[汇编]食道炎的症状和治疗

在数控车床往复操作中的在线刀具磨损估计使用模糊神经网络模型 C.Chungchoo，D.赛尼 摘要： 在最近，几个神经网络模型采用切削力和AErms或其衍生物进行刀面磨损以及分类得到了在发展。然而，在开始为类似的新工具进行切削操作时，切削力和AErms的一个显著变化可能会导致评估和分类的错误。为了解决这个问题，本文提出了一个新的在线模糊神经网络。这种模式有四部分。该模式的第一部分是开发使用模糊逻辑分类刀具磨损。该模式的第二部分是专为下一部分输入正常化。第三部分是由已修改的最小二乘BP神经网络组成，它的建立是为了估计侧翼和月牙洼磨损。第四部分的形成是为了调整第三部分的结果。几个基本的和派生的参数，包括力量，AErms，力的偏移和峰值，以及力量的总能量，它们被作为输入而使用，这是为了提高刀具磨损预测的准确性。实验结果明，提出的FNN模型在很短的时间内可以进行高精度的估计侧翼和月牙洼磨损。 关键词：模糊逻辑，神经网络，后刀面磨损，月牙洼磨损，车削操作。 1简介： 为了避免在这个过程中中断和由此产生的生产力损失，间接测量斜车削操作的侧翼和月牙洼磨损是首选的方式。因此，在线刀具磨损估计需要被使用和融入金属切削加工中，这样就可以让操作者不间断的了解侧翼以及月牙洼磨损的大小。几个神经网络模型估算[1,2,19,31]以及分类[3-6,30] 车削操作中的刀具磨损已经开发出来。这些模型已被在线系统使用[1,3,5,6]。切削力，AErms和切削条件，包括速度，进给，前角和切削深度已经在这些神经网络模型被作为输入单位使用[1-6,19]。在本研究的实验结果表明，针对不同的新鲜工具切削力和AErms具有相同规格的差异可高达30 - 50％。当受使用于神经网络的刀具磨损估计时切割力和AErms值的这种变化可导致刀具磨损的不正确的估计。然而，这意味着力量和AErms变化不被考虑在以前的神经网络模型[1-6,19]。 在这项研究中，一个能为在数控车床操作中的磨损工具进行刀具磨损量的估计的在线模糊神经网络（FNN）（图1）已经被开发。该在线FNN模型的算法包括三个部分：（一）用户接口;（二）信号的采集;（三）模糊神经网络。该模糊神经网络部分可分为四个小节所示图2。模糊神经网络部分的第一部分使用模糊逻辑分类刀具磨损。第二部分是为了使神经网络的输入正常化。被开发的模糊神经网络部分的第三部分是通过修改后的最小二乘反向传播（MLSB）神经网络来估计最大深度月牙洼磨损和后刀面磨损宽度 [7]，该部分比其他如传统的BP神经网络和最小二乘BP神经网络神经网络具有较高的准确性和消耗更少的训练时间 [7]。模糊神经网络部分的第四部分是用来调整第三部分的成果，以消除同一规格不同的切削工具所产生的力和AErms信号变化的影响。 开始 2在线模糊神经网络模型 准备重量用于神经网络 2.1用户界面 输入切削条件作为需求 用户界面的一部分，如图1，已开发使用MATLAB软件V5.1。这部分主要的功能是：（一）提示用户输入必要的信息，包括切削条件和名义工具取代工具插入穿的大小和（二）估计穿结果??显示给用户。 2.2信号采集 估计刀面和月牙洼磨损的模糊神经网络 取样力量和AErms信号 使用由鹰科技有限公司开发的Visual C+ +5.0和PC30D驱动器，来建立可以用来采样三个力以及AErms信号的可执行文件。在在线系统中，它的功能是MATLAB程序调用和使用这个文件。此可执行文件将作为模糊神经网络输入的一部分累积1600万样本的力量和AErms信号进行再加工和使用。 2.3。模糊神经网络 是 继续刀具磨损检测 显示估计的结果 为了提高在线的刀具磨损估计的准确性和消除上述表示的平均力量和AErms变化的影响，一个新的模糊神经网络模型被开发。如图2，FNN模型可以分为四个部分：刀具磨损的分类（模糊逻辑）；输入正常化；刀具磨损估计（MLSB神经网络）；和刀具磨损调整（模糊逻辑）。每一部分的细节在下面的章节。 否 2.3.1采用模糊逻辑进行刀具磨损的分类 结束 图1 在线模糊神经网络模型的算法 为了预测后刀面磨损，月牙洼磨损，骨折片和尖端恶化的发生，在图2的第一部分已经利用模糊逻辑开发。在这项研究中，256个模糊规则被用来预测这四个结果而被分为四组。虽然后刀面磨损的增长被工具芯片的接口，工具工件接口，剪切带产生的温度显著影响。然而，这些模糊规则的目的并不是要预测刀面磨损或月牙洼磨损的程度。这些规则只是旨在表明，刀面磨损或月牙洼磨损的增长已开始或没有在上一个新的工具之后开始转向操作。事实上，后一阶段的磨损程度估计是只使用AErms和力信号表明。最近的研究表明[39]，在加工一个新的工具时，工具刀刃上的温度几乎是类似的剪切带的最高温度的。然而，刀具的前刀面上的最高温度，将被工具芯片的接口区的能源消费所影响。剪切力和工具芯片的接口区的能源消耗可以表示材料性能和切削条件的术语。它会假设刀具材料去除 月牙洼磨损 后刀面磨损 模糊规则 模糊规则 输入正常化 输入正常化 模糊规则 子模型B 子模型A 刀具磨损的调整 刀具磨损的估计 刀具磨损的分类 图2，拟议的模糊神经网络模型的体系结构 因前刀面和侧翼面的磨损而发生的初期变化。这些物质清除率受这些面孔的温度和应用正应力的强烈影响 [41]。然而，一些切削时间的期限也需要稳定的切削温度[38]以及燃烧任何工作的材料，坚持工具在刚开始削减低温条件下的初始阶段[42]。因此，通过剪切带中的能源消耗和切削时间的期限（模糊规则第一组）可以预见初期后刀面磨损。第二组还可以通过前刀面的摩擦能量和切削时间预测初期月牙洼磨损。骨折片使用第三组的模糊规则表示，该组采用侧翼和月牙洼磨损的大小，标准差的比率和AErms的平均值和切削时间。最后的模糊规则组是尖端恶化，后刀面磨损宽度，最大深度月牙洼磨损和切削时间之间的相关性的基础上建立的。 在目前的研究中，每个骨折片事件的发生概率，切割边缘恶化，后刀面磨损和月牙洼磨损是一个0和1之间的值的数字。值'0'意味着没有这些事件的发生。值'1'是指这些事件的发生。值'0.5'是指这样的事件可能会或可能不会发生。 2.3.2。输入正常化 小于0和大于1的输入需要在0和1[2,8] 之间归一。这是为了防止无限的价值Sigmoid函数输出为一个大值输入总和。除以相同的参数设置整个数据的最大价值，这两次值，可确定为每个参数的归一值。 2.3.3。使用MLSB神经网络的刀具磨损估计 MLSB神经网络算法的基础是Li等人发展起来的[7]，它是在最小二乘BP算法的基础上调整隐层的连接权和输出。隐藏层的一组“需要”输出添加到输入集，通过一个反馈路径来加速神经网络的收敛速度。这个概念也在被为目前的模型中采用的神经网络加快收敛速度所使用，。与传统的BP神经网络相比，修改后的神经网络使用较少的训练迭代以及较短的训练时间，并具有较高的准确性[7]。 输入层是基于36输入端，包括基本及衍生参数（见表1）。几个这些参数影响侧翼和月牙洼磨损，主要包括三种力量[2,14]，AErms[14]，力的总能量[14]，力的的比例[14,34-37]和倾斜以及一些力量带峰值。 表1 新的FNN模型的输入单位 1.偏差（0.5）      2.切削力（Fc）      3.进给力（Ff）    4.径向力（Fr） 5. AErms          6.SD/平均AErms      7.速度            8.进给率 9.倾角            10.切割的深度      11.FF/FC          12.FR/FC 13.Fr/Ff    14.力量的总能量    15.骨折片的发生  16.切削刃恶化的发生 17.侧翼磨损的发生                            18.火山口磨损的发生  19.Fc（20-220千赫）的斜度                  20.Fc（20-220千赫）的峰度 21.Fc（420-620kHz）的斜度              22. Fc（420-620 kHz）的峰度23.Fc（8201020千赫）的斜度              24.FC（820-1020千赫）的峰度 25.Ff（20-220千赫）的斜度                26.Ff（20-220千赫）的峰度27.Ff（420-620 kHz）的斜度              28.Ff（420-620 kHz）的峰度 29.Ff（820-1020千赫）的斜度              30 .Ff（820-1020千赫）的峰度31.Fr（20-220千赫）的斜度                  32.Fr（20-220千赫）的峰度 33.Ff（420-620 kHz）的斜度              34. Ff（420-620 kHz）的峰度35.Ff（820-1020千赫）的斜度              36.Fr（820-1020千赫）的峰度 据观察，力信号的频率分布格局是由切削条件[20]和刀具磨损影响地[14]。因此，改变刀具磨损和切削条件的变化导致力分布在固定频段的偏差和峰值。因此，它是一些力带的偏差和峰度作为输入选择的原因。 力量，AErms，力的的总能量是由切削条件[14,20,22,26]，骨折片[14,21]，尖端的恶化[14]，和侧面，以及月牙洼磨损[14] 影响的。因此，基本参数以及骨折片的发生，切削刃恶化，后刀面磨损和月牙洼磨损也需要作为输入使用。 导致最小误差的隐藏单位数量，可以使用几种技术，包括广濑方法 [9]，敏感性的方法[10]和修剪方法[10]进行估计。在目前的研究中，广濑等技术 [9]被选定作为找到合适的隐藏单位数量的方法。这是因为这种技术可以在计算机程序培训MLSB神经网络集成。然而，隐藏单位的数量必须小于上限为隐藏单位所需数量（两次输入单位数加一）[11]。 由于大多数现实世界的问题可能有线性元件，因此当所有隐藏的单位使用非线性激活函数时，它是很难估计准确的结果，。所以，隐藏的单位之一应始终是一个线性函数[12]。因此，隐藏单位在这项研究中激活函数包括线性和非线性函数。一个简单的线性函数（Y = X）适用于一个隐藏的单位。其余隐藏单位聘请Sigmoid函数作为其激活函数。 一个隐藏层很多次无法提供令人满意的结果。因此，需要更多的层以增加神经网络的估计精度。这是因为拥有大量层以及在早期层有较少的单位的网络可能比在每一层有许多单位的浅网络更好推广[13]。可以产生一个狭长的网络的一个技术可以培养然后再修剪尽可能少的网络单位。此后，可以插入额外的层，使网络重新揣摩的解决[10]。 图3，安排实验装置示意图 双方MLSB神经网络模型中的输出层（图2）由刀面磨损估计宽度以及月牙洼磨损的最大深度组成。这些层采用Sigmoid函数作为激活函数。应该指出，如果一个新的工具用于测试数据的力和AErms信号低于训练数据的信号时，估计刀具磨损应该是否定的。然而，在这种情况下，估计值是0，因为sigmoid函数的输出在0和1之间。因此，月牙洼磨损的大小都必须增加0.5和刀面磨损大小都必须除以10然后在训练神经网络之前再加入0.5，以迫使结果在乙状功能的有效范围内。由于MLSB神经网络的输出是标准值，侧翼和月牙洼磨损在输入刀具磨损调整部分前需要进行调整实际大小。