基于神经网络的并联机床表面粗糙度预测.pdf

《基于神经网络的并联机床表面粗糙度预测.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、2015年6月机床与液压Jun．2015第43卷第11期MACHINETO0L&HYDRAULICSVo1．43No．11DOI：10．3969／j．issn．1001。_3881．2015．11．013基于神经网络的并联机床表面粗糙度预测赵昌龙，于淼(长春大学机械与车辆工程学院，吉林长春130022)摘要：将人工神经网络改进后应用到并联机床粗糙度的预测模型中，有效预测了机床进给速度、主轴转速、加工角度、加工作用力以及加工次数等工艺参数变化下对粗糙度的影响。结果表明：当网络的训练步数控制在200到400

2、次时，整个网络模型的训练样本均方误差是平稳且收敛的，并且训练中加入的检验样本的预测误差可以控制在5％以下，满足预测模型的训练要求，证明经过改进的神经网络预测模型用于实际加工预测过程中是可行的，且精度较高。关键词：并联机床；神经网络；粗糙度；误差中图分类号：TG502文献标志码：A文章编号：1001—3881(2015)11-046—3PredictionofSurfaceRoughnessofParallelMachineToolsBasedontheNeuralNetworkZHA0Changlong

3、，YUMiao(CollegeofMechanicalandVehicleEngineering，ChangchunUniversity，ChangchunJilin130022，China)Abstract：Improvedartificialneuralnetworkwasappliedtothepredictionmodelofparallelmachinetoolroughness，whichefec—tivelypredictedtheinfluenceonroughnessbychangep

4、rocessparameterssuchasmachinetoolfeedrate，spindlespeed，processingan-gle，machiningforceandnumberoftimesofmachining，andetc．Resultsshowthatthestepswhenthetrainingofthenetworkcontrolledfrom200to400，thetrainingsamplemeansquareeroroftheentirenetworkmodelisstab

5、leandconvergent，thepredictionerrorofaddedinspectiontrainingsamplescanbecontrolledunder5％．whichsatisfiestherequirementofthepredictionmodelintraining．Theimprovedneuralnetworkpredictionmodelisprovedtobefe嬲ib1ewithhigherprecisionwhenusedtof0recasttheactualma

6、chiningprocess．Keywords：Parallelmachinetool；Neuralnetwork；Roughness；Error0前言加工。在制造业迅猛发展的今天，越来越多的含有自由1BP神经网络模型的改进设计曲面等复杂表面的加工零件出现，人们对复杂曲面零1．1人工神经网络件的加工质量与加工效率的要求也越来越高。传统机人工神经网络是由大量的神经元所组成的，这些床已经不能完全满足人们的需要，因此，并联机床的神经元的连接丰富且完善，从而构成一个自适应的非出现改变了原有数控机床的结构形式，利

7、用多杆相并线性动态系统。人工神经元将生物神经元的信息联的机构进行驱动，不仅大大地提高了机床的结构刚处理过程进行了抽象的处理，并利用数学方法进行描度，而且在零件的加工质量方面也有了显著的述，通过模型图表达出生物神经元的功能和结构。提高。1．2改进神经网络流程正是由于并联机床在诸多方面的优越性，国内外在利用神经网络进行训练的过程中，网络模型的的许多研究人员已经对其进行了多方面的研究工训练能力以及泛化能力是评价网络性能的两个及其重作。在人们关注的问题中，如何控制并联机床的加要的性能指标，这两种能力的优劣直接影

8、响了网络模工质量成为一个难题，并联机床的加工工艺参数很型求解问题的好坏。在通常情况下，训练能力差多，包括机床的进给速度、主轴转速、加工角度、加则泛化能力差，在一定程度上改进训练能力则能够提工作用力以及加工次数等，本文作者正是围绕这5种高泛化能力，但当达到一定的极限时，改善网络的训工艺参数对工件表面粗糙度的影响，利用人工神经网练能力则会使泛化能力下降，也就是所谓的“过度络建立了粗糙度的预测模型，以指导今后的实际学习”现象的出现。在出现“过度学