横坐标表示神经网络训练的次数，上图的纵坐标表示的是累计误差，下图的纵坐标表示的是网络学习率。由图可以得知，在该批学习样本下，网络的累计误差是稳定减小的，直至小于0.001，完成网络参数的训练;同时，图中显示出网络训练在第1303次完成，说明网络训练的效率很高，因此，神经网络参数的选择是很适合的。网络训练结果如下：

　　将采集到待较核样本归一化，结果如表3：将归一化处理后的数据输入到训练好的神经网络进行状态识别，则对应的网络输出值如下表4所示:

状态类别判定标准如下：(设输出分别为、)

< >如果 >0.9& <0.1 则判定状态类别为大面积破损;如果 >0.9& <0.1 则判定状态类别为小面积破损;否则，判定此状态为正常切削状态。表4 网络训练输出值

　　序号

　　实际输出值

　　希望输出值

　　1

　　0.0019 0.0014

　　0 0

　　2

　　0.0056 0.0020

　　0 0

　　3

　　0.9916 0.0000

　　1 0

　　4

　　0.8779 0.0000

　　1 0

　　5

　　0.0001 0.0034

　　0 0

　　6

　　0.0000 0.9873

　　0 1

　　7

　　0.0000 0.0000

　　0 0

　　8

　　0.0059 0.0000

　　0 0

　　9

　　0.9982 0.0000

　　1 0

　　10

　　0.0000 1.0000

　　0 1

　　11

　　0.0004 0.0001

　　0 0

　　12

　　0.0119 0.0151

　　0 0

　　13

　　0.9893 0.0002

　　1 0

　　14

　　0.0001 0.9888

　　0 1

　　根据判断规则可知除第4组判断错误外，其它都正确，判断正确率为92.9%。

　　神经网络训练输出值与实测值存在一定的误差。产生误差的原因一方面为工厂中电网电压波动影响监控的准确性。另一方面模型输出的准确率的高低与网络训练效果有关，随着学习样本的增加，识别的准确率将越来越高。神经网络能够很好的识别切削加工的各种状态，整个监控系统是可行的。

　　4结论

　　针对中国兵器工业第五五研究所FMS中立式加工中心OMA的刀具切削状态监测与故障诊断进行了深入的研究，并建立FMS加工状态监测实验系统。基于神经网络理论，建立了加工状态监测的故障模式识别系统数学模型。实验证明，主轴电机电流能量的神经网络方法适用于FMS加工状态监测。

　　参考文献

　　< >Xu Chunguang，Wang Xinyi，Xing Jishou，Yang Dayong.Multi-Sensor Intelligent System for On-line and Real-time Monitoring Tool Cutting State in FMS.Journal of Beijing Institute of Technology，1997，6(3)：258~266王信义，董卫平，朱小燕.生产系统中的监控检测技术.北京：北京理工大学出版社，1998：60李松龄.基于神经网络系统的附着系数计算模型. 东北林业大学学报，2008，2张立斌. 车轮定位参数快速检测新方法研究.汽车技术 2005，10王文成. 神经网络及其在汽车中的应用.北京理工大学出版社1998，7.胡广书.数字信号处理——理论、算法与实现.北京：清华大学出版社.1997.8：70~72 [d1]刘飞，徐宗俊，但斌等著.机械加工系统能量特性及其应用.北京：机械工业出版社，1995 [d2]Liu F，Xu Z J.Study on Energy Flow Models of Mechanical Transmission Systems.Chinese Journal of Mechanical Engineering，1993， 6 (3):215~219 [d3]Weinert K.Relation Between Process Energy and Tool Wear when Turning Hardfacing Allos.Annals of the CIRP,1994,Vol.43,No.1:97~100 [d4]Xu Chunguang，Wang Xinyi，Xing Jishou，Yang Dayong.Multi-Sensor Intelligent System for On-line and Real-time Monitoring Tool Cutting State in FMS.Journal of Beijing Institute of Technology，1997，6(3)：258~266

 2/2   首页 上一页 1 2