[發明專利]一種硬質合金刀片化學機械拋光表面粗糙度的預測方法

在審

• 申請號: 201710552078.8
• 申請日: 2017-07-07
• 公開（公告）號: CN107292051A
• 公開（公告）日: 2017-10-24
• 發明（設計）人: 胡自化;文娟;秦長江;宋輝;譚兆;袁彪
• 申請（專利權）人: 湘潭大學
• 主分類號: G06F17/50
• 分類號: G06F17/50;G06N3/08
• 代理公司: 暫無信息
• 代理人: 暫無信息

技術領域

本發明涉及一種硬質合金刀片化學機械拋光表面粗糙度的預測方法，屬于機械加工工藝技術領域。

背景技術

化學機械拋光因其能避免機械表面損傷、提高刀片平整度和減少熱影響等優點，成為硬質合金刀片重要的精密加工方法之一。但目前化學機械拋光硬質合金刀片實際加工中多通過反復實驗確定拋光工藝參數，依靠經驗、半經驗手段控制拋光質量，以上問題造成了加工過程不穩定，生產效率低。而在機械加工中，刀片表面粗糙度是衡量刀片產品質量的重要指標，因此，建立精確的表面粗糙度預測模型對提高化學機械拋光效率、提高化學機械拋光精度與降低生產成本具有重大的現實意義。

化學機械拋光硬質合金刀片過程中，影響表面粗糙度的因素很多，且這些因素彼此又相互耦合，因此在各化學機械拋光工藝參數和表面粗糙度之間存在著復雜的非線性關系，神經網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控制、特征提取及識別等信息處理問題。

發明內容

針對上述問題，本發明提出一種硬質合金刀片化學機械拋光表面粗糙度的預測方法，該方法采用基于高斯函數的異常檢測算法進行實驗樣本數據的預處理，淘汰掉異常數據組，利用遺傳算法優化BP人工神經網絡模型的非線性函數逼近特性，可快速高精確地預測硬質合金刀片表面粗糙度。

本發明采用的技術方案如下：一種硬質合金刀片化學機械拋光表面粗糙度的預測方法，包括以下步驟：

步驟一、設計化學機械拋光硬質合金刀片實驗參數與實驗方案，以及實驗數據的采集；

步驟二、采用基于高斯函數的異常檢測算法進行實驗樣本數據的預處理；

步驟三、建立遺傳算法優化BP神經網絡的預測模型,利用預處理后的實驗樣本數據對預測模型進行學習訓練，從而獲得不同條件下硬質合金刀片的表面粗糙度預測模型。

在步驟一中，所述的化學機械拋光硬質合金刀片實驗為拋光前表面粗糙度、拋光時間、拋光速度、拋光壓力、磨粒大小和拋光液濃度六個因素間的對表面粗糙度的影響實驗。

在步驟二中，所述的基于高斯函數的異常檢測算法具體為：

1)構建仿真數據

確定訓練樣本數據其中x_ij表示第i組第j個因素的實驗數據；

2)確定高斯分布參數

高斯分布的概率密度函數：式中，p(x_ij；μ_i,σ_i²)表示正常數據的概率；μ_i表示第i組實驗數據的均值，由公式確定；σ_i表示第i組實驗數據的方差，由公式確定，式中n表示數據所包含的因素數量；

3)確定閾值

高斯參數確立后可得到高斯分布輪廓，而確立訓練樣本點是否異常的方法之一就是以交叉驗證集為基礎設立一個閾值ε，概率低于閾值的點可以被認為是異常點；

4)得出結果

將檢測出的異常點數據組淘汰掉，得到可進行預測的實驗樣本數據。

在步驟三中，所述的遺傳算法優化BP神經網絡的預測模型是利用遺傳算法替代BP神經網絡的梯度下降法來優化預測誤差，具體步驟如下：

1)數據歸一化

將預處理后的實驗樣本數據中的隨機70％的數據作為訓練數據組，另30％的數據作為測試數據組；為消除各維數據間數量級差別，將訓練數據組和測試數據組歸一處理化得到訓練集和測試集，其中數據歸一化處理采用最大最小法，即x_min為數據序列中的最小值，x_max為數據序列中的最大值；

2)BP人工神經網絡的構建

a)輸入層節點數n：根據預測模型，輸入層節點數為影響硬質合金刀片表面粗糙度的因素的個數；

b)輸出層節點數m：根據預測模型，輸出層節點數為化學機械拋光實驗的因變量的個數；

c)隱含層節點數l：根據公式式中n為輸入層節點數，m為輸出層節點數，a為0～10間的常數；

d)輸入層和隱含層間連接權值矩陣w_ij[n×l]，隱含層和輸入層間連接權值矩陣w_jk[l×m]；

e)隱含層閾值矩陣a_j[l×1]，輸出層閾值矩陣b_k[m×1]；

f)隱含層激勵函數f(x)：

g)隱含層輸出H_j：

h)隱含層輸出O_k：