基于径向基函数神经网络铣刀磨损监控技术研究.docVIP

基于径向基函数神经网络的铣刀磨损 监控技术的研究 来源：HYPERLINK 开关柜无线测温 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)? 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