CN107627152B - 一种基于bp神经网络的数控加工切屑控制方法 - Google Patents
一种基于bp神经网络的数控加工切屑控制方法 Download PDFInfo
- Publication number
- CN107627152B CN107627152B CN201710980152.6A CN201710980152A CN107627152B CN 107627152 B CN107627152 B CN 107627152B CN 201710980152 A CN201710980152 A CN 201710980152A CN 107627152 B CN107627152 B CN 107627152B
- Authority
- CN
- China
- Prior art keywords
- chip
- neural network
- layer
- data
- hidden layer
- 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.)
- Expired - Fee Related
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 37
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000003754 machining Methods 0.000 title abstract description 8
- 238000005520 cutting process Methods 0.000 claims abstract description 66
- 238000012549 training Methods 0.000 claims description 23
- 238000012545 processing Methods 0.000 claims description 15
- GNFTZDOKVXKIBK-UHFFFAOYSA-N 3-(2-methoxyethoxy)benzohydrazide Chemical compound COCCOC1=CC=CC(C(=O)NN)=C1 GNFTZDOKVXKIBK-UHFFFAOYSA-N 0.000 claims description 3
- 230000003252 repetitive effect Effects 0.000 claims description 3
- GRTJBNJOHNTQBO-UHFFFAOYSA-N [2-(2-diphenylphosphanylphenyl)phenyl]-diphenylphosphane Chemical compound C1=CC=CC=C1P(C=1C(=CC=CC=1)C=1C(=CC=CC=1)P(C=1C=CC=CC=1)C=1C=CC=CC=1)C1=CC=CC=C1 GRTJBNJOHNTQBO-UHFFFAOYSA-N 0.000 claims description 2
- 210000005036 nerve Anatomy 0.000 claims 1
- 238000011160 research Methods 0.000 abstract description 8
- 238000004458 analytical method Methods 0.000 abstract description 6
- 238000013178 mathematical model Methods 0.000 abstract description 4
- 238000012360 testing method Methods 0.000 description 20
- 238000005259 measurement Methods 0.000 description 14
- 238000002474 experimental method Methods 0.000 description 13
- 238000005516 engineering process Methods 0.000 description 11
- 238000004422 calculation algorithm Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 9
- 210000002569 neuron Anatomy 0.000 description 7
- 238000013461 design Methods 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 5
- 238000005457 optimization Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 210000002421 cell wall Anatomy 0.000 description 2
- 239000011248 coating agent Substances 0.000 description 2
- 238000000576 coating method Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000011002 quantification Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000003746 surface roughness Effects 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- BVPWJMCABCPUQY-UHFFFAOYSA-N 4-amino-5-chloro-2-methoxy-N-[1-(phenylmethyl)-4-piperidinyl]benzamide Chemical compound COC1=CC(N)=C(Cl)C=C1C(=O)NC1CCN(CC=2C=CC=CC=2)CC1 BVPWJMCABCPUQY-UHFFFAOYSA-N 0.000 description 1
- 229910052582 BN Inorganic materials 0.000 description 1
- PZNSFCLAULLKQX-UHFFFAOYSA-N Boron nitride Chemical compound N#B PZNSFCLAULLKQX-UHFFFAOYSA-N 0.000 description 1
- 240000007594 Oryza sativa Species 0.000 description 1
- 235000007164 Oryza sativa Nutrition 0.000 description 1
- 229910000883 Ti6Al4V Inorganic materials 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000000919 ceramic Substances 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000005314 correlation function Methods 0.000 description 1
- 238000002788 crimping Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000003801 milling Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 235000009566 rice Nutrition 0.000 description 1
- 238000007493 shaping process Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000007514 turning Methods 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种基于BP神经网络的数控加工切屑控制方法，以主轴转速n、进给速率vf以及切削深度dp作为输入数据，以切屑卷曲半径和切屑宽度作为输出数据，建立BP神经网络。本发明旨在对切削参数及切屑分析的基础上，建立一个可靠而实用的数学模型，这对切屑控制的进一步研究具有一定的意义，从而用优化的切削参数来代替普通数控加工过程中工艺人员输入的经验切削参数，达到提高加工效率、降低加工成本及获得高质量产品的目的。
Description
技术领域
本发明涉及金属切屑加工领域，具体涉及一种基于BP神经网络的数控加工切屑控制方法。
背景技术
在金属加工中，对工件表面质量造成负面影响并导致刀具损坏的主要因素是切屑干扰；切屑控制技术是现代先进机械制造系统中的基础关键技术,切屑控制技术不解决，任何一个理想的自动化过程都不能实现；在切削条件很恶劣的情况下，就需要合理的设计槽型和尽可能精确的编制制造工艺。
(1)切屑控制理论研究的系统化、定量化切屑的卷曲、折断和金属切削过程中切屑的变形、切削力、切削热和刀具磨损等物理现象是相互联系的，因此，切屑控制理论研究应和切削理论研究有机结合起来，并采用统计原理、模糊数学等方法使之定量化，以便于利用。
(2)由于用可转位刀片断屑槽断屑是断屑技术发展的主要趋势，所以复杂断屑槽断屑机理的研究，将有助于新型高效断屑槽型的开发和合理使用。
(3)数控机床、加工中心的使用使切削速度大大提高。高强度、高韧性难加工材料的增加和陶瓷、立方氮化硼等新型刀具材料及超硬涂层的应用，是现代切削加工的特点，切屑控制理论的研究应与之相适应。
(4)发展实用的切屑监测技术，实用的切屑监测技术将有助于现代切削技术的发展。
由于测量切屑各个相关参数步骤繁琐，近年来很少有学者透彻地通过研究分析切屑及做形成对应切屑时所用切削用量的相关参数之间的关系规律来建立数学模型。
切屑控制理论是断屑技术，特别是可转位刀片断屑槽型CAD的理论基础，近年来国内外学者对此进行了大量的研究工作；在切屑形状的描述方面，日本学者对自然切屑(无引导自由切屑)进行了描述，Stabler(Sun Y,Sun J,Li J,et al.Modeling of cuttingforce under the tool flank wear effect in end milling Ti6Al4V with solidcarbide tool[J].International Journal of Advanced Manufacturing Technology,2013,69(69):2545-2553)根据大量实验提出了著名的“sta-bler法则”。Colwell(ColwellLV.Predicting the Angle of Chip Flow for Single-Point Cutting Tools[J].TransAsme,1954,76)提出了用切削刃弦的概念确定一般斜角切削的流屑角图解法；这种图解法也可以用解析式表达，它虽然能在一定条件下反映流屑角的变化规律,但没有包括刀具主要角度物对流屑角的作用；Colwell在理论分析和大量实验的基础上，提出了切屑自然卷曲流屑角的计算方法。当考虑断屑槽的影响时，认为切屑流出碰到断屑槽壁时，要发生卷曲和反射，切屑的卷曲程度和反射方向均与初始屑流方向和碰到断屑槽壁的变形有关。实验表明，对于二维断屑槽，流屑角的变化仍符合由研究时确定的规律。而有学者(刘培德等.切削力学新篇[M].1992)在研究断屑情况对已加工表面粗糙度的影响时，对切屑的折断性进行了模糊估计。日本学者提出了切屑折断的条件，切屑离开刀具前面以后，可能碰到刀具后面、工件加工表面或待加工表面而折断或形成长螺卷屑失稳甩断。
同时，有学者提出断屑槽(台)设计使用的理论问题，如断屑前面棱带宽度对切屑流动的影响，以及切屑易于折断的情形试验表明带状切屑当其横截面弯曲时易于折断。在断屑槽设计，特别是用于精加工的断屑槽，应设法使切屑横截面弯曲。为了认识切屑折断的动态行为，可采用高速摄影法观察切屑的折断过程。声发射识别、切削动态力测量和切削热电势测量等不仅可以判断切屑是否折断，还可以监测刀具磨损情况；此外，扫描电镜内的微切削和物理模拟实验也被用来研究切屑折断的机理；此外，国外学者还用超声波探测法(Bhuiyan M SH,Choudhury IA,Dahari M.Monitoring the tool wear,surfaceroughness and chip formation occurrences using multiple sensors in turning[J].Journal of Manufacturing Systems,2014,33(4):476-487)、红外线热辐射检测法等对切削过程监测进行了研究。
发明内容
基于此，针对上述问题，有必要提出一种基于BP神经网络的数控加工切屑控制方法，本发明旨在对切削参数与切屑分析的基础上，建立一个可靠而实用的数学模型，从而用优化的切削参数来代替普通数控加工过程中工艺人员输入的经验切削参数，达到提高加工效率、降低加工成本及获得高质量产品的目的。
本发明的技术方案是：
一种基于BP神经网络的数控加工切屑控制方法，以主轴转速n、进给速率vf以及切削深度dp作为输入数据，以切屑卷曲半径和切屑宽度作为输出数据，建立BP神经网络。
本发明用于建立切削参数与切屑之间的模型，编写一套有关于数控加工中碎屑与切削用量间的三个输入得到两个输出的BP神经网络程序，并且通过MATLAB实现，通过测量实验所得切屑的相关参数并且联合相关切削参数建立一个整体数据，然后带入编写好的BP神经网络程序进行训练、验证及测试，最后检验模型的准确性；其旨在对切削参数及切屑分析的基础上，建立一个可靠而实用的数学模型，从而用优化的切削参数来代替普通数控加工过程中工艺人员输入的经验切削参数，达到提高加工效率、降低加工成本及获得高质量产品的目的。
作为上述方案的进一步优化，建立BP神经网络具体包括以下步骤：
a、获取包括主轴转速n、进给速率vf和切削深度dp的输入数据作为训练样本数据；
b、根据训练样本数据建立包括输入层、输出层以及隐含层的BP神经网络拓扑模型；
c、取一输入数据经输入层输入到隐含层中进行n次迭代后，计算实际输出数据；并获取第n次迭代时，输入层与隐含层、隐含层之间以及隐含层与输出层的权值向量；其中，1≤n≤22；
d、根据期望输出数据与实际输出数据，计算相应的输出误差；
e、根据误差的计算，更新输出层与隐含层之间的权值向量以及输出层节点的阈值；并更新输入层与隐含层之间的权值向量以及隐含层节点的阈值；
f、判断是否学习完所有的训练样本数据，如果是，则进入步骤g；如果否，则重新进入步骤c；
g、判断误差是否小于预设定误差下限，如果是，则学习结束；如果否，则进入步骤h；
h、判断学习次数是否达到规定值，如果是，则学习结束；如果否，则重新进入步骤c。
在本发明中，BP网络的产生依据BP算法的获得，BP算法是一种监督式的学习算法，其主要思想为：对于q个输入样本p1,p2,...,pq，已知与其对应的输出样本为T1,T2,...,Tq，学习的目的是用网络的实际输出A1,A2,...,Aq与目标矢量T1,T2,...,Tq之间的误差来修改其权值，使A与期望的T尽可能接近，其算法流程如图1所示；BP算法是由两部分组成，即信息的正向传递与误差的反向传播，在正向传播过程中，输入信息从输入经隐含层逐层计算传向输出层，每一层神经元的状态只影响下一层神经元的状态，如果在输出层没有得到期望输出，则计算输出层的误差变化值，然后转向反向传播，通过网络将误差信号沿原来的连接通路反传回来修改各神经元的权值直至达到期望目标。
作为上述方案的更进一步优化，所述的BP神经网络中，具有6个隐含层节点以及2个输出层节点。具有6个隐含层节点以及2个输出层节点的BP神经网络，在隐含层节点中进行多次正向传递与误差的反向传播，使计算出的实际输出数据精确，减小与期望输出数据之间的误差值。
作为上述方案的更进一步优化，在所述BP神经网络中训练的最大次数为22次迭代，且每次迭代训练时间为1s。确定迭代次数，防止数据冗余，提高了在模型中进行数据训练和学习的效率。
本发明的有益效果是：
1、本发明旨在对切削参数及切屑分析的基础上，建立一个可靠而实用的数学模型，从而用优化的切削参数来代替普通数控加工过程中工艺人员输入的经验切削参数，达到提高加工效率、降低加工成本及获得高质量产品的目的。
2、本发明中建立BP神经网络的方法简单、有效，根据期望输出数据与实际输出数据之间的误差，并通过网络将误差信号沿原来的连接通路反传回来修改各神经元的权值直至达到期望目标。
3、在BP神经网络中具有6个隐含层节点以及2个输出层节点，使得可在隐含层节点中进行多次正向传递与误差的反向传播，保证计算出的实际输出数据的精确性，减小与期望输出数据之间的误差值。
4、设定迭代次数不超过22次，防止数据冗余，提高了在模型中进行数据训练和学习的效率。
附图说明
图1是本发明实施例所述基于BP神经网络的数控加工切屑控制方法的建模流程图；
图2是本发明实施例所述测量20等分数据结果的误差直方图；
图3是本发明实施例所述测量神经网络对应数据拟合程度的回归线示意图。
具体实施方式
下面结合附图对本发明的实施例进行详细说明。
对切削参数的选择：
在本发明中采用正交试验来进行实验参数设计，正交阵列设计就是使用正交表来安排试验的方法，它是从全面试验的样本点中挑选出部分具有代表性的样本点做试验，这些代表点具有正交性，其作用是只用较少的试验次数就可以找出因素水平间的最优搭配或由试验结果通过计算推断出最优搭配；在最初选择有4个切削参数作为输入数据，分别为主轴转速n、进给速率vf、切削深度dp和切削宽度de，4个作为输入数据的切削参数的选择范围如表1所示；
| 参数 | 主轴转速 | 进给量 | 切削深度 | 切削宽度 |
| 范围 | 700-1300 | 80-120 | 0.1-0.5 | 20-60 |
表1
根据其切削参数的范围，采用正交实验法，考虑到实验次数的多少，设定每个切削参数有3个水平，详情见表2；由于在实际实验中要考虑到加工工艺的要求，需要将切削宽度设定为定值；本实验将切削宽度设定为工件加工面尺寸(80mm)的一半，为40mm；
表2
则所得的切削参数如表3所示；
| 切削参数 | 主轴转速n | 进给速率v<sub>f</sub> | 切削深度d<sub>p</sub> | 切削宽度d<sub>e</sub> |
| 1 | 700 | 80 | 0.1 | 40 |
| 2 | 700 | 100 | 0.3 | 40 |
| 3 | 700 | 120 | 0.5 | 40 |
| 4 | 1000 | 80 | 0.3 | 40 |
| 5 | 1000 | 100 | 0.5 | 40 |
| 6 | 1000 | 120 | 0.1 | 40 |
| 7 | 1300 | 80 | 0.5 | 40 |
| 8 | 1300 | 100 | 0.1 | 40 |
| 9 | 1300 | 120 | 0.3 | 40 |
表3
对切屑参数的选择：
选择切屑宽度、切屑卷曲半径、切屑锯齿化程度、边缘锯齿的宽度、边缘锯齿的高度、相邻锯齿间距以及切屑分岔情况作为备选切屑参数；并在多次试验后，选取切屑宽度和切屑卷曲半径作为切屑参数，建立BP神经网络；其中：
切屑宽度，是指一根切屑上的宽度值，而非长度值；由于长度值范围往往超过了仪器所能测量的范围，故未测量切屑长度值；
切屑卷曲半径，是一项用来表明切屑卷曲程度的指标，在本实验中首先尝试用卷曲部分弧度表达卷曲程度，但在测量过程中发现具体卷曲部分难以定义，故转而测量卷曲部分半径，以此来说明切屑卷曲程度；
切屑锯齿化程度，在测量切屑锯齿化程度的过程中首先尝试测量单位厘米(10毫米)内的锯齿数以此来体现锯齿化程度，但在测量过程中软件没有相关功能，而凭感觉很难精准定位到10毫米，所以放弃了此种表示方法；接着尝试测量两锯齿顶端之间的峰峰值，但是因为锯齿的情况千变万化，有时峰峰值过大未在显微镜范围内，有时峰峰值过小显微镜难以观测到，所以也放弃了此种方法；最终决定将锯齿化程度通过“锯齿数/弧度”来呈现，切屑的锯齿化程度即用(锯齿数5/弧度1.416mm)来表示，该数值越大，表明锯齿化程度越小，反之表明锯齿化程度越大；虽然检测出了数据，但是在最后未将锯齿化程度这一参数放入BP人工神经网络中进行测试，因显微镜倍数限制，观测锯齿的相关数据难以精准化，若应不确定出现测量错误容易对实验结果产生较大的错误影响，使结果有所偏差，故舍弃；
边缘锯齿的宽度，是指每一块小锯齿的宽度，即左右距离，而非总长；
边缘锯齿的高度，是指每一块小锯齿的高度，即上下距离；
相邻锯齿间距，表示相邻两锯齿的间距；
切屑分岔情况，在测量过程中发现有时有切屑会产生分岔情况，且分岔后的情况不尽相同，如：分岔部分切屑的卷曲程度及宽度，分岔部分的锯齿化程度；故做了相关测量，但由于分岔情况不经常出现，故未作为最终训练及测试参数；
在进行实验过程中，上述的所有测量数据，由于有些数据难以测量或者不常观测到等原因，故最终选择了切屑卷曲程度及切屑宽度作为最终训练及测试参数；此外，在所有测量数据中，数据均会有不同程度的波动，为了尽可能让数据真实准确，此种情况下通过除去最大值与最小值在余下数值内取平均数的方法确定最终应用到BP人工神经网络中的数据。
对比BP神经网络模型中，输入数据与输出数据的关联：
通过该正交试验得到了切削参数和在此参数下的切屑，在宏观观察每组参数下所得第一刀切屑的过程中：
1、切屑由粗到细的实验参数如表4所示，其中7表示最粗，依次下降，1表示最细；
表4
2、切屑由卷曲度大到卷曲度小的实验参数如表5所示，其中7表示卷曲度最大，依次下降，1表示卷曲度最小；
表5
在观察相同切削参数下第一道至第十道所得切屑的过程中发现，除去切削参数为[n,vf,dp]＝[700,80,0.1]的切屑的变化规律是由细变粗，其余每个相同切削参数下第一道至第十道所得切屑的变化规律均为由粗变细；其中切削参数为[n,vf,dp]＝[700,100,0.3][1300,100,0,1]的两组切屑粗细变化相对微小；
通过在显微镜下观察不同切削参数下不同道数所得切屑，可得出如下结论：
(1)较粗的切屑更容易出现分叉情况；
(2)锯齿越多的地方切屑宽度相对越小一些；
(3)切屑宽度与卷曲度程度成反比，与卷曲圆半径成正比；
通过比较分析所测得的切削参数，可得出规律：切屑越粗，其卷曲度越小；从而得出：切屑宽度越宽，其卷曲半径越大；
并且通过比较所测得切屑参数以及切削用量的数据并进行分析，可得出：切屑宽度与切削深度dp有关联，而切屑卷曲半径与主轴转速n以及进给速率vf有关联。
如图1所示，根据实验测得的输入数据和输出数据，建立BP神经网络：
a、获取包括主轴转速n、进给速率vf和切削深度dp的输入数据作为训练样本数据；
b、根据训练样本数据建立包括输入层、输出层以及隐含层的BP神经网络拓扑模型；
c、取一输入数据经输入层输入到隐含层中进行n次迭代后，计算实际输出数据；并获取第n次迭代时，输入层与隐含层、隐含层之间以及隐含层与输出层的权值向量；其中，1≤n≤22；
d、根据期望输出数据与实际输出数据，计算相应的输出误差；
e、根据误差的计算，更新输出层与隐含层之间的权值向量以及输出层节点的阈值；并更新输入层与隐含层之间的权值向量以及隐含层节点的阈值；
f、判断是否学习完所有的训练样本数据，如果是，则进入步骤g；如果否，则重新进入步骤c；
g、判断误差是否小于预设定误差下限，如果是，则学习结束；如果否，则进入步骤h；
h、判断学习次数是否达到规定值，如果是，则学习结束；如果否，则重新进入步骤c。
在本发明中，BP网络的产生依据BP算法的获得，BP算法是一种监督式的学习算法，其主要思想为：对于q个输入样本p1,p2,...,pq，已知与其对应的输出样本为T1,T2,...,Tq，学习的目的是用网络的实际输出A1,A2,...,Aq与目标矢量T1,T2,...,Tq之间的误差来修改其权值，使A与期望的T尽可能接近，其算法流程如图1所示；BP算法是由两部分组成，即信息的正向传递与误差的反向传播，在正向传播过程中，输入信息从输入经隐含层逐层计算传向输出层，每一层神经元的状态只影响下一层神经元的状态，如果在输出层没有得到期望输出，则计算输出层的误差变化值，然后转向反向传播，通过网络将误差信号沿原来的连接通路反传回来修改各神经元的权值直至达到期望目标。
所述的BP神经网络中，具有6个隐含层节点以及2个输出层节点。具有6个隐含层节点以及2个输出层节点的BP神经网络，在隐含层节点中进行多次正向传递与误差的反向传播，使计算出的实际输出数据精确，减小与期望输出数据之间的误差值。
在所述BP神经网络中训练的最大次数为22次迭代，且每次迭代训练时间为1s。确定迭代次数，防止数据冗余，提高了在模型中进行数据训练和学习的效率。
模型的准确性检验：
在建立BP神经网络模型进行切削参数和切屑匹配后，对模型准确性进行测量检验，得出如图2所示的误差直方图，其中，横坐标为误差大小，纵坐标为实例个数；该误差分布图用于测量神经网络对于数据的拟合程度，误差分布图可以展示误差情况，一般多数误差是靠近0的，只有少数远离0；在图2中，竖线代表0误差线，标记为Training的柱状图代表训练误差分布情况，标记为Validation的柱状图代表验证误差分布情况，标记为Test的柱状图代表测试误差分布情况；误差＝网络期望输出向量-网络相应输出向量。从图2中可以看出，除了一组训练数据分布在离0误差较远的0.6157误差处，其余各组数据误差值均分布在[0.3151,0.3362]区间内；说明误差较小，结果相对较好；
还可查看如图3所示的回归线，其中，横坐标是目标值，纵坐标是输出值；并且图a为训练拟合曲线，图b为验证拟合曲线，图c为测试拟合曲线，图d为综合拟合曲线；
在图3中，通过绘制回归线来测量神经网络对应数据的拟合程度；若神经网络已经训练好，可以对数据进行拟合，则在回归图上面线性输出的目标拟合曲线Fit应该横贯左下角和右上角，若是没有达到，则需要继续进行训练，或者采用更多神经元的神经网络进行训练；图3表示网络训练预测时，用了简单的回归分析，R为相关系数，绝对值始终小于1，越接近相关程度越大；Y＝T曲线就是输出和目标完全相等的曲线，越接近R值就会越大，所以曲线和Y＝T曲线越接近越好；圆圈表示数据，图3中的a、b、c、d依次表示了训练样本、验证样本、测试样本和全部样本的回归系数，越接近于1越好，也就是两根线越接近越好；
从显示结果来看各状态的拟合曲线Fit与Y＝T曲线较为接近，且R接近于1，data分布在两曲线较为接近的部分较多；说明训练、验证及测试结果良好。
以上所述实施例仅表达了本发明的具体实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。
Claims (3)
1.一种基于BP神经网络的数控加工切屑控制方法，其特征在于，以主轴转速n、进给速率vf以及切削深度dp作为输入数据，以切屑卷曲半径和切屑宽度作为输出数据，建立BP神经网络；
建立BP神经网络具体包括以下步骤：
a、获取包括主轴转速n、进给速率vf和切削深度dp的输入数据作为训练样本数据；
b、根据训练样本数据建立包括输入层、输出层以及隐含层的BP神经网络拓扑模型；
c、取一输入数据经输入层输入到隐含层中进行n次迭代后，计算实际输出数据；并获取第n次迭代时，输入层与隐含层、隐含层之间以及隐含层与输出层的权值向量；其中，1≤n≤22；
d、根据期望输出数据与实际输出数据，计算相应的输出误差；
e、根据误差的计算，更新输出层与隐含层之间的权值向量以及输出层节点的阈值；并更新输入层与隐含层之间的权值向量以及隐含层节点的阈值；
f、判断是否学习完所有的训练样本数据，如果是，则进入步骤g；如果否，则重新进入步骤c；
g、判断误差是否小于预设定误差下限，如果是，则学习结束；如果否，则进入步骤h；
h、判断学习次数是否达到规定值，如果是，则学习结束；如果否，则重新进入步骤c。
2.根据权利要求1所述的基于BP神经网络的数控加工切屑控制方法，其特征在于，所述的BP神经网络中，具有6个隐含层节点以及2个输出层节点。
3.根据权利要求1所述的基于BP神经网络的数控加工切屑控制方法，其特征在于，在所述BP神经网络中训练的最大次数为22次迭代，且每次迭代训练时间为1s。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710980152.6A CN107627152B (zh) | 2017-10-19 | 2017-10-19 | 一种基于bp神经网络的数控加工切屑控制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710980152.6A CN107627152B (zh) | 2017-10-19 | 2017-10-19 | 一种基于bp神经网络的数控加工切屑控制方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107627152A CN107627152A (zh) | 2018-01-26 |
| CN107627152B true CN107627152B (zh) | 2019-04-30 |
Family
ID=61103520
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710980152.6A Expired - Fee Related CN107627152B (zh) | 2017-10-19 | 2017-10-19 | 一种基于bp神经网络的数控加工切屑控制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107627152B (zh) |
Families Citing this family (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108614032B (zh) * | 2018-01-31 | 2022-06-21 | 江苏大学 | 一种基于改进神经网络的混凝土内部钢筋无损检测系统及控制方法 |
| JP6635274B2 (ja) * | 2018-02-23 | 2020-01-22 | 株式会社安川電機 | 製品品質管理システム |
| CN109100953B (zh) * | 2018-07-23 | 2021-04-30 | 电子科技大学 | 一种基于响应面建模优化切屑易碎性的方法 |
| CN109324570B (zh) * | 2018-10-16 | 2021-04-20 | 南京艾提瑞精密机械有限公司 | 一种基于加工形貌预构的机床设计优化方法 |
| CN110232052A (zh) * | 2019-06-11 | 2019-09-13 | 天津大学 | 一种基于dxf文件格式的刀具矢量化方法及装置 |
| JP7351702B2 (ja) * | 2019-10-04 | 2023-09-27 | ファナック株式会社 | ワーク搬送システム |
| CN111159915A (zh) * | 2020-01-03 | 2020-05-15 | 山东天岳电子科技有限公司 | 一种器件设计的参数优化方法及装置 |
| CN114741947B (zh) * | 2022-03-04 | 2024-06-25 | 华中科技大学 | 一种金属切削突变现象建模方法及系统 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP0517097A2 (en) * | 1991-06-07 | 1992-12-09 | Rockwell International Corporation | Analog neural network for sensor image fusion |
| CN102930337A (zh) * | 2012-10-31 | 2013-02-13 | 贵州大学 | 切削加工中切削用量的预测方法 |
| CN103198186A (zh) * | 2013-03-29 | 2013-07-10 | 南京航空航天大学 | 基于特征的飞机结构件切削参数优化方法 |
| CN103465107A (zh) * | 2013-09-24 | 2013-12-25 | 沈阳利笙电子科技有限公司 | 一种刀具磨损监测方法 |
| CN104786101A (zh) * | 2015-04-29 | 2015-07-22 | 常州信息职业技术学院 | 立铣切削颤振的监测方法 |
| CN105108583A (zh) * | 2015-05-29 | 2015-12-02 | 哈尔滨理工大学 | 基于隔振式电涡流传感器测量动态铣削力装置及测量方法 |
| CN105563234A (zh) * | 2016-01-22 | 2016-05-11 | 浙江大学台州研究院 | 麻花钻磨损监测方法 |
-
2017
- 2017-10-19 CN CN201710980152.6A patent/CN107627152B/zh not_active Expired - Fee Related
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP0517097A2 (en) * | 1991-06-07 | 1992-12-09 | Rockwell International Corporation | Analog neural network for sensor image fusion |
| CN102930337A (zh) * | 2012-10-31 | 2013-02-13 | 贵州大学 | 切削加工中切削用量的预测方法 |
| CN103198186A (zh) * | 2013-03-29 | 2013-07-10 | 南京航空航天大学 | 基于特征的飞机结构件切削参数优化方法 |
| CN103465107A (zh) * | 2013-09-24 | 2013-12-25 | 沈阳利笙电子科技有限公司 | 一种刀具磨损监测方法 |
| CN104786101A (zh) * | 2015-04-29 | 2015-07-22 | 常州信息职业技术学院 | 立铣切削颤振的监测方法 |
| CN105108583A (zh) * | 2015-05-29 | 2015-12-02 | 哈尔滨理工大学 | 基于隔振式电涡流传感器测量动态铣削力装置及测量方法 |
| CN105563234A (zh) * | 2016-01-22 | 2016-05-11 | 浙江大学台州研究院 | 麻花钻磨损监测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107627152A (zh) | 2018-01-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107627152B (zh) | 一种基于bp神经网络的数控加工切屑控制方法 | |
| Khorasani et al. | Development of a dynamic surface roughness monitoring system based on artificial neural networks (ANN) in milling operation | |
| WO2021174525A1 (zh) | 一种基于多任务学习的零件表面粗糙度和刀具磨损预测方法 | |
| CN109822399B (zh) | 基于并行深度神经网络的数控机床刀具磨损状态预测方法 | |
| CN111366123B (zh) | 一种基于多任务学习的零件表面粗糙度和刀具磨损预测方法 | |
| CN102929210B (zh) | 基于特征的数控加工过程控制和优化系统及方法 | |
| Khorasani et al. | Tool life prediction in face milling machiningof 7075 Al by using artificial neural networks (ANN) and Taguchi design of experiment (DOE) | |
| Chen et al. | An in-process neural network-based surface roughness prediction (INN-SRP) system using a dynamometer in end milling operations | |
| Vasanth et al. | A neural network model to predict surface roughness during turning of hardened SS410 steel | |
| CN110561191B (zh) | 基于pca与自编码器的数控机床刀具磨损数据处理方法 | |
| CN104298171B (zh) | 一种介观尺度零件加工误差预测以及控制方法 | |
| Oberle et al. | A use case to implement machine learning for life time prediction of manufacturing tools | |
| Yao et al. | Modelling of multivariate time series for tool wear estimation in finish-turning | |
| Zhang et al. | A force-measuring-based approach for feed rate optimization considering the stochasticity of machining allowance | |
| Yao et al. | Position-dependent milling process monitoring and surface roughness prediction for complex thin-walled blade component | |
| Yu et al. | Integration of tool error identification and machining accuracy prediction into machining compensation in flank milling | |
| Kakati et al. | Prediction of optimum cutting parameters to obtain desired surface in finish pass end milling of aluminium alloy with carbide tool using artificial neural network | |
| Wang et al. | Toward digital twins for high-performance manufacturing: Tool wear monitoring in high-speed milling of thin-walled parts using domain knowledge | |
| Zuperl et al. | Intelligent cutting tool condition monitoring in milling | |
| CN109446721B (zh) | 基于标识符软件线程执行顺序排列的机床工艺交互算法 | |
| Kayabaşi et al. | On-line surface roughness prediction by using a probabilistic approach for end-milling | |
| Župerl et al. | Prediction of cutting forces in ball-end milling of multi-layered metal materials | |
| Cirak | Mathematically Modeling and Optimization by Artificial Neural Network of Surface Roughness in CNC Milling–A Case Study | |
| CN117592223B (zh) | 一种面向航空航天材料的孔加工刀具智能设计方法 | |
| CN116992778B (zh) | 铣削加工残余应力变形预测方法、存储介质和电子设备 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20190430 |