在数控车床往复操作中的在线刀具磨损估计使用模糊神经网络模型1.doc

在数控车床往复操作中的在线刀具磨损估计使用模糊神经网络模型 C.Chungchoo，D.赛尼 摘要： 在最近，几个神经网络模型采用切削力和AErms或其衍生物进行刀面磨损以及分类得到了在发展。然而，在开始为类似的新工具进行切削操作时，切削力和AErms的一个显著变化可能会导致评估和分类的错误。为了解决这个问题，本文提出了一个新的在线模糊神经网络。这种模式有四部分。该模式的第一部分是开发使用模糊逻辑分类刀具磨损。该模式的第二部分是专为下一部分输入正常化。第三部分是由已修改的最小二乘BP神经网络组成，它的建立是为了估计侧翼和月牙洼磨损。第四部分的形成是为了调整第三部分的结果。几个基本的和派生的参数，包括力量，AErms，力的偏移和峰值，以及力量的总能量，它们被作为输入而使用，这是为了提高刀具磨损预测的准确性。实验结果表明，提出的FNN模型在很短的时间内可以进行高精度的估计侧翼和月牙洼磨损。 关键词：模糊逻辑，神经网络，后刀面磨损，月牙洼磨损，车削操作。 1简介： 为了避免在这个过程中中断和由此产生的生产力损失，间接测量斜车削操作的侧翼和月牙洼磨损是首选的方式。因此，在线刀具磨损估计需要被使用和融入金属切削加工中，这样就可以让操作者不间断的了解侧翼以及月牙洼磨损的大小。几个神经网络模型估算[1,2,19,31]以及分类[3-6,30] 车削操作中的刀具磨损已经开发出来。这些模型已被在线系统使用[1,3,5,6]。切削力，AErms和切削条件，包括速度，进给，前角和切削深度已经在这些神经网络模型被作为输入单位使用[1-6,19]。在本研究的实验结果表明，针对不同的新鲜工具切削力和AErms具有相同规格的差异可高达30 - 50％。当受使用于神经网络的刀具磨损估计时切割力和AErms值的这种变化可导致刀具磨损的不正确的估计。然而，这意味着力量和AErms变化不被考虑在以前的神经网络模型[1-6,19]。 在这项研究中，一个能为在数控车床操作中的磨损工具进行刀具磨损量的估计的在线模糊神经网络（FNN）（图1）已经被开发。该在线FNN模型的算法包括三个部分：（一）用户接口;（二）信号的采集;（三）模糊神经网络。该模糊神经网络部分可分为四个小节所示图2。模糊神经网络部分的第一部分使用模糊逻辑分类刀具磨损。第二部分是为了使神经网络的输入正常化。被开发的模糊神经网络部分的第三部分是通过修改后的最小二乘反向传播（MLSB）神经网络来估计最大深度月牙洼磨损和后刀面磨损宽度 [7]，该部分比其他如传统的BP神经网络和最小二乘BP神经网络神经网络具有较高的准确性和消耗更少的训练时间 [7]。模糊神经网络部分的第四部分是用来调整第三部分的成果，以消除同一规格不同的切削工具所产生的力和AErms信号变化的影响。 2在线模糊神经网络模型 2.1用户界面 用户界面的一部分，如图1，已开发使用MATLAB软件V5.1。这部分主要的功能是：（一）提示用户输入必要的信息，包括切削条件和名义工具取代工具插入穿的大小和（二）估计穿结果??显示给用户。 2.2信号采集 使用由鹰科技有限公司开发的Visual C+ +5.0和PC30D驱动器，来建立可以用来采样三个力以及AErms信号的可执行文件。在在线系统中，它的功能是MATLAB程序调用和使用这个文件。此可执行文件将作为模糊神经网络输入的一部分累积1600万样本的力量和AErms信号进行再加工和使用。 2.3。模糊神经网络 为了提高在线的刀具磨损估计的准确性和消除上述表示的平均力量和AErms变化的影响，一个新的模糊神经网络模型被开发。如图2，FNN模型可以分为四个部分：刀具磨损的分类（模糊逻辑）；输入正常化；刀具磨损估计（MLSB神经网络）；和刀具磨损调整（模糊逻辑）。每一部分的细节在下面的章节。 2.3.1采用模糊逻辑刀具磨损的分类预测后刀面磨损，月牙洼磨损，骨折片和尖端恶化的发生，在图的第一部分利用模糊逻辑开发。在这项研究中，256模糊规则预测这四个结果分为四组。虽然后刀面磨损的增长工具芯片的接口，工具工件接口，剪切带产生的温度显著影响然而，这些模糊规则的目的并不是要预测刀面磨损或月牙洼磨损的程度。这些规则只是旨在表明，刀面月牙洼磨损的增长已开始或上一个新的工具之后开始转向操作。事实上，后一阶段的磨损程度估计是只使用AErms和力信号。最近的研究表明[39]，一个新的工具，刀刃上的温度几乎是类似的剪切带的最高温度的。然而，的最高温度，将工具芯片的接口区的能源消费影响。剪切力和工具芯片的接口区的能源消耗可以表示材料性能和切削条件。它会假设刀具材料去除因和侧翼面磨损发生这些物质清除率这些面孔的温度和应用正应力的强烈影响 [41]然而，一些切削时间的期限也需要稳定的切削温度[38]以及燃烧任何工作的材料，坚持工具在开始削