基于elman神经网络的铣削力预测模型研究

《基于elman神经网络的铣削力预测模型研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、第24卷第1期(总第106期)机械管理开发2009年2月Vol.24No．1(SUMNo．106)MECHANICALMANAGEMENTANDDEVELOPMENTFeb．2009基于Elman神经网络的铣削力预测模型研究*刘旭辉(中北大学信息与通信工程学院，山西太原030051)【摘要】以切削深度，切削宽度，主轴转速，每齿进给量作为输入，铣削力在x、y、z三个方向的分量作为输出，建立了Elman铣削力的神经网络预测模型。预测结果与期望输出较为接近，说明Elman神经网络适用于铣削力的预测。【关键词】Elman神经网络；铣削力；

2、预测模型【中图分类号】TG540.13【文献标识码】A【文章编号】1003-773X（2009）01-0191-020引言Elman网络也采用BP算法进行权值修正，学习在铣削加工中，铣削力是极其重要的物理现象之指标函数采用误差平方和函数：n一，它与工件的加工成本，加工效率等诸多因素有着密2切的联系。如何对铣削力进行准确的预测，使之在铣削E（w）=Σ[yk(w)-yk%(w)]k=1加工过程中由铣削力对工件的负面影响降至最低，一式中：yk%为目标输出向量。直是国内外学者研究的热点之一。然而，铣削加工涉及[2]1.2Elman网络结构

3、的设计的影响因素众多，诸因素之间又是一种非线性映射关1）网络结构的确定。根据实际情况，输入层节点系，很难用常规的预测方法实现准确的预测。人工神经数确立为为4，即切削深度(ap)，切削宽度(ae)，主轴转网络方法是一种黑箱计算方法，对于解决此类因果关速(n)，每齿进给量(f)；输出层有X、Y、Z三个单元,分别系不明确的非线性问题显示出了独特的优越性。表示X、Y、Z三个方向的铣削力。增加网络的层数可Elman型神经网络是Elman于1990年提出的，该以提高预测精度，但同时会增加网络的负担，使网络模型在前馈网络的隐含层中增加一个承接层

4、，作为一训练时间增加。理论验证，单隐层网络即可以实现无步延时算子，达到记忆的目的，从而使系统具有适应限逼近。所以，本文建立了单隐层的Elman神经网络。时变特性的能力，能直接反应动态过程系统的特性。2）隐层节点的确定。隐节点的作用是提取并存储样本本文即建立了铣削力与其影响因素之间的Elman神的内在规律，隐节点过少难以达到理想的泛化能力，经网络预测模型，通过训练，在达到预定误差要求后隐节点过多不但增加网络训练时间，同时还会出现过进行未知数据的预测，预测值与理想值较为接近，说吻合。关于如何确定网明了Elman神经网络预测铣削力的可行

5、性。络隐层的节点数至今还[1]1Elman神经网络没有严格的理论支持，1.1Elman神经网络的结构与学习算法目前常用的为试探法，Elman神经网络模型图如图1所示。即建立不同隐节点的网络进行训练，寻找出其中误差最小的网络所对应的隐节点数。经过调图2结构简图试，本文采取5隐节点型网络。网络结构简图如图2。[3]2神经网络训练本文采用Matlab神经网络工具箱进行计算，网络结构为4-5-3型。所有数据在运算前采用了premnmx进行归一化处理到[-1，1]之间，传递函数选取tansig函数，训练函数选取traingda函数，网络的误

6、差要求设置为0.001，其他参数去默认值。当网络性能达到预先图1Elman网络结构Elman网络的非线性状态空间表达式为:设定的误差要求后停止训练，此时可用训练好的网络y(k)=g(w3x(k)).进行预测样本的仿真。仿真结果如表1。x(k)=f(w1x(k)+w2(u(k-1))).表1预测结果c序预测预测预测期望期望期望xc(k)=x(k-1).号apaenf值/Fx值/Fy值/Fz值/Fx值/Fy值/Fz其中，y,x,u,xc分别表示为m维输出节点向量，n1201.5135000.15626.867.03235.362568

7、234维中间层节点单元向量，r维输入向量和n维反馈状215190000.2313.952.01121.131251.61223100.5180000.2204.31053.48100.13201109100321态向量。w,w,w分别表示输出层、输入层到中间层、承45290000.15369.957.32147.536957.9149接层到中间层的连接权值。g(g)为输出神经元的传递551135000.0593.344.3630.929344.631函数，是中间输出的线性组合。f(g)为中间层神经元的610290000.05217

8、.238.9476.821839.277传递函数。7150.545000.15194.643.0262.0519442.8628200.545000.0514254.0856.714254.457（下转第193页）收稿日期：2008-10-09基金