基于BP神经网络的逆向工程模型数控加工误差范围预测.docVIP

基于BP神经网络的逆向工程模型数控加工误差范围预测 摘要:提出一种基于BP人工神经网络的数控加工误差范围综合指标预测方法。论述了误差范围预测模型的建立步骤以及网络的训练算法和故障分析，并结合叶轮代木模型、铝合金模型以及汽车轮毂模型的加工进行了预测，预测结果和实际情况具有很好的一致性。 关键词：逆向工程 BP神经网络 误差范围 预测 The forecast of nc processing error range of reverse design model based on the BP neural network Abstract: The paper proposed a comprehensive index forecasting method of the nc processing error range based on the BP neural network.Furthermore,the model of error range forecasting was established.At the same time, network training algorithm and failure analysis also were expounded.Then,with an eye on the processing of the wood impeller model,aluminum alloy impeller model and the wheel model,we conducted some practical predictions .The result and the actual situation had a very good consistency. Key words: Reverse design BP neural network Error range Forecast 0 前言 人工神经网络(Artificial Neural Network)是近些年来迅速发展起来的人工智能科学的一个分支，这几年的广泛应用再度显示了它活跃的生命力。实践证明，人工神经网络除了应用在语言识别、自动控制等领域外，还可以应用于预测、评价等其它方面，其准确性明显优于回归模型[5]。 逆向工程对现有零件测量及复制，再现原产品的设计意图及重构三维数字化模型。曲面点云数据的获取是获得高质量重构曲面所必须的几项关键技术之一。此过程就是利用各种测量方法对样品原件的表面进行扫描，得到表面点云数据。因此，样品原件的表面质量对以后的点云数据的存储、数据拼接和删减、曲面拟合及广顺等一系列工作产生根源上的影响。如何能把这些不必要的工作减少直至消除就是本文所论述的内容。在样品加工阶段综合考虑各方面可能造成样品表面质量误差的因素，把不同类型,不同量纲的原始评估值转换到[0,1]区间, 提出一种基于BP人工神经网络的综合指标评估方法。 1 逆向工程简介 逆向工程(Reverse Engineering)也称反求工程，是指用一定的测量手段对实物或模型进行测量，根据测量数据通过三维几何建模方法，重构实物的CAD模型，从而实现产品设计与制造的过程。与传统的设计制造方法不同，逆向工程是在没有设计图纸或图纸不完整，而有样品的情况下，利用三维扫描测量仪，准确快速地测量样品表面数据或轮廓外形，加以点数据处理、曲面创建、三维实体模型重构，然后通过CAM系统进行数控编程，直至利用CNC加工机床或快速成型机来制造产品[4]。 2 BP神经网络的结构及学习算法 BP神经网络，即多层前馈式误差反传播神经网络，通常由输入层、输出层和若干隐含层构成，每层由若干个结点组成，每一个结点表示一个神经元，上层结点与下层结点之间通过权联接，同一层结点之间没有联系,如图1所示[1]。BP神经网络的学习过程分为信息的正向传播过程和误差的反向传播过程两个阶段。外部输入的信号经输入层、隐含层的神经元逐层处理向前传播到输出层给出结果。如果在输出层得不到期望输出，则转入逆向传播过程，将实际值与网络输出之间误差沿原来联结的通路返回，通过修改各层神经元的联系权值，使误差减少，然后再转入正向传播过程，反复迭代，直到误差小于给定的值为止[4]。 图1 BP神经网络模型拓扑结构 3 数控加工误差范围预测模型的建立及仿真分析 2.1 BP网络输入输出设计 首先根据逆向工程样品模型加工过程的理论分析和实际运行经验，确定样品模型表面质量可能的误差，作为误差范围变量即网络的输出变量；同时确定用于区别各种误差范围的征兆变量作为网络的输入变量。 输入变量即征兆变量，取具有代表性的模型误差影响因子：UG建模、UG建模驱动方法选择、毛坯材质、装夹方式、刀具补