基于人工神经网络的磨削表面粗糙度预测研究.pdf

基于人工神经网络的磨削表面粗糙度预测研究 维普资讯
《精密制造与自动化
基于人工神经网络的磨削表面粗糙度预测研究
广西大学机械工程学院谢红梅
北京航天航空大学黄伟
摘要将人工神经网络技术引人磨酎加工领域,研究磨酎表面粗糙度随磨削用量变化的神经网络预澜模型。井用验证试验证明奉
研究方法的正确性。
关键词神经网络表面粗糙度预鼻
分类号
磨削是一种精密加工方法。随着机械产品性目前没有解析式可以计算。一般而言,精度越高,
能、寿命和可靠性要求的不断提高,对零件表面完要求隐台层个数越多,但网络收敛速度越慢。学者
整性也有较高的要求。表面完整性指零件表面经提出, 隐台层个数要求大于为输入样
加工或处理后所具有的表面纹理及表层状态。表本对教。
面粗糙度是表面完整性指标中最为重要的一个参在本模型中采用组实验数据调练网络,即
数。粗糙度越小,零件的耐磨性、耐疲劳性、耐腐、可取隐含层个数个。
蚀性越好。并且在装配时可提高零件的配合精度。
影响磨削加工表面粗糙度的因素很多。其中、, . 一磨削表面粗糙度的计算简化
最重要的是磨削用量砂轮速度金属磨除率、工::。—.堂萎模型见左图图中.,,
.分别代表砂轮速度、砂轮进
件速度。一般参考文献提供的表面粗糙度的理论
—
计算式是在砂轮主轴无跳动、无颤振、不考虑磨削. 给速度、工件速度,输出.
过程中塑性变形的理想状态下得到的实际上,磨代表磨削表面粗糙度。训练
削过程中的塑性变形较屠烈,磨粒也在不断钝化, 网络后, 用四组验证试验证明该方法的正确性。
所以理论计算结果误差较大。、网络输入数据的处理
人工神经网络由于具有良好的逼近任意复杂阿络的转换函数采用函数,即:
的非线性系统的能力,近年来广泛应用于许多工
程领域。相对于传统的数据处理方法,它更适台处: ——
一
理模糊的、非线性、含有噪音及模式特征不明确的
问题。磨削加工表面粗糙度受多种因素影响,而这所以输出值介于, , 由函数的图形可知
种影响是非线性的、模糊的,适台用人工神经网络该函数输出曲线两端平坦,中间部分变化剧烈。当
方法解决。本文应用人工神经网络网对磨输入接近,,才真正起转移
削表面粗糙度建模,并用验证试验来证明本模型作用,因此将表的个输人数据分别除以,乘
的正确性以,除以,输出数据除以。经过这样的
一
、神经网络建模数据处理后, 网络训练过程表明可以大大提高收
、网络结构的选取敛速度。训练结束后将得到的结果除以或乘以
本文研究磨削用量砂轮速度、金属磨除率、相应的倍数即可。
工件速度对零件表面粗糙度的影响。所以神经网二、磨削表面粗糙度的预测计算
络网采用输人层含三个输人,输出层含个】、网络训练
输出神经元的结构。由—的映采用正交试验的方法进行陶瓷结台剂砂轮
照定理可知,一个层的网络可以完成任意维磨削号火钢的表面粗糙度的研究。在所有的试
到维的映照。所以可选择层的网络来建模验中设定好磨削用量的各个参数后进行加工。为
而隐含层单元个数的选择是一个十分复杂的问题, 了研究磨削用量对表面粗糙度的真实影响,在加
一一
维普资讯
年第期总第期
工到一定时间后直接退刀, 使测量的表面粗糙度件表面粗糙度,将两者间进行比较。结果见表。