基于模糊神经网络的表面粗糙度建模研究.pdf

《基于模糊神经网络的表面粗糙度建模研究.pdf》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、2012年5月机床与液压Mav2012第40卷第9期MACHINET00L＆HYDRAULICSVo1．40No．9DOI：10．3969／j．issn．1001—3881．2012．09．040基于模糊神经网络的表面粗糙度建模研究崔伯第，郭建亮(1．淮海工学院机械工程学院，江苏连云港222005；2．宁波工程学院机械工程学院，浙江宁波315016)摘要：根据零件表面粗糙度形成的复杂性，提出了一种基于模糊神经网络的表面粗糙度预测建模方法，并以外圆车削加工为例，建立了车削加工参数与工件表面粗糙度的预测模型

2、。试验表明，所提出的模糊神经网络建模方法可对零件表面粗糙度进行有效预测。关键词：表面粗糙度；模糊神经网络；车削；归一化处理中图分类号：THI6I文献标识码：A文章编号：1001—3881(2012)9—132—3ResearchonModelingofSurfaceRoughnessBasedonFuzzyNeuralNetworksCUIBodi．GUOJianliang(1．CollegeofMechanicalEngineering，HuaihaiInstituteofTechnology，Lia

3、nyungangJiangsu222005，China；2．SchoolofMechanicalEngineering，NingboUniversityofTechnology，NingboZhejiang315016，China)Abstract：Accordingtothecomplexityofpartsurfaceroughness，apredictivemodelingmethodofthesurfaceroughnessbasedonfuzzyneuralnetworkswaspropose

4、d．Themodelofsurfaceroughnessforturningouterroundnessofoperationswasbuilttodemonstratethepredictivemodelingofturningoperationaldataandpartsurfaceroughness．Experimentalresultsshowthattheproposedmethodisbotheffectiveandeficientforsurfaceroughnesspredictivem

5、odeling．Keywords：Surfaceroughness；Fuzzyneuralnetworks；Turning；Normalization零件的表面粗糙度是衡量工件加工质量的一个重相结合的产物，兼具了二者的优点，具有以任意精度要指标，直接影响机械设备的使用寿命和使用性能。逼近非线性函数的功能，有更高的推广能力和收敛速影响加工中零件表面粗糙度的因素众多，包括工件材度，且模糊神经网络参数的物理意义十分清晰。作者料的化学成分、金相组织、工件尺寸、刀具特性、修提出了一种基于模糊神经网络的表面粗糙度预

6、测建模整状况、磨损程度、切削参数、冷却液以及加工过程方法，并应用于外圆车削加工过程，建立了车削加工中的一些不确定因素等，因此很难获得加工中零件参数与工件表面粗糙度的预测模型，并进行了相应的表面粗糙度的精确数学模型。有学者采用回归分试验研究。析。、神经网络等方法对表面粗糙度展开预测建1数据预处理模的研究。但回归分析法在建模精度和泛化能力方面由于试验获得的原始数据的量纲和取值范围不同，尚不能满足表面粗糙度预测的要求，而神经网络模型造成网络的各个输入参数值相差较大。为消除其影响，存在网络内部单元意义不明确、训

7、练时间长、难以表采用归一化处理方法使输入参数分布在[一1，1]区间达结构化知识等缺点。此外，对表面粗糙度进行在线内。归一化处理按式(1)进行测量也得到了一定程度的关注。但由于零件的加2(d一d⋯)1，1、Xi—d一d⋯一工过程是一个动态过程，而且许多零件加工现场又不⋯可避免地存在切屑和切削液，用直接测量方法在线获式中：，为归一化处理后的数据向量；得工件表面粗糙度在实际生产应用中存在一定的困d为原始数据向量，i表示第i个输入参数；难。dmax为原始数据向量中的最大值，d⋯=max随着智能理论研究的不断深入

8、，将模糊推理系统{d}；的知识表达能力与神经网络的学习能力结合起来已成dmio为原始数据向量中的最小值，d⋯=min为现实。模糊神经网络是将模糊推理系统与神经网络{d}。收稿日期：2011—05—05作者简介：崔伯第(1977一)，男，博士，从事先进制造技术研究。E—mail：cbd08007@yahoo．con1．an。第9期崔伯第等：基于模糊神经网络的表面粗糙度建模研究·133·2模糊神经网络建模：exp卜÷()‘](4)模糊系统的联接