基于人工神经网络的加工参数优化

《基于人工神经网络的加工参数优化》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、*基于人工神经网络的加工参数优化刘绍婕张怀存宋玉金北京机械工业学院机械工程系北京100085摘要运用神经网络对加工参数和其各种影响因素进行建模在神经网络的智能化选择中采用了附加动量项的BP算法解决了收敛速度慢和易限于局部极小等问题主要针对钻削加工进行网络结构的确定以及实际网络训练过程中归一反归一处理的问题进行了研究试验表明这种方法具有可行性在生产中具有较高的实用价值关键词:BP算法切削参数归一化0前言金属切削加工参数的选择对产品零件的质量加工的生产率和经济效益具有重要的影响然而影响切削用量的因素繁多各因素之间又相互交叉相互制约目前

2、主要采用根据经验来确定计算机辅助优化切削数据的程序系统利用计算机技术做成各种切削数据库等方法这些切削用量的确定方法在求解的快速性和准确性方面受到一定的限制在实时的控制切削用量实现机器智能化选取切削参数的应用上有较大的困难而神经网络可用于代替人类基于经验的决策行为金属切削加工中用量的选择受多种因素的影响运用神经网络的输入输出非线性映射能力建立切削用量和各种影响因素之间的神经网络映射模型采用机床的运行数据进行学习自动寻找规律并分布贮存于神经网络的权值中运行时对切削条件参数计算求解出最佳切削用量本文以钻削为例进行神经网络的切削用量智能化

3、选择的研究1改进的BP算法1.1神经网络的结构和BP算法的原理BP神经元网络模型的结构如图1所示误差反传学习算法x1y1xy2nxm输入层隐藏层输出层图1BP网络模型结构BP算法实质上就是把一组样本输入输出问题转化为一个非线性优化的问题并通过优化算法利用迭代运算求解权值问题的一种学习方法BP神经元网络的学习过程是由正向传播和反向传播两部分组成在正向传播过程中输入信息从输入层经过隐藏层逐层处理并传向输出层每层神经元状态只影响下一层神经元的状态在输出层输出信号与期望值进行比较后如果存在误差则将误差沿*教育部资助项目(0002)原来联接

4、的路径返回通过修改层间各节点的网络连接权值使误差信号减小直至把误差限定在预先规定的范围内BP神经元网络由输入层隐藏层及输出层组成设网络的输入向量为X输出^向量为Y输出期望向量为Y令W表示网络的所有权值以及阈值的全体所形成的向量定义网络的误差性能指标函数为()1n^EW2=å[y(k)-y(k)]2k=1(p)(p)则给定N组输入输出训练样本{(X,Y)p=1,...,N}后就可以根据BP学习算法对网络的权值向量进行训练学习¶EW(t+1)=W(t)-h¶W通过学习训练后可求得最优的权值向量Wopt满足E(Wopt)=minE(W)

5、W1.2针对BP网络存在的不足进行改进典型的BP算法是基于梯度下降法通过计算目标性能函数来对网络权值进行修正的一种算法典型的BP算法虽然为训练网络提供了简单而有效的方法但是由于训练过程中h为一较小的常数因而存在收敛速度慢和易限于局部极小等问题为了解决这些问题在这里采用了附加动量项的BP算法引入惯性项来减少学习过程的振荡趋势以及过调量附加动量项的BP算法的权值向量训练过程修正迭代公式可表示为¶EW(t+1)=W(t)-h-a(W(t)-W(t-1))¶W式中a动量因子附加动量项的引入可使网络权值的变化不仅能够反映局部的梯度信息而且还

6、能反映出误差曲面最近的变化趋势因此附加动量项的BP算法降低了网络对于误差曲面局部细节的敏感性有效地抑制了网络权值容易限于局部极小值的问题2网络结构的确定在钻削加工中由于粗加工和精加工的目标和性质不同因此影响切削用量选择的主要特征因素也不完全一致为此可针对粗加工和精加工的切削用量的选择问题分别建一网络模型网络模型如下所示粗加工时考虑的输入参数有6个工件硬度强度刀具硬度抗弯强度导热系数直径输出参数是刀具进给量和切削速度本系统的BP网络由三层组成输入层中间层隐含层及输出层BP网络的拓扑结构为6-8-2精加工时由于考虑到了尺寸精度的问题所

7、以输入参数有个尺寸公差等级IT,表面粗糙度Ra,工件硬度强度刀具硬度抗弯强度导热系数直径输出参数仍是刀具进给量和切削速度建立的BP网络模型由3层组成输入层中间层隐含层输出层BP网络的拓扑结构为8-10-23网络的训练由于神经元的响应函数为Sigmoid函数由此可知神经元的响应值在0抑制与1激活之间为了保证ANN能更好的学习样本输入输出值应当进行归一化处理转化为0-1之间归一化函数为Ziu=(Zi-Zmin)/(Zmax-Zmin)式中Zi,Ziu某一切削条件参数或切削用量参数及其归一化值Zmax=max{Zi}Zmin=min{Z

8、i}I=1,2,k由于网络的输出是归一化了的输出值因而在模型工作过程中对网络输出进行反归一化换算Zi=Ziu(Zmax-Zmin)+Zmin用样本数据对网络进行训练在网络学习中不断地修改隐层节点的数目学习步长h和动量因子a加快网络的收敛的速度并最终