基于径向基函数神经网络的铣刀磨损监控技术的研究

神经网络作为监控系统状态识别的一种方法，具有很强的自适应能力、容错能力、鲁
棒性和高度的并行运算能力。这些特点使得该方法在信号处理(包括模式识别和智能控
制)领域得到了普遍的应用，并取得了良好的控制效果。研究中采用径向基函数 (RBF)
神经网络作状态识别。径向基函数采用高斯函数，高斯函数的中心和方差通过 fuzzy-C 

 

模糊聚类来获得。 1 特征生成
经过对采集到的信号进行研究发现，方差、最大谱峰值(200～600kHz)、一步自回归系

 

数和均方根值对刀具磨损最敏感。
方差 s2=(S(Xi-X)(Xi-X))/(N-1)
最大谱峰值 200～600kHz
一步自回归系数 P=R1/R0，R1=SXIXI-1/N，R0=自相关系数
均方根值 XRMS=(SXI2/N)½
2 

 

径向基函数神经网络的设计

 

径向基函数神经网络的结构
径向基函数网络只有一个隐层，输出单元是线性求和单元，即输出是各隐单元输出
的加权和。隐单元的作用函数用径向基函数(RBF)，输入到隐单元的权值固定为 1，只
有隐单元到输出单元间的权值 wj=(j=1，2 …

， ，n)可调。最常用的径向基函数是高斯

函数，它的可调参数有两个，即中心位置及方差(函数的宽度参数)，用这类函数时整

 

个网络的可调参数有三组，分别为：各基函数的中心位置、方差和输出单元的权值。

图 1 径向基函数(RBF)网络结构

 

径向基函数神经网络的设计
径向基函数的网络结构采用输入层 4 个结点，隐层 10 个结点，输出层 1 个结点的网
络结构。利用采集数据(设共 N 个样本)的 4 个特征值(均方根值、方差、一步自相关系数
和最大谱峰值 200～600kHz)作为径向基函数的输入，输出层结点为铣刀的磨损值。用
模糊聚类 Fuzzy C-划分的方法将样本组分成 M 组，用每组的聚类中心作为各个基函
数中心，基函数采用高斯函数，再以公式 s=d/2M 算出各中心的方差。最后通过最小二
乘法算出各个权值。
3 实验结果
在实验中采用以下加工条件：① Ø4 高速钢铣刀，主轴转速 1120r/min，进给速度
15.68mm/min，切深 5mm，工件采用球墨铸铁(24HRC)：～03 高速钢铣刀，主轴转速
900r/min，刀架进给速度 12.6mm/min，切深 3mm，工件采用 45#调质钢(22HRC)。刀具
磨损的测量工具为 JGX-1 小型工具显微镜，精度为 0.01mm。
利用采集的 72 组数据(两种切削条件下各采 36 组)的 4 个特征值(均方根值、方差、一步