在制造业中，刀具的磨损或破损不仅会导致工件表面质量差，生产率低，生产成本高，而且严重时还会造成机床的功能失效及整个系统的故障。因此，在切削加工过程中对刀具磨损状态进行分析具有深远的意义。
人工神经网络是20世纪80年代迅速兴起的一种信息处理技术它试图模拟人脑的一些基本特性，如自组织性、自适应性和容错性能等，并己在模式识别、数据处理和自动控制等方面取得了良好的应用效果11.神经网络的实现方案可分为基于传统计算机技术（如软件模拟）和基于直接硬件实现（如VLSI技术），但目前常用的方法还是软件模拟。在各种模拟软件中以MATLAB*具影响力。
MATLAB具有可靠、高效、稳定的数值运算功能和方便的可视化界面以及其他高级程序设计语言的接口，其中神经网络工具箱（NNbox）为神经网络的应用提供了便利。本文拟采用NNbox仿真环境和BP模型改进算法来建立刀具磨损状态分析模型，并检验该法在实际应用中的可行性和实用性。
1刀具磨损分析的神经网络模型刀具磨损状态的研究，早在上世纪30年代就提出来了。在研究思想上，一般力图寻求某一阈值作为状态识别的依据，但阈值在整个生产中的随机性，很难确定其值，因此进展不大21.几十年来，国内外学者都在致力于这方面的研究，许多中己有不少对刀具磨损的研究报告，一般偏重于算法研究，如采用从理论上计算刀具所受应力的变化来判别刀具状态21，或采用时序分析的方法对刀具进行监测131等。这些方法主要从理论上进行探讨，难于适合实际变化的生产条全避免了采用插齿时出现的齿距累计误差现象，可以满足工件的加工要求。
（编辑吕伯诚）如果您想发表对本文的看法，请将文章编号填入读者意见调查表中的相应位置dat命令从磁盘中调入数据件。由于神经网络良好的非线性逼近能力、泛化功能等特点，为刀具磨损状态的分析、预测提供了可能。
随着刀具的磨损和破损，切削力或扭矩随之变化（包括切削分力比值及切削力动态分量），切削温度、切削功率、振动与声发射信号也都发生变化，用这些信号的变化检测刀具磨损和破损，效果较好。对于精加工也可以用工件尺寸的变化和表面粗糙度的变化来间接检测刀具状态。设控制目标（刀具状态）可用Y=）表示，其相关参数用X=T（X6R"）表示，目的就是要找出一个从R"到Rm的映射关系，使得Y=F（X）。根据BP网络的结构及控制目标与相关参数之间的关系，确定系统原理图如所示。刀具切削金属时，与刀具相关的物tanSigPlrfn理量通过多路传感器进行测量，对测量信号进行分析处理从而得到有关的特征参量；特征参量与BP网络的输入层相对应，bp系统原理图网络通过前向计算得出输出值，该值与刀具状态相对应，并反馈给用户。BP网络的权值存放在数据库中，其值由BP网络的实际输出与期望输出的误差用反向传播学习算法来修正。Hecht -Nielson等人证明，二层前向网络可实现对任意非线性映射的逼近，故用于磨损状态分析的前馈网络一般为m-k -n该网络输入层有m个神经元，隐层有k个神经元，而输出层有n个神经元，m与n则为影响因素与磨损种类的维数，其值由实际情况而定，即针对所要预测的磨损状态确定n对n种磨损归纳出主要影响因素就可确定出m.对于隐单元数k的确定可利用经验公式及合并删减原则来确定141. 2基于MATLAB的BP网络建立和训练用高级语言来完成神经网络的学习与训练，是一项比较繁杂、费时的工作，而用MATLAB语言编写的仿真程序更为方便、快捷与高效。
21传递函数确定NNbox提供了多个传递函数，对于磨损预测的传递函数，一般隐层变换函数取tansig函数，它是可微函数，可以将神经元的输入范围（-叫+）映射到（- 1+1），非常适于利用BP训练的神经元。如果BP网络*后一层是Sigmoid型神经元，那么整个网络的输出范围较小；如果采用purelin型神经元，则整个网络的输出可以是任意值，因此一般输出层的传递函数为purelh型。网络结构如所示。
22提供训练样本作为有教师的训练算法，其网络模型的*终获得，需要在一定量的实验数据的基础上进行反复迭代运算，使网络输出逼近目标值。有一个经验规则是训练样本应是连接权总数的5~10倍。大量的样本数据以数据文件存储，即包括输入矢量与目标矢量数据文件，变量。
23网络初始化在BP网络中，只要己知输入矢量p目标矢量t各层的神经元数及各层神经元的传递函数，就可以利用函数NITFF对BP网络进行初始化。对于上述m-k-n网络其初始化语句为=initff（pktknsg）其中，p为mX2网络输入矩阵，m为网络输入节点数，p矩阵的第i行提供第i个输入节点期望的*小输入和*大输入值；k为隐层节点数，t为目标矢量；W1为输入层与隐层连接权值；W2为隐层与输出层连接权值1、B2为隐层、输出层神经元的阈值。
24网络训练MATIAB神经网络工具箱提供的网络训练函数可直接用于循环训练一个BP神经网络，*终达到允许目标误差的函数。常用的训练函数有TRANBP、TRANBPX、TRA1NIM等，它们的用法是类似的，只是采用的学习规则有所不同。函数trainbp利用标准BP学习规则训练前馈网络，使网络完成函数逼近、矢量分类和模式识别；tiabpx米用了动量法和学习率自适应调整的策略，从而提高了学习速度并加了算法的可向网络，其算法快，学习时间短，但它需要更多的内存，对于复杂问题尤为明显51.下面程序表明trainbpx调用方法：%网络训练经过训练得到了新的权值矩阵W2阈值矢量B1，B2te为网络的实际训练次数，tr为网络训练误差和的行矢量。
25网络仿真前向网络由一系列网络层组成，每一层都从前一层得到输入数据，smuff函数可仿真至多三层的前向网络。若给己训练好的网络输入特征量，网络通过前向计算即可得出刀具的状态，其调用格式为：a=simuff（qW1B1tansgW2B2prnelh）；其中q为输入数据，a为预测结果。
26结果的输出预测结果反映出刀具的磨损状态，若对于实际情况，刀具的磨损采用刀具后刀面平均磨损带宽度VB来衡量，磨损产生的教师信号为“1不产生则为”0因此，预测输出矢量中的元素应是接近于0或“1的数值。对于磨损的预测值在给定的误差范围内认为出现磨损，应采用相应措施来消除。利用MATLAB提供的循环及判断语句来完成磨损的消除，即对影响因素的数值进行变化，反复仿真，直到输出矢量为零为止。
3应用与讨论31应用根据以上分析，选用以下条件进行分析：机床：CA6140车床进行外圆车削刀具材料：YTS硬质合金工件材料：45钢，硬度HBS=200~220主轴转速：800（rmin）进给量：0102切削深度：：5表1特征参数与刀具状态AEAE上AE主切走刀机床正常切削刀具磨损严重磨损刀具破损序号脉宽升时间计数率削力抗力功率预报值实际值预报值实际值预报值实际值预报值实际值10201ft6930.350038404820571ft刀具的磨损状态分为正常切削、刀具磨损、严重磨损、刀具破损四种情况。得到与刀具状态密切相关的参数为：AE脉宽、AE上升时间、AE计数率、主切削力、走刀抗力、机床功率。表1中的信号为计算机检测到的电信号经归一化处理之后的结果，“1或0表示刀具对应状态的”有“”无“关系。当然，试验结果中也有个别结果出现错报情况，这就需要对系统性能评估，评估的指标为：①漏报的刀具严重磨损与破损率，经统计分析其值为4.7%.②刀具状态的错报率为6.3%.一般工程中的误判率在10%以下就可满足实际生产。但更精确的预报仍然是广大技术人员追求的目标。出现误报的原因主要集中在以下几点：信号采集准确性的影响。由于不可避免的干扰因素存在，虽有滤波等一些处理方式，但仍给系统带来测量误差。
神经网络系统训练次数的影响。过度的训练会使网络的均方误差加大，但过少的训练也会使误差加大，因此如何科学合理地选择训练次数也应进一步分析。
由于认识的局限性，一些未知的敏感特征参数还未考虑进去；一些不宜实现在线检测的特征参数也未考虑，如刀尖温度的测量，刀具振动的测量（关键是将与刀具磨损有关的振动信号与其他振源信号分离开来）。
32讨论（1）神经网络将事物内在联系隐藏在网络权值中，使分析本质规律带来难度，但它仍为研究提供了一种途径，利用Matkb软件可作出某些因素对控制目标的影响趋势图，这对进一步研究及指导生产具有积极作用。则是在一定条件下声发射信号的计数率与后刀面磨损的影响趋势图。
记数率与后刀面磨损量的关系（2）对于控制目标的影响因素应根据具体问题具体分析，应总结主要的影响因素。对于制造加工的多变复杂性及操作的人工经验性，一些工艺措施很难定量化，解决的方法一是进一步提高自动化水平，减少人为干预；二是利用模糊评价体系评价一些工艺措施，逐步提高加工的可控性。
用于刀具磨损状态预测的神经网络结构参数确定有很大的经验性，可以借助一些经验公式及算法来实现，但应注意的原则是：应很好地解决工程实际问题，因此以实际效果为主。
4结语利用Matlab软件来实现刀具磨损状态的分析与控制是完全可行的，这对刀具严重磨损以及破损的预防及成品率的提高有积极作用。
运用Matlab神经网络工具箱不需要传统的繁琐编程，研究人员只需掌握网络的学习训练等函数，从而节省了程序设计、调试及网络学习训练所需的时间，可集中精力思考解决问题的模型，研究问题的本质，提高了效率及质量。
来源：中国刀具网
