实现电火花线切割加工3种状态的鉴别

　　利用模糊神经网络作为多传感器数据融合的工具，降低了检测系统的成本，提高了检测的准确性。将其应用于自行开发的电火花线切割加工放电状态的预报系统的检测部分，在SCX-Ⅱ型数控线切割机床上证明该方法是有效和可行的。电火花加工是在一定的介质中，通过工具电极与工件电极之间脉冲放电的电腐蚀作用进行加工的一种非传统加工方法。为保证加工正常进行和提高加工效率以及对机床进行故障诊断和故障预报，都要以先进的检测环节为基础。其中对加工间隙的放电状态检测是进行故障诊断和监控的重要研究内容之一。目前关于间隙放电状态的检测方法主要有射频信号检测、间隙平均电压检测、击穿延时检测、放电状态时间百分数检测等工过程非常复杂，有很多因素影响着加工精度和加工过程的顺利进行。实验证明，单一的传感器很难正确反映加工状态，向多传感器信息融合发展是必然之路.传感器信息融合是指将经过集成处理的多传感器信息进行合成，形成对环境某一特征的一种表达方式。经过集成与融合的多传感器信息具有信息的冗余性、信息的互补性、信息的实时性、信息的低成本性的特点;对本文的具体问题来说，它具有较强的故障融错与系统重构能力。信息融合需要很强的能力和有效的算法，计算机和人工神经网络为此提供了强有力的支持。

　　在考虑电火花线切割加工特点的基础上，针对数控线切割加工故障预报中的信息融合问题，提出了一种利用放电加工中的峰值电压和峰值电流的信息，应用基于神经网络的多传感器融合技术，以决策级融合为主，特征级融合为辅的方法。同时考虑到神经网络的特点及加工状态的模糊性，把模糊系统引进神经网络，在决策级的信息融合系统中采用了模糊神经网络的方法。根据加工状态监控的要求，设计了合理的模糊神经网络模型，然后在融合信息的基础上，按照一定规则对放电状态进行分类识别。由于利用多传感器的信息融合进行目标识别，可以避免单一传感器的局限性，减少各传感器不确定性的影响。因此多传感器数据融合技术的引入，使得监测模块在硬件上对传感元件及采集电路的要求降低，大大减少了系统成本。利用软件实现的分类器，一经训练好，就可直接使用，简便快捷;其分类效果比较理想。

　　多传感器信息融合的硬件设计，实验系统组成为利用计算机对放电间隙电压和间隙电流的大小分析和利用，本文采用了一个WV332Q1脉动直流电压传感器和一个WBI332Q1脉动直流电流传感器。它们分别对间隙电压和间隙电流进行实时测量，并将其变换为标准的直流电压输出。它具有高精度、高隔离、低漂移、温度范围宽的特点;其响应时间为350ms，完全可以满足机床脉冲电源要求。并且输入、输出回路完全隔离，输出信号送入HY-6040型的A/D采集卡中，将模拟量转换成数字量。利用软件构造一模糊神经网络分类器，实现电火花线切割加工3种状态的鉴别。

　　实验方法在电源频率和放电电压一定的条件下，针对空载、正常火花放电和短路3种状态分别采集几百组数据，然后，依次改变电源频率、放电电压，将得到的每种状态的数据，利用统计学的方法确定出均值和方差。

　　模糊神经网络的设计，设计方法快速走丝线切割加工有空载、火花放电和短路3种基本放电状态.由电火花放电状态的电压和电流特性可知，确定加工状态需要脉冲放电的峰值电压和峰值电流这两种信息相互结合。如果这两种传感器各自独立地识别，则可能会对某放电状态出现误识别或不可识别的情况。

　　在本系统中，为了利用计算机对采集到的信息作进一步处理，本文采用经A/D转换得到的峰值电压和峰值电流的数字值。先对这两个特征量进行预处理，即分别求出某一时刻电压和电流值分别属于3种放电状态(开路、火花放电、短路)的隶属度值作为神经网络的输入;其输出为融合两个传感器后电压和电流属于各类放电状态的隶属度值。本文选择应用比较广泛的前馈型人工神网络作为模型，以6个神经元作为网络的输入;该网络的输出为3个神经元，分别代表了被检测的加工状态属于3种类型的隶属度。即通过这一模糊神经网络模型实现峰值电压和峰值电流与3种加工状态的非线性映射关系。同时也实现了两种传感器信息的融合，克服了单一传感器的局限性。模型如图2所示。在具体应用中，通过几种不同模型结构的实行比较，确定模型的隐层数选为1，隐层神经元的数目为8个。

　　隶属函数的形式及决策原则采用语言变量值得到的隶属度函数一般是三角形或梯形，这是因为模糊过程对于语言变量的隶属度函数形状不敏感，只是对隶属函数的范围有一定敏感度。本系统中采用梯形的隶属度函数，如图3所示。其数学公式为式中：μ为传感器I测定其属于j分类器的隶属度值;x表示传感器I测定的实际特征值;x通过实验数据经统计计算确定。

　　对于得出的隶属度值的解释决策，确定如下规则：(1)目标类别应具有 大的隶属度;(2)目标类别的隶属度值必须大于某一阈值，在此规定为0.7.(3)目标类别与其他类别的隶属度值之差必须大于某一阈值，在此规定为0.2.

　　实验及实验结果分析，实验处理过程(1)用选定的传感器监测电极丝和工件之间的峰值电压和峰值电流。

　　(2)采集的传感器信号经A/D转换卡输入计算机。

　　(3)得到的峰值电压和峰值电流利用确定好的隶属度函数进行模糊化处理，为神经网络的输入和模式判别提供标准化的形式。

　　(4)训练阶段：根据得到的属于3种状态的隶属度值和对应的实际状态，组成训练样本;针对确定的神经网络结构和学习方法，反复训练，直至达到期望的性能要求。

　　(5)工作阶段：将已训练好的神经网络应用于状态在线分类中，将峰值电压和峰值电流经隶属度函数模糊处理后的值作为已训练好的网络的输入，经过神经网络的联想，获得此刻属于3种状态的隶属度值;再利用决策规则，确定出属于何种加工状态。

　　实验结果分析为了验证融合系统的有效性，选择了10组数据进行神经网络的训练和验证。前6组数据做教师样本对上述设计好的模糊经神经网络进行训练，并且针对BP网络的几种不同学习方法进行训练比较，得出了利用加入动量和采用自适应学习率的学习方法可得到较满意的结果。其训练步数和均方差关系图如图4所示。然后，用后4组数据进行了验证，该网络不仅对单个传感器可判断出的放电状态能得出正确结论，而且对单一传感器无法正确判断的放电状态也能作出正确判断，得出比较满意的结果。

　　(a)BP网络误差收敛图(22200步)(b)加入动量和采用自适应学习率的BP网络误差收敛图(6006步)从实验结果可以看出，仅仅应用单一传感器对放电状态进行分类判别，有时难免无法得出正确结论。同时由于采集信号的频率较高，要想得到较小的失真度还原信号，对采集系统的硬件设施就要求具有较高的性能，使得研制系统的成本大大提高;利用多传感器融合技术，可以降低对采集系统的要求，充分发挥多信息互补的优势，以较低的硬件成本实现系统的要求。利用统计学的方法对实验数据进行分析，可以保证设计隶属度函数的正确性和工艺参数可在较宽的范围内选择。在此基础上，通过对采集到的峰值电压和峰值电流进行预处理，可提高神经网络的训练速度，仅以有限的训练步数达到要求的精度。在试验中作者发现，主要是正常火花放电状态和短路状态用单一传感器不易区分。通过上面几组数据的验证，可以看出应用神经网络高度非线性映射的能力，只要教师样本选择合适，就能够得出正确的分类结果。