基于遗传神经网络表面粗糙度预测模型.pdfVIP

基于遗传神经网络的表面粗糙度预测模型 Predictionmodelofsurface in roughnessultra-precisionturningprocessing basedonGA neuralnetwork 陈杰来，孙俊兰 CHENJie—lai．SUNJun．1an (盐城工学院机械工程学院，盐城224051) 摘要：建立超精密切削表面粗糙度预测模型是分析各切削参数对表面粗糙度影响和提高切削效率的关 键，针对最小二乘法和传统反向传播神经网络等参数辨识方法的不足，提出将遗传算法优化的 反向传播神经网络应用于超精密切削表面粗糙度预测模型的参数辨识中，得出采用金刚石刀具 超精密切削铝合金的表面粗糙度预测模型，并与传统的参数辨识方法比较。实验结果表明该方 法能更有效的辨识表面粗糙度预测模型，可为超精密车削加工表面质量的控制提供帮助。 关键词：遗传算法；反向传播神经网络；预测模型；超精密车削 009—01 中图分类号：TG501 文献标识码：A 文章编号：1 34(2011)12(下)一001O-03 Doi：1 009-0134．2011．1 0．3969／J．issn．1 2(下)．04 0引言 解决回归分析法的不足。 超精密切削加工的切削厚度和进给量极小， 1实验方法和实验方案 为了正确分析各切削参数对表面粗糙度的影响， 本实验在亚微米超精密车床上进行，被加工的 以便加工前能够对切削参数进行优选，就必须建 材料为铝合金，使用的刀具是金刚石圆弧刃车刀， 立精确的表面粗糙度预测模型…。系统辨识是建 车刀前角为一25。，刀具圆弧半径为115ram，刃口 立预测模型的一种有效方法，即：按照一个准则， 半径为190nm，在无切削液的条件下进行切削。 在一组模型类中，选择一个与数据拟合的最好的 分析切削参数对表面粗糙度的影响，结合实 模型口1。数据拟合的关键问题在于确定参数的最 际的切削条件，确定实验设计变量为切削速度， 优解，以保证预测模型能精确地对表面粗糙度做 进给量以及背吃刀量，被测量的非控量为表面粗 出预测。回归分析法是一种常用的数学方法，随 糙度。 着正交多项式回归和逐步回归分析等方法的引入， 2数学模型 它在系统辨识领域中的应用越来越广泛，但对多 因子非线性系统辨识十分困难，当参数估计变量 2．1 BP神经网络 及样本较多时，计算量很大，尽管对其采用了各 在网络学习部分，采用三层BP神经网络来完 种改进措施，辨识结果仍然不够精确。遗传算法 成函数的映射。BP神经网络是一种具有三层或三 优化的神经网络是系统辨识领域更为有效的方法。 层以上的阶层型神经网络，如图1所示为一个三 切削参数对表面粗糙度和切削效率的影响关 层前馈神经网络：它包括输入层、隐含层(中间 系的分析表明，超精密切削参数优化问题的目标 层)和输出层；输入层有i个节点，隐含层有7个 函数和约束方程都是非线性方程，如果采用传统 节点，输出层有t个节点。上、下层之间各神经元 的回归分析法，不仅计算复杂而且不容易搜索到 实现全连接，即下层的每一单元与上层的每一单