基于改進算法的CMAC在刀具性能退化評估中的應(yīng)用

張蕾

上海電機學院，中國·上海 200240

CMAC；設(shè)備性能衰退；狀態(tài)監(jiān)控

1 引言

現(xiàn)在很多柔性加工中心、高度自動化的切削機床都有了相應(yīng)的狀態(tài)監(jiān)控系統(tǒng)[1,2]。進行狀態(tài)識別的方法主要有建立系統(tǒng)模型、統(tǒng)計分析和神經(jīng)網(wǎng)絡(luò)等，其中神經(jīng)網(wǎng)絡(luò)被認為是比較理想的工具之一[3]。但是，一般的神經(jīng)網(wǎng)絡(luò)要正確識別不同的狀態(tài)，需要有充分的訓練樣本，而且目前應(yīng)用的場合多是簡單地判別設(shè)備是處在正常還是故障狀態(tài)，對設(shè)備性能的退化過程沒有給予重視和研究。

CMAC（小腦模型節(jié)點控制器）是根據(jù)小腦的生物模型提出的一種神經(jīng)元網(wǎng)絡(luò)模型。它具有學習速度快、無局部極小點和局域泛化等特點，特別適用于實時控制、非線性函數(shù)映射和模式識別等領(lǐng)域[4]。論文提出了一種改進的CMAC 算法，并且應(yīng)用在實際的刀具狀態(tài)監(jiān)控系統(tǒng)中，對刀具的磨損狀態(tài)進行了評估，證明了改進方法的可行性。

2 CMAC 用于設(shè)備性能退化預測的基本方法

CMAC 模型中基本的映射過程分為四步[5]：

（1）對每個輸入變量進行量化。

（2）確定每個變量激活的分地址（S →M）。

（3）分地址進行組合確定輸入向量所映射的虛擬地址（M →A）。

（4）從虛擬地址映射到物理存儲地址（A →AP）。

由CMAC 的模型和映射原理可知，在輸入單元中距離比較近的向量，其激活的權(quán)地址會發(fā)生重疊，從而使得輸出也比較接近。論文提出一種改進的CMAC 算法，可以使網(wǎng)絡(luò)的輸出直接表示設(shè)備的狀態(tài)，算法描述如下。

假設(shè)當設(shè)備處于正常狀態(tài)時，網(wǎng)絡(luò)的輸出為1，這樣就沒有必要再對網(wǎng)絡(luò)進行訓練，可以采取直接對權(quán)進行賦值的方法來對樣本進行學習。例如，如果輸入向量最終映射到AP的每一層的地址為102,10,34 ,68,那么我們直接將權(quán)賦值為：

其中，c 代表泛化參數(shù)，W(i,j)中i代表AP中的層數(shù)，i=1,2...c，j代表每一層激活的存儲單元地址。通過這種方法，網(wǎng)絡(luò)的輸出可直接表示設(shè)備的狀態(tài)。

3 基于改進算法的CMAC 的應(yīng)用

為檢測改進算法的可行性，我們將采用改進算法的CMAC 應(yīng)用于刀具狀態(tài)監(jiān)控系統(tǒng)中來識別刀具的不同狀態(tài)。監(jiān)控系統(tǒng)簡單的結(jié)構(gòu)示意圖如圖1所示。傳感器信號經(jīng)過處理后，所提取的特征值包括x,y,z 三個坐標方向上的靜態(tài)力、動態(tài)力以及加速度，這些特征量加上切削速度、進給量和切削深度共12 個變量作為神經(jīng)網(wǎng)絡(luò)的輸入。樣本數(shù)據(jù)有48 組，其中前24 組是刀具在正常銳利狀態(tài)，其他為刀具在嚴重磨損狀態(tài)，即失效狀態(tài)。

圖1 刀具狀態(tài)監(jiān)控系統(tǒng)示意圖

部分樣本數(shù)據(jù)如表1所示。假設(shè)當?shù)毒咛幱诒容^銳利的狀態(tài)時，網(wǎng)絡(luò)的輸出為1，將刀具處于銳利狀態(tài)時的數(shù)據(jù)作為訓練樣本，采用改進算法的CMAC 對刀具的磨損狀態(tài)進行識別，結(jié)果如表2所示。分析CMAC 的映射過程可知，采用刀具處于銳利狀態(tài)時的數(shù)據(jù)對網(wǎng)絡(luò)進行訓練，當?shù)毒咛幱诓煌哪p狀態(tài)時，其輸入數(shù)據(jù)必將和原來的訓練數(shù)據(jù)發(fā)生一定的偏離，網(wǎng)絡(luò)的輸出結(jié)果依賴于輸入數(shù)據(jù)與某一訓練數(shù)據(jù)的接近程度，如果兩者距離比較近，則輸出也比較接近。因此，如果網(wǎng)絡(luò)的輸出越接近1，表明刀具越接近銳利狀態(tài)，反之說明刀具磨損地越厲害。隨著偏離程度的增大，刀具性能的退化程度提高，置信度值減小。

表1 部分樣本數(shù)據(jù)

表2 部分評估結(jié)果

應(yīng)該注意的是，CMAC 模型中各項參數(shù)的取值，例如每個變量的分辨率（或最大量化值），泛化常數(shù)c 等對網(wǎng)絡(luò)的輸出會產(chǎn)生一定的影響，如表2和圖2所示，不同的c 值其評估的結(jié)果也不一樣。這些參數(shù)的取值應(yīng)根據(jù)實際的應(yīng)用場合和具體的精度要求來定?？紤]到參數(shù)取值和其他不確定因素的影響，在圖2當中，我們可以設(shè)定閥值來表示刀具所處狀態(tài)的極限。例如，當輸出大于0.8 時，可以認為刀具處在比較好的狀態(tài)，當輸出小于0.8 后可以看作刀具性能在衰退，當小于0.2 時，認為刀具發(fā)生了嚴重磨損，應(yīng)及時更換。

圖2 刀具的狀態(tài)變化預測

通過分析結(jié)果可知，采用改進算法的模型比較簡單實用，CMAC 網(wǎng)絡(luò)的輸出可直接表示所檢測設(shè)備的性能變化情況，而且它采用了對權(quán)直接賦值的方法，不再需要訓練過程，因而大大降低了運算的復雜性，提高了對樣本的學習速度。

4 結(jié)語

對設(shè)備的性能衰退進行預測可以在設(shè)備發(fā)生故障之前采取有效的維護措施，減小由于設(shè)備停止運轉(zhuǎn)而帶來的損失，大大提高生產(chǎn)率?；诟倪M算法的CMAC 可用來對設(shè)備的性能衰退進行監(jiān)控和評估，在刀具狀態(tài)監(jiān)控系統(tǒng)中對刀具的磨損狀態(tài)進行了評估，結(jié)果說明了改進算法減小了樣本學習時間，降低了計算復雜性，可以達到較理想的評估效果。