專利名稱：切削加工中切削用量的預(yù)測方法
技術(shù)領(lǐng)域：
本發(fā)明涉及機械加工技術(shù)，尤其是一種切削加工中切削用量的預(yù)測方法。
背景技術(shù)：
選擇合理的金屬切削加工參數(shù)，對提高產(chǎn)品質(zhì)量、加工效率以及延長刀具壽命具有重要意義。切削用量選擇得當，便能充分發(fā)揮機床和刀具的功能，取得生產(chǎn)的最大效益；選擇不當，會造成很大的浪費或?qū)е律a(chǎn)事故。對于現(xiàn)在的高速、超高速機床及精度加工的影響更大。傳統(tǒng)的依靠經(jīng)驗或手冊來選擇切削參數(shù)的方法，往往因人而異，差別很大；通過切削試驗來確定最優(yōu)切削用量的方法成本高且效率低；計算機建立的各種切削數(shù)據(jù)庫不能快速、準確地求解。實現(xiàn)切削用量實時控制及切削參數(shù)的機器智能化選取比較困難。神經(jīng)網(wǎng)絡(luò)的智能化特征與能力使其能有效的處理復(fù)雜非線性系統(tǒng)控制、特征提取及識別等信息處理問題。徑向基函數(shù)網(wǎng)絡(luò)(Radial Basis Function Network, RBF)是前向型神經(jīng)網(wǎng)絡(luò)的 一種類型，具有強大的矢量分類功能和快速計算能力，能以任意精度逼近任意非線性函數(shù)，且學(xué)習(xí)收斂速度快。但在模型進行學(xué)習(xí)訓(xùn)練時，其隱含層神經(jīng)元數(shù)量即Matlab軟件中用于建立一個RBF神經(jīng)網(wǎng)絡(luò)的函數(shù)的分布密度值的設(shè)置是一個關(guān)鍵問題。其分布密度值需要足夠大才能覆蓋所有的輸入?yún)^(qū)間，但是如果太大，則每個神經(jīng)元的響應(yīng)區(qū)域又會交叉過多，反而帶來精度的問題。理論上講，分布密度值越小，對函數(shù)的逼近就越精確，但逼近的過程就越不平滑；若其值越大，函數(shù)就越平滑，但是逼近誤差會比較大。一般設(shè)定RBF網(wǎng)絡(luò)的分布密度值與輸入向量的個數(shù)《相等，但這并不能保證此時的分布密度值為最優(yōu)，反而有可能造成輸入?yún)^(qū)間覆蓋不足或帶來精度問題。

發(fā)明內(nèi)容
本發(fā)明的目的是提供一種切削加工中切削用量的預(yù)測方法，它能對切削用量進行準確有效的預(yù)測，以克服現(xiàn)有技術(shù)的不足。本發(fā)明是這樣實現(xiàn)的切削加工中切削用量的預(yù)測方法，其特征在于包括以下步驟，
步驟一、選擇切削加工中的控制參數(shù)作為模型的輸入；測定實際切削樣本數(shù)據(jù)用于模型訓(xùn)練和測試；
步驟二、建立RBF神經(jīng)網(wǎng)絡(luò)模型，利用相應(yīng)的樣本數(shù)據(jù)對模型進行學(xué)習(xí)訓(xùn)練；(使模型在一個足夠大的分布密度范圍內(nèi)，選擇出使模型對測試樣本的擬合誤差平均幅值最小的分布密度)這個是一個不確定的范圍，需要用具體可指的數(shù)值來表達，或者僅在說明書中說明這句話。步驟三、訓(xùn)練后的模型對測試樣本的切削用量進行預(yù)測。在步驟一中，所述的控制參數(shù)為切削速度I或機床主軸轉(zhuǎn)速《、進給速度 及切
削深度& ;切削速度' 與機床主轉(zhuǎn)速 之間的關(guān)系為《 =硪為工件直徑。
在步驟二中，所述的建立RBF神經(jīng)網(wǎng)絡(luò)模型是，根據(jù)模型的訓(xùn)練樣本容量《大小，設(shè)定一個RBF神經(jīng)網(wǎng)絡(luò)模型隱含層神經(jīng)元數(shù)量的變化范圍，即Mat lab軟件中用于建立一個RBF神經(jīng)網(wǎng)絡(luò)的函數(shù)的分布密度值的區(qū)間[U.5oi~2a(| ;在|&^ Iab軟件中，通過nevnrh函數(shù)或Hewrte函數(shù)設(shè)計一個RBF神經(jīng)網(wǎng)絡(luò)，且使得設(shè)計誤差為O,調(diào)用方式為net = newrh {P,T,g, srd )，mi = rnwrbe (P, T, srd) p、q> 分別表示訓(xùn)練樣本輸入和目標輸
出表示RBF網(wǎng)絡(luò)輸出的總平均誤差方差；mi表示其分布密度常數(shù)；使1 網(wǎng)絡(luò)在不同分布密度值下進行學(xué)習(xí)訓(xùn)練；然后用訓(xùn)練后的網(wǎng)絡(luò)模型分別對測試樣本進行預(yù)測；根據(jù)計算結(jié)果，選擇出使網(wǎng)絡(luò)精度最優(yōu)的分布密度值；對于網(wǎng)絡(luò)的精度通過網(wǎng)絡(luò)的誤差平均幅值來衡量，對RBF神經(jīng)網(wǎng)絡(luò)的擬合值與真實值之間的關(guān)系進行評價，進而反映出RBF神經(jīng)網(wǎng)絡(luò)
的精度；誤差平均幅值E= Κ'-
力測試樣本的樣本容量，η為測試樣本的維數(shù)，%為神經(jīng)網(wǎng)絡(luò)的擬合值，X為相應(yīng)的真實值。
RBF神經(jīng)網(wǎng)絡(luò)模型應(yīng)在一個足夠大的分布密度范圍內(nèi)，選擇出使模型對測試樣本的擬合誤差平均幅值最小的分布密度，從而使模型的預(yù)測精度最高，以使模型的擬合預(yù)測能力達到最優(yōu)。由于采用上述的技術(shù)方案，與現(xiàn)有技術(shù)相比，本發(fā)明使RBF神經(jīng)網(wǎng)絡(luò)模型在一個足夠大的分布密度范圍內(nèi)分別利用訓(xùn)練樣本數(shù)據(jù)進行學(xué)習(xí)訓(xùn)練，然后用訓(xùn)練后的網(wǎng)絡(luò)模型對測試樣本進行預(yù)測，根據(jù)計算結(jié)果，選擇出使模型的誤差平均幅值最小的分布密度值，這樣模型的擬合預(yù)測誤差最小，從而使模型的擬合預(yù)測能力最優(yōu)，其訓(xùn)練速度快且預(yù)測精度高。本發(fā)明方法簡單，成本低廉，使用效果好，產(chǎn)業(yè)化應(yīng)用前景廣闊。


圖I為本發(fā)明的實施例的流程 圖2為本發(fā)明的實施例的擇優(yōu)RBF網(wǎng)絡(luò)分布密度1-15預(yù)測結(jié)果誤差；
圖3為本發(fā)明的實施例的擇優(yōu)RBF網(wǎng)絡(luò)分布密度6-20預(yù)測結(jié)果誤差；
圖4為本發(fā)明的擇優(yōu)RBF網(wǎng)絡(luò)分布密度為10的訓(xùn)練結(jié)果。
具體實施例方式本發(fā)明的實施例I :切削加工中切削用量的預(yù)測方法，選擇機床主轉(zhuǎn)速》、進給速
度和切削深度■^作為神經(jīng)網(wǎng)絡(luò)的輸入，以金屬體積的切除車,，，即單位時間內(nèi)切除的金
屬體積，作為目標函數(shù)；根據(jù)選擇的切削控制參數(shù)，確定實際切削樣本數(shù)據(jù)作為擇優(yōu)RBF神經(jīng)網(wǎng)絡(luò)的輸入層，本實施例中的數(shù)據(jù)由趙韓等人在《機床與液壓》2008，36 (5) :213-215上發(fā)表的“基于改進的BP神經(jīng)網(wǎng)絡(luò)對切削參數(shù)的優(yōu)化選擇”一文得。數(shù)據(jù)采集條件為
C620-3車床；刀具材料為YT15 ;刀具幾何參數(shù)為前角& ,后角砷=8°,主偏角七= 75°，負偏角V =12° ;刀桿尺寸為(懸伸長度)，材料為45號鋼刀具耐用度T = 60mm ;表面粗糙度= 25/*% , [/ ]= 0.2· ，[/t] = 0.W ;選用的工件材料為45號鋼，尺寸為 的棒料進行切削測試。共得到14組樣本數(shù)據(jù)，本實施例中1-12組為訓(xùn)練樣本，13-14為檢驗樣本，見表I，切削深度七/麵，機床主轉(zhuǎn)速《 / (r' miir1),進給速度/ / iymn -r~h),金屬體積的切除率e / (ffim3 .皿n_1)。表I切削參數(shù)樣本數(shù)據(jù)表
權(quán)利要求
1.一種切削加工中切削用量的預(yù)測方法，其特征在于包括以下步驟， 步驟一、選擇切削加工中的控制參數(shù)作為模型的輸入；測定實際切削樣本數(shù)據(jù)用于模型訓(xùn)練和測試； 步驟二、建立RBF神經(jīng)網(wǎng)絡(luò)模型，利用相應(yīng)的樣本數(shù)據(jù)對模型進行學(xué)習(xí)訓(xùn)練；(使模型在一個足夠大的分布密度范圍內(nèi)，選擇出使模型對測試樣本的擬合誤差平均幅值最小的分布密度)這個是一個不確定的范圍，需要用具體可指的數(shù)值來表達，或者僅在說明書中說明這句話； 步驟三、訓(xùn)練后的模型對測試樣本的切削用量進行預(yù)測。
2.根據(jù)權(quán)利要求I所述的切削加工中切削用量的預(yù)測方法，其特征在于在步驟一中，所述的控制參數(shù)為切削速度v或機床主軸轉(zhuǎn)速;*、進給速度/及切削深度& ;切削速度V與機床主轉(zhuǎn)速《之間的關(guān)系為-.n = Vjind1,) , dw為工件直徑。
3.根據(jù)權(quán)利要求I所述的切削加工中切削用量的預(yù)測方法S特征在于在步驟二中，所述的建立RBF神經(jīng)網(wǎng)絡(luò)模型是，根據(jù)模型的訓(xùn)練樣本容量-大小，設(shè)定一個RBF神經(jīng)網(wǎng)絡(luò)模型隱含層神經(jīng)元數(shù)量的變化范圍，即Mat Iab軟件中用于建立一個RBF神經(jīng)網(wǎng)絡(luò)的函數(shù)的分布密度值的區(qū)間[U.5 ~2α];在]\&^ Iab軟件中，通過浙WY*函數(shù)或《ewrte函數(shù)設(shè)計一個RBF神經(jīng)網(wǎng)絡(luò)，且使得設(shè)計誤差為O,調(diào)用方式為mt = mwrb (P,T, g,srd)，mi = nswrhe {P, T, srd) ρ、τ分別表示訓(xùn)練樣本輸入和目標輸出表示RBF網(wǎng)絡(luò)輸出的總平均誤差方差”表示其分布密度常數(shù)；使1 網(wǎng)絡(luò)在不同分布密度值下進行學(xué)習(xí)訓(xùn)練；然后用訓(xùn)練后的網(wǎng)絡(luò)模型分別對測試樣本進行預(yù)測；根據(jù)計算結(jié)果，選擇出使網(wǎng)絡(luò)精度最優(yōu)的分布密度值；對于網(wǎng)絡(luò)的精度通過網(wǎng)絡(luò)的誤差平均幅值來衡量，對RBF神經(jīng)網(wǎng)絡(luò)的擬合值與真實值之間的關(guān)系進行評價，進而反映出RBF神經(jīng)網(wǎng)絡(luò)的精度；誤差平均幅
全文摘要
本發(fā)明公開了一種切削加工中切削用量的預(yù)測方法，其特征在于步驟一、選擇切削加工中的控制參數(shù)作為模型的輸入；測定實際切削樣本數(shù)據(jù)用于模型訓(xùn)練和測試；步驟二、建立RBF神經(jīng)網(wǎng)絡(luò)模型，利用相應(yīng)的樣本數(shù)據(jù)對模型進行學(xué)習(xí)訓(xùn)練；(使模型在一個足夠大的分布密度范圍內(nèi)，選擇出使模型對測試樣本的擬合誤差平均幅值最小的分布密度)這個是一個不確定的范圍，需要用具體可指的數(shù)值來表達。本發(fā)明使RBF神經(jīng)網(wǎng)絡(luò)模型在一個足夠大的分布密度范圍內(nèi)分別利用訓(xùn)練樣本數(shù)據(jù)進行學(xué)習(xí)訓(xùn)練，然后用訓(xùn)練后的網(wǎng)絡(luò)模型對測試樣本進行預(yù)測，根據(jù)計算結(jié)果，選擇出使模型的誤差平均幅值最小的分布密度值，這樣模型的擬合預(yù)測誤差最小，從而使模型的擬合預(yù)測能力最優(yōu)，其訓(xùn)練速度快且預(yù)測精度高。
文檔編號G06N3/08GK102930337SQ201210427270
公開日2013年2月13日 申請日期2012年10月31日 優(yōu)先權(quán)日2012年10月31日
發(fā)明者孫明偉, 龔敏慶, 周勝, 黃敏, 金明仲, 羅鋼 申請人:貴州大學(xué)