CN102880771B

CN102880771B - 高速切削加工中工件表面粗糙度的预测方法

Info

Publication number: CN102880771B
Application number: CN201210426876.3A
Authority: CN
Inventors: 孙明伟; 龚敏庆; 周胜; 黄敏; 金明仲; 罗钢
Original assignee: Guizhou University
Current assignee: Guizhou University
Priority date: 2012-10-31
Filing date: 2012-10-31
Publication date: 2014-12-03
Anticipated expiration: 2032-10-31
Also published as: CN102880771A

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或机床主轴转速、每齿进给量和切削深度，切削速度与机床主转速之间的关系为：，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，通过其中的函数或函数设计完成，且使得设计误差为0，调用方式为：,；、分别表示训练样本输入和目标输出；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，松弛误差为误差平均幅值和误差均方差的组合值，即，，.，为松弛系数。

误差平均幅值：，

误差均方差：，

为测试样本的样本容量，为测试样本维数，为神经网络的拟合值，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的大小，因为我们将的权重放到了它的身上，而只有放在误差均方差上。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，我们可以将的松弛系数设置得更大一些，而的松弛系数相应的小一些。

松弛误差反映了网络的精度，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作为目标函数，选取切削速度、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，10，2齿)；

选用的工件材料为的锻铝 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，切削深度，工件表面粗糙度。

表1 切削参数样本数据表

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，我们设定松弛系数均为0.5，即。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、误差均方差及松弛误差，经计算其值分别为：，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。

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

Claims

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；步骤三中，松弛误差是作为衡量RBF神经网络精度的指标，松弛误差H为误差平均幅值和误差均方差的组合值，即H＝αE+βV，α+β＝1，0≤α,β≤1，α，β为松弛系数；误差平均幅值的计算公式为：

E = \frac{1}{mn} Σ_{i = 1}^{m} Σ_{j = 1}^{n} | x_{ij} - X |,

误差均方差的计算公式为：

V = \frac{1}{mn} Σ_{i = 1}^{m} Σ_{j = 1}^{n} {(x_{ij} - X)}^{2};

误差平均幅值的计算公式以及误差均方差的计算公式中，m为测试样本的样本容量，n为测试样本维数，x_ij为神经网络的拟合值，X为相应的真实值。

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v或机床主轴转速n、每齿进给量f和切削深度a_p，切削速度v与机床主转速n之间的关系为：n＝v(πd_w)，d_w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newrb函数或newrbe函数设计完成，且使得设计误差为0，调用方式为：net＝newrb(P,T,g,srd),net＝newrbe(P,T,srd)；P、T分别表示训练样本输入和目标输出；g表示RBF网络输出的总平均误差方差。