《外文翻译--优化的数控铣球面端铣：神经网络模型》-毕业设计（论文）.docVIP

青 岛 大 学 毕业设计(论文)英文翻译 学 院： 机电工程学院 专 业： 机械工程及自动化 姓 名: 指导教师： 2011 年5 月 20 日  英 文 原 文  中 文 译 文 优化的数控铣:球面端铣：神经网络模型 H.EI-Mounayria,*,H.Kishawyb,1,J.Bricenoa 美国普渡机械工程系工程学院，美国SL 260印第安纳波利斯723 W密西根街 大学机械工程系Fredericton新泽西州新不伦瑞克E3B 5A3 加拿大 2003年3月20号接到;收到2004年7月20日修订并通过 摘要 本文提出了一种优化CNC球面端铣方法的集成产品开发系统。首先，这个先进的模型从平面端铣扩展到球面端铣。其次，这项优化从二维（速度和进给）扩展到三维（速度，进给，径向和轴向切削深度）。第三，平面端铣的建模与仿真扩展到包含更多的输入变量。最后，一种新的,更加有效、实用的神经网络技术取代了bp神经网络(bp神经网络组合)，并对球面端铣的情况作出成功的实施。这种加工通过典型加工的场景得到验证。发现了一种很好的协调预测与实验测定关系的参数。 2004年农业B.V.保留所有权利 关键字：平面端铣和球面端铣; 过程建模、人工神经网络、径向基网络(RBN);工艺优化;粒子群优化(PSO) 简介 1.1采用ANN进行过程建模 因为制造过程是非线性和具有时效性，所以很难给传统的识别方法提供一种准确的模型。为了解决这个困难，人工神经网络（ANN）等非传统技术被引入。相对于传统的计算方法，ANNs具有稳定性和全局性。它们具体普遍近似、并行分辨处理、硬件实现、学习和适应及多变量系统等特性。这就是为什么ANNs被广泛应用于系统建模，函数优化，图像处理和智能控制。ANN通过获得的用来描述系统性能的数据给出输入和输出之间的隐式关系。所以，ANN应经被成功地用来越来越多的生产情况的建模与仿真。关于人工神经网络在建模制造流程方面的优越性能已有报道。事实上，许多研究人员（例【1-3】）证明了当给定输入输出集合时，神经网络算法能够成功得出它们之间隐式关系的能力。这种通用技术同样可以在铣削中实现，可以预测切削力这个关键的过程参数的变化。Tansel et al. [4]提出一个基于人工神经网络的切削力变化估计（CFVE）,他的目的是在微电机软件中预测切削力的变化。Alique et al. [5]使用了一种单隐层机器语言模型（MLP）来预测基于轴向切削深度和脚率的平均切削力。作者证实了ANN精确模拟铣削过程的能力，同时维持简单的拓扑结构。一种改进的反向传播神经网络(bp神经网络组合)采用了Liu和Wang[6]模拟切削力在功能上的进给速率。因此,该模型只有一个输入变量和一个输出参数。为了实现一个更实际的和实用的模型，需要更多的输入/输出参数，Tandon and El-Mounayri [7]认识到这一点的重要性，他成功的在他们的ANN模型中引入三种输入变量用来描述加工条件。然而，先前的类似研究，仅仅局限与端铣。这种局限性降低了用端铣工具对粗加工和半精加工操作的适应性。最后，关于先前研究的一个共同特性，其中包括ANN模型在端铣方面的发展，是使用同一类型的神经网络，即利用BP神经网络方法。 虽然BPNN能够模拟多种系统，同时保持一定的准确度，但存在大量的不足。第一，由于采用了非线性变换功能，它具有非常慢收敛的非特异性。第二，在设计准确表示体系、过程建模的网络拓扑结构时，它并不总是简单或直截了当的。结果,相当多的网络,包括RBN已经开发出来。后者是一种用途广泛的网络,克服了一些bp神经网络组合方式的利弊。首先，他利用高斯曲线描绘测试值。其次，它具有良好的功能近似。第三，能够快速收敛。最后，它能很简单的定义一定数量的特征参数。 径向基网络（RBN）最近也被大量应用于不同的领域。当它主要用于模式识别，它能成功的表示非线性模型。在制造领域，许多作品应经用这项技术进行指导。事实上，Cook and Chiu [8] 使用了一种径向基网络作为一种框架来确定一些网络改进时间序列模型考虑的制造过程。Cheng和Lin【3】用三个ANNS利用激光估计弯曲角度的形成。在这项工作中，RBN已经显示出其他模型不可比拟的优势。Elanayar and Shin [9]利用RBN预测基于某些加工条件的刀具磨损。Briceno, et al. [10]表明了RBN金属切削操作的建模过程的可行性。实际上，在基于某些价值函数（相关训练数据的尺寸模型的精确