 識(shí)別加工過(guò)程異常情況中的重要內(nèi)容——砂輪狀態(tài)的實(shí)時(shí)監(jiān)測(cè),砂輪狀態(tài)的信息是通過(guò)傳感器來(lái)獲取的。單一傳感器所獲取的信息量有限,事實(shí)證明不能滿足高精度狀態(tài)監(jiān)測(cè)的
19、要求。砂輪狀態(tài)監(jiān)測(cè)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(xùn)練程序費(fèi)時(shí),對(duì)過(guò)程狀態(tài)敏感,很難適用于實(shí)時(shí)過(guò)程監(jiān)測(cè)。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(cè)車削過(guò)程的后刀面磨損,成為智能刀具狀態(tài)監(jiān)測(cè)系統(tǒng)的雛形。</p><p> 隨著人工智能的發(fā)展,越來(lái)越多的研究人員開始將眼光轉(zhuǎn)向用神經(jīng)網(wǎng)絡(luò)來(lái)處理多傳感器融合所采集的信號(hào),并取得了比較大的進(jìn)展
20、。國(guó)內(nèi)學(xué)者在基于人工神經(jīng)網(wǎng)絡(luò)的智能砂輪狀態(tài)監(jiān)測(cè)系統(tǒng)研究方面取得了一系列成果。參考文獻(xiàn)[7] 利用聲發(fā)射(AE)信號(hào)的歸原處理法,在線監(jiān)測(cè)小批量、多品種磨削過(guò)程砂輪鈍化程度,實(shí)驗(yàn)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(xiàn)[8]用磨屑熱輻射流溫度信號(hào)作為信號(hào)源,運(yùn)用BP神經(jīng)網(wǎng)絡(luò)對(duì)磨削燒傷狀態(tài)的智能辨識(shí)進(jìn)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(dá)能力,實(shí)現(xiàn)了樣本特征值空間到模式空間的映射,對(duì)訓(xùn)練樣本及測(cè)試樣本進(jìn)行了正
21、確識(shí)別,在實(shí)際工況下對(duì)磨削燒傷的識(shí)別正確率也較高。參考文獻(xiàn)[9]研究了基于粗糙集理論的在線辨識(shí)磨削燒傷和砂輪磨鈍的新方法,以測(cè)取信號(hào)、計(jì)算敏感特征量、構(gòu)造辨識(shí)砂輪磨損和磨削燒傷的知識(shí)表示系統(tǒng)、連續(xù)屬性離散、分類模式的合并、屬性約簡(jiǎn)、知識(shí)提取的順序?qū)Λ@取的信息進(jìn)行處理,提取判別規(guī)則,進(jìn)而通過(guò)判別規(guī)則來(lái)辨識(shí)磨削燒傷和砂輪磨鈍。辨識(shí)結(jié)果與實(shí)驗(yàn)數(shù)據(jù)相符。理論和實(shí)驗(yàn)表明,采用粗糙集理論來(lái)解決多品種、小批量生產(chǎn)方式中的分類辨識(shí)非常有用。參考文獻(xiàn)[1
22、0] </p><p> 雖然國(guó)內(nèi)外對(duì)智能狀態(tài)監(jiān)測(cè)系統(tǒng)進(jìn)行了大量研究,但是對(duì)其理論和應(yīng)用還處于初期,隨著以靈捷制造戰(zhàn)略為核心的先進(jìn)制造技術(shù)的研究與開發(fā),刀具實(shí)時(shí)磨/破損監(jiān)控技術(shù)已成為實(shí)現(xiàn)靈捷制造的關(guān)鍵技術(shù)之一。對(duì)未來(lái)砂輪狀態(tài)監(jiān)控技術(shù)主要要求如下:(1)降低響應(yīng)時(shí)間;(2)最大運(yùn)用可靠性;(3)具有廣泛集成能力;(4)強(qiáng)魯棒性;(5)低成本性;(6)翻新改型簡(jiǎn)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(yuǎn)遠(yuǎn)不能滿足對(duì)信息高質(zhì)量的要求。應(yīng)根據(jù)多傳感器信息融合的要求,改進(jìn)傳感器使之更加可靠、靈巧、堅(jiān)固。現(xiàn)有傳感器在機(jī)床上安裝問(wèn)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(hào)處理方法,凈化原始信號(hào),實(shí)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(jìn)給、刀具工件材料、刀具的幾何形狀、切削時(shí)間,所有這些參數(shù)可否在神經(jīng)網(wǎng)絡(luò)輸入中進(jìn)行考慮。</p><p> (4)“對(duì)神經(jīng)網(wǎng)絡(luò)模型選擇、層和節(jié)點(diǎn)數(shù)的選擇,訓(xùn)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(hào)在線識(shí)別砂輪磨損狀態(tài)的新方法,對(duì)其可行性進(jìn)行了理論分析和試驗(yàn)研究,通過(guò)紅
25、外感器獲得的磨削火花信號(hào),由電容傳感器茯得的磨削聲音信號(hào)和壓電式加速度計(jì)拾取的工件的尾頂尖法向振動(dòng)信號(hào),由A/D轉(zhuǎn)換器轉(zhuǎn)換后輸入計(jì)算機(jī)提取特征向量利用ART-2人工神經(jīng)網(wǎng)絡(luò)對(duì)多路信號(hào)進(jìn)行智能識(shí)別。同時(shí)在對(duì)ART-2模型分析、研究的基礎(chǔ)上,將ART-2模型應(yīng)用于砂輪磨削狀態(tài)診斷系統(tǒng)中,對(duì)ART-2模型在知識(shí)處理系統(tǒng)中的應(yīng)用進(jìn)行有益的探索。</p><p> 1 砂輪磨損狀態(tài)的智能監(jiān)測(cè)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(yùn)用視覺(jué)、聽覺(jué)、嗅覺(jué)器官的聯(lián)合作用,成功識(shí)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(cè)系統(tǒng)提供更高準(zhǔn)確性、可靠性,可以擴(kuò)寬監(jiān)測(cè)系統(tǒng)有效范圍,可以提供豐富信息來(lái)源。經(jīng)過(guò)集成與融合的多傳感器信息能完善地、精確地反映切削過(guò)程特征,而單一傳感器只能獲得切削過(guò)程特征的部分信息
27、。經(jīng)過(guò)集成與融合的多傳感器信息具有以下4個(gè)方面特點(diǎn):(1)信息的冗余性;(2)信息的互補(bǔ)性;(3)信息的實(shí)時(shí)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(gè)最簡(jiǎn)單的方法是讓每個(gè)傳感器的信息單獨(dú)輸入到系統(tǒng)控制器中。如果每個(gè)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(diǎn)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(gè)傳感器影響其它傳感器的工作,則來(lái)自不同傳感器的信息就必須在多種表達(dá)層次上實(shí)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(dú)工作的單個(gè)傳感器所無(wú)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(guò)操作人員的能力。此外,數(shù)據(jù)的復(fù)雜性(如多維測(cè)量)和測(cè)量中的模糊性也都超出了人們對(duì)數(shù)據(jù)的關(guān)聯(lián)和分類能力。這就要
29、求各單獨(dú)的融合處理方法全部或部分地實(shí)現(xiàn)自動(dòng)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(dòng)系統(tǒng)的應(yīng)用來(lái)說(shuō),自動(dòng)信息融合可以使人類從重復(fù)的勞動(dòng)中解脫出來(lái)。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(shí)際上是一種多源信息的綜合技術(shù),通過(guò)對(duì)來(lái)自不同傳感器(信息源)的數(shù)據(jù)信息進(jìn)行分析和綜合,可以獲得被測(cè)對(duì)象及其性質(zhì)的
30、最佳一致估計(jì)。</p><p> 多傳感器融合(Multi-sensor fusion)是指在多傳感器集成過(guò)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(gè)具體階段。它強(qiáng)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(diǎn)上進(jìn)行,而整個(gè)結(jié)構(gòu)是一個(gè)多傳感器集成的實(shí)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(gè)傳感器組合成一體為整個(gè)系統(tǒng)提供信息。前兩個(gè)傳感器的輸出xl和x2在左下邊的節(jié)點(diǎn)小進(jìn)行融合后形成新的信息,用x1,2表示,第三個(gè)傳感器的輸出x 3又在下一個(gè)節(jié)點(diǎn)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(gè)結(jié)構(gòu)。從系統(tǒng)方框到每一節(jié)點(diǎn)的虛線,表示信息融合過(guò)程中有可能與系統(tǒng)進(jìn)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(dāng)信息向上移動(dòng)時(shí),信息的表示形式由低級(jí)向高級(jí)變換,即在結(jié)構(gòu)的最低一級(jí),原始數(shù)據(jù)進(jìn)人傳感器,并轉(zhuǎn)換為信號(hào)信息。經(jīng)過(guò)一系列信息融合之后,信號(hào)逐漸變?yōu)楦映橄蟮臄?shù)字或者符號(hào)。</p><p> 多種傳感器信息融合與決策方法,在制造過(guò)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(cè)系統(tǒng)中使用了聲發(fā)射信息與切削力兩種信息,它們對(duì)刀具磨損有不同的影響:聲發(fā)射主要對(duì)于切削區(qū)的摩擦與塑性變形等微觀活動(dòng)極為敏感,而切削
33、力功率譜主要對(duì)于由后刀面磨損引起的刀具工件振動(dòng)宏觀影響敏感。這就有助于提供較高質(zhì)量的信號(hào)特征給模式分類器―—人工神經(jīng)網(wǎng)絡(luò),使得對(duì)刀具磨損的識(shí)別決策具有更高的可靠性,參考文獻(xiàn)[14]中在智能刀具狀態(tài)監(jiān)測(cè)系統(tǒng)中用聲發(fā)射、切削力、主電機(jī)電流等多傳感器信息;參與文獻(xiàn)[13]中使用了聲發(fā)射、切削力的3個(gè)分力、刀尖溫度等多傳感器信息。</p><p> 基于研究對(duì)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(cè)系統(tǒng)的基本結(jié)構(gòu)框圖,見圖1-2 </p><p> 1.2信號(hào)處理與特征提取</p><p> 由于來(lái)自傳感器的原始信號(hào)呈隨機(jī)性、低信噪比,必須進(jìn)行預(yù)處理才能用于特征提取。實(shí)踐證明信號(hào)的高信噪比、高質(zhì)量非常重要。因?yàn)樯窠?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(xué)習(xí)能力下降,結(jié)果影響系統(tǒng)性能下降,參考文獻(xiàn)[14]提出兩種信號(hào)處理方法。</p><p>
35、 方法一:應(yīng)用多回歸時(shí)間序列模型。參考文獻(xiàn)[14]報(bào)道,聲發(fā)射信號(hào)標(biāo)量自回歸系數(shù),在車削加工狀態(tài)范圍內(nèi)對(duì)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(yīng)用傳感器信號(hào)的功率譜分析。聲發(fā)射和切削力信號(hào)的某些頻率成分的功率譜密度對(duì)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(cè)的特征信號(hào)。</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(xùn)練樣本和一個(gè)過(guò)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(shí)際,因此僅使用那些對(duì)刀具磨損顯示足夠的靈敏度和那些對(duì)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(cè)系統(tǒng)基本結(jié)構(gòu)框圖</p><p> 1.3實(shí)現(xiàn)多傳感器信號(hào)融合與識(shí)別決策――人工神經(jīng)網(wǎng)絡(luò)</p><p> 為了利用人的
37、智慧來(lái)處理突發(fā)事件,使的機(jī)械加工過(guò)程能夠智能化,柔性化,于是利用人類智力活動(dòng)的機(jī)器模擬是人類長(zhǎng)期夢(mèng)寐以求的理想,歷來(lái)沿著兩條大體并行的道路向前發(fā)展。一條道路是進(jìn)行宏觀的心理模擬,它從人的思維活動(dòng)和智能行為的心理學(xué)特性出發(fā),利用計(jì)算機(jī)系統(tǒng)來(lái)對(duì)人腦智能進(jìn)行宏觀的功能模擬,這種方法稱為符號(hào)處理方法。另一條道路是進(jìn)行微觀的生理模擬,即更注重機(jī)理性的研究,用仿生學(xué)的觀點(diǎn)探索人腦的生理結(jié)構(gòu),把對(duì)人腦的微觀結(jié)構(gòu)及其智能的研究結(jié)合起來(lái),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(chǔ)和處理、自組織、自適應(yīng)和自學(xué)習(xí)能力,特別適用于處理需要同時(shí)考慮許多因素和條件的、不精確和模糊的信息處理問(wèn)題,這些正克服了符號(hào)處理方法的某些弱點(diǎn)。利用神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)功能、規(guī)模并行分布式存儲(chǔ)與處理功能以及神經(jīng)網(wǎng)絡(luò)的集團(tuán)運(yùn)算能力,可實(shí)現(xiàn)知識(shí)獲取的自動(dòng)化,并能克服在符號(hào)處理中所遇到的而又難以解決的“知識(shí)獲取瓶頸”、“組合爆炸”、“推理復(fù)雜性”及“無(wú)
39、窮遞歸”等困難,實(shí)現(xiàn)并行聯(lián)想搜索解空間和完成自適應(yīng)推理,提高智能系統(tǒng)的智能水平。</p><p> 作為一個(gè)智能刀具狀態(tài)監(jiān)測(cè)系統(tǒng)應(yīng)能在無(wú)人參與下,實(shí)現(xiàn)對(duì)切削過(guò)程不正常狀態(tài)(刀具的磨損、破損)的自動(dòng)識(shí)別。要實(shí)現(xiàn)這個(gè)目標(biāo)監(jiān)測(cè)系統(tǒng)應(yīng)具有如下特征:(1)快速處理來(lái)自多個(gè)傳感器的信息;(2)能利用樣本數(shù)據(jù)進(jìn)行學(xué)習(xí);(3)能形成綜合決策范圍;(4)對(duì)于外界環(huán)境變化(加工狀態(tài)變化)能迅速進(jìn)行自適應(yīng)變化。</p>
40、<p> 要實(shí)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(cè)系統(tǒng)中而言,其最具吸引力的特點(diǎn)為:(1)可以通過(guò)對(duì)網(wǎng)絡(luò)訓(xùn)練與學(xué)習(xí),自動(dòng)實(shí)現(xiàn)傳感器信號(hào)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?hào)。(3)能夠?qū)ι拜啝顟B(tài)實(shí)現(xiàn)直接的判斷,使生產(chǎn)能夠穩(wěn)定、長(zhǎng)期、高效、快速的進(jìn)行。</p><p> ?。ㄒ唬?有監(jiān)督(導(dǎo)師)學(xué)習(xí)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(gè)用于車削過(guò)程的刀具狀態(tài)自動(dòng)識(shí)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(hào)和切削力信號(hào)數(shù)字化。聲發(fā)射信號(hào)采樣率為5MHz,記錄范圍為1024;切削力信號(hào)采樣率為1kHz,記錄范圍512點(diǎn);利用快速傅里葉變換對(duì)它們進(jìn)行處理,使用一個(gè)特征選取技術(shù)獲得4個(gè)聲發(fā)射信號(hào)測(cè)量值,2個(gè)切削力信號(hào)測(cè)量值,組成具有6個(gè)分量的特征向量,每一套輸入模式利用
42、相應(yīng)的切削速度、切削進(jìn)給將輸入模式擴(kuò)大為8個(gè)分量作為該神經(jīng)網(wǎng)絡(luò)的輸入模式,以便在變過(guò)程條件下也能進(jìn)行刀具磨損的自動(dòng)監(jiān)測(cè)。相應(yīng)于后刀面磨損量測(cè)量值為(0-0.25)作為新銳刀具類,而后刀面磨損量測(cè)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(xùn)練一個(gè)8-3-1 BP神經(jīng)網(wǎng)絡(luò),對(duì)已訓(xùn)練過(guò)神經(jīng)網(wǎng)絡(luò)利用93組模式測(cè)試集,進(jìn)行測(cè)試獲得95%的識(shí)別成功率。然而,Rangwala是基于有監(jiān)督學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)方法,
43、具有下面缺點(diǎn):(1)缺乏柔性,該系統(tǒng)在識(shí)別刀具狀態(tài)和響應(yīng)環(huán)境變化方面均缺乏柔性;(2)它需要一個(gè)全部標(biāo)定訓(xùn)練集,這樣它需要大量時(shí)間和昂貴的費(fèi)用;(3)會(huì)</p><p> (二)、無(wú)監(jiān)督(導(dǎo)師)學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)方法</p><p> 為了克服有監(jiān)督學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)用在刀具狀態(tài)監(jiān)測(cè)方面的缺點(diǎn),Burke提出利用無(wú)監(jiān)督學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)方法用于刀具狀態(tài)監(jiān)測(cè)。這是一種具有自組織、自適應(yīng)性,更富有柔性的方
44、法,與有監(jiān)督學(xué)習(xí)的BP神經(jīng)網(wǎng)絡(luò)方法比較具有下列優(yōu)越性:(1)無(wú)監(jiān)督學(xué)習(xí)的自適應(yīng)共振網(wǎng)絡(luò)能達(dá)到95%的識(shí)別成功率。(2)該系統(tǒng)在訓(xùn)練完畢后仍能保持僅值的可塑性。(3)自適應(yīng)共振網(wǎng)絡(luò)使用部分標(biāo)定的樣本訓(xùn)練集,它和使用全部標(biāo)定樣本訓(xùn)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(shí)別成功率。(4)很大一部分無(wú)監(jiān)督學(xué)習(xí)系統(tǒng),甚至僅利用新銳刀具的數(shù)據(jù)用于樣本訓(xùn)練集。(5)由于無(wú)標(biāo)定數(shù)據(jù)可以廉價(jià)獲取,即使要求一個(gè)較大的訓(xùn)練集也是能辦得
45、到的。(6)自適應(yīng)共振網(wǎng)絡(luò)基本上可以是一個(gè)柔性在線識(shí)別決策系統(tǒng)。</p><p> 從以上分析看,為了實(shí)現(xiàn)實(shí)用而又可靠的在線刀具狀態(tài)監(jiān)測(cè)系統(tǒng),對(duì)所用神經(jīng)網(wǎng)絡(luò)提出兩點(diǎn)要求:(1)最大限度利用豐富的“無(wú)監(jiān)督”傳感器數(shù)據(jù),以降低數(shù)據(jù)成本;(2)學(xué)習(xí)分析和適應(yīng)使用離線特征選擇而帶來(lái)的嚴(yán)重局限性。</p><p> 本論文提出了利用多路傳感器信號(hào)在線識(shí)別砂輪磨損狀態(tài)的新方法,對(duì)其可行性進(jìn)行了理論
46、分析和試驗(yàn)研究,通過(guò)紅外感器獲得的磨削火花信號(hào),由電容傳感器茯得的磨削聲音信號(hào)和壓電式加速度計(jì)拾取的工件的尾頂尖法向振動(dòng)信號(hào),由A/D轉(zhuǎn)換器轉(zhuǎn)換后輸入計(jì)算機(jī)提取特征向量利用ART-2人工神經(jīng)網(wǎng)絡(luò)對(duì)多路信號(hào)進(jìn)行智能識(shí)別。同時(shí)在對(duì)ART-2模型分析、研究的基礎(chǔ)上,將ART-2模型應(yīng)用于砂輪磨削狀態(tài)診斷系統(tǒng)中,對(duì)ART-2模型在知識(shí)處理系統(tǒng)中的應(yīng)用進(jìn)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(xué)
47、推導(dǎo)</p><p> 2.1 ART-2神經(jīng)網(wǎng)絡(luò)的特點(diǎn)</p><p> ART-2神經(jīng)網(wǎng)絡(luò)模型是針對(duì)任意模擬信號(hào)設(shè)計(jì)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(diǎn),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(diǎn)是從心理學(xué)、生物化學(xué)和神經(jīng)生理學(xué)不同角度充分借鑒人腦的工作特點(diǎn),它學(xué)習(xí)人腦
48、神經(jīng)系統(tǒng)的主要特點(diǎn)有:</p><p> 1.人腦的自主學(xué)習(xí)方式</p><p> 人腦可以在一個(gè)復(fù)雜的、非平穩(wěn)的、有干擾的環(huán)境中意識(shí)學(xué)習(xí)目標(biāo)并且獲得大量的知識(shí),通常這種學(xué)習(xí)是自學(xué),而且是半工半讀方式的,即不能把學(xué)習(xí)過(guò)程和使用學(xué)習(xí)的知識(shí)解決問(wèn)題這兩方面截然分開。</p><p> 2.人腦的自組織特點(diǎn)</p><p> 人腦的工作方
49、式及信息存儲(chǔ)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(diǎn),人在與環(huán)境交互作用過(guò)程中,逐漸建立起大腦的信息存儲(chǔ)、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(xué)習(xí)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(shuō),人腦對(duì)所學(xué)知識(shí)可以記得十分牢固而又可以不斷學(xué)習(xí)新知識(shí),還可以忘
50、掉一些不常用的或無(wú)關(guān)緊要的老知識(shí)。</p><p><b> 4.集中注意力</b></p><p> 人對(duì)外界的輸入信號(hào)做出響應(yīng)時(shí)既通過(guò)由底向上的渠道,又通過(guò)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(jì)到可能出現(xiàn)的情況
51、,預(yù)期會(huì)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(yǔ);在與對(duì)方談話時(shí),人們會(huì)預(yù)先估計(jì)出對(duì)方會(huì)說(shuō)些什么;在紛亂擁擠的場(chǎng)合里,人的視覺(jué)系統(tǒng)也能夠容易地?cái)z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(xué)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(jì)的(二值矢量為一種
52、特例)。它具有十分寬廣的應(yīng)用范圍。通過(guò)警戒參數(shù)的調(diào)整,ART-2可以按任何精度對(duì)輸入的模擬觀察矢量進(jìn)行分類。</p><p> ART-2模型的基本設(shè)計(jì)思想仍是采用競(jìng)爭(zhēng)學(xué)習(xí)和自穩(wěn)機(jī)制的原理,系統(tǒng)由F1和F2兩個(gè)STM層及兩者之間的LTM層組成F1層的設(shè)計(jì)是全系統(tǒng)的核心,它要同時(shí)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(chǎng)及類別表示場(chǎng)。需要說(shuō)明的是,這一結(jié)構(gòu)及其中參數(shù)的確定是通過(guò)大量的實(shí)驗(yàn)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(chǎng)第j個(gè)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(yīng)有N個(gè)處理單元。圖2-2中只畫出了第j個(gè)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(shí)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(lì),用空心箭頭表示,另一種是抑制激勵(lì),用實(shí)心箭頭表示。設(shè)神經(jīng)元的活動(dòng)電位為V(也就是它的輸出),所有興奮激勵(lì)的總和為J+,所有抑制激勵(lì)的總和為J-。那么根據(jù)神經(jīng)生理學(xué)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(yuǎn)小于1的正實(shí)數(shù),且ε遠(yuǎn)小于A,B遠(yuǎn)小于1,C遠(yuǎn)小于D且D接近于1。當(dāng)不存在任何激勵(lì)時(shí)(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(shí)間尺度范圍內(nèi),可以為V在即能達(dá)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(yuǎn)小于1,可將(3-2)簡(jiǎn)化為:</p><p><b> (2-3)</b></p><p> 其中:e表示一個(gè)遠(yuǎn)小于1的正實(shí)數(shù) 。(2-3)可用來(lái)近似計(jì)算空心圓神經(jīng)元的活動(dòng)電位。</p><p> (2)實(shí)心圓:實(shí)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(biāo)記為Pj的空心圓相連的實(shí)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(shí)心圓的輸出即等于P的模| P | ,|P|={P02+P12+…+Pn-1 2}1/2。</p><p> (3)在圖2-1中,F(xiàn)1的第一層和第二層構(gòu)成一個(gè)閉便的正反饋回路。其中標(biāo)記為Zj的神經(jīng)元接受輸入信號(hào)X
58、j , 而標(biāo)記為Vj的神經(jīng)元接受上層送來(lái)的信號(hào)bf(Sj)。這個(gè)回路還包括兩個(gè)規(guī)格化運(yùn)算和一次非線性變換。</p><p> 底層的輸入方程和規(guī)格化運(yùn)算可表示如下:</p><p><b> (2-4)</b></p><p><b> ?。?-5)</b></p><p> 其中e是一個(gè)很小
59、的正實(shí)數(shù),相對(duì)于|Z|可忽略不計(jì).中層方程和規(guī)格化運(yùn)算可表示為:</p><p><b> (2-6)</b></p><p><b> ?。?-7)</b></p><p> 其中:e可忽略不計(jì)。</p><p> (4)由底層至中層以及上層至中層之間,對(duì)傳送的信號(hào)進(jìn)行了非線性變換,在具體實(shí)
60、現(xiàn)時(shí),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(duì)小幅度信號(hào)進(jìn)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(guò)大量實(shí)驗(yàn)來(lái)確定的。</p><p> ?。?)F1的第二層和第三層構(gòu)成另一個(gè)閉合正反饋回路。在上層進(jìn)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(gè)處理單元。</p><p><b> 運(yùn)算為:</b></p><p><b> (2-10)</b></p><p> 其中e忽略不計(jì),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(xiàng)表示F2場(chǎng)對(duì)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(shuō)明。</p><p> 二、F2場(chǎng)中所完成運(yùn)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(jì)算F2場(chǎng)的輸入矢量T, , i=0,1,···,m-1</p><p> 按照競(jìng)爭(zhēng)學(xué)習(xí)機(jī)制,F(xiàn)2場(chǎng)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(dāng) 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(gè)實(shí)常數(shù), 那么</p><p> (2-12) </p><p&g
66、t;<b> 三、LTM方程</b></p><p> 當(dāng)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(gè)新的輸出端,則進(jìn)入LTM系數(shù)的學(xué)習(xí)階段。學(xué)習(xí)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(chǎng)中選出的優(yōu)勝輸出端是I,那么g(yi)=d,且g(yi)=0 i≠I時(shí)。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(duì)于參數(shù)α,它有別于一般學(xué)習(xí)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(biāo)志為rj的空心神經(jīng)元的輸出可用下式計(jì)算</p><p><b> ?。?-17)</b></p><p&
70、gt; 之所以選擇P和U來(lái)比較相似度,而不直接比較X和Wi,除了因?yàn)樵趩⒂眯露藭r(shí)前者仍保持完全一致而后者差異極大(因而前者不會(huì)引起重置而后者會(huì)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(dāng)警戒參數(shù)設(shè)置得較高時(shí),這使得一些次要特征和因素也會(huì)引起不應(yīng)有的重置。</p><p> 式(2-17)中,e遠(yuǎn)小于1,在下面的計(jì)算中可略去。實(shí)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(gè)警戒參數(shù)ρ,0<ρ<1.無(wú)需重置;反之,則需要對(duì)F2進(jìn)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> (2-19)</b></p><p> 為了確保在LTM系數(shù)的學(xué)習(xí)過(guò)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(yīng)選擇cd/(1-d)盡可能接近于1,因?yàn)?附近|R|對(duì)|U|和Wi的失配最
73、敏感。</p><p> 同時(shí),為了防止對(duì)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(píng)價(jià)</p><p> ?。?)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(gè)輸出端I(相應(yīng)于輸入矢量的i類)的由頂向下矢量Wi中某個(gè)分量之值較大,而有一次劃這一類的輸入矢
74、量X中相應(yīng)分量之值較小,那么經(jīng)過(guò)F1場(chǎng)融合,在F1場(chǎng)向F2場(chǎng)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(shí)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(huì)漸減小下去,這樣就能保持記憶的彈性。</p><p> (2)在檢索記憶內(nèi)容時(shí),多次搜索與直接檢索之間取得了折中。當(dāng)對(duì)網(wǎng)絡(luò)賦予一個(gè)未輸入過(guò)的新類別的矢量X時(shí).系統(tǒng)經(jīng)過(guò)反
75、復(fù)搜索和重置,直至開辟一個(gè)新輸出端.而對(duì)其賦一個(gè)屬于已學(xué)習(xí)過(guò)類別的矢量X時(shí),系統(tǒng)能立即直接查到的類別,無(wú)需多次反復(fù)搜索。</p><p> (3)ART-2可以進(jìn)行“快速學(xué)習(xí)”,LTM系數(shù)的調(diào)整速度雖然遠(yuǎn)低于STM的變化速度,但是在X只呈現(xiàn)一次的時(shí)間內(nèi)即可達(dá)到穩(wěn)定平衡解.ART2的這種快速學(xué)習(xí)方式使學(xué)習(xí)效率大的提高。</p><p> (4)計(jì)算在局部進(jìn)行,無(wú)需進(jìn)行全局運(yùn)算。</
76、p><p> ?。?)在F1場(chǎng)采用了獨(dú)特的具有正反饋和非線性變換的三層結(jié)構(gòu),從而實(shí)現(xiàn)了對(duì)比度增強(qiáng)(強(qiáng)化輸入矢量中的突出特征),達(dá)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(duì)于已占用的輸出端(相應(yīng)已學(xué)過(guò)的類別)微小的失配即會(huì)引發(fā)重置,而對(duì)于新啟用端使完全失配也不會(huì)重置。</p><p> ?。?)系統(tǒng)參數(shù)選擇適當(dāng)
77、就能夠保證,在LTM系數(shù)的調(diào)整過(guò)程中不會(huì)產(chǎn)生錯(cuò)誤重置以及優(yōu)勝者換位現(xiàn)象。</p><p> ?。?)系統(tǒng)的學(xué)習(xí)是一種無(wú)監(jiān)督的自組織學(xué)習(xí),而且系統(tǒng)的學(xué)習(xí)狀態(tài)和工作狀態(tài)不可能截然劃分開來(lái)。</p><p><b> 2.4 3R功能</b></p><p> 相比于BP網(wǎng),感知機(jī),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(yuǎn)遠(yuǎn)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(lái)發(fā)揮長(zhǎng)處。ART的3R功能,即識(shí)別(Recognition)、補(bǔ)充(Reinforcement)、撤銷(Recall)就是應(yīng)用系統(tǒng)中必不可少的。</p><p> 識(shí)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(bǔ)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(xué)習(xí)都受到由頂向下預(yù)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(yù)期模式可以改變或遷移系統(tǒng)的“注意力”集中點(diǎn)。系統(tǒng)對(duì)外界做出某種響應(yīng)后,這種響應(yīng)造成的結(jié)果反饋回來(lái)對(duì)系統(tǒng)形成獎(jiǎng)或懲的作用,從而使系統(tǒng)通過(guò)調(diào)整學(xué)習(xí)過(guò)程來(lái)適應(yīng)環(huán)境要求。</p><p> 撤銷功能的作用與補(bǔ)充功能相反,它是指某些不同的觀察矢量在初步分類時(shí)被劃分成不同的類別,但是通過(guò)系統(tǒng)與客體相互作用的結(jié)果,又應(yīng)判定它們
80、屬于同一類。</p><p> 圖2-2給出了一個(gè)將3R功能組合在一起的綜合自組織ART系統(tǒng).其中預(yù)處理器的作用是對(duì)輸入模式進(jìn)行變換以產(chǎn)生一個(gè)更便于分類的特征矢量.ART-2的作用是對(duì)輸入特征矢量進(jìn)行分類。ART-1的作用是通過(guò)學(xué)習(xí)建立ART-2的“分類輸出矢量和外界作用于系統(tǒng)的”預(yù)計(jì)矢量之間的聯(lián)想關(guān)系,實(shí)現(xiàn)補(bǔ)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(xué)習(xí)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(shí)現(xiàn)</p><p> 本軟件包含一個(gè)主程序和一個(gè)交互式界面應(yīng)用程序兩個(gè)部分組成,主程序可以單獨(dú)執(zhí)行。兩個(gè)程序均用MATLAB語(yǔ)言編寫。</p
82、><p><b> 3.1實(shí)現(xiàn)過(guò)程</b></p><p> 根據(jù)圖3--1所示,每一個(gè)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(gè)長(zhǎng)期記憶(LTM)。在輸入預(yù)處理場(chǎng)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(chǎng)的前兩層的功能一致。F1場(chǎng)中的不穩(wěn)定STM會(huì)在F2的STM被激活之前觸發(fā)復(fù)位函數(shù),因此,設(shè)計(jì)F0場(chǎng)的目的是為了避免F1場(chǎng)中出現(xiàn)不穩(wěn)定STM,并將上—下信號(hào)傳送給F1。假設(shè)在F0中對(duì)一個(gè)M維的輸入向量I0做變換,其每一層要完成兩種計(jì)算:首先對(duì)該層的場(chǎng)內(nèi)和場(chǎng)間輸入進(jìn)行求和,然后對(duì)求和所得向量歸一化。例如,在F0場(chǎng)的第一層,向量W0為場(chǎng)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(gè)節(jié)點(diǎn),a為常數(shù)。當(dāng)W0獲得后,通過(guò)對(duì)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(lì)通過(guò)下列方程計(jì)算:</p><p> =f() (3-3)</p><p> = (3-4)</p><p> 式(3-3)中的非線行信號(hào)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(chǎng)中要有三個(gè)處理層,這三個(gè)處理層的組合使網(wǎng)絡(luò)能夠?qū)⑿盘?hào)從噪聲中分離出來(lái),并實(shí)現(xiàn)
87、F1 STM和F2 STM之間的匹配功能。在F1場(chǎng)的輸入向量等于F0場(chǎng)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(duì)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(hào)函數(shù)。在F1的頂層,向量P為F2的內(nèi)部信號(hào)向量U與F2F1的所有濾波信號(hào)之和,即</p><p><b> ?。?/p>
89、3-11)</b></p><p> 式中g(shù)(j)為F2的第j 個(gè)節(jié)點(diǎn)的輸出,Tji為F2的第j個(gè)節(jié)點(diǎn)與F1的第i個(gè)節(jié)點(diǎn)之間由上到下的權(quán)。</p><p> F1場(chǎng)中的匹配函數(shù)、F2場(chǎng)中的選擇函數(shù)和取向子系統(tǒng)中的復(fù)位函數(shù)是ART2動(dòng)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(hào)之和,它代表當(dāng)前STM向量P與F2中第j個(gè)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(dāng)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(diǎn),即</p><p><b> ?。?-13)</b></p><p> 則F2的第J個(gè)節(jié)點(diǎn)被激活,即
91、</p><p><b> ?。?-14)</b></p><p> 在此之后,F(xiàn)2的激勵(lì)被反向傳播給了F1中的向量P,然后通過(guò)警戒實(shí)驗(yàn)來(lái)確定自上到下信號(hào)是否與輸入模式匹配。其中的警戒實(shí)驗(yàn)由下式給出:</p><p><b> ?。?-15)</b></p><p><b> (3-1
92、6)</b></p><p> 式中c 為常數(shù),0<r<1.如果通過(guò)警戒實(shí)驗(yàn)發(fā)現(xiàn)不匹配,就讓F2復(fù)位,迫使F2激活所選擇的節(jié)點(diǎn),并尋找下一個(gè)最佳匹配的節(jié)點(diǎn)。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(yīng)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(shí)現(xiàn)流程圖。</p><p><b> 學(xué)習(xí)算法如下:</b></p><p> 圖3-2 ART2模型的軟件實(shí)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(diǎn)數(shù),</p><p><b> 。</b></p><p> 提供一個(gè)新的輸入向量。</p><p> 由式(3-1)~(3-4)
96、計(jì)算F0的激勵(lì)。</p><p> 由式(3-6)~(3-11)計(jì)算F1的激勵(lì)。</p><p> 由式(3-12)計(jì)算F2的匹配度。</p><p> 由式(3-13)選擇F2的激活節(jié)點(diǎn)。</p><p> 激活F2的第J個(gè)節(jié)點(diǎn)。</p><p> 由式(3-15)~(3-16)進(jìn)行警戒實(shí)驗(yàn)。</p&
97、gt;<p> 如果,則激活所選擇F2的節(jié)點(diǎn),返回(5)。</p><p> 由式(3-17)~(3-18)進(jìn)行自下而上和自上而下的權(quán)調(diào)整。</p><p> 返回(2)進(jìn)行新的識(shí)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(guò)程</b></p><p> ?。?) 調(diào)用主程序并運(yùn)行,輸入連續(xù)識(shí)別的參數(shù)(本程序是“yes”和“no”),輸入“yes”進(jìn)行識(shí)別,輸入“no”退出主程序。</p><p> ?。?) 進(jìn)入主程序后要求輸入所要識(shí)別的模擬數(shù)據(jù)向量,本論文中輸入向量由火花信號(hào)、振動(dòng)信號(hào)、聲音信號(hào)進(jìn)行去野點(diǎn)、消去
99、趨勢(shì)項(xiàng)等組合而成的一個(gè)六維向量。</p><p> 輸入矢量以后,主程序會(huì)對(duì)數(shù)據(jù)進(jìn)行自動(dòng)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(guò)式(3-1)~(3-18)的計(jì)算,程序會(huì)自動(dòng)給出判別結(jié)果。如果說(shuō)明砂輪沒(méi)有發(fā)生明顯的磨鈍,可以認(rèn)為砂輪是新銳的,可以繼續(xù)磨削加工工件;反之,則說(shuō)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(duì)砂輪進(jìn)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(huì)破壞工件的加工表面,可能帶來(lái)?yè)p失。</p><p> 3.6 程序結(jié)構(gòu)和性能說(shuō)明</p><p> 主程序的設(shè)計(jì)采用了參數(shù)化的設(shè)計(jì),也就是說(shuō)程序的柔性很好,可以根據(jù)具體的情況來(lái)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(lái)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(jìn)行擴(kuò)充使其功能更加的完善,更加健壯。由于編寫程序的語(yǔ)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(shí)候可以采用c語(yǔ)言使之與硬件設(shè)備進(jìn)行通信,從而達(dá)到在線的自動(dòng)識(shí)別,也就是達(dá)到智能判斷的目的。</p><p> 3.7 交互界面應(yīng)用程序</p><p> 交互界面應(yīng)用程序如下圖所示。其實(shí)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(gè)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(duì)程序中的主要參數(shù)作調(diào)整以適應(yīng)不同維數(shù)的輸入向量</p><p> 圖3-4 對(duì)在“新建”中輸入的向量回
103、顯,同時(shí)給出程序的判斷結(jié)果</p><p> 4 實(shí)驗(yàn)系統(tǒng)及數(shù)據(jù)分析原理</p><p> 4.1 實(shí)驗(yàn)系統(tǒng)及方法</p><p> 試驗(yàn)在M1432普通外圓磨床上進(jìn)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(yàn)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(diǎn)側(cè)面約30處,分析和試驗(yàn)結(jié)果表明,在此位置測(cè)得的磨削火花流溫度信號(hào)比較穩(wěn)定。由紅外傳感器測(cè)得的火花信號(hào)經(jīng)紅外測(cè)溫儀放大、變換、送磁帶記錄儀記錄和示波器顯示。為了進(jìn)行比較,試驗(yàn)中還同時(shí)測(cè)取了磨 圖 4-1 試驗(yàn)及數(shù)據(jù)采集系統(tǒng)</p><p> 削振動(dòng)
105、和磨削聲信號(hào),由壓電式加速度計(jì)拾取工件尾頂尖處的法向振動(dòng),磨削聲則由電容傳聲器和精密聲級(jí)計(jì)測(cè)取。各種信號(hào)均經(jīng)A/D轉(zhuǎn)換后送計(jì)算機(jī)分析和處理。在預(yù)備性試驗(yàn)中,根據(jù)磨削過(guò)程中的各種現(xiàn)象(磨削聲異變,振動(dòng)加劇等)確定砂輪的磨鈍標(biāo)準(zhǔn)。正式試驗(yàn)時(shí),砂輪重新修整狀態(tài)開始磨削,直至磨鈍后一段時(shí)間再停止。為減少隨機(jī)因素的影響,試驗(yàn)重復(fù)多次。</p><p> 但是由于各種客觀因素的影響,在記錄到的信號(hào)中常?;煊性肼?,有時(shí)噪聲甚
106、至可以把信號(hào)“淹沒(méi)”。經(jīng)過(guò)A/D轉(zhuǎn)換后的離散時(shí)間信號(hào)除含響原來(lái)的噪聲外,又增加了A/D轉(zhuǎn)換器的量化噪產(chǎn)。因此,在對(duì)多傳感器信號(hào)作數(shù)字處理之前,有必要對(duì)它作一些預(yù)處理.以盡可能地去除這些噪聲,提高信號(hào)的信噪比,信號(hào)預(yù)處理的范圍很廣,在本實(shí)驗(yàn)系統(tǒng)里采用的預(yù)處理的是野點(diǎn)剔除、消除趨勢(shì)項(xiàng)、信號(hào)平滑、零均值化四項(xiàng),之后得到的信號(hào)才作為神經(jīng)網(wǎng)絡(luò)的輸入信號(hào)。</p><p> 4.2磨削火花信號(hào)分析及特征提取</p&g
107、t;<p> 4.2.1 火花信號(hào)機(jī)理</p><p> 所謂磨削火花信號(hào),是指用紅外傳感器測(cè)取的砂輪與工件接觸區(qū)附近的火花流的溫度信號(hào)。研究表明,磨削火花溫度的形成過(guò)程是一復(fù)雜的物理、化學(xué)過(guò)程;單個(gè)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(shí)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(cè)得的火花溫度,是通過(guò)傳感器熱敏面積的許多個(gè)火花溫度的統(tǒng)計(jì)平均值,該統(tǒng)計(jì)平均值是指在
108、某時(shí)刻所有通過(guò)熱敏面積的單個(gè)火花溫度的集合平均。當(dāng)時(shí)間改變時(shí),測(cè)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(guò)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(gè)連續(xù)的隨機(jī)過(guò)程,試驗(yàn)與分析表明,磨削火花信號(hào)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(yīng)用于磨削燒傷的在線識(shí)別。另一方面,火花流溫度與磨削過(guò)程中的瞬時(shí)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(hào)強(qiáng);反之,則火花流溫度低,信號(hào)弱
109、,磨削火花信號(hào)的這些特點(diǎn)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(jī)性以及砂輪的自礪性等原因,砂輪磨損過(guò)程比其它刀具的磨損過(guò)程要復(fù)雜得多。目前,在生產(chǎn)條件下直接監(jiān)測(cè)砂輪磨損是困難的,只能通過(guò)砂輪磨損產(chǎn)生的二次信息來(lái)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(dú)立產(chǎn)生,而是相互關(guān)聯(lián)的。在外圓磨削時(shí),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(duì)應(yīng)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(dāng)接觸區(qū)溫度達(dá)到某一定值時(shí)就會(huì)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(guò)火花溫度來(lái)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(rèn)為是屬于再生型顫振,由于再生效應(yīng),使得磨削過(guò)程中的動(dòng)態(tài)磨削力不斷增大,導(dǎo)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(guò)程中,動(dòng)態(tài)磨削力的變化主要是由瞬時(shí)磨削厚度的變化所決定的;而瞬時(shí)磨削厚度的變化又決定了瞬時(shí)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
溫馨提示
- 1. 本站所有資源如無(wú)特殊說(shuō)明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請(qǐng)下載最新的WinRAR軟件解壓。
- 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請(qǐng)聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
- 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁(yè)內(nèi)容里面會(huì)有圖紙預(yù)覽,若沒(méi)有圖紙預(yù)覽就沒(méi)有圖紙。
- 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
- 5. 眾賞文庫(kù)僅提供信息存儲(chǔ)空間,僅對(duì)用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對(duì)用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對(duì)任何下載內(nèi)容負(fù)責(zé)。
- 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請(qǐng)與我們聯(lián)系,我們立即糾正。
- 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時(shí)也不承擔(dān)用戶因使用這些下載資源對(duì)自己和他人造成任何形式的傷害或損失。
最新文檔
- 任務(wù)書-砂輪磨損的智能監(jiān)測(cè)的研究.doc
- 任務(wù)書-砂輪磨損的智能監(jiān)測(cè)的研究.doc
- 砂輪磨損的智能監(jiān)測(cè)的研究引言.doc
- 37-砂輪磨損的智能監(jiān)測(cè)的研究
- 砂輪磨損的智能監(jiān)測(cè)的研究目錄.doc
- 砂輪磨損的智能監(jiān)測(cè)的研究摘 要.doc
- 砂輪磨損的智能監(jiān)測(cè)的研究附件清單.doc
- 砂輪磨損的智能監(jiān)測(cè)的研究參考文獻(xiàn).doc
- 畢業(yè)論文-砂輪磨損的智能監(jiān)測(cè)的研究.doc
- 畢業(yè)論文-砂輪磨損的智能監(jiān)測(cè)的研究.doc
- 砂輪磨損的智能監(jiān)測(cè)的研究畢業(yè)論文封面.doc
- 砂輪磨損的智能監(jiān)測(cè)的研究第七章 致謝.doc
- 砂輪磨損的智能監(jiān)測(cè)的研究第六章 結(jié)論.doc
- 砂輪動(dòng)平衡畢業(yè)設(shè)計(jì)說(shuō)明書
- 砂輪動(dòng)平衡畢業(yè)設(shè)計(jì)說(shuō)明書
- 智能鞋柜設(shè)計(jì)說(shuō)明書
- 514 砂輪磨損的智能監(jiān)測(cè)的研究【任務(wù)書+畢業(yè)論文+cad圖紙】【機(jī)械全套資料】
- 砂輪動(dòng)平衡畢業(yè)設(shè)計(jì)說(shuō)明書.doc
- 智能電表的設(shè)計(jì)畢業(yè)設(shè)計(jì)說(shuō)明書
- 磨擦磨損試驗(yàn)臺(tái)設(shè)計(jì)說(shuō)明書.doc
評(píng)論
0/150
提交評(píng)論