自相关系数和最大谱峰值(200～600kHz))作为训练样本，按照前面所述的径向基函数
神经网络的设计方法，得到所需的径向基函数神经网络：然后以另外 20 组数据(在切
削条件①下获得)作为测试样本。

图 2 是用于测试的 20 组数据的磨损曲线(测试样本的时间间隔为 10s)。图中曲线是实
际测量的刀具磨损值，Λ 曲线是经过径向基函数神经网络得到的值。
  

图 2 神经网络测试曲线

○

——

数据点：

A=T

……

：

最佳逼近曲

线
图 3 线形回归图

  

表 RBF 网络与
BP 网络性能比较

训练方法

网络类型

训练时间(s)

训练步数

Fuzzy-C 聚类算法

RBF 网络

1.20

7

改进 BP 算法

BP 网络

130.42

2016

图 3 是径向基函数网络输出与刀具的实际磨损值线形回归图。该图中 A 是刀具的实际
磨损值：T 是 RBF 网络的输出。
由右表可知，RBF 网络的训练速度远远高于改进算法的 BP

 

网络。 4 结论

利用采集到信号的均方根值、方差、一步自相关系数和最大谱峰值(200～600kHz)为特
征量，可以有效地估计出刀具磨损值。
在实时性方面，在主频为 166MHz 的微机上，从数据处理到径向基函数神经网络的状
态识别(35ms)，所用时间总共约为 200ms，而在实际应用中，我们每次采集数据的时
间间隔可以设为 1s、2s 等，因此，本研究能够满足实时性要求。