BP网络的车削加工毛刺的形成及其预报中的应用研究.pdfVIP

现代设计理论和技术 BP网络的车削加工毛刺的形成及其预报中的应用十 朱云明 王贵成 陈镇宇 (江苏大学机械=_：[：程学院，镇江，江苏，212013) 摘要毛刺是车削加工中的常见现象，是影响加工零件的尺寸和形位精度的重要因素。 本文 采用了BP神经网络对45撑钢车削加工中产生的毛刺尺寸参数数据进行了处理，建立起了切削 参数与毛刺特征参数之间关系的BP网络模型。结果表明，该模型能实现车削毛刺形态的预报。 关键词神经网络，毛刺，预报 车削加：【是一种典型的切削加工方法。在外圆车削加工中，零件的棱边位置上的毛刺形成是常见的 现象。按切削运动一刀具切削刃毛刺分类体系【l】，车削加工中的毛刺又可分为切出进给方向毛刺和切入 进给方向毛刺。切出进给方向毛刺较大，是影响零件尺寸和形位精度的重要因素。影响车削毛刺形成的 因素有很多，如切削速度、进给量、切削深度、刀具前角、后角、主偏角、刀尖圆弧半径等，其作用机 理十分复杂，使得传统的数学建模变得非常困难。而且所建的数学模型与实际结果吻合性极差。研究 切削参数对毛刺特征参数的影响关系从而有效地实现对切削加工中毛刺形成的控制是一个迫切需要解 决的课题。 通常情况下，用传统的回归分析来研究切削参数与毛刺特征参数的影响关系的方法存在以下缺陷： (1)不管是对一元线性回归还是一元非线性回归，首先都要做出散点图，根据散点图来判断回归 曲线的类型。因此，回归出的曲线只能刻画变量之间的大致关系，对回归曲线的细节刻画不足。其次， 基本同归曲线类型很少，并且有许多曲线不能化为线性问题进行处理。所以，回归出的曲线在一定程度 上描述不出变量之间的本质关系，误差较大。 (2)多元回归计算量太大，随着变量数目的增加，计算量剧增。．并且要相互比较的曲线数目也剧 增，选择一条最优回归曲线相对较难。并且选用不同的回归方法，对变量取值也有一定程度的限制。 (3)对多元线性和非线性回归需要较深的数学知识，对于某些较复杂的多元回归仍然是比较困难 的事情。 P网 络来逼近．因而一个三层的BP网络可以完成任意的N维到M维的映射【21。因此本文采用BP神经网络建 立车削毛刺参数预报的模型。 BP算法的具体实现 BP学习算法是对多层网络进行研究而提出的一种有效监督学习算法。该算法基于最小均方差准 则，由计算正向输出和误差反向传播组成。通过由比较网络的实际输出与期望输出来不断地调节网络权 值，直至收敛为止【3J。改进的6学习规则对多层神经网络的训练是一个迭代过程，通过学习率r1和动量 项6反复调整各个单元之间的连接权值，使网络学习误差降低到最小值。 节点的转换函数选用非对称性作用函数： ’国家自然科学基金资助项目(502750s6 410 现代企业与先进制造技术高层论坛 其学习公式为： wi(k+1)篡黑嚣鼍0飞Z， =wO(k)+△wi(k+1) ne咏?qk、 。) ojk2f(netjk) (2) (netjk) j为输出节点 (3) 6jk-广一(yk—Yk)f’ ‘ L f’ ∑6 j非输出节点 (netjk) mk。mi 式中：rl…一学习因子： Q…．动量因子； 6i：…’网络节点i输出误差； k…一样本序号； w圹～节点i与节点j之间的联接权值． 网络误差评估采用样本标准差： E= 改进的6学习规则与一般的不带动量项的学习算法相比，学习速率已有了较大的提高，不会出现 大范围震荡现象【41。 2 BP网络模型的建立与样本处理 2．1 毛刺高度日及毛刺根部厚度B的BP网络预测模型