轧辊圆度误差智能优化评定研究.pdf

第10期 机械设计与制造 2009年10月 MachineryDesignManufacture 115 文章编号：1001—3997(2009)10-0115-03 轧辊圆度误差智能优化评定研究木 丁晓燕1刘丽兰1闫利文l’2 RollRoundnessErrorAssessment IntelligentOptimized DING Li—lanIYANLi-wenl’2 Xiao-yani,LIU ofMechanicalAutomationand (1 Laboratory ShanghaiKey Robotics，ShanghaiUniversity，Shanghai (2 of of 215500，China) CollegeMechanical，ChangshuUniversityTechnology，Changshu 中图分类号：THl6，TG595．4文献标识码：A 1引言 ． 2智能优化评定圆度误差 圆度误差是指回转体在同一正截面上实际被测轮廓相对其 神经网络用的最广泛的是反向传播网络(BP网络)，但原始 理想圆的变动鼋。轧辊磨床对轧辊进行圆度误差测量足检验轧辊 BP算法存在收敛速度慢、局部极小而得不到整体最优等缺点，使 加工质量的重要指标之一。而对圆度误差测最的数据处理方法的 用时需要改进。遗传算法具有鲁棒性强、适用于并行处理以及全 选定，直接影响圆度误若的计算精度。 局优化搜索等优点。 传统的圆度误差评定方法多采用最小二乘法，以被测实际轮 遗传算法和神经网络相结合，可以利用神经网络强大的非线 廓的最小二乘圆作为理想圆，其最小二乘圆圆心至轮廓的最大距 性系统的描述能力，并用遗传算法的全局搜索性来弥补神经网络 离与最小距离之差即为圆度误差，但由于存在一定的残差，且是 的微观局限性，以及利用遗传算法的鲁棒性来改善对描述对象的 关于圆心坐标及圆半径的非线性函数，因此不易直接求解，必须 适应性。 运用某种优化迭代算法如单纯形法，Gauss—Newton法、Leven— 2．1改进型BP神经网络 berg-Marquart法等。彳日是，这些算法均为局域算法，算法的成功 改进后的神经网络采用动量自适应BP神经网络，其拓扑结 依赖于初始点的选择I·I。 构，如图l所示。包含两层神经网络结构，优化算法采用动量自适 近年来，神经网络、遗传算法、小波变换、模糊逻辑等智能信息 应算法对网络进行训练。 处理技术的迅速发展和相瓦之间的有机结合，在各个领域取得丫引 动量算法可由下式表示： 人注目的进展，不少学者也纷纷利用某一种算法评定圆度误差，达 (1) W(k+1)=形(．|})+r／[(1--a)D(k)竹归(．|}一1)] 到优化的目的。但一种算法往往存在不完善性，如果能将算法之间 结合起来扬长避短，其优化程度将会大大地提高。基于神经网络和 遗传算法相结合的优化评定方法不仅优越于传统算法，而且能够 量因子，0冬d≤l，动量项相当于一个平滑因子，其实际的效 提高阈度误差的计算精度，保证了优质辊的生产加工和检测。 果是使网络的阻尼增强，减小了网络训练过程的振荡趋势。 ★来稿日期：2008—12-05-k基金项目：上海