基于神经网络的磨削工艺参数智能预测模型

第８期　组合机床与自动化加工技术　ＮＯ．８　２０１３年８月　Ｍｏｄｕｌａｒ　Ｍａｃｈｉｎｅ　Ｔｏｏｌ＆Ａｕｔｏｍａｔｉｃ　Ｍａｎｕｆａｃｔｕｒｉｎｇ　Ｔｅｃｈｎｉｑｕｅ　Ａｕｇ．２０１３　文章编号：１００１—２２６５（２０１３）０８—００９１—０４　基于神经网络的磨削工艺参数智能预测模型书　刘伟强，杨建国　（东华大学机械工程学院，上海　２０１６２０）　摘要：磨削参数的合理选择对于磨削加工过程有着重要的影响，将人工智能运用到磨削工艺参数的　选择过程中是现代发展的一个新趋势。在分析现有的智能算法后，提出了一种利用ＢＰ神经网络模　型来确定磨削参数的方法。在该方法中综合考虑影响磨削加工的因素，把它们列为神经网络系统的　输入参数，并对输入参数进行编码；同时也对输出参数（砂轮速度、工件速度、磨削深度、磨削进给速　度）进行了归一化处理以适应神经网络的学习。采用循环算法比较得出隐层的最优神经元个数，从　而最终建立了磨削参数智能预测模型，并利用Ｍａｔｌａｂ进行仿真预测，仿真结果表明该预测模型准确　率很高，能为磨削参数的选择提供可靠数据。　关键词：磨削参数；ＢＰ算法；神经网络；预测模型　中图分类号：ＴＨ１６２　文献标识码：Ａ　Ｇｒｉｎｄｉｎｇ　Ｐａｒａｍｅｔｅｒ　Ｉｎｔｅｌｌｉｇｅｎｔ　Ｐｒｅｄｉｃｔｉｏｎ　Ｍｏｄｅｌ　Ｂａｓｅｄ　ｏｎ　ＢＰ　Ｎｅｕｒａｌ　Ｎｅｔｗｏｒｋ　ＬＩＵ　Ｗｅｉ－ｑｉａｎｇ，ＹＡＮＧ　Ｊｉａｎ－ｇｕｏ　（Ｃｏｌｌｅｇｅ　ｏｆ　Ｍｅｃｈａｎｉｃａｌ　Ｅｎｇｉｎｅｅｒｉｎｇ，Ｄｏｎｇｈｕａ　Ｕｎｉｖｅｒｓｉｔｙ，Ｓｈａｎｇｈａｉ　２０　１　６２０，Ｃｈｉｎａ）　Ａｂｓｔｒａｃｔ：Ｔｈｅ　ｒｅａｓｏｎａｂｌｅ　ｓｅｌｅｃｔｉｏｎ　ｏｆ　ｇｒｉｎｄｉｎｇ　ｐａｒａｍｅｔｅｒｓ　ｐｌａｙｓ　ａｎ　ｉｍｐｏｒｔａｎｔ　ｒｏｌｅ　ｉｎ　ｇｒｉｎｄｉｎｇ　ｐｒｏｃｅｓｓ．　Ｃｏｍｂｉｎｅ　ａｒｔｉｆｉｃｉａｌ　ｉｎｔｅｌｌｉｇｅｎｃｅ　ｗｉｔｈ　ｔｈｅ　ｓｅｌｅｃｔｉｏｎ　ｏｆ　ｇｒｉｎｄｉｎｇ　ｐｒｏｃｅｓｓ　ｐａｒａｍｅｔｅｒｓ　ｉｓ　ａ　ｎｅｗ　ｔｒｅｎｄ　ｉｎ　ｔｈｅ　ｍｏｄｅｍ　ｄｅｖｅｌｏｐｍｅｎｔ．Ａｆｔｅｒ　ａｎａｌｙｚｉｎｇ　ｔｈｅ　ｅｘｉｓｔｉｎｇ　ｉｎｔｅｌｌｉｇｅｎｔ　ａｌｇｏｒｉｔｈｍ，ｐｕｔ　ｆｏｒｗａｒｄ　ａ　ｎｅｗ　ｍｅｔｈｏｄ　ｔｈａｔ　ｕｓｉｎｇ　ａｒｔｉｆｉｃｉａｌ　ｎｅｕｒａｌ　ｎｅｔｗｏｒｋ　ｍｏｄｅｌ　ｔｏ　ｄｅｔｅｒｍｉｎｅ　ｔｈｅ　ｇｒｉｎｄｉｎｇ　ｐａｒａｍｅｔｅｒｓ．Ｃｏｎｓｉｄｅｒａｔｉｎｇ　ｔｈｅ　ｉｎｆｌｕｅｎｃｅ　ｆａｃｔｏｒｓ　ｏｆ　ｇｒｉｎｄｉｎｇ　ｃｏｍｐｒｅｈｅｎｓｉｖｅｌｙ，ａｎｄ　ｌｉｓｔｉｎｇ　ｔｈｅｍ　ａｓ　ｎｅｕｒａｌ　ｎｅｔｗｏｒｋ　ｉｎｐｕｔ　ｐａｒａｍｅｔｅｒｓ　ｗｈｉｃｈ　ａｒｅ　ｅｎｃｏ—　ｄｅｄ．Ａｔ　ｔｈｅ　ｓａｍｅ　ｔｉｍｅ　ｍａｋｅ　ｔｈｅ　ｏｕｔｐｕｔ　ｐａｒａｍｅｔｅｒｓ（ｗｈｅｅｌ　ｓｐｅｅｄ，ｗｏｒｋｐｉｅｃｅ　ｓｐｅｅｄ，ｇｒｉｎｄｉｎｇ　ｄｅｐｔｈ，　ｇｒｉｎｄｉｎｇ　ｆｅｅｄ　ｒａｔｅ）ｏｎ　ｔｈｅ　ｎｏｒｍａｌｉｚｅｄ　ｉｎ　ｏｒｄｅｒ　ｔｏ　ａｄａｐｔ　ｔｏ　ｔｈｅ　ｎｅｕｒａｌ　ｎｅｔｗｏｒｋ　ｌｅａｒｎｉｎｇ．Ｕｓｉｎｇ　ｃｙｃｌｉｃ　ａｌｇｏ—　ｒｉｔｈｍ　ｆｏｒ　ｏｐｔｉｍａｌ　ｎｕｍｂｅｒ　ｏｆ　ｎｅｕｒｏｎｓ　ｉｎ　ｔｈｅ　ｈｉｄｄｅｎ　ｌａｙｅｒｓ，ａｎｄ　ｅｖｅｎｔｕａｌｌｙ　ｅｓｔａｂｌｉｓｈｅｄ　ｔｈｅ　ｇｒｉｎｄｉｎｇ　ｐａｒａｍｅ—　ｔｅｒｓ　ｉｎｔｅｌｌｉｇｅｎｔ　ｐｒｅｄｉｃｔｉｏｎ　ｍｏｄｅｌ　Ｕｓｉｎｇ　ｍａｔｌａｂ　ｔｏ　ｓｉｍｕｌａｔｅ　ｉｔ，ｔｈｅ　ｓｉｍｕｌａｔｉｏｎ　ｒｅｓｕｌｔｓ　ｓｈｏｗ　ｔｈａｔ　ｔｈｅ　ｐｒｅｄｉｃ—　ｔｉｏｎ　ｍｏｄｅｌ　ｈａｓ　ｈｉｇｈ　ａｃｃｕｒａｃｙ，ａｎｄ　ｃａｎ　ｐｒｏｖｉｄｅ　ｒｅｌｉａｂｌｅ　ｄａｔａ　ｆｏｒ　ｔｈｅ　ｓｅｌｅｃｔｉｏｎ　ｏｆ　ｇｒｉｎｄｉｎｇ　ｐａｒａｍｅｔｅｒｓ．　Ｋｅｙ　ｗｏｒｄｓ：ｇｒｉｎｄｉｎｇ　ｐａｒａｍｅｔｅｒｓ；ＢＰ　ａｌｇｏｒｉｔｈｍ；ｎｅｕｒａｌ　ｎｅｔｗｏｒｋ；ｐｒｅｄｉｃｔｉｏｎ　ｍｏｄｅｌ　０　引言　目前国内外将人工神经网络运用于磨削加工领　域的应用研究越来越多。但是其侧重点不一样，在　随着科学技术水平的不断提高，对机器及仪器　国外研究的侧重点是如何利用神经网络模型来确定　零件的加工精度要求愈来愈高，各种高硬度材料的　磨削加工中磨削力、砂轮磨损程度等，Ｒａｄｈａｋｒｉｓｈｎａｎ　使用也日益增加。此外由于精密铸造与精密锻造工　等人提出了基于人工神经网络确定磨削力的方　艺的进步，许多零件可以不经过车削、铣削直接由毛　法　。Ａ１一Ａｈｒｎａｒｉｆ　等人对ＢＰ神经网络模型和线性　坯磨制成成品，从而使得磨削加工获得了越来越广　回归模型进行了对比，结果显示神经网络模型比线　泛的应用和迅速发展¨　。在磨削加工中，磨削参数　性回归模型更有优势。Ｎａｌｂａｎｔ等人　研究了切削参　的选择是一个十分重要的工艺设计问题，它直接关　数及刀具材料对车削表面粗糙度的影响，并建立了　系到零件的生产率、表面质量等结果的优劣。又由　三层ＢＰ神经网络，对加工过程的表面粗糙度进行预　于磨削过程十分复杂，影响磨削参数的因素很多，长　测。而在国内研究的侧重点则是利用神经网络来在　期以来工人们都是靠经验来选择磨削参数，这对磨　线检测磨削的加工过程。吉林大学的丁宁　对影响　削加工精度和效率的提高是不利的。　磨削表面粗糙度的１２个因素进行了讨论，并选择其　收稿日期：２０１２—１２—２８　基金项目：国家科技重大专项（２０１１ＺＸ０４０１６—０４１一ＤＨ０１）　作者简介：刘伟强（１９８９一），男，江西吉安人，东华大学机械工程学院硕士研究生，研究方向为制造过程检测与控制，（Ｅ—ｍａｉｌ）ｗｅｉｑｉａｎｇ一５０５　＠１２６．ｃｏｒｎ；杨建国（１９５１一），男，上海人，东华大学机械工程学院教授，博士生导师，研究领域为智能化制造。　・９２・　组合机床与自动化加工技术　第８期　中７个主要因素建立了模糊网络粗糙度预测模型。　所以从以上分析可以发现将神经网络运用于磨削参　数的研究还不是很多，故提出磨削参数的神经网络　预测模型还是很有必要的。　１磨削参数智能预测模型的基本流程　首先根据已有的经验数据集或者实验数据训练　神经网络，应保证在网络训练完毕之后使其已经具　备了计算磨削参数的能力。由于ＢＰ人工神经网络　具有很好的函数逼近性能，通过一定数量的磨削经　验数据进行网络训练，可以拟合出在一定磨削加工　条件下的磨削工艺参数预测模型。将对磨削加工影　响较大的磨削工艺参数作为输入参数输入网络中，　通过已经建立好的ＢＰ神经网络预测模型得出期望　输出的磨削工艺参数。具体的磨削参数预测模型的　流程图如图１所示。　医　ＢＰ神经网络训练ｌ　：蠡　码络训练完毕＞　磨削工艺参数　基于ＢＰ神经网　预测得出期　的输入　络的磨削参数　望的磨削工　预测模型　图１　基于ＢＰ神经网络的蜃削参数预测流程图　２　ＢＰ神经网络　ＢＰ神经网络是一个三层或三层以上的阶层神经　网络，属于单向传播的多层前向网络。是由输入层、　输出层和至少一个隐层组成。其网络结构图如图２　所示。网络每层包含一个或多个神经元，层间采用　全互连方式，也就是说下层的每一个单元与上层的　每一个单元实现全都连接，而且各神经元之间不存　在反馈，而同一层的各神经元之间没有相互连接，通　过可调权值连接相邻两层神经元。其信息由输入层　依次向隐层传递，直至输出层，并根据激活函数的形　式产生相应的输出。　ＢＰ神经网络学习规则的指导思想就是：对网络　权值和阈值的修正要沿着表现函数下降最快的方　向——负梯度方向　。　Ｘ　＋１＝Ｘ　一Ⅱ　ｇ　（１）　式中，　是当前的权值和阈值矩阵；ｇ　是当前表现　函数的梯度；ｏ　是学习速率。　输入层隐含层输出层　图２　ＢＰ网络结构图　３磨削参数预测模型的建立　３．１　网络输入输出参数的选择　磨削加工　是一个复杂过程，受众多的输入因　素影响，磨削结果通常缺乏一定的必然规律。磨削　工艺系统中的磨床、磨具、工件、夹具等都对磨削过　程有着不同程度的影响。归纳起来主要受三方面的　影响即：工件材料信息、砂轮信息和加工条件信　息　。通过具体的分析展开以上三方面的影响，最　终确定输入参数包括包括材料类别、材料硬度、砂轮　磨料、磨料粒度、砂轮硬度、砂轮组织、砂轮结合剂、磨　削液、生产效率、磨削方式和工件加工要求。而系统输　出的参数主要定为磨削四要素：砂轮转速、工件转速、　磨削深度及磨削进给量。具体的参数如图３所示。　图３屠削参数智能预测模型的输入输出参数　３．２　实验数据的获取及其预处理　３．２．１磨削实验平台　实验在ＭＧＫＳＩ３３２／Ｈ—ＳＢ一０４型高速磨床（如图　４）上进行，分别对两种材料（２０ＣｒＭｎＴｉ、ＳＡＥ８６２０Ｈ）　的轴类零件进行磨削加工。砂轮架部件，采用闭式　静压导轨形式，并采用伺服电机和精密丝杠的传动　结构；砂轮轴系采用高速滚动轴承和内装式电机结　构，砂轮主轴装有ＳＢＳ动平衡仪。头架采用伺服电　机和同步带传动结构，头架主轴系统为滚动轴承形　式的成熟结构；床身为整体铸件，具有良好抗振性和　热稳定性。　图４　高速磨削实验平台　３．２．２实验工况　每次实验前，先要对砂轮进行动平衡，使用在线　动平衡仪（ＳＢＳ），按照相应的砂轮线速度进行平衡，　当平衡量达到０．０３　ｍ后开始实验。每完成５组实　验，就利用金刚石滚轮对砂轮进行修整，在每一组磨　削实验前均要进行修锐，以保证砂轮状态一致性。　在相同的工装条件下，磨削工艺参数的变化将直接　影响工件表面质量，合理的工艺参数能够保证加工　目标的实现，具体的磨削工况见表１所示。　２０１３年８月　刘伟强，等：基于神经网络的磨削工艺参数智能预测模型　・９３・　表１实验工况　砂轮线速度　［ｍ／ｓ］　Ｔ件速度　［ｍ／ｓ］　磨削深度　ｏ。［ｕｍ］　冷却条件　４５、６０　０．３、０．３５、０　２、４、６、８　湿磨　．４、０．４５　３．２．３数据的预处理　网络训练和执行时，必须对输入输出参数中的　非数值数据进行量化、数值数据进行归一化处理，这　样有利于ＢＰ神经网络在训练过程中收敛速度更快，　效果更佳。　首先对十一个输入参数进行编码量化处理如下　表２所示。　表２输入参数编码处理　输入参数　编码　工件材料硬度　小于４０ＨＲＣ为０；４０　ＨＲＣｔ８ＯＨＲＣ为０．５；大于　８０ＨＲＣ为１　＿［件材料　２０ＣｒＭｎＴｉ为０；ＳＡＥ８６２０Ｈ为０．５　磨削方法　外圆磨削为０；平面磨削为１　磨削液种类　乳化液为０；油基为０．５；水基为１　砂轮磨料　棕刚玉为０，白刚玉为０．１，ｃＢＮ为０．２，金刚石为　０．５　小于Ｆ１４为０；Ｆ１４ｔＦ３０为０．２；Ｆ３Ｏｔ￣Ｏ为０．３５；　砂轮磨料粒度　Ｆ６ＯｔＦ１Ｏ０为０．５；ＦＩＯＯｔＦ２００为０．６５；Ｆ２００ｔＦ３６０为　０．８；大于Ｆ３６０为１　砂轮磨料硬度　ＡｔＣ为０，Ｄ—Ｆ为０．１，ＧｔＪ为０．２，ＫｔＬ为０．３，ＭｔＮ　为０．５，ＰｔＲ为０．６，ＳｔＴ为０．８，Ｙ为１　砂轮组织　Ｏｔ５号为０；６ｔｌ０号为０．５；１１ｔ１４号为１　结合剂　陶瓷结合剂为０；树脂结合剂为０．５；橡胶结合剂为１　表面粗糙度　大于１．６为０，０．８ｔｌ为０．２５，０．４ｔＯ．８为０．５，　（　ｍ）　０．２ｔ０．４为０．７５，小于０．２为１　生产效率　取值范围为Ｏ１，最低生产率为０，最大生产率为１　其次对输出参数（砂轮速度、工件速度、磨削深　度、磨削进给速度）进行归一化处理，将数据处理为　区间［０，１］之间的数据。归一化方法有很多形式，这　里我们公式３—１进行归一化处理。　＝一：　　（１）１　Ｊ　一　…ｍｉ　其中：　…＝ｌＯｍ／ｓ，　…＝８０ｍ／ｓ；　Ｖ…　＝０．２ｍ／ｓ，Ｖ＝…　０　５ｍ／ｓ；　。…　＝０．００１ｍｍ，　Ⅱ　＝０．０２ｒａｍ；　打ｎ。　＝０．０１ｍｍ／ｒ，　＾ｎ　＝１．５ｍｍ／ｒ　经过数据预处理后的数据样本整理如下表３所示，　其中有一部分数据是摘自现代磨削技术　引一书中的。　表３预处理后的数据样本　序　材料　材料硬度　磨　粒　硬　组　结合　号　类别　（ＨＲＣ）　料　度　度　织　剂　ｌ　０．５　Ｏ　Ｏ．２　０．３５　０．３　０．５　０　２　Ｏ　Ｏ　５　Ｏ．２　Ｏ．５　Ｏ．３　Ｏ．５　Ｏ　３　０．５　０　０．１　０　５　０．３　１　０　４　Ｏ．５　０　０．１　Ｏ．５　Ｏ．２　１　Ｏ　５　０　５　０．５　Ｏ．２　Ｏ，５　０．２　１　Ｏ　（续表）　序　材料　材料硬度　磨　粒　硬　组　结合　号　类别　（ＨＲＣ）　料　度　度　织　剂　６　Ｏ　０．５　Ｏ．１　Ｏ．３５　Ｏ．２　ｌ　１　７　０．５　０．５　０．２　０．３５　０．３　Ｏ　ｌ　８　０．５　１　Ｏ．１　Ｏ．３５　Ｏ　２　Ｏ　１　９　０　１　０．１　Ｏ．５　Ｏ．２　０　１　１Ｏ　０　０．５　０．２　０．３５　０．２　０　ｌ　１１　Ｏ．５　１　Ｏ．２　０．５　Ｏ．２　０．５　Ｏ．５　１２　Ｏ．５　Ｏ．５　Ｏ．１　Ｏ．３５　０．３　Ｏ．５　Ｏ．５　１３　Ｏ　Ｏ．５　Ｏ．１　０．５　Ｏ．３　０．５　０．５　ｌ４　０．５　ｌ　Ｏ．２　Ｏ．３５　０．２　Ｏ．５　Ｏ．５　１５　Ｏ．５　０．５　Ｏ．２　Ｏ．５　０．３　０　０．５　１６　０．５　Ｏ．５　Ｏ．２　０．３５　Ｏ．２　０．５　１　ｌ７　Ｏ　ｌ　０．１　０．５　Ｏ．２　０．５　１　１８　Ｏ．５　Ｏ　Ｏ．１　Ｏ．５　Ｏ．２　１　Ｏ．５　１９　０．５　ｌ　０．２　Ｏ．３５　０．２　０．５　Ｏ．５　序　磨　削　生产　磨削　１二件　加工　砂轮　丁件　磨削　进给　磨削　号　液　目标　方式　目标　速度　速度　深度　量　１　０．５　０．３　０　１　０．４　Ｏ．３３　０．０５３　０．００７　２　Ｏ．５　Ｏ．６　ｌ　ｌ　Ｏ．４　Ｏ．５　０．１５８　０．０２７　３　１　０．９　Ｏ　０．２５　Ｏ．６　０．６７　０．２６３　０．０４７　４　１　０．３　１　０．２５　Ｏ．６　Ｏ．８３　Ｏ．３６８　０．Ｏ６　５　Ｏ　Ｏ．６　ｌ　Ｏ．５　Ｏ．６　Ｏ．３３　０．０５３　０．００７　６　Ｏ　０．９　１　Ｏ．７５　０．４　０．５　Ｏ．１５８　０．０２７　７　Ｏ．５　Ｏ．３　ｌ　０．２５　Ｏ．６　０．６７　０．２６３　０．０４７　８　０．５　Ｏ．６　０　Ｏ．５　０．６　Ｏ．８３　０．３６８　Ｏ．０６　９　１　０．９　０　０．５　０．４　Ｏ．３３　Ｏ．１５８　０．００７　１Ｏ　Ｏ　０　１　Ｏ．２５　０．４　Ｏ．５　０．２６３　０．０２７　１ｌ　Ｏ　０　０　Ｏ．７５　０．６　Ｏ．３３　０．３６８　０．０４７　ｌ２　１　Ｏ．３　Ｏ　１　Ｏ．６　０．５　０．Ｏ５３　０．Ｏ６　１３　１　０．６　Ｏ　０．５　０．４　Ｏ．６７　Ｏ．１５８　０．００７　１４　０．５　０．６　１　０．２５　０．４　０．３３　０．２６３　０．０２７　ｌ５　０．５　０．９　ｌ　０．７５　Ｏ．６　０．３３　０．３６８　０．０４７　１６　Ｏ．５　０．９　０　Ｏ．７５　０．６　Ｏ．８３　０．３６８　Ｏ．Ｏ６　１７　１　Ｏ．６　１　Ｏ．５　０．４　０．３３　０．０５３　０．００７　ｌ８　Ｏ．５　Ｏ．３　Ｏ　ｌ　０．４　０．５　Ｏ．１５８　０．０２７　１９　Ｏ　０．９　０　０．７５　０．６　０．６７　０．２６３　０．０４７　３．３　ＢＰ网络的设计　由于前面我们分析了影响磨削加工的输入因素共　有１１个，输出参数为４个，所以拟定输入层神经元个　数为１１个，输出层神经元个数为４个，故神经网络结　构的确定重点是隐层数及隐层神经元个数的确定。　３．３．１　隐层数的确定　对于ＢＰ网络，有一个非常重要的定理。即对于　任何在闭区间内的一个连续函数都可以用单隐层的　ＢＰ网络逼近，因而一个三层ＢＰ网络就可以完成任　意的ｎ维到ｍ维的映射¨…。　３．３．２　隐层神经元数目的确定　隐含层神经元数目的选择往往是一个十分复杂