基于人工神经网络方法的切削用量智能选择系统

17

基于人工神经网络方法的切削用量智能选择系统3

陈　杰　罗红波　赵　武

四川大学

摘　要:介绍了BP神经网络的建模方法和算法,提出了采用神经网络方法进行切削用量选择的智能系统。试验表明,运用神经网络方法确定切削用量具有可行性。

关键词:神经网络,　切削参数

IntelligenceSelectionSystemforCuttingParameter

BasedonNeuralNetworks

ChenJie　LuoHongbo　ZhaoWu

Abstract:ThealgorithmandthemodelbuildingofBackPropagationneuralnetworksisintroduced.Theintelligencesystemofselectingcuttingparametersbasedontheartificialneuralnetworksisputforward.Itisindicatedbyexperimentsthatselectingcuttingparametersbyusingthemethodofartificialneuralnetworksisfeasible.

Keywords:neuralnetworks,　cuttingparameter

　　1　概述

人工神经网络研究是人工智能学科领域的重要组成部分。人工神经网络模拟人类形象思维的方式,采用物理可实现器件或通过计算机软件模拟生物体中神经网络的某些结构与功能,并反过来运用于工程及其他领域。人工神经网络由大量的神经单元相互连接而成,这些神经元并行处理信息,具有很强的容错性和运算能力。人工神经网络通过训练,将学习样本中的信息以连接权矩阵的方式存储起来,从而使得网络在接受输入时,可以得到适当的输出。

机械零件加工过程中,切削用量的选择恰当与否将直接影响到成品质量、加工效率、加工成本等,然而由于影响切削用量的因素繁多,影响因素之间又相互交叉,相互制约,因而确定最佳切削用量较为困难。由于人工神经网络在处理这种非线性多输入、多输出系统时无需在建模方法上进行各变量的相关性分析,而是将影响因素对输出变量的作用通过连接权存储在神经网络中,因此,用人工神经网络

3国家应用推广项目(项目编号:2001EC000300)收稿日期:2003年2月

解决类似切削用量确定的经验决策性问题具有良好的效果。　　2　人工神经网络模型及算法由于单层神经网络只能解决线性可分的问题,因此只有在输入层、输出层之间加入隐含层构成多层网络才能提高网络的分类能力。由神经网络理论可知:对于一个神经网络,有p个输入和q个输出,其作用可看作是由p维欧氏空间到q维欧氏空间的一个非线性映射,这种映射可逼近任何连续函数。

本文采用BP网络实现切削用量选择系统的建模。所谓BP网络,即使用BP算法进行学习的多级非循环网络。该算法利用输出层的误差来估计输出层的直接前导层的误差,再利用这个误差估计更前一层的误差,以此类推下去。虽然这种误差估计本身的精度会随着误差本身的向后传播而不断降低,但仍然给多层网络的训练提供了有效的方法。

211　BP网络的拓扑结构

图1所示是具有单隐层的前馈式网络结构。图中输入层只起到输入信号的扇出作用,负责接受来自网络外部的信息,该结构中有n个输入单元;隐藏层是除输入层和输出层以外的各层,该结构隐藏

10　PDumas.Surf.InterfaceAnal,1994,22:56111　ELYang,JPHirvonen.Wear,1991,146:367

12　J.J.Pireaux,P.A.Thiry,R.Sporken,R.Caudano,Surface

Anal,1990,15:189

7　HSCho.Piasmanitroctburisingofferroussubstraresusingcar2bonmonoxidegas.MphilThesis,UniversityofBirmingham,19968　HJAche.PositronandPositroniumChemistry.Chap.10,D.M.

SchraderandY.C.Jeaneds.ElsevierSciencePublishers,Ams2terdam,1988

9　AFAdadurov,J.AdhesionSci.Technol,1995,9:1279～1281

第一作者:晋　勇,高级工程师,四川大学材料科学与工程学院,610065成都市

18

工具技术

层中有r个单元;输出层是网络的最后一层,负责输出网络的计算结果,该结构中输出层有m个单元。输入层、输出层单元的数目是由问题所决定的,而网络隐藏层的层数和各隐藏层的神经单元数则是与问题相关的。

为

W=W+ΔW

根据Delta学习规则

ΔδW=a・・O

式中　a———给定的学习率

δ—　——输出处误差信号　O———输入活动

根据上式,对于输出层第q个神经元,Wpq为前导层第p个神经元与其连接权,有

(netq)・(yq-Wpq=Wpq+Δfn′Wpq=Wpq+a・

Oq)・Op

图1　BP前馈网络拓扑结构图

对于隐藏层k第p个神经元,Whp为前导层第h

个神经元与其连接权,则

(netp)・(wp1δWhp=Whp+Δfk′Whp=Whp+a・1p+wp2δ2p+...+wpmδOk-1mp)・

　　212　BP网络的学习算法

人工神经网络的训练过程是根据样本集对神经单元之间的连接权进行调整的过程。BP网络执行

的是有导师学习,其样本集形如:(输入向量,理想输出向量)的向量对组成。

神经元是神经网络的基本单元,对于一组输入向量X=(x1,x2,...xn),相应的连接权向量为W=(w1,w2,...,wn)’,则输入信号net=∑xi・wi(i=1,2,…,n)=XW。神经元在获得输入后应有适当的δ式中(wp1δ1p+wp2δ2p+...+wpmmp)是指隐藏

层k第p个神经元的输出误差用该神经元到下一层各神经元产生的误差与连接权的乘积和来衡量,Ok-1为该神经元的输入值。

系统采用的BP算法流程图如图2所示。

输出,这种执行该神经元所获得的网络输入的变换,就是激活函数。按照BP算法的要求,其内神经元所用的激活函数必须是处处可导的,只要函数处处可导都可作为激活函数。本系统采用s形函数(SquashingFunction)。该神经元的输出为:O=f

(net)=1/(1+e-net

)。

BP算法的步骤可归纳如下:

①初始化连接权。用随机数初始化,小随机数保证网络不因权过大而进入饱和状态,从而导致训练失败;不同的随机数可使网络正常地学习。②前向传播阶段。从样本集中取一个样本(输入向量Xp,理想输出向量Yp),将Xp输入网络,计算相应的实际输出Op:

()()()

Op=Fn(...(F2(F1(XpW1)W2)...)Wn)

图2　BP算法流程图

　　3　切削用量选择系统网络模型

采用神经网络方法建立了进行切削用量选择的智能系统。根据问题的具体情况,确定输入层向量和输出层向量的具体形式。输出层的向量形式在这里就是切削用量,即切削深度、进给量、切削速度。理想的情况下,在输入层应考虑所有对输出层向量有影响的因素,如加工方式、工件、刀具、机床、切削液以及生产批量等,但是由于切削液的使用很难量化后输入网络,同时对于不同的加工阶段又有不同的加工因素需要考虑,所以将理想情况具体化,分别确定相应网络模型。以车削为例,本系统对于车削加工的粗加工和精加工阶段分别建立了网络模型。在粗加工阶段输入层因素为工件余量、工件硬度、工

式中　W(n)———相应层间连接权向量

③向后传播阶段。计算实际输出Op与相应的理想输出Yp的差值。网络关于第p个样本的误差测度为

Ep=

1m

∑(y-Opj)22j=1pjE=∑Ep

网络关于样本集的误差测度为

由输出层误差反向逐层后推将神经元的连接权调整

2003年第37卷№10

19

件强度、刀具硬度、刀具前角、刀具主偏角、刀具寿命、车削方式及毛坯状态;而在精加工阶段输入层因素为工件加工精度、工件硬度、工件强度、刀具硬度、刀具前角、刀具主偏角、刀具寿命、车削方式及热处理状态。

实施中考虑的问题:①只含一个隐藏层的前馈网络是一个通用的函数逼近器,说明一个隐藏层已足够,但并不是最好的。有文献证明,逼近相同输入维数的函数时,两个隐藏层的网络比单个隐藏层所需的单元数少得多。因此本系统采用两个隐藏层的结构,并且将第二隐藏层的神经元数目作为一个变量输入参数,在训练中,对同一个问题可找到最好效果的神经元数目。②由于输入层各变量代表不同的物理量,它们的取值范围差别很大。因此需对BP网络进行归一化处理,使归一化后的值为同一范围的数值。同时考虑到激活函数为s形函数,为避免工作在函数的平坦区域,应将数据变换为011～019之间,因此对输入数据作如下变换:y=

019-011019-011图3　程序运行时的界面

1%。由此可见,采用该方法能够实现切削用量选择

的智能化,提高企业的生产能力。

参考文献

1　阎平凡,张长水.人工神经网络与模拟进化算法.清华大

学出版社,2000

2　周毓菁,金有道.用神经网络分析法评价机械加工工艺参

数.武汉工业大学学报,1996(9)

3　彭　观,陈统坚.张　俊.切削加工参数多目标优化的神经网络方法.机械工艺师,1999(2)

第一作者:陈　杰,硕士研究生,四川大学制造科学与工程学院,610065成都市xmax-xminx+(019-来自汽车企业对机床行业的呼声

汽车业不仅需要精密的通用机床,更需要精密专用机床,现在精密专用机床太短缺,质量也不怎么样,而有些通用机床已经过剩了。据了解,2002年国内生产各类机床231951台,其中精密、数控机床28687台。机床总数的30%用于汽车行业,但是其中大多数都为通用机床,而精密专机货源不足,质量也很一般。

东风汽车公司一位专业人士提出,过去机床企业在生产通用机床的同时,为汽车企业开发了不少技术含量不高、附加值低的专用机床。近年来,汽车水平不断提高,一些机床厂也纷纷与外商合资,生产通用数控、数显机床和加工中心,而精密专用机床因需求品种多、批量小、技术要求高、开发难度大,因此被不少机床企业所放弃,使汽车企业叫苦不迭。比如,镗缸孔、曲轴孔、加工缸体止口以及缸盖阀座导管等汽车关键部件使用的精密专用机床,市场严重短缺。一些汽车厂家反应,不少专用机床粗加工还可以,精加工质量难保证。

一些汽车企业反映,中瑞合资青岛朗普公司、东风设备厂等少数单位服务意识好,能够及时为汽车企业提供高质量的专用机床设备。东风设备厂生产的专用机床不仅满足东风公司的需要,而且也满足了上汽、长安、哈尔滨东安、潍柴、云内等多家主机厂需求。

一些汽车企业认为,尽管少数企业开发了专用机床,尽管国产通用机床水平比过去有了提高,但精密专用机床仍有很大缺口。韩国、日本在带入它们的汽车产品的同时,也带来了各种通用和专用机床,价格和国内专机不相上下,但质量确占绝对优势。汽车行业有关人士感慨地说,机床企业再不抓紧开发精密专机,并下力气提高产品质量,该市场很快就会被国外公司所瓜分。

xmax-xmin

xmax);同理,在网络的输出层各变量应作相应的反归一化处理,以使输出值为合理的数值。

③由实验可知,BP网络接受样本的顺序对训练的结果有较大的影响。由于样本是逐一、分别地输入网络进行训练,因此较前的样本对网络的部分影响被较后样本的影响所掩盖,从而使排在较后的样本对最终结果的影响比排在较前的样本影响大。另一方面,对样本集依次不变的学习,也易引起训练过程的严重抖动。因此,每一周期训练样本的输入顺序都要重新排序。

③基本的BP算法的收敛速度比较慢,为了解决收敛速度问题,需对算法进行适当的改造。因此本系统采用Rumelhart等人1986年提出的考虑上次修改的影响的公式:

ΔδδOh+β′Whp=a・Whpp・

β—式中　——冲量系数,一般可取到019

Δ　Whp′———上一次的修改量　　4　结论

程序运行时的界面如图3所示。在程序测试中,运用本文所述方法建立的人工神经网络通过对数据库中样本集的训练学习,具有良好的收敛速度和计算精度。由输入层输入假设切削条件后,由网络得出的切削用量参数与预想输出参数的误差小于