4.2 刀具磨损监测的PSO神经网络方法

数控刀具作为现代数字化制造技术的重要组成部分，它在机械制造加工中是最基本却又非常必要的生产要素。刀具的状态不仅影响产品质量的好坏，同时也对系统可靠稳定的运行造成影响。因此，如何保证刀具正常工作，提高刀具性能成为关键。因此，在数控机床状态监测技术的研究过程中，刀具状态监测系统（Too1 Condition Monitoring System，TCMS）便应运而生并逐渐发展起来，成为一项极其关键的技术，它有效地降低了制造成本，减少了环境污染，并保证了产品质量和系统稳定高效的运行。

尺寸精度造成影响，有时更会对工件及人身产生危害，故应该及时发现问题并有效解决。刀具磨损是刀具失效的主要形式之一，它变化缓慢，是一个渐进过程。对于传统的机械加工，工人通过机床振动和切削情况等能够判断刀具磨损的程度；而对于现代的自动化加工，系统可自动地评估其状态且能够及时换刀，有效防止因刀具过大磨损程度而影响工件质量及加工效率等。因此，准确掌握刀具磨损状态，诊断刀具损伤故障，对加工过程中延长机床正常运行时间和提高加工质量至关重要。据统计，刀具状态监测技术的成功应用使得因人为等因素导致的停机时间可降低75%，生产率提高10%～60%，机床利用率也提升50%以上。因此可知，刀具状态监测技术极大地推动了机械加工向无人化与自动化的方向发展，具有重要的实用价值。

通过对刀具磨损状态监测的力与振动信号的分析，并提取信号在时域、频域和时频域中的特征向量结果，从而以此作为训练样本和测试样本用于建立粒子群优化神经网络的刀具磨损状态监测识别模型，其详细过程如图4-1所示。

与遗传神经网络类似，PSO神经网络的算法流程如图4-2所示。根据对刀具磨损状态监测中力与振动信号特征向量的分析，本节所选用的BP神经网络通过对那些特征向量的比较分析，选用Z方向振动信号的时域特征和Z方向力信号的小波包能量归一化后的结果作为神经网络的输入，从中选择16个网络输入参数，即inputnum=16，样本共有4组，分为3组训练样本和1组测试样本，如表4-1和表4-2所示，是用于刀具监测的训练样本与测试样本。

BP神经网络设置为16-20-1的结构。其中，输出1代表新刀，2代表轻度磨损，3代表中度磨损，4代表严重磨损。仔细观察可以发现，若采用这种网络结构，将会产生541个待求的权值与阈值，远远大于数据的组数（共16组），这将会造成严重的系统冗余。因此，本节在使用PSO神经网络之前首先进行主成分分析，将16维输入降为4维，有效地降低了系统的冗余。

根据对粒子群优化算法的分析进行各参数的选取，粒子群的粒子规模不宜过多。这里粒子的个数取N=20；惯性权重ω的选择沿直线由0.9线性递减至0.4，即ω _max =0.9，ω _min =0.4；学习因子设为c ₁ =c ₂ =2；最大限制速度设为V _max = 1；最大迭代次数设为T _max =2000，最小误差设为ε=0.001。

1．基于矩阵方法的MATLAB源代码

1）主函数部分

Step 1： 生成样本数据。

Step 2： 对训练样本进行主成分分析。

Step 3： 初始化群体中粒子的速度与位置。

Step 4： 进入粒子群循环。

Step 5： 利用神经网络进行进一步优化。

Step 6： 比较测试样本输出与实际输出的情况。

Step 7： 显示最优解和平均解随迭代次数变化的情况。

2）子函数部分

子函数部分将实例3中的ObjFitness由列向量变为了行向量，其他的不变，这里就不再列举其源代码了。

程序的运行结果如图4-3和图4-4所示。从图中可以看出，PSO神经网络经过300步就已经收敛了，神经网络自身的梯度下降法已经难以再优化了。另外，测试样本的输出与期望的输出基本一致，但每次运行程序又会有所不同，可能与系统冗余度过大有关。

2．基于PSO工具箱的MATLAB源代码

1）主函数部分

基于PSO工具箱的神经网络源代码与矩阵方法的源代码基本相同，只是PSO工具箱的功能更全，使用更简洁，但它的使用灵活性显然不如矩阵方法，主函数源代码如下。

Step 1： 生成样本数据。

Step 2： 对训练样本进行主成分分析。

Step 3： 初始化群体中粒子的速度与位置。

Step 4： 利用PSO工具箱计算最优的神经网络权值。

Step 5： 利用神经网络进行进一步优化。

Step 6： 训练后神经网络输出与期望输出的比较。

Step 7： 比较测试样本输出与实际输出的情况。

2）子函数部分

子函数部分与4.2小节中基于矩阵方法的MATLAB源代码中子函数部分的程序基本相同，只是本节中的子函数部分是单输入单输出的，源代码在这里不再列出。

程序的运行结果如图4-5和图4-6所示。从图中可以看出，PSO工具箱神经网络经过1000步才开始收敛，可见矩阵方法的收敛效果要强于PSO工具箱方法的收敛效果。与矩阵方法一样，测试样本的输出与期望输出基本一致，但每次运行程序时又会有所不同，这可能与系统冗余度过大有关。