Possibility of applying the RBF neural network to the on-line tool condition monitoring systems

Abstract

Porównano wyniki dwóch metod szacowania zużycia ostrza: uzyskane dla sieci neuronowej RBF oraz metodą hierarchiczną. Analizę sygnałów z procesu skrawania przeprowadzono dla trzech różnych eksperymentów, jednoznacznie wykazując skuteczność obu metod. SŁOWA KLUCZOWE: diagnostyka stanu narzędzia, sieci neuronowe RBF Presented are the results of a comparison of two different methods of estimating tool wear: obtained for RBF neural network and hierarchical methods. The analysis of the signals from the machining process carried out for three different experiments, clearly demonstrating the effect of both presented methods. KEYWORDS: tool condition monitoring, RBF neural networkWraz ze wzrostem wymagań dotyczących wydajności i jakości produkcji zwiększa się stopień automatyzacji obróbki skrawaniem. Jednym z elementów tej automatyzacji są systemy nadzoru procesu skrawania. Podstawowym zadaniem tych systemów jest diagnostyka stanu ostrza. W pracy przedstawiono porównanie dwóch metod szacowania zużycia ostrza na podstawie wielu miar sygnałów diagnostycznych.Typowym rozwiązaniem problemu aproksymacji zuży-cia ostrza na podstawie wielu miar jest zastosowanie sieci neuronowej. Szeroki przegląd takich rozwiązań można znaleźć w [1]. Najpopularniejszą siecią jest perceptron wielowarstwowy [2,3]. Wykazano jednak, że dobre rezultaty można osiągnąć, stosując sieć o radialnych funkcjach bazowych [4]. Ma ona tę przewagę nad perceptronem, że czas jej uczenia jest nieporównywalnie krótszy. Cały proces optymalizacji struktury i parametrów sieci można przeprowadzić w kilka sekund. Dzięki temu nie wprowadza się dodatkowych opóźnień (wynikających z czasu wykonywania obliczeń) w produkcji związanych ze stosowaniem układu nadzoru procesu skrawania. Dlatego w ramach pracy postanowiono przetestować właśnie tę sieć.Pierwsze porównanie algorytmu hierarchicznego i sieci neuronowej przedstawiono w [5]. Tam też znajduje się dokładny opis algorytmu hierarchicznego, do którego porównywano sieć RBF w niniejszej pracy. Uzyskany wtedy wynik wykazywał wyższość algorytmu hierarchicznego, jednakże był on oparty na pojedynczych badaniach doświadczalnych, co mogło sugerować, że jest to wynik przypadkowy. W niniejszym artykule przedstawiono porównanie oparte na trzech badaniach doświadczalnych przeprowadzonych na różnych obrabiarkach, co podnosi wiarygodność uzyskanych wyników.W tablicy zamieszczono skrótowy opis badań, do któ-rych zastosowano porównywane algorytmy przetwarzania danych. Metoda aproksymacji z wykorzystaniem sieci neuronowej RBFMetoda aproksymacji RBF jest oparta na sieci neuronowej typu RBF. Zastosowano sieć jednokierunkową, dwuwarstwową. Składa się ona z warstwy ukrytej neuronów radialnych oraz warstwy wyjściowej obejmującej neuron liniowy. W pracy wykorzystano neuron radialny z funkcją bazową opartą na funkcji wykładniczej. Uczenie sieci neuronowej RBF obejmuje trzy etapy: dobór centrów funkcji radialnych, dobór szerokości funkcji radialnych i dobór wag neuronu liniowego warstwy wyjściowej.Położenie centrów funkcji radialnych jest określ...