CN102880771A - 高速切削加工中工件表面粗糙度的预测方法 - Google Patents

高速切削加工中工件表面粗糙度的预测方法 Download PDF

Info

Publication number
CN102880771A
CN102880771A CN2012104268763A CN201210426876A CN102880771A CN 102880771 A CN102880771 A CN 102880771A CN 2012104268763 A CN2012104268763 A CN 2012104268763A CN 201210426876 A CN201210426876 A CN 201210426876A CN 102880771 A CN102880771 A CN 102880771A
Authority
CN
China
Prior art keywords
model
error
surface roughness
speed
cutting
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN2012104268763A
Other languages
English (en)
Other versions
CN102880771B (zh
Inventor
孙明伟
龚敏庆
周胜
黄敏
金明仲
罗钢
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guizhou University
Original Assignee
Guizhou University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Guizhou University filed Critical Guizhou University
Priority to CN201210426876.3A priority Critical patent/CN102880771B/zh
Publication of CN102880771A publication Critical patent/CN102880771A/zh
Application granted granted Critical
Publication of CN102880771B publication Critical patent/CN102880771B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Numerical Control (AREA)

Abstract

本发明公开了一种高速切削加工中工件表面粗糙度的预测方法，包括以下步骤，步骤一、确定高速切削加工中所需测量的影响加工工件表面粗糙度的切削参数，作为RBF的输入和输出；并测量收集相应样本数据作为网络的学习样本和训练样本；步骤二、建立RBF神经网络模型，利用相应的样本数据对模型进行学习训练；步骤三、根据松弛误差公式，利用测试组对步骤二训练后的模型进行测试，选择出符合精度要求的模型，从而提高模型的预测精度，并减小预测误差的波动，以提高模型的拟合预测能力；利用精度满足要求的模型对高速切削加工中工件表面粗糙度进行预测。

Description

高速切削加工中工件表面粗糙度的预测方法
技术领域
本发明涉及机械加工技术，尤其是一种高速切削加工中工件表面粗糙度的预测方法。
背景技术
零件的表面粗糙度是衡量零件质量和切削加工过程性能的一个重要指标, 是切削系统中切削参数和系统变量对切削过程影响的综合反映。高速切削的基本特征是高效率和高精度，其切削速度和进给加速度相对于传统切削加工有很大提高，可以有效地提高切削加工效率和加工质量、降低成本。建立精确的表面粗糙度控制和预报模型，减少切削加工试验的时间和成本，具有重要的现实意义。高速切削加工工程中，影响表面粗糙度的因素很多，且这些因素彼此又相互耦合，因此在各切削加工参数和加工表面粗糙度之间存在着复杂的非线性关系。神经网络的智能化特征与能力使其能有效的处理复杂非线性系统控制、特征提取及识别等信息处理问题。径向基函数网络(Radial Basis Function Network, RBF)是前向型神经网络的一种类型，由输入层、隐含层和输出层构成的三层前向型神经网络，隐含层为径向基层，采用径向基函数作为激励函数，径向基函数是径向对称的，最常用的是高斯函数。其具有强大的矢量分类功能和快速计算能力，能以任意精度逼近任意非线性函数，且学习收敛速度快。但对于RBF模型的精度检验方面，还没有成熟的理论公式加以衡量，有候模型对训练组的拟合预测误差很小，但是波动性会比较大，导致其应用时会出现误差会突然增大的情况，但有时模型的稳定性很好，但是拟合预测误差又会比较大，导致精度不高。
发明内容
本发明的目的是：提供一种高速切削加工中工件表面粗糙度的预测方法，它使得模型的误差和误差波动性均很小，从而对工件表面粗糙度进行准确有效的预测，以满足农业生产需要。
本发明是这样实现的：高速切削加工中工件表面粗糙度的预测方法，包括以下步骤，
步骤一、确定高速切削加工中所需测量的影响加工工件表面粗糙度的切削参数，作为RBF的输入和输出；并测量收集相应样本数据作为网络的学习样本和训练样本；
步骤二、建立RBF神经网络模型，利用相应的样本数据对模型进行学习训练；
步骤三、根据松弛误差公式，利用测试组对步骤二训练后的模型进行测试，选择出符合精度要求的模型，从而提高模型的预测精度，并减小预测误差的波动，以提高模型的拟合预测能力；利用精度满足要求的模型对高速切削加工中工件表面粗糙度进行预测。
在步骤一中，所述的确定高速切削加工中所需测量的影响加工工件表面粗糙度的切削参数包括切削速度                                                
Figure 2012104268763100002DEST_PATH_IMAGE001
或机床主轴转速
Figure 698287DEST_PATH_IMAGE002
、每齿进给量
Figure 2012104268763100002DEST_PATH_IMAGE003
和切削深度
Figure 834870DEST_PATH_IMAGE004
，切削速度
Figure 674388DEST_PATH_IMAGE001
与机床主转速
Figure 933331DEST_PATH_IMAGE002
之间的关系为：
Figure 2012104268763100002DEST_PATH_IMAGE005
，为工件直径；测量收集上述参数的样本数据作为网络的学习样本和训练样本。
在步骤二中，所述的建立RBF神经网络模型是，利用Mat lab软件建立一个RBF神经网络，通过其中的
Figure 2012104268763100002DEST_PATH_IMAGE007
函数或函数设计完成，且使得设计误差为0，调用方式为：
Figure 2012104268763100002DEST_PATH_IMAGE009
,
Figure 761106DEST_PATH_IMAGE010
；
Figure 2012104268763100002DEST_PATH_IMAGE011
、
Figure 190951DEST_PATH_IMAGE012
分别表示训练样本输入和目标输出；
Figure 2012104268763100002DEST_PATH_IMAGE013
表示RBF网络输出的总平均误差方差。
所述的步骤三种，松弛误差是作为衡量RBF神经网络精度的指标，松弛误差
Figure 606145DEST_PATH_IMAGE014
为误差平均幅值和误差均方差的组合值，即
Figure 2012104268763100002DEST_PATH_IMAGE015
，
Figure 84531DEST_PATH_IMAGE016
，.
Figure 665685DEST_PATH_IMAGE018
，
Figure 2012104268763100002DEST_PATH_IMAGE019
为松弛系数。
误差平均幅值：
Figure 938534DEST_PATH_IMAGE020
， 
误差均方差：
Figure 2012104268763100002DEST_PATH_IMAGE021
，
Figure 103674DEST_PATH_IMAGE022
为测试样本的样本容量，
Figure 182489DEST_PATH_IMAGE002
为测试样本维数，
Figure 2012104268763100002DEST_PATH_IMAGE023
为神经网络的拟合值，
Figure 618149DEST_PATH_IMAGE024
为相应的真实值。误差的平均幅值反映了神经网络的误差的大小，而误差的均方差反映了网络误差的波动大小。松弛系数的大小反映了我们对相应变量的重视程度。例如时，说明我们更加重视误差平均幅值
Figure 61900DEST_PATH_IMAGE026
的大小，因为我们将
Figure 2012104268763100002DEST_PATH_IMAGE027
的权重放到了它的身上，而只有
Figure 215801DEST_PATH_IMAGE028
放在误差均方差
Figure 2012104268763100002DEST_PATH_IMAGE029
上。也就是说，对于网络，我们更加重视它的预测值的准确度，希望它的预测值尽可能的逼近真实值，而放在网络的稳定性，即网络的误差波动大小上的注意力就少一些。这样的结果是，网络的平均预测值会更加准确，因为平均误差幅值更小，但对于某些样本，网络的预测误差可能会稍微大一些，因为网络的稳定性上有所欠缺，导致其误差波动变大。类似的，如果我们更加重视网络的稳定性，不希望出现某些样本的预测误差比其他样本明显增大的情况，而对于网络的预测精度的重视小于其稳定性时，我们可以将
Figure 537454DEST_PATH_IMAGE029
的松弛系数
Figure 889938DEST_PATH_IMAGE019
设置得更大一些，而
Figure 832486DEST_PATH_IMAGE026
的松弛系数
Figure 208104DEST_PATH_IMAGE018
相应的小一些。
松弛误差
Figure 628721DEST_PATH_IMAGE014
反映了网络的精度，而松弛系数的大小反映了我们对于网络的不同性质的重视程度。对于网络的预测精度和稳定性的要求不同，那么就可以设定不同的松弛系数。
根据确立的松弛误差公式，利用测试组对步骤2）训练后的模型进行测试，若模型精度不满足要求，则增加RBF网络的分布密度值，重新训练和测试，直到模型精度达到要求或者其密度值达到预先设定的上限。据此选择出符合精度要求的模型，从而使模型的预测精度和预测误差波动均很小，以使模型的拟合预测能力达到最优；精度满足要求的模型即可对高速切削加工中工件表面粗糙度进行预测。
本发明中所提到的方法提出松弛误差概念，根据松弛误差大小衡量网络模型精度，选择出精度达到要求的模型，从而使模型的拟合预测误差和波动性均很小，模型具有最优的拟合预测能力，其计算能力强，学习训练速度快且预测精度高。
由于采用上述的技术方案，与现有技术相比，本发明利用松弛误差概念，根据松弛误差大小衡量网络模型精度，选择出精度达到要求的模型，从而使模型的拟合预测误差和波动性均很小，模型具有最优的拟合预测能力，其计算能力强，学习训练速度快且预测精度高，能对工件表面粗糙度进行准确有效的预测。本发明方法简单，成本低廉，使用效果好，产业化应用前景广阔。
附图说明
图1为本发明的实施例的流程图；
图2为本发明的实施例的切削参数的RBF网络对训练组的拟合结果；
图3为本发明的实施例的削参数的RBF网络对测试组的预测结果。
具体实施方式
本发明的实施例1：如图1所示，以高速切削加工工件表面粗糙度
Figure 38974DEST_PATH_IMAGE030
作为目标函数，选取切削速度
Figure 886844DEST_PATH_IMAGE001
、每齿进给量和切削深度作为神经网络的输入，根据选择的切削参数，确定实际切削样本数据作为RBF神经网络的输入层，本实施例中的数据由方沂等人在《天津工业大学学报》2006，25(6):58-60上发表的“高速切削最佳工艺参数的选择”一文得。数据采集条件为：DMC 75V Linear 高速五轴机床；刀具材料为 EM182 刀具(TiAlN 涂层硬质合金立铣刀，
Figure 2012104268763100002DEST_PATH_IMAGE031
10，2齿)；
选用的工件材料为
Figure 737360DEST_PATH_IMAGE032
的锻铝 LD8 工件；加工方式为槽加工，冷却方式为气冷；采用Mitutoyo surftest 500 表面粗糙度测定仪测量工件的表面粗糙度。共得到9组样本数据，本实施例中1-7组为训练样本，8-9为测试样本，见表1，切削速度，每齿进给量
Figure 21711DEST_PATH_IMAGE034
，切削深度
Figure 2012104268763100002DEST_PATH_IMAGE035
，工件表面粗糙度
Figure 371921DEST_PATH_IMAGE036
。
表1 切削参数样本数据表
Figure DEST_PATH_IMAGE037
本实施例中设定模型的精度要求为90%。利用松弛误差作为衡量RBF模型精度的指标，本例中，我们设定松弛系数
Figure 191289DEST_PATH_IMAGE038
均为0.5，即
Figure DEST_PATH_IMAGE039
。我们对于网络的预测精度和其稳定性给予相同的权重系数。建立RBF神经网络模型，利用训练样本对模型进行学习训练，网络模型的分布密度值初始值为1，模型对于训练组的拟合结果如图2所示，可以看出模型的拟合误差均为0，具有很强的拟合能力。然后用训练后的网络分别对测试组进行预测，其预测结果如图3所示，分别计算出网络的误差平均幅值
Figure 646541DEST_PATH_IMAGE026
、误差均方差及松弛误差，经计算其值分别为：
Figure 513676DEST_PATH_IMAGE040
，可见此时模型的精度已经达到98.97%，满足预设的模型精度要求。由图3也可见，此时模型
对测试组的预测值和真实值之间的相对误差也很小，预测精度高，其对测试组的预测值、相对误差值见表2，这里
Figure 77513DEST_PATH_IMAGE042
。
本发明对测试组的预测值及其相对误差可以看出，其具有很好的拟合预测能力，预测精度分别达到91.94%和92.63%，平均值为92.28%，说明其具有很好的拟合预测能力，精度高，训练速度快，是有效可信的，可以用于高速切削加工中对加工工件表面粗糙度的拟合和预测，为相应的预测和控制提供可靠依据。
表2  RBF网络模型对测试组预测结果
Figure DEST_PATH_IMAGE043

Claims (4)

1.一种高速切削加工中工件表面粗糙度的预测方法，其特征在于：包括以下步骤，
步骤一、确定高速切削加工中所需测量的影响加工工件表面粗糙度的切削参数，作为RBF的输入和输出；并测量收集相应样本数据作为网络的学习样本和训练样本；
步骤二、建立RBF神经网络模型，利用相应的样本数据对模型进行学习训练；
步骤三、根据松弛误差公式，利用测试组对步骤二训练后的模型进行测试，选择出符合精度要求的模型，从而提高模型的预测精度，并减小预测误差的波动，以提高模型的拟合预测能力；利用精度满足要求的模型对高速切削加工中工件表面粗糙度进行预测。
2.根据权利要求1所述的高速切削加工中工件表面粗糙度的预测方法，其特征在于：在步骤一中，所述的确定高速切削加工中所需测量的影响加工工件表面粗糙度的切削参数包括切削速度                                                
Figure 786357DEST_PATH_IMAGE001
或机床主轴转速、每齿进给量
Figure 531776DEST_PATH_IMAGE003
和切削深度
Figure 396964DEST_PATH_IMAGE004
，切削速度
Figure 473504DEST_PATH_IMAGE001
与机床主转速
Figure 56932DEST_PATH_IMAGE002
之间的关系为：
Figure 306648DEST_PATH_IMAGE005
，
Figure 229604DEST_PATH_IMAGE006
为工件直径；测量收集上述参数的样本数据作为网络的学习样本和训练样本。
3.根据权利要求1所述的高速切削加工中工件表面粗糙度的预测方法，其特征在于：在步骤二中，所述的建立RBF神经网络模型是，利用Mat lab软件建立一个RBF神经网络，通过其中的函数或
Figure 60954DEST_PATH_IMAGE008
函数设计完成，且使得设计误差为0，调用方式为：,
Figure 891824DEST_PATH_IMAGE010
；
Figure 372484DEST_PATH_IMAGE011
、分别表示训练样本输入和目标输出；
Figure 459705DEST_PATH_IMAGE013
表示RBF网络输出的总平均误差方差。
4.根据权利要求1所述的高速切削加工中工件表面粗糙度的预测方法，其特征在于：所述的步骤三种，松弛误差是作为衡量RBF神经网络精度的指标，松弛误差为误差平均幅值和误差均方差的组合值，即
Figure 743236DEST_PATH_IMAGE015
，
Figure 224771DEST_PATH_IMAGE016
，.
Figure 168773DEST_PATH_IMAGE018
，为松弛系数。
CN201210426876.3A 2012-10-31 2012-10-31 高速切削加工中工件表面粗糙度的预测方法 Expired - Fee Related CN102880771B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201210426876.3A CN102880771B (zh) 2012-10-31 2012-10-31 高速切削加工中工件表面粗糙度的预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201210426876.3A CN102880771B (zh) 2012-10-31 2012-10-31 高速切削加工中工件表面粗糙度的预测方法

Publications (2)

Publication Number Publication Date
CN102880771A true CN102880771A (zh) 2013-01-16
CN102880771B CN102880771B (zh) 2014-12-03

Family

ID=47482094

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201210426876.3A Expired - Fee Related CN102880771B (zh) 2012-10-31 2012-10-31 高速切削加工中工件表面粗糙度的预测方法

Country Status (1)

Country Link
CN (1) CN102880771B (zh)

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103116673A (zh) * 2013-02-04 2013-05-22 陈慧群 一种铣削加工表面形貌预测方法
CN104318022A (zh) * 2014-10-28 2015-01-28 湘潭大学 一种预测工件表面粗糙度并提高切削效率的方法
CN106407669A (zh) * 2016-09-07 2017-02-15 江苏大学 一种切削加工表面粗糙度的预测方法
CN108563866A (zh) * 2018-04-13 2018-09-21 贵州大学 一种基于ga-elm算法的模具钢铣削表面粗糙度预测系统
CN108734142A (zh) * 2018-05-28 2018-11-02 西南交通大学 一种基于卷积神经网络的核堆内构件表面粗糙度评估方法
CN109732450A (zh) * 2019-02-27 2019-05-10 重庆理工大学 一种基于神经网络的叶片抛磨加工方法
CN109885918A (zh) * 2019-01-18 2019-06-14 广东镭奔激光科技有限公司 激光冲击表面粗糙度的预测方法
CN110332910A (zh) * 2019-06-14 2019-10-15 广东镭奔激光科技有限公司 基于激光波动和表面激光散射的激光冲击预测方法与装置
CN113011100A (zh) * 2021-03-29 2021-06-22 山东理工大学 一种基于多元非线性拟合和bp神经网络的磨削粗糙度预测方法
CN113711144A (zh) * 2019-04-26 2021-11-26 三菱电机株式会社 加工条件决定辅助装置及机器学习装置
CN113711144B (zh) * 2019-04-26 2024-05-10 三菱电机株式会社 加工条件决定辅助装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002103477A (ja) * 2000-10-03 2002-04-09 Yokohama Rubber Co Ltd:The 射出成形機からの押出し物巻取り制御方法
CN101930223A (zh) * 2010-09-07 2010-12-29 曾谊晖 基于难加工金属数控加工工艺的智能筛选系统
CN101982843A (zh) * 2010-10-21 2011-03-02 天津大学 一种非参数回归短时交通流预测中状态向量的选取方法
CN102539823A (zh) * 2012-01-13 2012-07-04 重庆大学 一种wtg风速分布的预测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002103477A (ja) * 2000-10-03 2002-04-09 Yokohama Rubber Co Ltd:The 射出成形機からの押出し物巻取り制御方法
CN101930223A (zh) * 2010-09-07 2010-12-29 曾谊晖 基于难加工金属数控加工工艺的智能筛选系统
CN101982843A (zh) * 2010-10-21 2011-03-02 天津大学 一种非参数回归短时交通流预测中状态向量的选取方法
CN102539823A (zh) * 2012-01-13 2012-07-04 重庆大学 一种wtg风速分布的预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
田美丽 等: "基于RBF神经网络的难加工材料高速铣削粗糙度预报研究", 《工具技术》 *

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103116673A (zh) * 2013-02-04 2013-05-22 陈慧群 一种铣削加工表面形貌预测方法
CN104318022A (zh) * 2014-10-28 2015-01-28 湘潭大学 一种预测工件表面粗糙度并提高切削效率的方法
CN106407669A (zh) * 2016-09-07 2017-02-15 江苏大学 一种切削加工表面粗糙度的预测方法
CN108563866A (zh) * 2018-04-13 2018-09-21 贵州大学 一种基于ga-elm算法的模具钢铣削表面粗糙度预测系统
CN108734142A (zh) * 2018-05-28 2018-11-02 西南交通大学 一种基于卷积神经网络的核堆内构件表面粗糙度评估方法
CN109885918A (zh) * 2019-01-18 2019-06-14 广东镭奔激光科技有限公司 激光冲击表面粗糙度的预测方法
CN109732450A (zh) * 2019-02-27 2019-05-10 重庆理工大学 一种基于神经网络的叶片抛磨加工方法
CN113711144A (zh) * 2019-04-26 2021-11-26 三菱电机株式会社 加工条件决定辅助装置及机器学习装置
CN113711144B (zh) * 2019-04-26 2024-05-10 三菱电机株式会社 加工条件决定辅助装置
CN110332910A (zh) * 2019-06-14 2019-10-15 广东镭奔激光科技有限公司 基于激光波动和表面激光散射的激光冲击预测方法与装置
CN113011100A (zh) * 2021-03-29 2021-06-22 山东理工大学 一种基于多元非线性拟合和bp神经网络的磨削粗糙度预测方法
CN113011100B (zh) * 2021-03-29 2024-05-17 山东理工大学 一种基于多元非线性拟合和bp神经网络的磨削粗糙度预测方法

Also Published As

Publication number Publication date
CN102880771B (zh) 2014-12-03

Similar Documents

Publication Publication Date Title
CN102880771B (zh) 高速切削加工中工件表面粗糙度的预测方法
CN102621932B (zh) 一种数控机床服役过程的能量消耗预测方法
CN103761429A (zh) 铣削加工工件表面粗糙度的预测方法
CN101930223A (zh) 基于难加工金属数控加工工艺的智能筛选系统
CN102609591A (zh) 一种重型机床切削参数的优化方法
Feng et al. A mechanistic cutting force model for 3D ball-end milling
CN109754332A (zh) 基于切削力的机床铣削加工过程的能耗模型建模方法
Zhuang et al. On cutting parameters selection for plunge milling of heat-resistant-super-alloys based on precise cutting geometry
CN104133417A (zh) 叶片式流体机械数控加工切削力的快速预测方法
CN106682281A (zh) 基于最大切削力的铣削瞬时切削力预测方法
CN105269402A (zh) 一种基于铣削加工的钛合金材料表面粗糙度预测方法
Datta et al. Simultaneous optimization of correlated multiple surface quality characteristics of mild steel turned product
CN105414616A (zh) 螺旋铣孔过程中切削力预报和稳定性判别方法
CN109277883A (zh) 基于切削加工参数权重的超高强钛合金粗糙度预测方法
Dhandapani et al. Investigation on effect of material hardness in high speed CNC end milling process
Babu et al. Modeling and optimization of dead metal zone to reduce cutting forces in micro-milling of hardened AISI D2 steel
CN102930337B (zh) 切削加工中切削用量的预测方法
CN107103129A (zh) 一种切削加工中工件表面残余应力的预测方法
US20200368871A1 (en) Method for predicting chatter of a machine tool
Zagórski et al. Artificial neural network modelling of cutting force components in milling
CN110509096A (zh) 工件表面粗糙度控制方法、装置和数控加工设备
Asiltürk et al. Intelligent adaptive control and monitoring of band sawing using a neural-fuzzy system
Lan Tool wear optimization for general CNC turning using fuzzy deduction
Ic et al. Multi-objective optimization of turning parameters for SiC-or Al 2 O 3-reinforced aluminum matrix composites
Lei et al. Cutting force modeling and experimental study for ball-end milling of free-form surfaces

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20141203

Termination date: 20191031

CF01 Termination of patent right due to non-payment of annual fee