[發明專利]基于人工神經網絡的磨床砂輪自動修整方法和修整裝置

無效

• 申請號: 201110271326.4
• 申請日: 2011-09-14
• 公開（公告）號: CN102335872A
• 公開（公告）日: 2012-02-01
• 發明（設計）人: 李海標;金典;莫金海;何少佳;韋壽祺
• 申請（專利權）人: 桂林電子科技大學
• 主分類號: B24B53/06
• 分類號: B24B53/06;B24B53/12;G05B19/18
• 代理公司: 桂林市持衡專利商標事務所有限公司 45107
• 代理人: 陳躍琳

1.基于人工神經網絡的磨床砂輪自動修整方法，其特征是包括如下步驟：

(1)均勻磨削實驗：選取一批數量足夠多、并具有相同加工工藝參數的待加工零件，在相同工況下進行磨削實驗，每磨削加工一次為一次實驗；

(1.1)從砂輪剛修整即砂輪的鈍化系數d＝0開始，到砂輪即將磨鈍需要修整時的鈍化系數d＝1為止，進行磨削實驗；設總共進行了b+1次實驗，則對應第一次實驗的砂輪鈍化系數d＝0，第二次實驗的砂輪鈍化系數d＝1/b，第三次實驗的砂輪鈍化系數d＝2/b，以此類推，至最后一次即第b+1次的砂輪鈍化系數d＝b/b＝1；與此同時，采集每次實驗現場砂輪電機電壓U、砂輪電機電流I、砂輪轉速n、待加工零件與砂輪的相對平移速度v數據，實驗完成后計算并保存對應每次實驗的砂輪鈍化系數d；

(1.2)自砂輪的鈍化系數d從0到1的變化過程中，在上述(1.1)步驟所得數據中均勻選取訓練樣本數據，每個訓練樣本記為(U_i、I_i、n_i、v_i)，對應的砂輪鈍化系數為d_i，其中i＝1、2、…、N，N為訓練樣本數；按同樣的方法在上述(1.1)步驟所得數據中另外選取N個驗證數據用于驗證人工神經網絡的可信度；

(1.3)將上述(1.2)步驟得到的訓練樣本對記為(X_i，d_i)(i＝1、2、…、N)，其中對應任一輸入樣本向量X_i＝(x_1i，x_2i，x_3i，x_4i)＝(U_i，I_i，n_i，v_i)，人工神經網絡實際輸出為y_i，期望輸出為d_i；

(2)建立人工神經網絡預測模型，用樣本數據訓練神經網絡，得出一個反映輸入輸出關系的人工神經網絡預測模型；

(2.1)按以下要求構造的一個人工神經網絡預測模型為三層的誤差反向傳播算法神經網絡；

(2.1.1)輸入層節點數M的選取：輸入層節點數M與人工神經網絡輸入參數個數相同，即M＝4；

(2.1.2)隱含層節點數H的選取：

式中，M為輸入層節點數，J為輸出層節點數，α為1≤α≤10之間的常數，即3≤H≤12；

隱含層節點輸出為：

式中，M＝4為輸入層節點數，x₀＝-1，w_0h為第h個隱含層節點的閾值，w_mh為第m(1≤m≤4)個輸入x_m(即x₁、x₂、x₃、x₄)到第h個隱含層節點的連接權值；

(2.1.3)輸出層節點數J的選取：輸出層節點數J與人工神經網絡輸出參數個數相同，即J＝1；

輸出層節點輸出為：

式中，H為隱含層節點數，g₀＝-1，w_0y為輸出節點的閾值，w_hy為第h(1≤h≤H)個隱含層節點到輸出層節點的連接權值；

(2.1.4)隱含層節點和輸出層節點的激勵函數均采用Sigmoid函數；

(2.1.5)各層節點之間的初始連接權值和節點的初始閾值取隨機非零值；

(2.2)按以下步驟訓練上述步驟(2.1)所獲得的誤差反向傳播算法神經網絡；

(2.2.1)隱含層節點數H先從小開始逐次增大進行取值，來對具有不同隱含層節點數H的人工神經網絡預測模型進行訓練，找出具有最好預測結果的人工神經網絡，該人工神經網絡預測模型隱含層節點數H就是最后確定的隱含層節點數H值；

(2.2.2)人工神經網絡預測模型進行訓練學習過程中第n次迭代時所定義的誤差E(n)為：

E(n)=12NΣi=1N(di-yi(n))2,]]>

式中，i＝1、2、…、N，N為訓練樣本數，y_i(n)為對應第i個輸入樣本的第n次迭代時的人工神經網絡輸出，d_i為對應第i個輸入樣本的期望輸出；

(2.2.3)根據誤差E(n)修正各層節點之間的連接權值和節點的閾值，其修正公式為：

wmh(n+1)=wmh(n)-η∂E(n)∂wmh(n)]]>

why(n+1)=why(n)-η∂E(n)∂why(n)]]>

式中，0≤m≤4，0≤h≤H，學習步長η的取值范圍為0＜η＜1；

(2.2.4)當誤差E(n)小于誤差設定值δ時或訓練次數達到設定訓練值Q次時，訓練停止；否則改變隱含層節點數H，重復步驟(2.2.1)～步驟(2.2.3)的訓練步驟；

(2.2.5)保存經多次修正后的各層節點之間的連接權值和節點的閾值，得到一個反映輸入輸出關系的人工神經網絡預測模型；

(3)砂輪自動修整：經過上述訓練后，可啟動磨削加工；通過現場采集砂輪電機電壓U、砂輪電機電流I、砂輪轉速n、以及待加工零件與砂輪的相對平移速度v后送入上述建立的人工神經網絡預測模型中計算輸出y，將y與預先設定的修整設定值進行比較，當y大于或等于修整設定值時，控制修整工具對砂輪進行修整。