基于小波包和PSO优化神经网络的刀具状态监测.pdfVIP

第42卷第3期 中国测试 Vol.42 No.3 2016年3月 CHINA MEASUREMENT TEST March，2016 doi院10.11857/j.issn.1674-5124.2016.03.022 基于小波包和PSO优化神经网络的刀具状态监测 唐 亮袁 傅 攀袁 李 敏 ， （西南交通大学机械工程学院 四川 成都 610031） 摘 要院为改进BP神经网络进行刀具磨损状态识别时训练时间较长尧收敛速度较慢尧测试精度不够高尧甚至完全不 能训练等问题袁引入一种全局搜索能力强袁收敛速度快的算法要要要粒子群优化算法渊PSO冤袁用其来优化BP神经网络 参数袁改进网络的训练和识别性能遥实验证明院经粒子群算法优化后的BP神经网络较原网络有更快的训练迭代收敛 速度和更高的测试准确度袁达到优化的目标袁对实现数控刀具磨损状态的智能化在线监测具有重要意义遥 ；磨损状态识别； 关键词院BP神经网络 PSO；优化 文献标志码院A 文章编号院1674-5124渊2016冤03-0094-05 Study on monitoring of cutting tool conditions with optimized BP neural networks based on wavelet packets and PSO algorithm TANG Liang，FU Pan，LI Min （School of Mechanical Engineering，Southwest JiaoTong University，Chengdu 610031，China） Abstract: An algorithm-particle swarm optimization （PSO）which has stronger global searching capability and faster convergence speed was proposed. It was used to optimize the parameters and improve the training and recognition performance of BP neural networks. Experiments show that the training，iteration and convergence speeds of BP neural networks optimized by PSO are much shorter and their testing accuracy is much higher compared with original ones. This is significant in realizing intelligent online monitoring of the wear conditions of NC cutting tools. Keywords: BP neural network；wear condition recognition；PSO；optimize 0 引 言 国内外学者很早就开展了刀具磨损状态监测研 数控刀具是现代数字化制造技术的一个有机组 究袁日本牧野公司通过对主轴负载电流进行监控以 成部分袁刀具状态直接影响加工产品的质量和加工系 及美国麻省理工学院通过对刀具原子能放射性监测 统运行的可靠性和稳定性遥因此袁在数控机床自动化 的方