專利名稱：高速切削加工中工件表面粗糙度的預(yù)測方法
技術(shù)領(lǐng)域：
本發(fā)明涉及機械加工技術(shù)，尤其是一種高速切削加工中工件表面粗糙度的預(yù)測方法。
背景技術(shù)：
零件的表面粗糙度是衡量零件質(zhì)量和切削加工過程性能的一個重要指標(biāo)，是切削系統(tǒng)中切削參數(shù)和系統(tǒng)變量對切削過程影響的綜合反映。高速切削的基本特征是高效率和高精度，其切削速度和進給加速度相對于傳統(tǒng)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質(zhì)量、降低成本。建立精確的表面粗糙度控制和預(yù)報模型，減少切削加工試驗的時間和成本，具有重要的現(xiàn)實意義。高速切削加工工程中，影響表面粗糙度的因素很 多，且這些因素彼此又相互耦合，因此在各切削加工參數(shù)和加工表面粗糙度之間存在著復(fù)雜的非線性關(guān)系。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，由輸入層、隱含層和輸出層構(gòu)成的三層前向型神經(jīng)網(wǎng)絡(luò)，隱含層為徑向基層，采用徑向基函數(shù)作為激勵函數(shù)，徑向基函數(shù)是徑向?qū)ΨQ的，最常用的是高斯函數(shù)。其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。但對于RBF模型的精度檢驗方面，還沒有成熟的理論公式加以衡量，有候模型對訓(xùn)練組的擬合預(yù)測誤差很小，但是波動性會比較大，導(dǎo)致其應(yīng)用時會出現(xiàn)誤差會突然增大的情況，但有時模型的穩(wěn)定性很好，但是擬合預(yù)測誤差又會比較大，導(dǎo)致精度不高。

發(fā)明內(nèi)容
本發(fā)明的目的是提供一種高速切削加工中工件表面粗糙度的預(yù)測方法，它使得模型的誤差和誤差波動性均很小，從而對工件表面粗糙度進行準(zhǔn)確有效的預(yù)測，以滿足農(nóng)業(yè)生產(chǎn)需要。本發(fā)明是這樣實現(xiàn)的高速切削加工中工件表面粗糙度的預(yù)測方法，包括以下步驟，
步驟一、確定高速切削加工中所需測量的影響加工工件表面粗糙度的切削參數(shù)，作為RBF的輸入和輸出；并測量收集相應(yīng)樣本數(shù)據(jù)作為網(wǎng)絡(luò)的學(xué)習(xí)樣本和訓(xùn)練樣本；
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；
步驟三、根據(jù)松弛誤差公式，利用測試組對步驟二訓(xùn)練后的模型進行測試，選擇出符合精度要求的模型，從而提高模型的預(yù)測精度，并減小預(yù)測誤差的波動，以提高模型的擬合預(yù)測能力；利用精度滿足要求的模型對高速切削加工中工件表面粗糙度進行預(yù)測。在步驟一中，所述的確定高速切削加工中所需測量的影響加工工件表面粗糙度的切削參數(shù)包括切削速度V或機
床主軸轉(zhuǎn)速《、每齒進給量和切削深度 刀削速度￥與機床主轉(zhuǎn)速 之間的關(guān)系為η = ν/(π Ψ) , 4為工件直徑；測量收集上述參數(shù)的樣本數(shù)據(jù)作為網(wǎng)絡(luò)的學(xué)習(xí)樣本和訓(xùn)練樣本。在步驟二中，所述的建立RBF神經(jīng)網(wǎng)絡(luò)模型是，利用Mat Iab軟件建立一個RBF神經(jīng)網(wǎng)絡(luò)，通過其中的,Jiew函數(shù)或《ewrig函數(shù)設(shè)計完成,且使得設(shè)計誤差為O,調(diào)用方式
為-.mi = ne\wb{P,T,g,srd)，mt = mWrbelPIsrd) ·' ρ、γ 分別表示訓(xùn)練樣本輸入和目標(biāo)輸出；客表示RBF網(wǎng)絡(luò)輸出的總平均誤差方差。所述的步驟三種，松弛誤差是作為衡量RBF神經(jīng)網(wǎng)絡(luò)精度的指標(biāo)，松弛誤差H力誤差平均幅值和誤差均方差的組合值，即H = αΕ+βΨ ,α + β=\ , 0<α,^<1 . Q·, β為松弛系數(shù)。誤差平均幅值
權(quán)利要求
1.一種高速切削加工中工件表面粗糙度的預(yù)測方法，其特征在于包括以下步驟， 步驟一、確定高速切削加工中所需測量的影響加工工件表面粗糙度的切削參數(shù)，作為RBF的輸入和輸出；并測量收集相應(yīng)樣本數(shù)據(jù)作為網(wǎng)絡(luò)的學(xué)習(xí)樣本和訓(xùn)練樣本； 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； 步驟三、根據(jù)松弛誤差公式，利用測試組對步驟二訓(xùn)練后的模型進行測試，選擇出符合精度要求的模型，從而提高模型的預(yù)測精度，并減小預(yù)測誤差的波動，以提高模型的擬合預(yù)測能力；利用精度滿足要求的模型對高速切削加工中工件表面粗糙度進行預(yù)測。
2.根據(jù)權(quán)利要求I所述的高速切削加工中工件表面粗糙度的預(yù)測方法，其特征在于在步驟一中，所述的確定高速切削加工中所需測量的影響加工工件表面粗糙度的切削參數(shù)包括切削速度V或機床主軸轉(zhuǎn)速》、每齒進給量/和切削深度S，切削速度￥與機床主轉(zhuǎn)速 之間的關(guān)系為-.n = Vjimiw)，dv為工件直徑；測量收集上述參數(shù)的樣本數(shù)據(jù)作為網(wǎng)絡(luò)的學(xué)習(xí)樣本和訓(xùn)練樣本。
3.根據(jù)權(quán)利要求I所述的高速切削加工中工件表面粗糙度的預(yù)測方法，其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，利用Mat Iab軟件建立一個RBF神經(jīng)網(wǎng)絡(luò)，通過其中的函數(shù)或《ewrte函數(shù)設(shè)計完成,且使得設(shè)計誤差為O,調(diào)用方式為mt = newrh {P,T,g,srd)，net = mwrbe (P,T, srd) ; p、y分別表示訓(xùn)練樣本輸入和目標(biāo)輸出〃表示RBF網(wǎng)絡(luò)輸出的總平均誤差方差。
4.根據(jù)權(quán)利要求I所述的高速切削加工中工件表面粗糙度的預(yù)測方法，其特征在于所述的步驟三種，松弛誤差是作為衡量RBF神經(jīng)網(wǎng)絡(luò)精度的指標(biāo)，松弛誤差//為誤差平均幅值和誤差均方差的組合值，即# = ^+,^ +多=1,0<化盧^1 . 盧為松弛系數(shù)。
全文摘要
本發(fā)明公開了一種高速切削加工中工件表面粗糙度的預(yù)測方法，包括以下步驟，步驟一、確定高速切削加工中所需測量的影響加工工件表面粗糙度的切削參數(shù)，作為RBF的輸入和輸出；并測量收集相應(yīng)樣本數(shù)據(jù)作為網(wǎng)絡(luò)的學(xué)習(xí)樣本和訓(xùn)練樣本；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；步驟三、根據(jù)松弛誤差公式，利用測試組對步驟二訓(xùn)練后的模型進行測試，選擇出符合精度要求的模型，從而提高模型的預(yù)測精度，并減小預(yù)測誤差的波動，以提高模型的擬合預(yù)測能力；利用精度滿足要求的模型對高速切削加工中工件表面粗糙度進行預(yù)測。
文檔編號G06F17/50GK102880771SQ20121042687
公開日2013年1月16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)