基于模糊神经网络的工器具状态监测时序分析模型的系统的制作方法

本发明涉及制造车间数控加工相关，尤其是指基于模糊神经网络的工器具状态监测时序分析模型的系统。

背景技术：

1、工器具磨损状态实时监测是制造车间数控加工过程中的重要环节，工器具磨损状态受加工工序、工件材料、切削参数等因素影响，整个系统具有较强的非线性和不确定性。工器具的磨损不仅会降低数控加工设备的加工质量，影响工件表面粗糙度和加工精度，同时也严重影响数控加工设备的整体稳定性和加工效率。工器具磨损状态实时监测系统包括状态监测设施和数据分析设施，状态监测设施包括用于加工工件的基础设备，采集加工过程中产生振动信号的设备，以及测量工器具磨损值的设备；数据分析设施包括用于分析和处理数据的高性能计算机和深度学习平台，并将工器具磨损状态实时进行分类和报告。

2、传统的工器具磨损状态监测方法大多基于机器学习模型，模型的学习过程通常为：首先，对采集的信号数据进行归一化、降噪等处理；然后，从时域、频域和时频域进行特征提取和特征选择；最后，采用预先建立的机器学习模型进行分类。深度学习方法模型是一个“端到端的模型”，无需对原始数据进行复杂的数据预处理，能够通过自适应地提取工器具加工信号中隐藏的高维特征和合理的网络深度设计达到较为理想的结果。但是采用端到端的深度学习方法对于监测终端的实时信号处理能力要求很高，硬件成本很大，对于没有经过前期信号预处理的数据存在较大检测误差，甚至很多时候会存在回归性差，全局函数不收敛的问题。

技术实现思路

1、本发明是为了克服现有技术中存在上述的不足，提供了一种能够提高数据检测精度的基于模糊神经网络的工器具状态监测时序分析模型。

2、为了实现上述目的，本发明采用以下技术方案：

3、基于模糊神经网络的工器具状态监测时序分析模型的系统，包括前件网络和后件网络，其中前件网络包括输入层、模糊化层、模糊推理层、去模糊层，用来匹配模糊规则的前件；后件网络为输出层，用来产生模糊规则的后件；输入层是将输入变量传送至模糊化层，模糊化层通过隶属度函数将输入变量转换为相应的模糊语言变量值，模糊推理层对每条模糊规则的适应度进行计算，去模糊化层对模糊推理层的结果进行归一化计算，输出层通过线性加权法求得模糊神经网络fnn清晰的输出值，并采用bp神经网络算法按照反向误差来校正线性加权法参数和隶属函数参数的数值，完成线性加权法参数和隶属函数参数的学习。

4、本发明提出了基于模糊神经网络的工器具状态时序数据检测模型的系统，它的基本原理为：模糊神经网络(fnn)是模糊逻辑fl和神经网络nn的全面结合，二者的结合是基于模糊推理系统能够用多层级的前馈神经网络来表示这一原理；和端到端的神经网络深度学习算法相比，具有更快的处理速度、更低的硬件成本需求和更精准的数据检测精度。

5、作为优选，所述的输入层具体是：将输入变量x＝[x1,x1,x1,…,xn]t传送至模糊化层，输入层的节点数量为输入变量的个数n，t为矩阵转置。

6、作为优选，所述的模糊化层具体是：通过隶属度函数μa(x)将输入变量x＝[x1,x1,x1,…,xn]t转换为相应的模糊语言变量值其中，模糊化层的节点数量为隶属度函数μa(x)为高斯型隶属函数，模糊化层节点的输出为：

7、i＝1,2,3,…,n，j＝1,2,3,…,pi

8、式中：i为输入变量的维数；j为输入变量xi模糊集合数；cij为高斯型隶属函数中心；σij为高斯型隶属函数曲线宽度；pi指的是第i个维数的模糊化层节点数量，p指的是模糊化层节点数量总和。

9、作为优选，所述的模糊推理层具体是：对每条模糊规则的适应度进行计算，模糊推理层中的每个节点代表1条模糊规则，节点数量为采用乘法代替取小运算，每条模糊规则的适应度计算输出为：

10、

11、式中：i1∈{1,2,3,…,p1}，i2∈{1,2,3,…,p2}，i3∈{1,2,3,…,p3}，…，in∈{1,2,3,…,pn}；j＝1,2,3,…,p，

12、作为优选，所述的去模糊化层具体是：对模糊推理层的结果进行归一化计算，去模糊化层中的节点数量与模糊推理层相同，均为去模糊化层节点的输出为：

13、

14、作为优选，所述的输出层具体是：通过线性加权法求得模糊神经网络fnn清晰的输出值，节点数量为p；每条规则的后件为：

15、

16、l＝1,2,3,…,o，j＝1,2,3,…,p，i＝0,1,2,…,n，x0＝1

17、式中：为连接权系数；o为输出值的数量；l为序列号；模糊神经网络fnn的输出为：

18、

19、式中：ykj为去模糊化层与输出层间的连接权值；yk为所有规则后件的权值之和；k为模糊神经网络fnn的节点数量。

20、作为优选，采用bp神经网络算法按照反向误差来校正线性加权法参数和隶属函数参数的数值具体为：采用bp神经网络算法按照反向误差来校正cij、σij的数值，完成连接权系数和隶属函数参数的学习；模糊神经网络fnn的损失函数e为：

21、

22、式中：yk为网络期望的输出值；yk为网络实际的输出值。

23、作为优选，连接权系数的校正方法为：

24、

25、

26、l＝1,2,3,…,o，j＝1,2,3,…,p，i＝0,1,2,…,n，k＝1,2,3,…,o,β＞0

27、式中：β为学习效率；修正后，可将参数固定，利用误差反向传播来计算和再利用梯度寻优算法来调节cij和σij，可以求得一阶梯度为：

28、

29、

30、作为优选，隶属函数中心cij和隶属函数曲线宽度σij的校正方法为：

31、

32、i＝0,1,2,…,n，j＝1,2,3,…,p，k＝1,2,3,…,o,β＞0

33、

34、i＝0,1,2,…,n，j＝1,2,3,…,p，k＝1,2,3,…,o,β＞0

35、式中：β为学习效率；当损失函数值下降至最低时，模糊神经网络fnn的学习过程结束。

36、本发明的有益效果是：具有更快的处理速度、更低的硬件成本需求和更精准的数据检测精度。

技术特征：

1.基于模糊神经网络的工器具状态监测时序分析模型的系统，其特征是，包括前件网络和后件网络，其中前件网络包括输入层、模糊化层、模糊推理层、去模糊层，用来匹配模糊规则的前件；后件网络为输出层，用来产生模糊规则的后件；输入层是将输入变量传送至模糊化层，模糊化层通过隶属度函数将输入变量转换为相应的模糊语言变量值，模糊推理层对每条模糊规则的适应度进行计算，去模糊化层对模糊推理层的结果进行归一化计算，输出层通过线性加权法求得模糊神经网络fnn清晰的输出值，并采用bp神经网络算法按照反向误差来校正线性加权法参数和隶属函数参数的数值，完成线性加权法参数和隶属函数参数的学习。

2.根据权利要求1所述的基于模糊神经网络的工器具状态监测时序分析模型的系统，其特征是，所述的输入层具体是：将输入变量x＝[x1,x1,x1,…,xn]t传送至模糊化层，输入层的节点数量为输入变量的个数n，t为矩阵转置。

3.根据权利要求2所述的基于模糊神经网络的工器具状态监测时序分析模型的系统，其特征是，所述的模糊化层具体是：通过隶属度函数μa(x)将输入变量x＝[x1,x1,x1,…,xn]t转换为相应的模糊语言变量值其中，模糊化层的节点数量为隶属度函数μa(x)为高斯型隶属函数，模糊化层节点的输出为：

4.根据权利要求3所述的基于模糊神经网络的工器具状态监测时序分析模型的系统，其特征是，所述的模糊推理层具体是：对每条模糊规则的适应度进行计算，模糊推理层中的每个节点代表1条模糊规则，节点数量为采用乘法代替取小运算，每条模糊规则的适应度计算输出为：

5.根据权利要求4所述的基于模糊神经网络的工器具状态监测时序分析模型的系统，其特征是，所述的去模糊化层具体是：对模糊推理层的结果进行归一化计算，去模糊化层中的节点数量与模糊推理层相同，均为去模糊化层节点的输出为：

6.根据权利要求5所述的基于模糊神经网络的工器具状态监测时序分析模型的系统，其特征是，所述的输出层具体是：通过线性加权法求得模糊神经网络fnn清晰的输出值，节点数量为p；每条规则的后件为：

7.根据权利要求6所述的基于模糊神经网络的工器具状态监测时序分析模型的系统，其特征是，采用bp神经网络算法按照反向误差来校正线性加权法参数和隶属函数参数的数值具体为：采用bp神经网络算法按照反向误差来校正cij、σij的数值，完成连接权系数和隶属函数参数的学习；模糊神经网络fnn的损失函数e为：

8.根据权利要求7所述的基于模糊神经网络的工器具状态监测时序分析模型的系统，其特征是，连接权系数的校正方法为：

9.根据权利要求7或8所述的基于模糊神经网络的工器具状态监测时序分析模型的系统，其特征是，隶属函数中心cij和隶属函数曲线宽度σij的校正方法为：

技术总结本发明公开了基于模糊神经网络的工器具状态监测时序分析模型的系统。它包括前件网络和后件网络，其中前件网络包括输入层、模糊化层、模糊推理层、去模糊层；后件网络为输出层；输入层是将输入变量传送至模糊化层，模糊化层通过隶属度函数将输入变量转换为相应的模糊语言变量值，模糊推理层对每条模糊规则的适应度进行计算，去模糊化层对模糊推理层的结果进行归一化计算，输出层通过线性加权法求得模糊神经网络FNN清晰的输出值，并采用BP神经网络算法按照反向误差来校正线性加权法参数和隶属函数参数的数值，完成线性加权法参数和隶属函数参数的学习。本发明的有益效果是：具有更快的处理速度、更低的硬件成本需求和更精准的数据检测精度。技术研发人员：徐越飞,陈世喆,朱琦,项小金,黄琴,何军,徐寅飞,陈云龙受保护的技术使用者：杭州电力设备制造有限公司技术研发日：技术公布日：2024/7/9