径向基函数神经网络在高速铣削表面粗糙度预测中的应用.pdf

《径向基函数神经网络在高速铣削表面粗糙度预测中的应用.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、第6期组合机床与自动化加工技术NO．62013年6月ModularMachineTool&AutomaticManufacturingTechniqueJun．2013文章编号：1001—2265(2013)06—0006—03径向基函数神经网络在高速铣削表面粗糙度预测中的应用陈英俊，陈庆华(肇庆学院电子信息与机电工程学院，广东肇庆526061)摘要：应用RBF神经网络建立了高速铣削模具型腔时已加3-．表面粗糙度的预测模型，预测值与实测值非常接近，预测精度略高于回归模型的精度。ft．1用该模型对高速铣削表面粗糙度进行了预报，并分析了工艺参数的影响规律，验证了模型对质量监测及工艺参数优

2、化的可行性及实用性。结果表明，通过合理选择工艺参数，尤其在控制切削深度和切削宽度的情况下，可获得RaO．3m以下的已加工表面粗糙度。关键词：高速铣削；表面粗糙度；RBF神经网络；预测模型中图分类号：TG54文献标识码：AApplicationofRBFNeuralNetworkinSurfaceRoughnessPredictionofHigh-speedMillingCHENYing—jun，CHENQing—hua(ElectronicInformationandMechanicalEngineeringCollege，ZhaoqingUniversity，ZhaoqingGua

3、ngdong526061，China)Abstract：ThepredictivemodelofsurfaceroughnessinhighspeedmillingofmoldcavitywasdevelopedbasedontheRBFartificialneuralnetworkmethod．Thepredictiveresultsagreeverywellwiththoseob—tainedfromexperimentsandthepredictiveaccuracyisslightlyhigherthanthatofregressionmodelUsingtheforecas

4、tmodel，thesurfaceroughnessinhigh—speedmillingwasforecastandtheinfluenceofprocessparame—terswasanalyzed，whichverifiesthefeasibilityandpracticabilityofthemodelonthequalitymonitoringandprocessparameteroptimization．Itindicatesthatthesurfaceroughnesslessthan0．3lxmcanbeachievedonconditionthatallmachi

5、ningparameters，especiallymillingdepthandmillingwidtharewellselected．Keywords：high—speedmilling；surfaceroughness；RBFneuralnetwork；predictivemodel多元线性回归所需样本数量少，但在建模精度和泛化0引言能力方面往往不能满足要求；BP神经网络在处理非线近年来，随着高速切削技术飞速发展，对高速切削性模式识别方面表现出很好的特性，但BP算法收敛加工技术的研究越来越深入；同时随着对机械产品性速度慢，误差函数在学习阶段可能会陷入局部极小值；能、寿命和可靠性要

6、求的不断提高，对零件已加工表面虽然遗传算法可以避免局部极小，但一般都需要巨大粗糙度也提出了更高的要求。影响表面粗糙度的因素的计算量。作为人工神经网络的一个重要分支，近期很多，其中切削用量的选取是主要因素。由于高速切发展起来的径向基函数(RadialBasisFunction，RBF)削表面粗糙度的形成机理还不成熟，对切削参数的选神经网络较为有效地解决了上述问题，学习速度比通用还没有成熟的经验公式、数据可供参考。。因而，常的BP算法快得多，但在高速铣削加工领域的应用通过实验研究高速切削表面粗糙度与工艺参数的关还是一片空白。基于此，本文应用RBF神经网络建立系，建立精度和可靠性均较高的表

7、面粗糙度预测模型数控高速铣削表面粗糙度预测模型，并对其精度进行具有重要的现实意义，它不仅可以解决工艺参数优化了验证，从而可对高速铣削工艺参数进行优化和决策。问题，还能精确有效地保证加工质量。1RBF模型及其算法实现目前，对高速切削表面粗糙度建模及参数优化的方法较多，常见的有响应曲面法、遗传算法及BP神经1．1RBF模型结构网络等，但各种方法均有优缺点：响应曲面法结合RBF神经网络，即径向基函数网络是一种三层收稿日期：2Ol3一O1—15；修回日期：2013