利用人工神经网络法选择公差配合探讨.docVIP

利用人工神经网络法选择公差配合探讨 　　中图分类号：Q81文献标识码：A文章编号：1007-0745（2008）06-0175-02 　　 　　摘要：人工神经网络技术在一定程度上代表着现代技术的发展方向, 在各个领域的应用范围不断扩大。在机械设计中,能否运用人工神经网络技术解决公差配合的正确选择呢? 本文依据国家标准推荐的13种优先配合, 对如何运用人工神经网络技术解决公差配合选择及输入数据矢量的预处理等问题进行了一定的探讨。 　　关键词：人工神经网络 公差与配合 机械设计 　　 　　 1、引言 　　 　　 机械产品的精度设计是机械设计与制造中重要的环节之一，产品的质量、成本、寿命及企业效益都与之有着密切关系。公差与配合的选定，是机械零件精度设计的具体体现。设计是否正确、合理，对产品的使用性能和制造成本，对企业生产的经济效益和社会效益都有着重要的影响，有时甚至起决定作用。精度的提高必然带来产品成本费用的增高，现实生产中是以满足功能要求，且考虑生产过程的经济性来控制精度的。通常出现两个方面问题，一是精度选择相对较低，产品使用时不能达到质量最好，工厂潜力没能充分挖掘；另一个是对于较低的用户要求，而选用了较高的公差等级造成损失。在我国，尤其是在许多生产部门，一直都在采用经验类比法，即参考类似或相近的经过实践考验的设计图样及资料，再结合自己的设计经验及具体条件来确定。在机械设计中,能否运用人工神经网络技术解决公差配合的正确选择呢? 在研究的基础上，本文提出了一种基于人工神经网络知识表达技术，结合模拟专家解释的方法，解决机械设计中公差与配合的选择问题。 　　 　　 2、神经网络法选择配合的适应性研究 　　 　　 客观世界的问题分为两大类：一类是结构化问题，指可用数学语言严格描述，可用数学公式来求解的问题。另一类是非结构化问题，这些问题不能用数学语言来严格描述，不能用数学公式来求解。对非结构化问题的求解，需要通过推理、比较、联想等过程。对于广义的轴、孔配合，尤其是对光滑圆柱面配合而言，有大量的应用实例可资借鉴，而且在国家标准及许多参考资料中，都给出了丰富的应用举例。但是，由于配合功能对象的复杂性――工作条件、工作负荷及性能要求的多变性，所以没有也不可能有统一规范的数学公式或固定规则进行配合的选用。因此，很自然的就想到使用善于表达非规则性知识的神经网络方法，类似黑箱理论，对非结构化知识依靠实例学习来获取知识，依靠连接权系数Wi j 分布式储存知识。这一表示方式正好解决了配合时，没有统一规范的数学公式或固定规则进行配合选用的困难。通常，实际具体样本缺少若干因素的明确输入，可以通过联想记忆，找出未定义因素的特征值。联想记忆适宜于已经存在的对象的记忆，其实质是根据对象的某些枝节或特殊标志联想起对象的整体。但是对于配合的选择问题，新的条件也可以是以前没有出现过的，需要做的是根据新的条件，选择最接近的已有优先配合中的莫一类。所以当联想不能达到目的时，可以考虑采用分类的思想，利用人工神经网络技术，根据总体配合性质，交互式输入影响配合性质因素的特征值，组成输入向量，选择配合类型。当经过软件处理之后，得到的输出向量归一化后的模，按照值的大小排序，最大者对应的配合，即为所求结果。 　　 　　3、网络结构 　　 　　在实际推荐的优先配合中，并没有截然分明的界限，这些配合选择条件之间相互渗透，在其变元组成的因素空间中相互交错。换句话说，当以这些配合作为该类核心构成配合种类的分类体系时，不能保证它们是线性可分的。因此本文选用非线性神经元构成的单隐层BP网络结构。输出层13个神经单元，对应13种优先配合的类别。隐层神经元在学习中根据学习效率可以调整，但是为了避免网络推广性太差，一般应保证学习样本数远大于隐单元数。输入层13个神经元，对应影响配合选择的变元空间中的13种因素。其输入矢量的每一个分量需要经过模糊化预处理，并且对所有分量还要进行规格化处理，使得所有分量中最大分量的值等于1。 　　 　　4、输入矢量的预处理 　　 　　输入分量的原始值可能有三种类型：数值性变元，二值性逻辑变元和语言型模糊变元。在结构神经网络的输入矢量之前，必须进行数据的规范化处理，即要求矢量元素的数据满足无量纲、同级和单向性。同级即统一各指标大小悬殊的原始数据列的数量值，单向性易说明取值代表的意义。 　　4.1数值性变元与二值性逻辑变元。二值性逻辑变元取值简单、清楚，即T或F，量化结果对应1或0。数值性变元比较复杂，但是就影响配合的因素，例如间隙、过盈等，我们采用相对过盈或相对间隙消除量纲的影响，为了可比性准确，选择同一尺寸段的最大间隙或最大过盈作为参考。以因素大小为例，进行如下形式量化：设X为实际间隙量，D0为所在尺寸段基本尺寸，Xmax为该尺寸