切削数据库数据优化算法和其应用.doc

切削数据库数据优化算法和其应用摘要：随着金属切削向高效率、高精度、智能化方向发展，切削数据库的支撑作用越来越重要，如何解决切削数据库的数据优化问题一直是研究的热点课题。数据优化算法是解决数据优化问题的基础，因此，对数据算法的理论及应用研究都是具有重要学术意义和实用价值。本文详细论述了几种数据获取技术在切削数据库中的应用，分析比较了几类切削数据优化算法，并总结了数据寻优算法的改进算法。最后根据切削数据库的发展方向及数据优化算法存在的问题进行了展望。 关键词：切削数据库；数据寻优算法；实例推理；粒子群算法；神经网络算法 中图分类号：TG506 文献标志码：A 文章编号：1007-2683（2013）01-0001-06 0.引言 近年来，随着数控机床及切削刀具技术的不断发展，切削数据在机械制造领域中越来越显示出其重要性，并且已经成为一种极为重要的资源。 数据库是集中、保存和管理某一领域内所有这些信息的集合，是管理信息系统的核心。切削数据库是切削加工技术与计算机技术相结合的产物。切削数据库最初只是管理加工中出现的切削数据，随着神经网络算法、粒子群算法等优化算法的应用，切削数据库中添加了优化切削数据和切削数据的智能化评价等功能，使得切削数据库系统得到了很大的发展并已受到各相关行业的高度重视。选择合理的优化算法建立切削数据库，可以合理地选择切削参数，对提高生产率、降低生产成本有着非常重要的意义。对于解决某一类问题，可以通过多种算法来实现但并不是每一种算法都能找到最优解，需要根据每个算法自身的优缺点、适合的领域、优化方式等来选择合适的算法，从而使寻优路径达到最短，优化效果达到最好。但是传统的优化算法也存在一定的弊端，为此提出了算法的改进算法，在很大程度上增强了算法的寻优能力。 1.数据获取技术在切削数据库中的应用 1.1神经网络推理技术 神经网络算法是指模拟生物的神经结构以及其处理信息的方式来进行计算的一种算法。神经网络可以处理例外及不正常的输入数据，这对于很多系统都很重要。黄传真等研究的汽车覆盖件模具钢高速切削数据库将分别基于MATLAB神经网络和基于指数函数的刀具磨损预报模型的拟合误差相比较，优选出基于MATLAB神经网络的刀具磨损预报模型，并将.NET框架和MATLAB环境引入到刀具磨损集成预报系统中，实现了模具钢精加工过程中对刀具磨损的在线预报，实现了对高速切削加工技术的合理应用。 为了实现神经网络模型的智能寻优，将其与蚁群算法相结合使用，用蚁群算法的启发式寻优和全局优化的特点来训练神经网络的权值即用蚁群算法来训练神经网络，最终解决寻优问题。如詹晓娟等研究的基于蚁群神经网络铣削数据库系统就是利用蚁群算法优化神经网络的方法，使系统在切削参数的选择具有一定的智力水平，实现了切削参数的合理选择。这种智能寻优的方法不仅避免了以往算法收敛速度慢易陷入局部最优等缺陷，提高了系统的运行速度和运算效率，还能够通过自学习提高自身决策能力，使决策结果更趋合理。 神经网络在解决非线性映射问题如切削用量选择上可达到良好的效果，在机械工程领域具有很高的利用价值。但是当前的神经网络仍普遍存在收敛速度慢、计算量大、训练时间长和不可解释等缺点。 1.2动力学仿真优化技术 切削参数数据库的数据主要来源于切削手册、生产实践和切削实验，传统来源的切削参数难以完全满足切削加工的要求。为了存储优化型仿真切削数据，保证切削加工稳定性，赵海洋等在ASP.NET平台下开发了基于B/S数据库结构的动力学仿真优化型切削数据库系统。该系统通过动力学仿真优化方式获取优化型切削参数，实现了高速加工过程中的稳定高效切削。 将动力学仿真优化技术引入到切削数据库及其应用系统中，不仅能使系统具有良好的结构和可扩展性，还能提供工艺人员合理的切削参数，大大减少了以往试切所带来的经济和时间上的浪费，从而提高了生产效率，降低了生产成本。 1.3实例推理技术 1982年Schank通过研究人和机器学习的动态存储理论，提出了基于实例的推理（case-based reason-ing，CBR）其本质是利用旧问题的解决方案来解决新问题，并且具有自学习功能，CBR原理如图1所示。 利用实例推理技术，将其与规则推理相结合使用，把以往取得的经验应用于新问题的解决上，减少知识获取的工作量，不仅可以为建立切削参数数据库提供一个有效可行的方法，还可以为新的工件加工问题提供参考解决方案，对切削技术的推广应用具有非常重要的意义。 CBR是一种人工智能的推理方法，广泛应用于问题求解领域，在一定程度上突破了知识获取的瓶颈问题。由于CBR中实例都是以往问题的优化结果，因此其本身就包含了大量的设计经验知识，不仅避免了在获取知识上的时间