人工神经网络预测高速铣削淬硬钢圆弧切削力.pdfVIP

学兔兔 ★ 人工神经网络预测高速铣削淬硬钢圆弧切削力 口 王小纯 口 曹景源 口 郑 涛 广西大学机械工程学院 南宁 530004 摘 要：在高速加工中心上，用西2 mm铣刀，采用单因素法，对45#淬硬钢(52HRC)进行了高速铣削圆弧路径的实 验。建立BPNN人工神经网络模型，用此模型对实验结果进行预测，结果表明，其结果与实验数据有很好的吻合性。切削力 的准确预测不仅对合理选择切削用量、刀具几何参数有重要的作用，还是刀具磨损状态的关键指标。利用此模型，可为加 工参数和刀具选择提供依据。 关键词：神经网络 小直径铣刀 圆弧 切削力 预测 中图分类号：TG501．3 文献标识码：A 文章编号：1000—4998(2009)09—0056—03 小直径铣刀是高速加工硬材质模具及复杂型腔必 络训练函数的确定以及训练迭代终止条件确定等。 不可少的刀具，但由于小直径铣刀的脆弱性和硬材质 输入层的神经元个数由网络的输入向量确定，而 模具的难加工性，小直径铣刀在高速铣削过程中断刀、 输入向量为5维，故输入层的神经元个数为5个。输出层 破损现象尤为严重，小直径铣刀，特别是涂层铣刀价格 神经元的个数由输出向量确定，而输出向量由1个铣削 昂贵，无法进行大量的实验 ，且金属切削加工是一个随 力预测目标 组成。输入与输出间的映射关系可表 机的非稳态、非线性切削过程，切削参数的变化 ，机床 示为： 一 刀具系统的刚度等因素，决定了加工过程的不稳定 = f(Ad，Rd， ，n，R) 性 ，工件材料 的非均一性也是导致切削过程不稳定 的 隐层神经元数 目的确定是一个比较复杂的问题， 一 个重要因素，所以，切削力很难得到统一的数学公 迄今还没有一个理想的解析式来表示，过多的隐层神 式。前馈神经元网络具有良好的学习能力和非线性变 经元数虽然能处理更加复杂的预测问题 ，但却增加了 换机制，对一些难以用数学公式建立精确模型的系统 网络的复杂程度，使训练速度降低。隐层神经元的个数 能有效的仿真建模。国外学者已在多方面对神经网络 待后续的传递 函数等确定后 由实验来确定。 进行研究和应用，如刀具状态识别，切削条件的优化， 根据 BPNN的一般设计原则及参照文献【5】，确定 表面粗糙度的预测与控制等u圳。 隐层神经元的传递函数为 Sigmoid型的正切函数。在 人工神经网络是由许多简单单元按一定的层次组 铣削力预测时，由于网络的输出被归一化到区间【0．1， 织的大规模集成网络，是一种由数据驱动的归纳方法， 0．9]中，因此确定输出层神经元的传递函数为 Sigmoid 是一种不需要模型的预测系统。在没有数学模型的情 型的对数函数。传递函数图形如图1所示。 况下，它可以找到输入输出之间的复杂关系并能对其 进行建模¨1。这比其它的预测方法实时、有效。同样的 实验只要有少数几组数据就可以进行培训 ，可以很好 地对其它组的数据进行切削力预测，通过预测结果可 知，预测精度很高，可为随后进行的加工提供选择加工 参数和刀具的依据。 1 人工神经网络模型的结构 在确定采用 BPN