基于神经网络的并联机床表面粗糙度预测.pdf

2 0 1 5年 6月 第 4 3卷 第 1 1 期 机床与液压 MACHI NE TO0L HYDRAUL I CS J u n． 2 01 5 Vo 1 ． 4 3 No ．1 1 DOI 1 0 ． 3 9 6 9 ／ j ． i s s n ． 1 0 0 1 。_ 3 8 8 1 ． 2 0 1 5 ． 1 1 ． 0 1 3 基于神经网络的并联机床表面粗糙度预测 赵 昌龙 ，于淼 长春大学机械与车辆工程学院，吉林长春 1 3 0 0 2 2 摘要将人工神经网络改进后应用到并联机床粗糙度的预测模型 中，有效预测了机床进给速度、主轴转速、加工角 度、加工作用力以及加工次数等工艺参数变化下对粗糙度的影响。结果表明当网络的训练步数控制在 2 0 0到 4 0 0次时， 整个网络模型的训练样本均方误差是平稳且收敛的，并且训练 中加入的检验样本的预测误差可以控制在 5 ％以下，满足预 测模型的训练要求，证明经过改进的神经网络预测模型用于实际加工预测过程中是可行的，且精度较高。 关键词并联机床；神经网络 ；粗糙度；误差 中图分类号 T G 5 0 2 文献标 志码 A 文章编号 1 0 0 1 3 8 8 1 2 0 1 5 1 1 - 0 4 6 3 Pr e d i c t i o n o f S ur f a c e Ro ug h ne s s o f Pa r a l l e l M a c h i n e To o l s Ba s e d o n t he Ne ur a l Ne t wo r k ZHA0 Ch a n g l o n g，YU Mi a o C o l l e g e o f M e c h a n i c a l a n d V e h i c l e E n g i n e e r i n g ，C h a n g c h u n U n i v e r s i t y ，C h a n g c h u n J i l i n 1 3 0 0 2 2 ， C h i n a Ab s t r a c t I mp r o v e d a r t i fi c i a l n e u r a l n e t wo r k wa s a p p l i e d t o t h e p r e d i c t i o n mo d e l o f p a r a l l e l ma c h i n e t o o l r o u g h n e s s ，w h i c h e ff e c t i v e l y pr e d i c t e d t he i n flu e n c e o n r o u g h ne s s b y c h a n g e p r o c e s s pa r a me t e r s s uc h a s ma c h i ne t o o l f e e d r a t e，s pi nd l e s pe e d，p r o c e s s i n g a n- g l e ，ma c h i n i n g f o r c e a n d n u mb e r o f t i me s o f ma c h i n i n g， a n d e t c ． Re s u l t s s h o w t h a t t h e s t e p s w h e n t h e t r a i n i n g o f t h e n e t w o r k c o n t r o l l e d f r o m 2 0 0 t o 4 0 0，t h e t r a i n i n g s a mp l e me a n s q u a r e e rr o r o f the e n t i r e n e t w o r k mo d e l i s s t a b l e a n d c o n v e r g e n t ，t h e p r e d i c t i o n e r r o r o f a d d e d i n s p e c t i o n t r a i n i n g s a mp l e s c a n b e c o n t rol l e d u n d e r 5 ％ ．w h i c h s a t i s fi e s t h e r e q u i r e me n t o f t h e p r e d i c t i o n mo d e l i n t r ain i n g ．T h e i mp r o v e d n e u r a l n e t w o r k p r e d i c t i o n mo d e l i s p r o v e d t o b e f e 嬲i b 1 e w i t h h i g h e r p r e c i s i o n w h e n u s e d to f 0 r e c a s t the a c t u a l ma c h i n i n g p r o c e s s ． Ke y wo r d sPara l l e l ma c h i n e t o o l ；Ne u r a l n e t wo r k；Ro u g hn e s s；Er r o r 0前言 在制造业迅猛发展的今天，越来越多的含有 自由 曲面等复杂表面 的加工零件出现 ，人们对复杂 曲面零 件的加工质量与加工效率的要求也越来越高。传统机 床已经不能完全满足人们的需要，因此 ，并联机床的 出现改变了原有数控机床的结构形式 ，利用多杆相并 联 的机构进行驱动 ，不仅大大地提高了机床 的结构 刚 度 ，而 且 在 零 件 的 加 工 质 量 方 面 也 有 了显 著 的 提高 。 正是由于并联机床在诸多方面的优越性 ，国内外 的许多研究人 员 已经对其进 行了多方面的研究工 作 。在人们关注的问题中，如何控制并联机床的加 工质量成 为一 个难 题 ，并联 机 床 的加工 工艺 参数 很 多，包括机床的进给速度、主轴转速 、加工角度、加 工作用力 以及加工次数等 ，本 文作者 正是 围绕这 5种 工艺参数对工件表面粗糙度的影响，利用人工神经网 络建立 了粗 糙 度 的 预 测 模 型 ，以 指 导 今 后 的 实 际 加工 。 1 B P神经网络模型的改进设计 1 ． 1 人 工神 经 网络 人工神经网络是由大量的神经元所组成的，这些 神经元的连接丰富且完善，从而构成一个 自适应的非 线性动态 系统 。人工 神经元将生 物神经元 的信息 处理过程进行 了抽象的处理 ，并利用数学 方法进行描 述 ，通过模型图表达出生物神经元的功能和结构。 1 ． 2改进神 经 网络 流程 在利用神经网络进行训练的过程中，网络模型的 训 练能力 以及泛化能力是评价网络性能的两个及其重 要 的性能指标 ，这两种能力的优劣直接影 响了网络模 型求解问题的好坏 。在通常情况下，训练能力差 则泛化能力差 ，在一定程度上改进训练能力则能够提 高泛化能力 ，但 当达到一定的极限时 ，改善网络 的训 练能力则会使泛化能力下降，也就是所谓的 “ 过度 学习”现象 的出现。在出现 “ 过度学习”现象时， 收稿 日期 2 0 1 4 0 4 0 9 基金项目吉林省科技厅科研项 目 2 0 1 2 0 4 1 0 1 0 1 1 作者简介赵昌龙 1 9 7 9 一 ，男，博士，讲 师，研究方 向是精 密加 工技术、数控装 备与数 字制造 技术。Em a i l z h a o1 97 9 02 0 4 1 2 6． c o m。 第 1 1 期 赵昌龙 等基于神经网络的并联机床表面粗糙度预测 4 7 网络虽然对多个样本进行 了学习但却不能准确地 反应 f i J 训练样本 的内在规律。因此 ，在利用神经 网络进行 网络 训练时合理的改善泛化能力是十分 关键 的。 文中对神经 网络的训练流程进行 了一定程度的改 进 以提高 网络模型的训练能力与泛化能力 如图 1 。 具体 的改进方法是可 以将某个体样本的误差检验加入 到网络训练过程 中，这样 町以避免在训 练过程 中出现 局部 个体误差 的异常现象 ；或者单独提取一个样本数 据集 ，此数据集不参与到神经网络训练 ，而是利用其 对整 个网络 的进展变化进行检验 ，以确定网络是否具 有较 强的泛 化能 力。 神 经 网络 建模 箜 查F 二 竺 塑 些 广 网络 模 型训 练 一 大 于个体检验 误 个 体样 本误 差检 验 网络模型泛化能力检验 K 检验样本 网络 模型 成功 输 出 图 1 改进 后的网络训 练流程 在进行预测 过 程 中采用 M a t l a b为 工作 平 台 ，但 在 Ma t l a b中原有 工具箱 的神经 网络 预测 系统 中只是 含有了网络训练与 建模 ，缺少 网络检 验部 分 ，因此 ， 为 r 有效地提高网络训练的泛化能力 ，在原有基础上 在训练过程中加入了检验环节以完善其 功能 。用户操 作界而如图 2所示 ，主要包含 了网络参数选择 、网络 结构设 计 、网络模 型应用等。 菜单 栏一⋯ ⋯一 羁 袭 葬 一 u 一 网络 参 数设 置 数据 输 入 数据 归一 化处 理 西 函 涵 妇 图 2 预测 系统操作 界面 2并联机床多因素加工实验 并联机床加工过程中影响表面粗糙度的因素有很 多， 多影响因素中最为重要的包括并联机床的主 轴转速 、研抛作用 力 、进给速度 、研抛作用角以及研 抛 的次 数 在实验过程 中以这 5 个 加丁参数 为T 件表面粗糙度的影响 因素进行正交实验 ，为之后的神 经 网络建模与训练提供样本 。 2 ． 1 正 交 实验 设计 在设计正交实验过程 中，以主轴转速 n 、研抛 作 用力 F 进给速度 、研抛 工具] I U _- I 角度 、研抛 次 数 Ⅳ为实验因素 ，工 件加工后 的表 面粗糙度 R a为实 验所得 目标 ，每个 实 验 凶索取 4个水 平建 立 正交 实 验 。实验条件 工件材料 选取 平面 4 5 钢工件 ，原始 表面粗糙 度 尺 n为 5 ． 6 5 I,z m，研抛 工 具选 用 直 径 2 5 m m的 2 4 0 球头树脂砂轮 2 ． 2研 抛 正 交实验 结果 表 1 为用于神经 网络 训练所选取的样本 ，表 2为 检验样本 。 表 1 网络训 练样 本 4 8 机床与液压 第 4 3卷 3 并联机床表面粗糙度预测仿真 对并联机床表面粗糙度进行预测实质上就是对其 加工工艺参数进行优化的过程。以研抛加工中的 5个 重要的影响因素，即并联机床主轴转速、进给速度、 研抛作用角、研抛作用力及研抛次数为输入 ，工件加 工后表 面粗糙度为预测 目标 ，利用前文所得正交实验 数据建立了五输入一输出的神经网络预测模型 ，并验 证模型的预测精度。 首先建立研抛工艺参数与表面粗糙度的预测网络 模型结构 如图 3 ，神经网络训练模型的参数选择 如图4所示，然后对模型进行训练 ，并检验模型的预 测效果 。 输 入层 隐层 输 出层 图 3 神经网络模型结构 面粗糙度 且4 5 7 1 图4 神经网络模型参数 利用改进后的神经网络预测模型对并联机床研抛 工件表 面粗糙度 的预测结果如表 3与图 5所示。 表 3 检验样本相对误差与预测结果 m 0 5 0 1 0 0 1 ．5 0 2 O O 2 5 0 3 0 0 3 5 0 4 0 0 训练步数 图 5 神经网络训练误差 从预测模型的训练结果可以看出，当网络的训练 步数控制在 2 0 0 到 4 0 0 次之间时 ，整个网络模型的训 练样本均方误差是平稳且收敛的，并且训练中加入的 检验样本的预测误差可以控制在 5 ％以下的程度，这 样 的结果可 以满足预测模型的训 练要求 ，证 明经过改 进 的神经 网络预测模型用于实际加工预测过程 中是可 行的，并且精度较高。 4 结束语 由于并联机床拥有高刚度、高精度以及结构简单 等特点 ，越来越多地被应用到模 具等行业 中。文 中针 对并联机床研抛加工中表面粗糙度的预测问题 ，综合 考虑了主轴转速、进给速度、研抛作用角、研抛作用 力以及研抛次数 5种因素对加工后表面粗糙度的影 响，以正交实验为基础，建立改进后 的神经 网络模 型，并进行了粗糙度的预测与检验，预测值与真实值 之 间误差可 以控制在 5 ％以下 ，证 明了经过改 进 的神 经网络预测模型在实际加工中应用的可行性 ，为今后 并联机床的工艺参数优化提供了新方法。 参考文献 [ 1 ]金云龙． 并联机床的研究现状和发展前景[ J ] ． 航空制造 技术， 2 0 0 6 ， 4 9 4 6 0 - 6 2 ． [ 2 ]李强 ， 闫洪波， 杨建鸣． 虚拟轴并联机床研究的发展 、 关 键技术及趋势 [ ． 组合机床与 自动化加工技术， 2 0 0 6 ， 5 0 8 1 - 4 ． [ 3 ]高国琴 ， 薛娌， 张义贞． 基于 B F神经网络的虚拟轴机床 末端刀具运动位姿实时监测研究[ J ] ． 机械设计与制造， 2 0 1 2 ， 5 0 3 9 3 9 5 ． [ 4 ]史峰， 王小川， 郭磊． MA T L A B神经网络 3 0个案例分析 [ M] ． 北京 北京航空航天大学出版社， 2 0 1 0 ． [ 5 ]杨森 ， 孟晨， 王成． 基于改进灰色神经网络的故障预测方 法研究[ J ] ． 计算机应用研究， 2 0 1 3 ， 3 0 1 2 3 6 2 5 - 3 6 2 8 ． [ 6 ]王颖林 ， 赖芨宇， 郭丰敏． 建设需求量预测分析中的人中 神经网络和多远 回归方法 [ J ] ． 武汉工 程大学学报， 2 0 1 3 ， 3 3 1 1 7 7 8 0 ． [ 7 ]谢东 ， 陈国荣， 施金 良， 等． 基于 B P神经网络数控机床切 削能耗的研究[ J ] ． 机床与液压， 2 0 1 2 ， 4 0 1 5 4 - 5 7 ． [ 8 ]刘伟强 ， 杨建国． 基于神经网络的磨削工艺参数智能预 测模型[ J ] ． 组合机床与 自动化加工技术， 2 0 1 3 ， 5 7 8 91 94． [ 9 ]闫盖 ， 郑燕萍． 基于正交试验的板料冲压成形工艺参数 优化[ J ] ． 热加工工艺， 2 0 1 3 ， 4 2 1 7 9 4 - 9 7 ． [ 1 0 ]卢万银． 基于 B P网络多指标多因素最优工艺参数分析 [ J ] ． 吉首大学学报 自然科学版， 2 0 1 2 ， 3 3 5 3 4 - 3 8 ． [ 1 1 ]汪通悦． 基于并联机床的2 A 1 2铝合金切削力的实验研 究[ J ] ． 机床与液压， 2 0 0 7 ， 3 5 3 1 5 - 1 7 ． [ 1 2 ]熊尧， 吴军． 面向重型数控机床的加工工艺参数优化方 法[ J ] ． 计算机集成制造系统， 2 0 1 2 ， 1 8 4 7 2 9 - 7 3 7 ． 加 目{槲 露