CN102335872B - 基于人工神经网络的磨床砂轮自动修整方法和修整装置 - Google Patents

Abstract

本发明公开一种基于人工神经网络的磨床砂轮自动修整方法和修整装置，通过均匀磨削实验采集每次实验现场砂轮电机电压U、砂轮电机电流I、砂轮转速n、待加工零件与砂轮的相对平移速度v数据，以及对应每次实验的砂轮钝化系数d；并从中选取训练样本数据来训练建立的人工神经网络预测模型；之后通过现场采集砂轮电机电压U、砂轮电机电流I、砂轮转速n、待加工零件与砂轮的相对平移速度v后送入建立的人工神经网络预测模型中计算输出y，并将y与预先设定的修整设定值进行比较来控制修整工具对砂轮进行修整。本发明能够减少磨削加工中的人为判断因素，从而提高磨床磨削加工过程的自动化程度，降低加工成本和废品率。

Description

基于人工神经网络的磨床砂轮自动修整方法和修整装置

技术领域

本发明涉及机械磨削加工领域，具体涉及一种基于人工神经网络的磨床砂轮自动修整方法和修整装置。

背景技术

磨床是实施磨削加工的主要工具。磨削加工是借助砂轮表面的大量磨粒切削刃去除材料的一种加工方法，作为一种获得高精度、低粗糙度加工表面以及对高硬度表面进行精加工的工艺方法，在机械加工技术领域占有十分重要的地位。磨钝后的砂轮，将影响被磨工件的表面质量和几何精度，因此，必须及时对磨钝后的砂轮进行修整和补偿，才能保证零件的加工质量。传统的磨床砂轮修整，大多是通过人工检验零件误差，根据经验判断砂轮是否钝化，如果钝化则进行人工修整、人工调整参数，因而无法实现修整自动化。这种根据经验判断砂轮是否钝化的方法，判断结果与工人个体有关、带有主观性，而且是事后(零件尺寸超差后)判断、难以把握砂轮修整的最恰当时机。要不采用定时修整方式在砂轮钝化前提前修整，则缩短了砂轮使用寿命；要不就是在砂轮钝化后，造成零件尺寸超差后才修整，则加工废品率高。

为了把握砂轮修整的时机，现有的砂轮磨损状态检测方法可以分为静态检测与动态检测两种。静态检测主要有滚动复印法和触针法，这些方法的缺点是离线的、事后的检测，因此不利于提高工作效率和保证产品合格率；动态检测主要有光截法、光点自动测量法、激光功率谱法、电镜观察法、光反射法和声发射监测法等，这些方法的缺点是安装调试困难、结构复杂、对人员素质要求高，因此还尚未用于生产加工。由于上述原因，目前磨床的砂轮修整基本没有实现自动化。

发明内容

本发明所要解决的技术问题是提供一种基于人工神经网络的磨床砂轮自动修整方法和修整装置，它能够减少磨削加工中的人为判断因素，从而提高磨床磨削加工过程的自动化程度，降低加工成本和废品率。

为解决上述问题，本发明是通过以下技术方案实现的：

一种基于人工神经网络的磨床砂轮自动修整方法，包括如下步骤：

(1)均匀磨削实验：选取一批数量足够多、并具有相同加工工艺参数的待加工零件，在相同工况下进行磨削实验，每磨削加工一次为一次实验；

(1.1)从砂轮刚修整即砂轮的钝化系数d＝0开始，到砂轮即将磨钝需要修整时的钝化系数d＝1为止，进行磨削实验；设总共进行了b+1次实验，则对应第一次实验的砂轮钝化系数d＝0，第二次实验的砂轮钝化系数d＝1/b，第三次实验的砂轮钝化系数d＝2/b，以此类推，至最后一次即第b+1次的砂轮钝化系数d＝b/b＝1；与此同时，采集每次实验现场砂轮电机电压U、砂轮电机电流I、砂轮转速n、待加工零件与砂轮的相对平移速度v数据，实验完成后计算并保存对应每次实验的砂轮钝化系数d；

(1.2)自砂轮的钝化系数d从0到1的变化过程中，在上述(1.1)步骤所得数据中均匀选取训练样本数据，每个训练样本记为(U_i、I_i、n_i、v_i)，对应的砂轮钝化系数为d_i，其中i＝1、2、…、N，N为训练样本数；按同样的方法在上述(1.1)步骤所得数据中另外选取N个验证数据用于验证人工神经网络的可信度；

(1.3)将上述(1.2)步骤得到的训练样本对记为(X_i，d_i)(i＝1、2、…、N)，其中对应任一输入样本向量X_i＝(x_1i，x_2i，x_3i，x_4i)＝(U_i，I_i，n_i，v_i)，人工神经网络实际输出为y_i，期望输出为d_i；

(2)建立人工神经网络预测模型，用样本数据训练神经网络，得出一个反映输入输出关系的人工神经网络预测模型；

(2.1)按以下要求构造的一个人工神经网络预测模型为三层的误差反向传播算法神经网络(BP神经网络)；

(2.1.1)输入层节点数M的选取：输入层节点数M与人工神经网络输入参数个数相同，即M＝4；

(2.1.2)隐含层节点数H的选取：

式中，M为输入层节点数，J为输出层节点数，a为1≤a≤10之间的常数，即3≤H≤12；

隐含层节点输出为：

式中，M＝4为输入层节点数，x₀＝-1，w_0h为第h个隐含层节点的阈值，w_mh为第m(1≤m≤4)个输入x_m(即x₁、x₂、x₃、x₄)到第h个隐含层节点的连接权值；

(2.1.3)输出层节点数J的选取：输出层节点数J与人工神经网络输出参数个数相同，即J＝1；

输出层节点输出为：

式中，H为隐含层节点数，g₀＝-1，w_0y为输出节点的阈值，w_hy为第h(1≤h≤H)个隐含层节点到输出层节点的连接权值；

(2.1.4)隐含层节点和输出层节点的激励函数均采用Sigmoid函数；

(2.1.5)各层节点之间的初始连接权值和节点的初始阈值取随机非零值；

(2.2)按以下步骤训练上述步骤(2.1)所获得的误差反向传播算法神经网络；

(2.2.1)隐含层节点数H先从小开始逐次增大进行取值，来对具有不同隐含层节点数H的人工神经网络预测模型进行训练，找出具有最好预测结果的人工神经网络，该人工神经网络预测模型隐含层节点数H就是最后确定的隐含层节点数H值；

(2.2.2)人工神经网络预测模型进行训练学习过程中第n次迭代时所定义的误差E(n)为：

$E\left(n\right)=\frac{1}{2N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{(d_i-y_i\left(n\right))}^2,$

式中，i＝1、2、…、N，N为训练样本数，y_i(n)为对应第i个输入样本的第n次迭代时的人工神经网络输出，d_i为对应第i个输入样本的期望输出；

(2.2.3)根据误差E(n)修正各层节点之间的连接权值和节点的阈值，其修正公式为：

$w_{\mathrm{mh}}(n+1)=w_{\mathrm{mh}}\left(n\right)-\mathrm{\η}\frac{\∂E\left(n\right)}{{\∂w}_{\mathrm{mh}}\left(n\right)}$

$w_{\mathrm{hy}}(n+1)=w_{\mathrm{hy}}\left(n\right)-\mathrm{\η}\frac{\∂E\left(n\right)}{{\∂w}_{\mathrm{hy}}\left(n\right)}$

式中，0≤m≤4，0≤h≤H，学习步长η的取值范围为0＜η＜1；

(2.2.4)当误差E(n)小于误差设定值δ时或训练次数达到设定训练值Q次时，训练停止；否则改变隐含层节点数H，重复步骤(2.2.1)～步骤(2.2.3)的训练步骤；

(2.2.5)保存经多次修正后的各层节点之间的连接权值和节点的阈值，得到一个反映输入输出关系的人工神经网络预测模型；

(3)砂轮自动修整：经过上述训练后，可启动磨削加工；通过现场采集砂轮电机电压U、砂轮电机电流I、砂轮转速n、以及待加工零件与砂轮的相对平移速度v后送入上述建立的人工神经网络预测模型中计算输出y，将y与预先设定的修整设定值进行比较，当y大于或等于修整设定值时，控制修整工具对砂轮进行修整。

上述方案中，所述训练样本数N为人工神经网络输入参数个数的3～5倍。

上述方案中，步骤(1)中所述砂轮电机电压U_i和砂轮电机电流I_i均是按小波分析方法进行采集和处理后得到的电压和电流特征值数据。

上述方案中，步骤(2.1.5)中各层节点之间的初始连接权值和节点的初始阈值可利用遗传算法进行优化。

上述方案中，步骤(2.2.4)中误差设定值δ介于0.01～0.001之间，设定训练值Q介于500～1000之间。

一种基于人工神经网络的磨床砂轮自动修整装置，主要由修整工具、滑台、步进电动机、丝杆和数控系统组成；其中修整工具位于磨床砂轮顶部上方，修整工具安装在滑台上，滑台经由丝杆与步进电动机的输出端相连，步进电机的输入端与数控系统相连；上述数控系统包括控制中心、砂轮电机电流检测电路、砂轮电机电压检测电路、砂轮电机转速检测电路、磨床工作台速度检测电路和步进电机驱动电路；其中控制中心内设有信号采集模块、信号处理模块、基于人工神经网络的砂轮磨损状态预测模块和电机控制模块；砂轮电机电流检测电路、砂轮电机电压检测电路、砂轮电机转速检测电路和磨床工作台速度检测电路均连接在信号采集模块上，信号采集模块经由信号处理模块与砂轮磨损状态预测模块相连，砂轮磨损状态预测模块通过电机控制模块连接步进电机驱动电路。

上述方案中，所述砂轮电机电流检测电路和磨床电压检测电路中的传感器均为霍尔传感器；砂轮电机转速检测电路中的传感器为圆光栅，圆光栅与磨床电机同轴连接；磨床工作台速度检测电路中的传感器为光栅尺，光栅尺的运动部分和静止部分分别固定在磨床工作台和磨床床身上。

上述方案中，所述修整工具为金刚钻笔、金刚石笔、金刚石车刀、滚轮或星形刀片。

上述方案中，所述滑台为一维滑台、二维滑台或三维滑台。

与现有技术相比，本发明能够在线监测砂轮磨损状态，实现砂轮自动修整，减少磨削加工中的人为判断因素，从而提高磨削加工过程的自动化程度，装置结构简单、容易实现。

附图说明

图1为本发明一种基于人工神经网络的磨床砂轮自动修整装置的原理框图；

图2为本发明一种基于人工神经网络的磨床砂轮自动修整方法的流程图；

图3为BP神经网络预测模型图。

具体实施方式

参见图1，本发明所设计的一种基于人工神经网络的磨床砂轮自动修整装置，主要由修整工具、滑台、步进电动机、丝杆和数控系统组成。其中修整工具位于磨床砂轮顶部上方，修整工具安装在滑台上，滑台经由丝杆与步进电动机的输出端相连，步进电机的输入端与数控系统相连。上述数控系统包括控制中心、砂轮电机电流检测电路、砂轮电机电压检测电路、砂轮电机转速检测电路、磨床工作台速度检测电路和步进电机驱动电路。其中控制中心内设有信号采集模块、信号处理模块、基于人工神经网络的砂轮磨损状态预测模块和电机控制模块。砂轮电机电流检测电路、砂轮电机电压检测电路、砂轮电机转速检测电路和磨床工作台速度检测电路均连接在信号采集模块上，信号采集模块经由信号处理模块与砂轮磨损状态预测模块相连；砂轮磨损状态预测模块通过电机控制模块连接步进电机驱动电路。

上述修整工具可以为金刚钻笔、金刚石笔、金刚石车刀、滚轮或星形刀片；但在本发明优选实施例中，所述修整工具为金刚钻笔。上述滑台可以为一维滑台、二维或三维滑台。一维滑台可以带动修整工具沿砂轮的径向移动；二维滑台可以带动修整工具沿砂轮的径向和轴向2个方向移动；三维滑台可以带动修整工具沿砂轮的径向和轴向2个方向移动，还可以绕z轴转动。

砂轮电机电流检测电路用于采集砂轮电机电流I。砂轮电机电压检测电路用于采集砂轮电机电压U。砂轮电机转速检测电路用于采集砂轮转速n。磨床工作台速度检测电路用于采集待加工零件与砂轮的相对平移速度v。上述砂轮电机电压U、砂轮电机电流I、砂轮转速n、待加工零件与砂轮的相对平移速度v送入信号采集模块中，信号采集模块将上述各信号送入信号处理模块处理后送至砂轮磨损状态预测模块，该砂轮磨损状态检测模块应用人工神经网络原理对砂轮磨损程度进行判断，在砂轮需要修整时控制步进电机驱动滑台移动，对砂轮进行修整。

在本发明优选实施例中，所述控制中心为可编程逻辑控制模块(PLC)，砂轮电机电流检测电路和磨床电压检测电路中的传感器均为霍尔传感器；砂轮电机转速检测电路中的传感器为圆光栅，圆光栅与磨床电机同轴连接；磨床工作台速度检测电路中的传感器为光栅尺，光栅尺的运动部分和静止部分分别固定在磨床工作台和磨床床身上。

上述修整装置所采用的基于人工神经网络的磨床砂轮自动修整方法，如图2所示，包括步骤如下：

(1)均匀磨削实验：选取一批数量足够多、并具有相同加工工艺参数的待加工零件，在相同工况下进行磨削实验，每磨削加工一次为一次实验；

上述相同工况就是要保证待加工零件的磨削加工实验顺序可以是任意的；各次磨削加工实验，除了砂轮钝化系数d不一样外，其余因素完全一样。

(1.1)从砂轮刚修整即砂轮的钝化系数d＝0开始，到砂轮即将磨钝需要修整时的钝化系数d＝1为止，进行磨削实验；设总共进行了b+1次实验，则对应第一次实验的砂轮钝化系数d＝0，第二次实验的砂轮钝化系数d＝1/b，第三次实验的砂轮钝化系数d＝2/b，以此类推，至最后一次即第b+1次的砂轮钝化系数d＝b/b＝1；与此同时，采集每次实验现场砂轮电机电压U、砂轮电机电流I、砂轮转速n、待加工零件与砂轮的相对平移速度v数据，实验完成后计算并保存对应每次实验的砂轮钝化系数d；

(1.2)自砂轮的钝化系数d从0到1的变化过程中，在上述(1.1)步骤所得数据中均匀选取训练样本数据，每个训练样本记为(U_i、I_i、n_i、v_i)，对应的砂轮钝化系数为d_i，其中i＝1、2、…、N，N为训练样本数；按同样的方法在上述(1.1)步骤所得数据中另外选取N个验证数据用于验证人工神经网络的可信度；

其中，训练样本数N为人工神经网络输入参数个数的3～5倍。在本实施例中，取训练样本数为20。从上述实验数据中，自d＝0～1变化过程中，均匀选取20个数据作为训练样本数据，每个训练样本记为(U_i、I_i、n_i、v_i)，对应的砂轮钝化系数为d_i，i＝1，2，…，20；按同样方法另外选取20个数据用于验证所构造的人工神经网络的可信度。

所述砂轮电机电压U_i和砂轮电机电流I_i均是按小波分析方法进行采集和处理后得到的电压和电流特征值数据。

(1.3)将上述(1.2)步骤得到的训练样本对记为(X_i，d_i)(i＝1、2、…、N)，其中对应任一输入样本向量X_i＝(x_1i，x_2i，x_3i，x_4i)＝(U_i，I_i，n_i，v_i)，人工神经网络实际输出为y_i，期望输出为d_i；

(2)建立人工神经网络预测模型，用样本数据训练神经网络，得出一个反映输入输出关系的人工神经网络预测模型；参见图3；

(2.1)按以下要求构造的一个人工神经网络预测模型为三层的误差反向传播算法神经网络；

(2.1.1)输入层节点数M的选取：输入层节点数M与人工神经网络输入参数个数相同，即M＝4；

(2.1.2)隐含层节点数H的选取：

式中，M为输入层节点数，J为输出层节点数，a为1≤a≤10之间的常数，即3≤H≤12；

隐含层节点输出为：

式中，M＝4为输入层节点数，x₀＝-1，w_0h为第h个隐含层节点的阈值，w_mh为第m(1≤m≤4)个输入x_m(即x₁、x₂、x₃、x₄)到第h个隐含层节点的连接权值；

(2.1.3)输出层节点数J的选取：输出层节点数J与人工神经网络输出参数个数相同，即J＝1；

输出层节点输出为：

式中，H为隐含层节点数，g₀＝-1，w_0y为输出节点的阈值，w_hy为第h(1≤h≤H)个隐含层节点到输出层节点的连接权值；

(2.1.4)隐含层节点和输出层节点的激励函数均采用Sigmoid函数；

其中Sigmoid函数定义如下：

$f\left(x\right)=\frac{1}{1+\exp (-\mathrm{ax})},a>0$

式中，a为Sigmoid函数的斜率参数。

(2.1.5)各层节点之间的初始连接权值和节点的初始阈值取随机非零值；

由于在训练迭代过程中，各层节点之间的连接权值和节点的阈值是不断被修改的，初始连接权值和初始阈值就是刚开始训练时所取的值。w_mh中对应m＝0、w_hy中对应h＝0时称为阈值，其余称为连接权值。

为了提高训练迭代过程的收敛性和收敛速度，本发明所述各层节点之间的初始连接权值和节点的初始阈值还可以利用遗传算法进行优化。

(2.2)按以下步骤训练上述步骤(2.1)所获得的误差反向传播算法神经网络；

(2.2.1)隐含层节点数H先从小开始逐次增大进行取值，来对具有不同隐含层节点数H的人工神经网络预测模型进行训练，找出具有最好预测结果的人工神经网络，该人工神经网络预测模型隐含层节点数H就是最后确定的隐含层节点数H值；

在本实施例中，首先从隐含层节点数H＝3开始逐次增大H值进行人工神经网络训练，找出H的最佳值，本实施例H＝5。

(2.2.2)人工神经网络预测模型进行训练学习过程中第n次迭代时所定义的误差E(n)为：

$E\left(n\right)=\frac{1}{2N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{(d_i-y_i\left(n\right))}^2,$

式中，i＝1、2、…、N，N为训练样本数，y_i(n)为对应第i个输入样本的第n次迭代时的人工神经网络输出，d_i为对应第i个输入样本的期望输出；

(2.2.3)根据误差E(n)修正各层节点之间的连接权值和节点的阈值，其修正公式为：

$w_{\mathrm{mh}}(n+1)=w_{\mathrm{mh}}\left(n\right)-\mathrm{\η}\frac{\∂E\left(n\right)}{{\∂w}_{\mathrm{mh}}\left(n\right)}$

$w_{\mathrm{hy}}(n+1)=w_{\mathrm{hy}}\left(n\right)-\mathrm{\η}\frac{\∂E\left(n\right)}{{\∂w}_{\mathrm{hy}}\left(n\right)}$

式中，0≤m≤4，0≤h≤H，学习步长η的取值范围为0＜η＜1；

(2.2.4)当误差E(n)小于误差设定值δ时或训练次数达到设定训练值Q次时，训练停止；否则改变隐含层节点数H，重复步骤(2.2.1)～步骤(2.2.3)的训练步骤；

在本实施例中，误差设定值δ介于0.01～0.001之间，设定训练值Q介于500～1000之间。

(2.2.5)保存经多次修正后的各层节点之间的连接权值和节点的阈值，得到一个反映输入输出关系的人工神经网络预测模型；

(3)砂轮自动修整：经过上述训练后，可启动磨削加工；通过现场采集砂轮电机电压U、砂轮电机电流I、砂轮转速n、以及待加工零件与砂轮的相对平移速度v后送入上述建立的人工神经网络预测模型中计算输出y，将y与预先设定的修整设定值(如本发明优选实施例中，修整设定值为0.98)进行比较，当y大于或等于修整设定值(在本发明优选实施例中，为y≥0.98)时，控制修整工具对砂轮进行修整。

Claims (9)

1.基于人工神经网络的磨床砂轮自动修整方法，其特征是包括如下步骤：

(1)均匀磨削实验：选取一批数量足够多、并具有相同加工工艺参数的待加工零件，在相同工况下进行磨削实验，每磨削加工一次为一次实验；

(1.1)从砂轮刚修整即砂轮的钝化系数d＝0开始，到砂轮即将磨钝需要修整时的钝化系数d＝1为止，进行磨削实验；设总共进行了b+1次实验，则对应第一次实验的砂轮钝化系数d=0，第二次实验的砂轮钝化系数d＝1/b，第三次实验的砂轮钝化系数d=2/b，以此类推，至最后一次即第b+1次的砂轮钝化系数d=b/b=1；与此同时，采集每次实验现场砂轮电机电压U、砂轮电机电流I、砂轮转速n、待加工零件与砂轮的相对平移速度v数据，实验完成后计算并保存对应每次实验的砂轮钝化系数d；

(1.2)自砂轮的钝化系数d从0到1的变化过程中，在上述(1.1)步骤所得数据中均匀选取训练样本数据，每个训练样本记为(U_i、I_i、n_i、v_i)，对应的砂轮钝化系数为d_i，其中i＝1、2、…、N，N为训练样本数；按同样的方法在上述(1.1)步骤所得数据中另外选取N个验证数据用于验证人工神经网络的可信度；

(1.3)将上述(1.2)步骤得到的训练样本对记为(X_i，d_i)(i=1、2、…、N)，其中对应任一输入样本向量X_i=(x_1i，x_2i，x_3i，x_4i)=(U_i，I_i，n_i，v_i)，人工神经网络实际输出为y_i，期望输出为d_i；

(2)建立人工神经网络预测模型，用样本数据训练神经网络，得出一个反映输入输出关系的人工神经网络预测模型；

(2.1)按以下要求构造的一个人工神经网络预测模型为三层的误差反向传播算法神经网络；

(2.1.1)输入层节点数M的选取：输入层节点数M与人工神经网络输入参数个数相同，即M＝4；

(2.1.2)隐含层节点数H的选取：

式中，M为输入层节点数，J为输出层节点数，a为1≤a≤10之间的常数，即3≤H≤12；

隐含层节点输出为：

式中，M＝4为输入层节点数，x₀＝-1，w_0h为第h个隐含层节点的阈值，w_mh为第m(1≤m≤4)个输入x_m(即x₁、x₂、x₃、x₄)到第h个隐含层节点的连接权值；

(2.1.3)输出层节点数J的选取：输出层节点数J与人工神经网络输出参数个数相同，即J=1；

输出层节点输出为：

式中，H为隐含层节点数，g₀=-1，w_0y为输出节点的阈值，w_hy为第h(1≤h≤H)个隐含层节点到输出层节点的连接权值；

(2.1.4)隐含层节点和输出层节点的激励函数均采用Sigmoid函数；

(2.1.5)各层节点之间的初始连接权值和节点的初始阈值取随机非零值；

(2.2)按以下步骤训练上述步骤(2.1)所获得的误差反向传播算法神经网络；

(2.2.1)隐含层节点数H先从小开始逐次增大进行取值，来对具有不同隐含层节点数H的人工神经网络预测模型进行训练，找出具有最好预测结果的人工神经网络，该人工神经网络预测模型隐含层节点数H就是最后确定的隐含层节点数H值；

(2.2.2)人工神经网络预测模型进行训练学习过程中第n次迭代时所定义的误差E(n)为：

$E\left(n\right)=\frac{1}{2N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{(d_i-y_i\left(n\right))}^2,$

式中，i=1、2、…、N，N为训练样本数，y_i(n)为对应第i个输入样本的第n次迭代时的人工神经网络输出，d_i为对应第i个输入样本的期望输出；

(2.2.3)根据误差E(n)修正各层节点之间的连接权值和节点的阈值，其修正公式为：

$w_{\mathrm{mh}}(n+1)=w_{\mathrm{mh}}\left(n\right)-\mathrm{\η}\frac{\∂E\left(n\right)}{\∂w_{\mathrm{mh}}\left(n\right)}$

$w_{\mathrm{hy}}(n+1)=w_{\mathrm{hy}}\left(n\right)-\mathrm{\η}\frac{\∂E\left(n\right)}{\∂w_{\mathrm{hy}}\left(n\right)}$

式中，0≤m≤4，0≤h≤H，学习步长η的取值范围为0＜η＜1；

(2.2.4)当误差E(n)小于误差设定值δ时或训练次数达到设定训练值Q次时，训练停止；否则改变隐含层节点数H，重复步骤(2.2.1)～步骤(2.2.3)的训练步骤；

(2.2.5)保存经多次修正后的各层节点之间的连接权值和节点的阈值，得到一个反映输入输出关系的人工神经网络预测模型；

(3)砂轮自动修整：经过上述训练后，可启动磨削加工；通过现场采集砂轮电机电压U、砂轮电机电流I、砂轮转速n、以及待加工零件与砂轮的相对平移速度v后送入上述建立的人工神经网络预测模型中计算输出y，将y与预先设定的修整设定值进行比较，当y大于或等于修整设定值时，控制修整工具对砂轮进行修整。

2.根据权利要求1所述的基于人工神经网络的磨床砂轮自动修整方法，其特征是：所述训练样本数N为人工神经网络输入参数个数的3～5倍。

3.根据权利要求1所述的基于人工神经网络的磨床砂轮自动修整方法，其特征是：步骤(1)中所述砂轮电机电压U_i和砂轮电机电流I_i均是按小波分析方法进行采集和处理后得到的电压和电流特征值数据。

4.根据权利要求1所述的基于人工神经网络的磨床砂轮自动修整方法，其特征是：步骤(2.1.5)中各层节点之间的初始连接权值和节点的初始阈值利用遗传算法进行优化。

5.根据权利要求1所述的基于人工神经网络的磨床砂轮自动修整方法，其特征是：步骤(2.2.4)中误差设定值δ介于0.01～0.001之间，设定训练值Q介于500～1000之间。

6.基于人工神经网络的磨床砂轮自动修整装置，其特征是：主要由修整工具、滑台、步进电动机、丝杆和数控系统组成；其中修整工具位于磨床砂轮顶部上方，修整工具安装在滑台上，滑台经由丝杆与步进电动机的输出端相连，步进电机的输入端与数控系统相连；

上述数控系统包括控制中心、砂轮电机电流检测电路、砂轮电机电压检测电路、砂轮电机转速检测电路、磨床工作台速度检测电路和步进电机驱动电路；其中控制中心内设有信号采集模块、信号处理模块、基于人工神经网络的砂轮磨损状态预测模块和电机控制模块；砂轮电机电流检测电路、砂轮电机电压检测电路、砂轮电机转速检测电路和磨床工作台速度检测电路均连接在信号采集模块上，信号采集模块经由信号处理模块与砂轮磨损状态预测模块相连，砂轮磨损状态预测模块通过电机控制模块连接步进电机驱动电路。

7.根据权利要求6所述的基于人工神经网络的磨床砂轮自动修整装置，其特征是：所述砂轮电机电流检测电路和磨床电压检测电路中的传感器均为霍尔传感器；砂轮电机转速检测电路中的传感器为圆光栅，圆光栅与磨床电机同轴连接；磨床工作台速度检测电路中的传感器为光栅尺，光栅尺的运动部分和静止部分分别固定在磨床工作台和磨床床身上。

8.根据权利要求6所述的基于人工神经网络的磨床砂轮自动修整装置，其特征是：所述修整工具为金刚石笔、金刚石车刀、滚轮或星形刀片。

9.根据权利要求6所述的基于人工神经网络的磨床砂轮自动修整装置，其特征是：所述滑台为一维滑台、二维滑台或三维滑台。

Images