[發(fā)明專利]切削加工中切削用量的預測方法

有效

• 申請?zhí)枺?/td>: 201210427270.1
• 申請日: 2012-10-31
• 公開（公告）號: CN102930337A
• 公開（公告）日: 2013-02-13
• 發(fā)明（設計）人: 孫明偉;龔敏慶;周勝;黃敏;金明仲;羅鋼
• 申請（專利權）人: 貴州大學
• 主分類號: G06N3/08
• 分類號: G06N3/08
• 代理公司: 貴陽中新專利商標事務所 52100
• 代理人: 李亮;程新敏

技術領域

本發(fā)明涉及機械加工技術，尤其是一種切削加工中切削用量的預測方法。

背景技術

選擇合理的金屬切削加工參數(shù)，對提高產(chǎn)品質量、加工效率以及延長刀具壽命具有重要意義。切削用量選擇得當，便能充分發(fā)揮機床和刀具的功能，取得生產(chǎn)的最大效益；選擇不當，會造成很大的浪費或導致生產(chǎn)事故。對于現(xiàn)在的高速、超高速機床及精度加工的影響更大。傳統(tǒng)的依靠經(jīng)驗或手冊來選擇切削參數(shù)的方法，往往因人而異，差別很大；通過切削試驗來確定最優(yōu)切削用量的方法成本高且效率低；計算機建立的各種切削數(shù)據(jù)庫不能快速、準確地求解。實現(xiàn)切削用量實時控制及切削參數(shù)的機器智能化選取比較困難。神經(jīng)網(wǎng)絡的智能化特征與能力使其能有效的處理復雜非線性系統(tǒng)控制、特征提取及識別等信息處理問題。徑向基函數(shù)網(wǎng)絡(Radial?Basis?Function?Network,?RBF)是前向型神經(jīng)網(wǎng)絡的一種類型，具有強大的矢量分類功能和快速計算能力，能以任意精度逼近任意非線性函數(shù)，且學習收斂速度快。但在模型進行學習訓練時，其隱含層神經(jīng)元數(shù)量即Matlab軟件中用于建立一個RBF神經(jīng)網(wǎng)絡的函數(shù)的分布密度值的設置是一個關鍵問題。其分布密度值需要足夠大才能覆蓋所有的輸入?yún)^(qū)間，但是如果太大，則每個神經(jīng)元的響應區(qū)域又會交叉過多，反而帶來精度的問題。理論上講，分布密度值越小，對函數(shù)的逼近就越精確，但逼近的過程就越不平滑；若其值越大，函數(shù)就越平滑，但是逼近誤差會比較大。一般設定RBF網(wǎng)絡的分布密度值與輸入向量的個數(shù)????????????????????????????????????????????????相等，但這并不能保證此時的分布密度值為最優(yōu)，反而有可能造成輸入?yún)^(qū)間覆蓋不足或帶來精度問題。

發(fā)明內容

本發(fā)明的目的是：提供一種切削加工中切削用量的預測方法，它能對切削用量進行準確有效的預測，以克服現(xiàn)有技術的不足。

本發(fā)明是這樣實現(xiàn)的：切削加工中切削用量的預測方法，其特征在于：包括以下步驟，

步驟一、選擇切削加工中的控制參數(shù)作為模型的輸入；測定實際切削樣本數(shù)據(jù)用于模型訓練和測試；

步驟二、建立RBF神經(jīng)網(wǎng)絡模型，利用相應的樣本數(shù)據(jù)對模型進行學習訓練；（使模型在一個足夠大的分布密度范圍內，選擇出使模型對測試樣本的擬合誤差平均幅值最小的分布密度）這個是一個不確定的范圍，需要用具體可指的數(shù)值來表達，或者僅在說明書中說明這句話。

步驟三、訓練后的模型對測試樣本的切削用量進行預測。

在步驟一中，所述的控制參數(shù)為切削速度或機床主軸轉速、進給速度及切削深度；切削速度與機床主轉速之間的關系為：，為工件直徑。

在步驟二中，所述的建立RBF神經(jīng)網(wǎng)絡模型是，根據(jù)模型的訓練樣本容量大小，設定一個RBF神經(jīng)網(wǎng)絡模型隱含層神經(jīng)元數(shù)量的變化范圍，即Mat?lab軟件中用于建立一個RBF神經(jīng)網(wǎng)絡的函數(shù)的分布密度值的區(qū)間；在Mat?lab軟件中，通過函數(shù)或函數(shù)設計一個RBF神經(jīng)網(wǎng)絡，且使得設計誤差為0，調用方式為：,；、分別表示訓練樣本輸入和目標輸出；表示RBF網(wǎng)絡輸出的總平均誤差方差；表示其分布密度常數(shù)；使RBF網(wǎng)絡在不同分布密度值下進行學習訓練；然后用訓練后的網(wǎng)絡模型分別對測試樣本進行預測；根據(jù)計算結果，選擇出使網(wǎng)絡精度最優(yōu)的分布密度值；對于網(wǎng)絡的精度通過網(wǎng)絡的誤差平均幅值來衡量，對RBF神經(jīng)網(wǎng)絡的擬合值與真實值之間的關系進行評價，進而反映出RBF神經(jīng)網(wǎng)絡的精度；誤差平均幅值：

為測試樣本的樣本容量，為測試樣本的維數(shù)，為神經(jīng)網(wǎng)絡的擬合值，為相應的真實值。

RBF神經(jīng)網(wǎng)絡模型應在一個足夠大的分布密度范圍內，選擇出使模型對測試樣本的擬合誤差平均幅值最小的分布密度，從而使模型的預測精度最高，以使模型的擬合預測能力達到最優(yōu)。

由于采用上述的技術方案，與現(xiàn)有技術相比，本發(fā)明使RBF神經(jīng)網(wǎng)絡模型在一個足夠大的分布密度范圍內分別利用訓練樣本數(shù)據(jù)進行學習訓練，然后用訓練后的網(wǎng)絡模型對測試樣本進行預測，根據(jù)計算結果，選擇出使模型的誤差平均幅值最小的分布密度值，這樣模型的擬合預測誤差最小，從而使模型的擬合預測能力最優(yōu)，其訓練速度快且預測精度高。本發(fā)明方法簡單，成本低廉，使用效果好，產(chǎn)業(yè)化應用前景廣闊。

附圖說明

圖1為本發(fā)明的實施例的流程圖；

圖2為本發(fā)明的實施例的擇優(yōu)RBF網(wǎng)絡分布密度1-15預測結果誤差；

圖3為本發(fā)明的實施例的擇優(yōu)RBF網(wǎng)絡分布密度6-20預測結果誤差；

圖4為本發(fā)明的擇優(yōu)RBF網(wǎng)絡分布密度為10的訓練結果。