基于改進算法的CMAC在刀具性能退化評估中的應用

張蕾

上海電機學院，中國·上海 200240

CMAC；設備性能衰退；狀態監控

1 引言

現在很多柔性加工中心、高度自動化的切削機床都有了相應的狀態監控系統[1,2]。進行狀態識別的方法主要有建立系統模型、統計分析和神經網絡等，其中神經網絡被認為是比較理想的工具之一[3]。但是，一般的神經網絡要正確識別不同的狀態，需要有充分的訓練樣本，而且目前應用的場合多是簡單地判別設備是處在正常還是故障狀態，對設備性能的退化過程沒有給予重視和研究。

CMAC（小腦模型節點控制器）是根據小腦的生物模型提出的一種神經元網絡模型。它具有學習速度快、無局部極小點和局域泛化等特點，特別適用于實時控制、非線性函數映射和模式識別等領域[4]。論文提出了一種改進的CMAC 算法，并且應用在實際的刀具狀態監控系統中，對刀具的磨損狀態進行了評估，證明了改進方法的可行性。

2 CMAC 用于設備性能退化預測的基本方法

CMAC 模型中基本的映射過程分為四步[5]：

（1）對每個輸入變量進行量化。

（2）確定每個變量激活的分地址（S →M）。

（3）分地址進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，其激活的權地址會發生重疊，從而使得輸出也比較接近。論文提出一種改進的CMAC 算法，可以使網絡的輸出直接表示設備的狀態，算法描述如下。

假設當設備處于正常狀態時，網絡的輸出為1，這樣就沒有必要再對網絡進行訓練，可以采取直接對權進行賦值的方法來對樣本進行學習。……