神经网络解决机械加工误差复映的应用研究

发布时间：2020-06-07 10:13

【摘要】：在机械加工过程中，由于毛坯的尺寸和形位误差、装卡的偏心等原因导致工件加工余量变化，而工件的材质会不均匀，这些原因引起切削力变化，使工艺系统变形（让刀量）发生变化，从而产生加工误差，即机械加工中的误差复映现象。通常凭人的经验多次加工，每次加工取适当的加工余量减少误差复映引起的加工误差。根据误差复映理论，误差复映系数反映了加工前毛坯误差对加工后工件误差的影响程度，而误差复映系数与工艺系统刚度、切削条件、进给量、工件材料的硬度等多个因素有关，且呈复杂的非线性关系难以通过公式精确算出。多次加工可以减少误差，而加工次数及每次加工余量的选取目前主要依靠人的经验。人工神经网络模仿大脑神经网络结构和功能，以其高度的并行性、高度的非线性全局作用、良好的容错性与联想记忆功能、十分强的自适应学习功能，在模式识别、模式分类、函数逼近、图像处理、信号处理、容错计算等领域得到了广泛的应用。利用神经网络的学习能力，BP网的任意非线性映射能力可以模拟这复杂的函数关系。通过对实验得到的样本集进行训练，当对训练好的网络给以一定的输入后可以得到正确的输出。从而可以根据加工的各种条件得出加工的次数及各次的加工余量。BP算法不受输入量和输出量数目的限制，在具体的研究应用中，可以根据需要修改源程序加以改进.在本论文中主要完成的研究内容如下: 1.网络模型的建立通过分析误差复映问题的模型，分析比较各种神经网络的特点，确定了用于优化机械加工参数的神经网络模型。用神经网络优化机械加工参数，解决机械加工误差复映这一问题的实质是逼近一个复杂的非线性函数，而感知器只能解决输入线性可分的分类问题，自适应线性元件仅可以学习输入输出矢量间的线性关系，而BP网的任意非线性映射能力可以模拟这一复杂的函数关系。通过对误差复映模型的分析，，采用加工前后的误差EE、EB，工艺系统刚度K系，工件硬度HBS，进给量f作为BP网络的输入，第一、二次切深占总切深的比例P1、P2作为BP网络的输出。 2．BP算法的改进针对标准ＢＰ算法训练时间长、不易收敛的缺点，根据本课题应用实 WP=66 际，结合附加动量法、自适应学习率和双极性S型压缩函数法，对BP算法进行了改进，使用效果良好。采用附加动量法修正网络权值，不仅考虑误差在梯度上的作用，而且考虑在误差曲面上变化趋势的影响，如同一个低通滤波器，使网络忽略微小变化，滑过局部极小值。在训练网络中，针对特定的问题，学习速率的选取往往比较盲目，学习速率太小，导致训练时间增长，学习速率太大，又可能引起训练瘫痪现象。为了解决这一问题采取自适应学习率的方法在训练中自动调整学习速率，保证网络总是以最大的可接受的学习速率进行训练，大大缩短了训练时间。本文利用MATLAB的神经网络工具箱, 用实例说明了结合附加动量法和自适应学习率改进后算法的优越性。 3.BP网络结构的确定通过对实验数据采用不同网络结构进行训练，分析比较研究不同网络结构对训练结果的影响。确定BP网络的隐层数，各层神经元数，从而确定了BP网络的结构。采用两个隐层，第一、二隐层神经元数分别为15、12即 5-15-12-2的网络结构最为合理，具有较快的收敛速度和较小的训练误差，且不易出现过度匹配。 4.BP网络解决复映问题的研究对ＢＰ网络进行训练后，用测试集测试它的泛化能力，观察测试结果与实际结果的差距，分析用BP网络解决机械加工中误差复映问题，实现加工参数优化的可行性。分析测试数据可知:用训练集训练BP网络可以很好地收敛，而用测试集测试网络时却有一定的误差，且当输入量靠近训练所用结点时误差很小，这说明训练集可能不够完备，即训练集可能没有完全覆盖整个实际的集合，但同时说明只要拥有比较完备的训练集(更多大量全面的实验或全面的经验数据)，可以很好地用BP网络解决机械加工中的误差复映问题，实现加工参数优化。 5．偏心夹具的设计根据实验需要，设计了一个简易的偏心连续可调夹具，它利用了棒料在车削中中心线相对车床主轴的变化，用很简单的方法实现了偏心的连续可调，在实验中效果良好。 6．图形用户界面的设计利用MATLAB的GUI设计工具GUIDE设计了能够实现训练参数设定，训练网络和测试网络的图形用户界面。如图1所表示： WP=67 图1 “训练网络”主菜单项由四个子菜单项组成，主要完成训练参数设定、网络训练等功能。“输入加工条件和要求”主菜单项用于输入工艺系统刚度、进给量、加工前径向误差、加工后径向误差和工件硬度作为网络的输入。当单击“计算各次加工比例”菜单项可以正向计算输出第一、二次的加工比例。
【图文】：

人工神经元,神经元网络,神经细胞,树突

从信息的传递过程来看，一个神经细胞的树突，从其他神经细胞接受信这些信号可能是兴奋性的，也可能是抑制性的。所有树突接受到的信号传到细胞体进行综合处理。如果在一定的时间间隔内，当某一细胞接受的兴奋性信号量足够大，它将被激活，并产生一个脉冲信号，这个信号沿着该细胞的轴突传送出去，并通过突触传给其他神经细胞。神经细胞过突触的连接形成神经网络。

人工神经网络,简化模型,神经元网络,神经元

人工神经网络简图
【学位授予单位】：吉林大学
【学位级别】：硕士
【学位授予年份】：2004
【分类号】：TH161

【相似文献】