焦 聪，杨庆东，王 然，许 博

(1.北京信息科技大学 机电工程学院，北京 100192；2.中国船舶工业集团公司 船舶系统工程部，北京 100094)

0 引言

刀具在加工工件的过程中，自身不断磨损，其磨损状态对工件质量、生产效率和加工成本有显著的影响[1]。统计表明，刀具失效导致的换刀时间占整个停机时间的20%[2]。因此研究刀具磨损对成本控制以及管理决策具有重要的意义。

近年来，国内外学者在刀具磨损预测方面做了广泛研究，其主要预测方法有支持向量机(support vector machine，SVM)[3-4]、人工神经网络(artificial neural network,ANN)[5]和隐马尔科夫模型(hidden markov model，HMM)[6]等算法。

在人工神经网络刀具磨损预测算法中，BP算法因其简单易行、计算量小、并行性强等优点，是目前最常用的一种神经网络参数确定方法。其实质是求解误差函数的最小值问题，它采用非线性规划中的梯度下降法，按误差函数的负梯度方向修改权值。如库祥臣等[7]通过采集刀具振动信号，采用小波包方法把刀具振动信号分解为不同频段的能量值，将其作为特征参数输入BP神经网络模型，预测出刀具磨损量。虽然该模型在刀具磨损预测方面有一定的效果，但传统BP神经网络存在初始权值和阈值随机赋值，以及学习效率低、易陷入局部最优解问题，导致模型全局寻优能力较弱，预测精度不够高。

针对传统BP神经网络存在初始权值和阈值随机赋值的问题，众多学者也尝试对算法进行改进。唐军等[8]通过电流监测法搭建铣刀的磨损电流监测系统，确定BP神经网络的输入特征量和目标特征量，并引入遗传算法对BP神经网络的初始权值和阈值进行寻优，从而建立基于遗传算法(GA)优化BP神经网络的盘形铣刀磨损识别模型。……