车削参数智能选择的神经网络建模及仿真.pdfVIP

维普资讯 学兔兔 第3期 (总第148期) 机 械 工 程 与 自动 化 No．3 2008年6月 MECHANICAL ENGINEERING ＆ AUTOMATION Jun． 文章编号：1672—6413(2008)03—0016—03 车削参数智能选择的神经网络建模及仿真 张立涛，董长双 (太原理工大学 机械工程学院，山西 太原 030024) 摘要：运用分治策略将车削用量选择问题分割为外圆纵车和横车的粗加工、外圆纵车和横车的精加工、切断及 切槽、成形加工4个小问题；再使用同一型号机床数据训练网络，建成针对特定型号机床的神经网络；最后运 用NeuroSolutions进行仿真，证明方案的可行性。 关键词：车削；切削用量；人工神经网络；智能化 中图分类号：TGS1：TP183 文献标识码：A 0 弓l言 CUTDATA与德国的INFOS。在国内，成都工具研究 切削用量指的是切削速度、进给量和切削深度，它 所也开发出了适合我国国情的切削数据库。但是存在 是金属切削加工中的重要参数。切削用量的选择是否 于这些数据库中的 “静态”数据在实际应用中还要加 合理对生产率、生产成本、产品的表面质量都有着直 以调整，从根本上来说，它们只能算做电子手册，对 接的影响。采用合理的切削数据，可以充分发挥切削 于生产现场种类繁多的加工方式、性能干变万化的工 机床和切削刀具的功能，在有效加工时间内充分利用 件材料和刀具材料，仅靠 “静态”数据库是很难解决 合理的或优化的切削数据，对提高整个加工系统的经 的。 济效益尤为重要。 因此，将人工智能技术运用于加工切削参数的选 1 传统方法存在的问题 择，将熟练工人和专家的经验与实际加工要求相结合， 由金属切削加工原理和生产加工实践可知，要确 为切削加工提供合理、高效的参数势在必行。 定合理的切削参数并不容易，因为影响切削参数选择 2 BP神经网络简介 的因素众多，包括工序加工类型、工件材料、加工要 BP神经网络由一个输入层、一个输出层和至少一 求、刀具材料、刀具参数、切削液等等。在实际加工 个隐层组成，每一层与其后继一层之间为全连接[3]。 中，上述的某项发生变化，都可能引起切削参数的变 BP网络具有相当强的输入一输出映射能力，它不需要 化。因此，确定切削参数时需综合考虑各影响因素。 任何已知的数学函数知识描述输入一输出模式间的映 切削数据通常依据切削手册、生产实践资料或切 射，只需要用已知的模式对网络进行训练，通过学习， 削试验来确定。切削手册上的数据来源最广泛口]，但更 网络就具有了这种映射能力。理论已经证明，当隐层 神经元数目足够多时，可以以任意精度逼近任何一个 新较慢，而且大多是给出一个范围，准确性较差；生 具有有限间断点的非线性函数。 产实践资料对具体应用企业而言，针对性较强，但数 据太分散，缺乏规律性；通过切削试验获得的数据，最 BP网络中最常用的传递函数是Sigmoid函数，其