切削用量智能化选择的神经网络建模 -(2)

原作者:[标签:作者] 添加时间:2007-07-02 原文发表时间:2007-07-03 人气:1

本文章共3002字，分2页，当前第2页，快速翻页：

车加工切削用量选择的神经网络模型

由于粗加工和精加工的目标和性质不同，因此影响切削用量选择的主要特征因素也不完全一致。为此，可针对粗加工和精加工的切削用量选择问题分别建一网络模型。对于切削用量三要素来说，切削深度，主要取决于加工余量，没有多少选择的余地，一般都也事先确定，但切削深度的变化会对切削速度和进给量造成重大影响，因此应将切削深度作为输入因素加以考虑。粗加工的输入特征因素为14个精加工的输入特征因素为13个，分别如图3和图4所示。输出特征因素为2个(切削速度、进给量)。

切削条件参数和输出参数(切削速度、进给量)进行了归一化处理，归一化函数为：

神经网络依据BP算法对样本数据进行学习，学习完成后，粗加工和精加工的车削用量参数网络模型便被建立起来，模型进行工作时，切削条件参数向量由输入层通过权值和作用函数传播到隐层，再由隐层通过权值和作用函数传播到输出层，在输出层求出切削速度和进给量。 Ziu=0.9(Zi-Zmin)/(Zmax-Zmin) 0.05

式中，Zi，Ziu——某一切削条件参数或切削用量参数及其规一化值 Zmax=max{Zi}， Zmin=min{Zi}； i=1，2，…，k

由于网络的输出是归一化了的切削速度和进给量，因而在模型工作过程中，对网络输出进行了反归一化换算： Zi=(Ziu-0.05)(Zmax-Zmin)/0.9 Zmin

对于连续的特征向量如：工件材料硬度和强度，刀具材料的硬度和抗弯强度等，可直接运用归一化公式；而对于非连续的输入特征向量，则要首先对其进行编码、量化，然后再对编码值进行归一化处理。非连续输入特征向量的编码如表1。

网络模型的学习

用搜集到的样本数据对网络进行训练，以获得有效的网络工作模型。在网络的学习过程中，不断修改隐层节点数目，学习步长h和冲量因子a，加快网络的收敛速度，并最终找到能够满足收敛精度要求的最小规模网络。

粗加工网络参数值精加工
网络参数值
神经网络模型三层前向神经网络
学习算法 BP 算法
神经网络输入层节点 14 13
模型的隐层节点 21 17
拓扑结构输出层节点 2 2
学习步长h 0.1 0.2
冲量因子a 0.2 0.25
训练误差 0.0001 0.0001

3 实例研究

在以上切削用量神经网络模型研究的基础上，我们开发了车削加工智能化最佳用量选择软件。现在车床CA6140上加工45钢，毛坯为直径f60的棒料，无外皮，外圆纵车，采用YT15可转位刀片，刀具前角12°，主偏角45°，刀杆尺寸16×25，刀具寿命60min，粗加工切削深度2mm，精加工切削深度0.5mm，加工表面完工粗糙度Ra3.2。将各切削条件输入软件中，输出粗加工切削速度120m/min，进给量0.6mm/r，精加工切削速度180m/min，进给量0.4m/r。采用所选用量进行加工，完全达到加工要求。

本文的研究表明，对于一个相关因素错综复杂的非线性系统，运用神经网络对其输入输出建立起映射关系是一种非常有效的方法。总之将神经网络用于切削用量的选择中，实现切削用量选择智能化，从而提高机床的智能化程度，将具有广阔的前景。

• 干式切削及所用刀具材料的选用 -

• 齿轮机床操作规程 -

• 电火花成形加工技术发展趋势概览 -

• 线切割加工工件表面质量的改善和提高 -

• 原料选择 -