电火花线切割火花参数分析研究.pdf

分类号: UDC: 密级: 学校代号:11845 学号:2111204109 广东工业大学硕士学位论文(工学硕士) 电火花线切割火花参数分析研究麦毅成指导教师姓名、职称: 匿堡数攮学科(专业)或领域名称: 蕉壹4抖堂量王猩学生所属学院: 自麴他堂医论文答辩日期: 呈Q!墨生鱼月垒目万方数据 ADissertationSubmitted toGuangdong University ofTechnology fortheDegree ofMaster (Master ofEngineering Science) Analysis and Research theParameters ofSpark of Wire Cut Electrical Discharge Machining Candidate:Yicheng Mai Supervisor: Chen June 2015 SchooI ofAutom ation Guangdong University ofTechnology Guangzhou,Guangdong,,51 0006 万方数据摘要摘要电火花线切割加工原理是利用移动的细金属丝线(铜丝或钼丝)作电极,对工件与金属丝线进行脉冲电火花放电、切割成型。在电火花线切割加工中,各项加工参数相互关联、制约,甚至互相矛盾,耦合性极强,难以用数学公式描述其加工模型。电火花线切割主要加工阶段是脉冲电源接通时电极丝与工件之间产生电火花,但接通阶段往往出现断流现象,本文重点研究加工时火花面积量的变化规律,对所采集数据进行分析、训练及预测,预测系统可作为加工控制策略制定的专家系统。数据聚类分析,能够研究数据的相似程度以发现隐含的、未知的、有潜在应用价值的信息或模式,是作为数据处理的基础或分析的起点。机器学习中,传统数据按有无确定性可划分为监督学习和无监督学习;聚类分析是一个无监督的学习过程。半监督聚类是通过引入成对约束解决无监督聚类容易陷入局部最优值问题。本文采用矩阵成对约束优化K均值聚类算法,利用部分标记数据和属性矩阵提高聚类中心搜索能力。测试数据选用UCI机器学习数据集与现有聚类算法进行比较分析,结果表明本算法在低维度数据中聚合能力更优。聚类中心搜索目的是优化径向基(RBF)神经网络中心向量的选取,RBF神经网络对于复杂的函数关系或模型难以确定具有较高的逼近效果,理论上能以任意精度逼近连续函数。径向基神经网络学习缺陷在于中心向量选取困难,传统选取方式是以输出结果为导向,采用梯度下降法调整学习,输出模型具有较高的拟合精度,但预测精度不高。本文采用电火花线切割火花面积与加工影响参数建立神经网络二步预测学习模型,提出了半监督聚类优化RBF神经网络预测算法,利用数据半监督聚类分析系统参数影响程度,聚类结果优化径向基神经网络中心向量和宽度选择,对火花面积和加工效率进行预测学习。实验结果表明算法无论是拟合能力还是预测能力均优于传统神经网络,预测相对误差较小,整体预判火花量成功率较高。关键词: 电火花线切割;火花面积;半监督聚类;径向基神经网络;预测学习万方数据广东工业大学硕士学位论文 ABSTRACT Wire cutelectricaldischarge Machining(WEDM)is using themoving wire(copper or clamp)as an voltage loading intotheworkpiece and metal wire generate the spark and cut the wire cut electrical discharge machining,the process parameters are interrelated constraints,even contradictory,coupling isdifficult todescribe theprocessing model using mathematical main processing stage is togenerate thespark between thewire and wokpiece throw pulse power turned on. But inthisstage itappeared generating no spark paper focuses on the amount ofprocessing time spark area and itsvariation and collecting data