張蕾

上海電機(jī)學(xué)院，中國(guó)·上海 200240

CMAC；設(shè)備性能衰退；狀態(tài)監(jiān)控

1 引言

現(xiàn)在很多柔性加工中心、高度自動(dòng)化的切削機(jī)床都有了相應(yīng)的狀態(tài)監(jiān)控系統(tǒng)[1,2]。進(jìn)行狀態(tài)識(shí)別的方法主要有建立系統(tǒng)模型、統(tǒng)計(jì)分析和神經(jīng)網(wǎng)絡(luò)等，其中神經(jīng)網(wǎng)絡(luò)被認(rèn)為是比較理想的工具之一[3]。但是，一般的神經(jīng)網(wǎng)絡(luò)要正確識(shí)別不同的狀態(tài)，需要有充分的訓(xùn)練樣本，而且目前應(yīng)用的場(chǎng)合多是簡(jiǎn)單地判別設(shè)備是處在正常還是故障狀態(tài)，對(duì)設(shè)備性能的退化過(guò)程沒(méi)有給予重視和研究。

CMAC（小腦模型節(jié)點(diǎn)控制器）是根據(jù)小腦的生物模型提出的一種神經(jīng)元網(wǎng)絡(luò)模型。它具有學(xué)習(xí)速度快、無(wú)局部極小點(diǎn)和局域泛化等特點(diǎn)，特別適用于實(shí)時(shí)控制、非線性函數(shù)映射和模式識(shí)別等領(lǐng)域[4]。論文提出了一種改進(jìn)的CMAC 算法，并且應(yīng)用在實(shí)際的刀具狀態(tài)監(jiān)控系統(tǒng)中，對(duì)刀具的磨損狀態(tài)進(jìn)行了評(píng)估，證明了改進(jìn)方法的可行性。

2 CMAC 用于設(shè)備性能退化預(yù)測(cè)的基本方法

CMAC 模型中基本的映射過(guò)程分為四步[5]：

（1）對(duì)每個(gè)輸入變量進(jìn)行量化。

（2）確定每個(gè)變量激活的分地址（S →M）。

（3）分地址進(jìn)行組合確定輸入向量所映射的虛擬地址（M →A）。

（4）從虛擬地址映射到物理存儲(chǔ)地址（A →AP）。

由CMAC 的模型和映射原理可知，在輸入單元中距離比較近的向量，其激活的權(quán)地址會(huì)發(fā)生重疊，從而使得輸出也比較接近。論文提出一種改進(jìn)的CMAC 算法，可以使網(wǎng)絡(luò)的輸出直接表示設(shè)備的狀態(tài)，算法描述如下。

假設(shè)當(dāng)設(shè)備處于正常狀態(tài)時(shí)，網(wǎng)絡(luò)的輸出為1，這樣就沒(méi)有必要再對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，可以采取直接對(duì)權(quán)進(jìn)行賦值的方法來(lái)對(duì)樣本進(jìn)行學(xué)習(xí)。例如，如果輸入向量最終映射到AP的每一層的地址為102,10,34 ,68,那么我們直接將權(quán)賦值為：

其中，c 代表泛化參數(shù)，W(i,j)中i代表AP中的層數(shù)，i=1,2...c，j代表每一層激活的存儲(chǔ)單元地址。通過(guò)這種方法，網(wǎng)絡(luò)的輸出可直接表示設(shè)備的狀態(tài)。

3 基于改進(jìn)算法的CMAC 的應(yīng)用

為檢測(cè)改進(jìn)算法的可行性，我們將采用改進(jìn)算法的CMAC 應(yīng)用于刀具狀態(tài)監(jiān)控系統(tǒng)中來(lái)識(shí)別刀具的不同狀態(tài)。監(jiān)控系統(tǒng)簡(jiǎn)單的結(jié)構(gòu)示意圖如圖1所示。傳感器信號(hào)經(jīng)過(guò)處理后，所提取的特征值包括x,y,z 三個(gè)坐標(biāo)方向上的靜態(tài)力、動(dòng)態(tài)力以及加速度，這些特征量加上切削速度、進(jìn)給量和切削深度共12 個(gè)變量作為神經(jīng)網(wǎng)絡(luò)的輸入。樣本數(shù)據(jù)有48 組，其中前24 組是刀具在正常銳利狀態(tài)，其他為刀具在嚴(yán)重磨損狀態(tài)，即失效狀態(tài)。

圖1 刀具狀態(tài)監(jiān)控系統(tǒng)示意圖

部分樣本數(shù)據(jù)如表1所示。假設(shè)當(dāng)?shù)毒咛幱诒容^銳利的狀態(tài)時(shí)，網(wǎng)絡(luò)的輸出為1，將刀具處于銳利狀態(tài)時(shí)的數(shù)據(jù)作為訓(xùn)練樣本，采用改進(jìn)算法的CMAC 對(duì)刀具的磨損狀態(tài)進(jìn)行識(shí)別，結(jié)果如表2所示。分析CMAC 的映射過(guò)程可知，采用刀具處于銳利狀態(tài)時(shí)的數(shù)據(jù)對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，當(dāng)?shù)毒咛幱诓煌哪p狀態(tài)時(shí)，其輸入數(shù)據(jù)必將和原來(lái)的訓(xùn)練數(shù)據(jù)發(fā)生一定的偏離，網(wǎng)絡(luò)的輸出結(jié)果依賴于輸入數(shù)據(jù)與某一訓(xùn)練數(shù)據(jù)的接近程度，如果兩者距離比較近，則輸出也比較接近。因此，如果網(wǎng)絡(luò)的輸出越接近1，表明刀具越接近銳利狀態(tài)，反之說(shuō)明刀具磨損地越厲害。隨著偏離程度的增大，刀具性能的退化程度提高，置信度值減小。

表1 部分樣本數(shù)據(jù)

表2 部分評(píng)估結(jié)果

應(yīng)該注意的是，CMAC 模型中各項(xiàng)參數(shù)的取值，例如每個(gè)變量的分辨率（或最大量化值），泛化常數(shù)c 等對(duì)網(wǎng)絡(luò)的輸出會(huì)產(chǎn)生一定的影響，如表2和圖2所示，不同的c 值其評(píng)估的結(jié)果也不一樣。這些參數(shù)的取值應(yīng)根據(jù)實(shí)際的應(yīng)用場(chǎng)合和具體的精度要求來(lái)定?？紤]到參數(shù)取值和其他不確定因素的影響，在圖2當(dāng)中，我們可以設(shè)定閥值來(lái)表示刀具所處狀態(tài)的極限。例如，當(dāng)輸出大于0.8 時(shí)，可以認(rèn)為刀具處在比較好的狀態(tài)，當(dāng)輸出小于0.8 后可以看作刀具性能在衰退，當(dāng)小于0.2 時(shí)，認(rèn)為刀具發(fā)生了嚴(yán)重磨損，應(yīng)及時(shí)更換。

圖2 刀具的狀態(tài)變化預(yù)測(cè)

通過(guò)分析結(jié)果可知，采用改進(jìn)算法的模型比較簡(jiǎn)單實(shí)用，CMAC 網(wǎng)絡(luò)的輸出可直接表示所檢測(cè)設(shè)備的性能變化情況，而且它采用了對(duì)權(quán)直接賦值的方法，不再需要訓(xùn)練過(guò)程，因而大大降低了運(yùn)算的復(fù)雜性，提高了對(duì)樣本的學(xué)習(xí)速度。

4 結(jié)語(yǔ)

對(duì)設(shè)備的性能衰退進(jìn)行預(yù)測(cè)可以在設(shè)備發(fā)生故障之前采取有效的維護(hù)措施，減小由于設(shè)備停止運(yùn)轉(zhuǎn)而帶來(lái)的損失，大大提高生產(chǎn)率?；诟倪M(jìn)算法的CMAC 可用來(lái)對(duì)設(shè)備的性能衰退進(jìn)行監(jiān)控和評(píng)估，在刀具狀態(tài)監(jiān)控系統(tǒng)中對(duì)刀具的磨損狀態(tài)進(jìn)行了評(píng)估，結(jié)果說(shuō)明了改進(jìn)算法減小了樣本學(xué)習(xí)時(shí)間，降低了計(jì)算復(fù)雜性，可以達(dá)到較理想的評(píng)估效果。