基于神经网络的数控技术线切割加工状态建模技术研究

　　3.2 运行状态综合劣化度监测模型

　　对于数控线切割机床运行状态的监测来说，工作状态辨识模型可以实时地辨识加工区的工作状态，但这只是一种定性的分析，当前加工区工作状态对机床运行的影响究竟到什么程度，还没有一个定量的结果。运行状态究竟恶劣到什么程度必须采取必要措施以阻止机床运行状态进一步恶化，这就需要一个“度”的概念。对数控线切割加工来说，单纯地以一个或几个指标来衡量其运行状态是不合适也是不全面的。基于这种考虑，本文提出了数控线切割机床运行状态综合劣化度的概念，构筑了状态综合劣化度评价神经网络模型，从而对数控线切割机床运行状态进行定量分析。数控线切割运行状态综合劣化度是指机床运行状态的优劣对外表现的程度，运行状态劣化度可以用运行状态的外部特征来描述，外部特征越强烈，运行状态劣化度越大。

　　由单一因素引起的运行状态劣化度d定义为

　　单一因素引起的状态劣化度的计算函数选择要根据这一特征指标与机床的运行状态之间的关系来确定，可选用线性函数、加速度函数等。机床运行状态的综合劣化度d可表示为

　　式中：w_i为各单一阁素引起的运行状态劣化度在机床运行状态综合劣化度中权重值系数。

　　运行状态劣化度可用[0，1]区间的一个数值来表示，当运行状态劣化度为1时，表示数控线切割机床当前的运行状态已经非常恶劣，必须停机。当运行状态劣化度取0时，表示机床当前的运行状态良好；当运行状态劣化度为[0，1]区间的值时，表示运行状态劣化的程度。

　　对于由于空载状态、短路状态而引起的数控线切割机床运行状态劣化的量化，采用神经网络逼近法。对于不同加工材质、不同加工条件下人为空载状态、人为短路状态及正常加工状态，确定状态综合劣化度评价多层前馈神经网络的输出为：空载劣化度和短路劣化度的量值。该神经网络的输人为：机床运行过程中的相对火花放电率、相对空载率、相对短路率、间隙电压以及间隙电流。这样该神经网络有5个输入，2个输出，选择1个隐含层，隐含层的神经元数选为12，该神经网络的结构为5—12—2。

　　本文中，对于钼丝张力引起的数控线切割机床运行状态劣化度的量化，采用了线性计算函数的方法。正常加工情况下的钼丝张力值为该特征指标的正常值；在无电流的情况下钼丝被拉断的张力值作为该特征指标的极限值。

本文中所研究的数控线切割机床的运行状态主要集中在加工区。因此，对于引起数控线切割机床运行状态劣化的、可量化的因素，选择了空载劣化度、短路劣化度以及钼丝张力值。利用公式(3)，通过对这3种因素引起的机床运行状态劣化度的加权平均，即可得到机床运行状态综合劣化度的指标。

　　3.3 教师样本的构筑

　　神经网络结构确定以后，教师样本的构筑对于神经网络的学习及系统的正常运行都是至关重要的。对本文的具体问题来说，构筑教师样本时，教师样本要能够覆盖所有加工状态，但是如果教师样本过多，不仅会降低学习速度，严重的会造成网络学习的过拟合，使神经网络的泛化能力下降。因此，在考虑教师样本覆盖范围的同时，对重要影响因子和非重要影响因子教师样本要进行合理的选择。本着上述原则，在加工区工作状态辩识神经网络的教师样本构筑时，在不同的材料、厚度条件下，进行了减小间隙电压和增大间隙电流的大量实验，取得实验数据，通过实验法构筑了教师样本。

　　对于空载、短路状态劣化度评价神经网络教师样本的构筑，在不同的工作条件下，机床运行过程中的相对火花放电率、相对空载率、相对短路率、间隙电压以及间隙电流作为神经网络的输入；对于各种人为空载状态、人为短路状态以及各种正常加工状态，确定其运行状态劣化度的量值，作为网络的输出。以此来构筑空载、短路状态劣化度评价神经网络的教师样本。

　　由于在神经网络学习过程中，神经元sigmoid函数f(x)随着x的增大而梯度下降并趋于0，不利于神经网络连接权值的调整，从而希望x工作在较小的区域，故神经网络的输入要予以考虑。对本文的具体问题来说，不同工作状态下，检测到的特征信号值的范围差别很大，因此，本文对神经网络的输入进行了归一化处理。

　　3.4 神经网络的学习

　　本文设计了基于BP算法的多层前馈神经网络的学习系统。为提高学习效率，本文把所有需要调整的参数(包括网络学习参数、网络结构参数、学习样本文件和权值存储文件等)放在一个对话框中，并在教师样本文件编辑框和权值存储文件编辑框中分别设置学习样本文件存储位置和网络学习完毕后的权值存储位置。本系统可以直观、方便地设置网络的训练参数、结构参数，在学习过程中，根据学习是否陷人局部解、参数设置是否合理等不同情况，进行相应的信息提示，并且可以实时绘制误差曲线，可视化程度高。本学习系统的另一特点是其通用性好，多层前馈神经网络初始化设置、训练所需要的所有参数、所有函数等都封装到两个类中，提供了参数化的接口，只需稍加调整即可应用到其他软件系统中去，增强了程序的可移植性。

　　对于神经网络来说，网络的初始权值在一定范围内随机设定。误差限设定时，如果误差限设定较大，可以减少学习时间，但会降低网络的映射精度；如果误差限设定较小，不仅增加学习时间，有时也会造成学习过程无法结束。本文在充分考虑教师样本及网络映射精度的情况下，根据多次学习的经验，工作状态辨识神经网络总误差限设定为0.5，空载率、短路率劣化度评价神经网络总误差限设定为1.0，町以满足本系统的要求。学习速率和动量常数这两个参数的合理选择可以减少多层前馈神经网络的学习次数和加快神经网络的收敛速度。一般来说，学习速率选得太小，收敛可能很慢；学习速率选的过大，可能出现麻痹现象(即是操作在S型函数的饱和区，其导数非常小，随之加权修正量也非常小，当激发函数的导数趋于0，误差趋于0，结果使得加权修正量趋于0)。增大学习速率而又不导致振荡的方法就是修改误差反传过程中的学习速率，使它包含有一个动量项，就是每个权值调节量加一项正比例于上一次权值变化量的值(动量项)。学习速率和动量常数的数值要根据试验或经验来确定，经过反复学习和训练，本文学习速率取0.2，动量常数取0.2时，学习效果较好。