工件表面粗糙度预测实验系统的研制

1　引　言

　　车削加工过程中,影响工件表面粗糙度的工艺参数有刀具的几何形状、切削用量和工件材料等众多因素,而这些因素与表面粗糙度之间呈现高度的非线性映射关系[1],很难用数学方程来表达,利用切削过程中所观察到的物理现象结合切削参数预测表面粗糙度模型是一种非常有效的方法。在物理现象中,振动是工艺系统中工艺参数对切削过程影响的综合体现,故它能很好地预测零件表面粗糙度[2-4]。本文以涡流传感器检测振动信号为基础,设计了基于人工神经网络(ArtificialNeuralNe,t ANN)的工件表面粗糙度预测实验系统。

本实验系统为学生提供了一个了解切削参数、切削物理现象与零件加工质量关系的机会。学生在完成整个实验过程后不仅能掌握刀具的几何形状、切削用量和工件材料的改变与切削物理现象的对应变化情况,而且能使其理解工件表面粗糙度随工艺参数的变化情况,为切削制造过程的最佳化提供了可能。

2　系统原理

　　由于表面粗糙度与切削环境的许多参数有关,且这种关系有诸多的不确定性,很难用数学模型来描述。对这种复杂的不确定预测宜采用ANN。ANN所具有的非线性特性、大量的并行分布结构以及学习和归纳能力使其在数据统计、分析和预测领域得到了广泛的应用[5, 6]。工件表面粗糙度预测实验系统采用基于模糊自适应BP算法的ANN建立切削工艺参数与粗糙度值之间的关系模型,将实际加工参数和振动参数作为样本输入,以离线测量得到的表面粗糙度值作为样本输出训练神经网络,最后利用训练好的网络预测工件的表面粗糙度。

在车削过程中,影响工件表面粗糙度的因素主要是刀具刀尖半径、切削速度、背吃刀量、进给量和切削刀具与工件之间相对振幅均值,将上述因素作为网络的输入,通过神经网络预测系统的判断,网络输出即为工件的表面粗糙度值Ra。

2. 1　神经网络拓扑结构确定

　　选用三层网络结构,输入和输出层的神经单元数由输入和输出参数的个数决定,输入层为5个,分别是刀尖半径、切削速度、背吃刀量、进给量和刀具与工件之间的相对振幅均值;输出层为1个,用于输出工件的Ra[7]。隐含层神经元的数目到目前为止无规律可寻,根据经验公式nH=ni+no+l(ni为输入神经元数目;no为输出神经元数目; l为1~10的任一整数)选定一个神经元数,然后通过增加或减少神经元数目学习网络,直至获得较高的精度和较快的收敛速度。依此方法,选定的神经网络拓扑结构为5-3-1,如图1所示。

2. 2　模糊自适应BP算法训练网络

　　BP算法实际应用时存在收敛速度慢、目标函数存在局部极小点等缺点。在用它进行表面粗糙度预测时,往往出现误差较大的结果。在BP算法中,当学习误差函数E选定后,影响算法收敛速度的关键因素是学习率η和惯性系数α,根据学习时网络误差函数变化的不同情况对η、α施以不同的控制,使其增大或减小,可以达到加速算法收敛的目的。因此,可采用模糊自适应BP算法实现对η和α的自适应调整,达到加速网络训练、避免陷入局部极小的目的[8]。选η和α作为控制量,受控量为Δη,Δα。由解析几何原理可知,函数的一阶导数和二阶导数可以判断该函数的变化趋势,因此选这2个导数作为模糊控制的输入变量,控制Δη、Δα的变化。为了使E的导数能反映出误差的变化趋势,采用如下的定义E′和E″[9]: