基于BP神經(jīng)網(wǎng)絡(luò)的電火花線切割加工參數(shù)優(yōu)化研究*

郭諄欽

(長(zhǎng)沙航空職業(yè)技術(shù)學(xué)院，湖南 長(zhǎng)沙 410124)

基于BP神經(jīng)網(wǎng)絡(luò)的電火花線切割加工參數(shù)優(yōu)化研究*

郭諄欽

(長(zhǎng)沙航空職業(yè)技術(shù)學(xué)院，湖南 長(zhǎng)沙 410124)

摘要：基于BP神經(jīng)網(wǎng)絡(luò)的電火花線切割加工參數(shù)優(yōu)化研究，因?yàn)槠溥m用性強(qiáng)和準(zhǔn)確性高等特點(diǎn)得到了越來(lái)越廣泛的應(yīng)用，具體過(guò)程和方法是先通過(guò)在DK7725線切割機(jī)床上進(jìn)行大量的加工實(shí)驗(yàn)，用正交法采集加工數(shù)據(jù)并保存建立數(shù)據(jù)庫(kù)，然后在實(shí)驗(yàn)數(shù)據(jù)基礎(chǔ)上以BP神經(jīng)網(wǎng)絡(luò)方法分別構(gòu)建了系統(tǒng)的工藝效果預(yù)測(cè)和加工參數(shù)優(yōu)選模型，接著應(yīng)用MATLAB軟件進(jìn)行編程，實(shí)現(xiàn)電火花線切割加工參數(shù)的優(yōu)化選擇，最后對(duì)程序運(yùn)行結(jié)果進(jìn)行分析，得出了BP神經(jīng)網(wǎng)絡(luò)可應(yīng)用于電火花線切割加工參數(shù)優(yōu)化選擇的結(jié)論。

關(guān)鍵詞：BP神經(jīng)網(wǎng)絡(luò)；數(shù)據(jù)建模；參數(shù)優(yōu)化

在電火花線切割加工中，加工參數(shù)的選擇是否合理將直接影響加工精度。傳統(tǒng)的方法是建立一個(gè)電火花線切割加工模型，然后用該加工模型對(duì)加工工藝效果進(jìn)行預(yù)測(cè)并實(shí)現(xiàn)自動(dòng)選取。然而，要建立一個(gè)有效合理的加工模型是相當(dāng)困難的，因?yàn)殡娀鸹ň€切割的加工過(guò)程比較復(fù)雜，任何工藝參數(shù)的變化都可能會(huì)引起加工的時(shí)變，同時(shí)線切割系統(tǒng)本身就是非線性的，所以需要尋求新的方法解決加工模型的建立問(wèn)題。神經(jīng)網(wǎng)絡(luò)技術(shù)能夠?qū)ο到y(tǒng)的輸入、輸出關(guān)系進(jìn)行類似人腦模擬，具有很強(qiáng)的非線性建模性，為電火花線切割加工模型的建立提供了重要途徑。其中，最具代表性的是BP(Back Propagation)神經(jīng)網(wǎng)絡(luò)，工程應(yīng)用中絕大多數(shù)的建模都是采用BP網(wǎng)絡(luò)或它的變形形式。本文將討論如何以BP神經(jīng)網(wǎng)絡(luò)建模實(shí)現(xiàn)電火花線切割的加工參數(shù)優(yōu)化[1]。

1BP神經(jīng)網(wǎng)絡(luò)模型[2]

3層的BP神經(jīng)網(wǎng)絡(luò)模型如圖1所示，它由輸入層、中間層(隱含層)和輸出層組成，各層之間通過(guò)網(wǎng)絡(luò)權(quán)值保持連接。輸入層各神經(jīng)元負(fù)責(zé)接收來(lái)自外界的輸入信息，并傳遞給中間層各神經(jīng)元；中間層又可稱為隱含層，它是內(nèi)部信息處理層，負(fù)責(zé)信息變換，根據(jù)信息變換能力的需求，中間層可以設(shè)計(jì)為1層或多層的結(jié)構(gòu)，最后一個(gè)隱含層傳遞到各神經(jīng)元的信息到輸出層，經(jīng)進(jìn)一步處理后，由輸出層向外界輸出信息處理結(jié)果。

圖1　3層BP神經(jīng)網(wǎng)絡(luò)模型

2基于BP神經(jīng)網(wǎng)絡(luò)的工藝參數(shù)建模[3]

在BP神經(jīng)網(wǎng)絡(luò)建模中，工藝參數(shù)的選取很重要。在實(shí)際生產(chǎn)中，可以將容易獲得的參數(shù)作為網(wǎng)絡(luò)的輸入?yún)?shù)即性能參數(shù)，如被加工材料的厚度和表面粗糙度等(因?yàn)檫@些參數(shù)可以直接通過(guò)測(cè)量工具獲得)，而將加工電參數(shù)作為網(wǎng)絡(luò)輸出指標(biāo)即性能指標(biāo)，如脈沖寬度、脈間比和平均電流等。由此構(gòu)建BP神經(jīng)網(wǎng)絡(luò)模型(見(jiàn)圖2)，分析該模型的輸入輸出關(guān)系。

圖2　加工參數(shù)優(yōu)選網(wǎng)絡(luò)模型

神經(jīng)網(wǎng)絡(luò)建模數(shù)據(jù)見(jiàn)表1，神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)樣本數(shù)據(jù)見(jiàn)表2。

表1　加工參數(shù)優(yōu)選神經(jīng)網(wǎng)絡(luò)建模數(shù)據(jù)

表2　加工參數(shù)優(yōu)選神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)樣本數(shù)據(jù)

3用MATLAB軟件實(shí)現(xiàn)BP神經(jīng)網(wǎng)絡(luò)的工藝參數(shù)優(yōu)選[4-5]

MATLAB軟件具有完整的神經(jīng)網(wǎng)絡(luò)工具箱，其中大量的函數(shù)都是直接為BP算法編寫(xiě)的，只要直接調(diào)用即可。

3.1數(shù)據(jù)歸一化

對(duì)于神經(jīng)網(wǎng)絡(luò)而言，樣本數(shù)據(jù)很重要，它是神經(jīng)網(wǎng)絡(luò)獲取知識(shí)的來(lái)源。用表1的數(shù)據(jù)實(shí)現(xiàn)BP神經(jīng)網(wǎng)絡(luò)建模時(shí)發(fā)現(xiàn)它的實(shí)驗(yàn)工藝參數(shù)(即輸入數(shù)據(jù))散布面很廣，這給后面的數(shù)據(jù)處理帶來(lái)麻煩，所以應(yīng)在網(wǎng)絡(luò)訓(xùn)練之前對(duì)數(shù)據(jù)進(jìn)行歸一化處理，使得數(shù)值在[-1，1]的范圍內(nèi)。MATLAB軟件工具箱中有幾個(gè)特定的歸一化函數(shù)，本文選取premnmx函數(shù)進(jìn)行處理。

[pl，minp，maxp，tl，mint，maxt]=premnmX(p，t)；

(1)

其中，p、t分別為表1中的性能參數(shù)和性能指標(biāo)函數(shù)；pl、tl為歸一化后的數(shù)據(jù)。

3.2BP神經(jīng)網(wǎng)絡(luò)模型的建立

BP神經(jīng)網(wǎng)絡(luò)模型的建立可通過(guò)調(diào)用MATLAB軟件的newff函數(shù)實(shí)現(xiàn)。

net=newff(minmax(pl)，[N，3]，

{'tansig'，'tansig'，'purelin'}，'trainscg')；

(2)

其中，N為神經(jīng)網(wǎng)絡(luò)隱含層數(shù)目；網(wǎng)絡(luò)的輸入層和中間層可采用相同的神經(jīng)元傳遞函數(shù)：S型正切函數(shù)tansig；而輸出層神經(jīng)元傳遞函數(shù)采用線性函數(shù)purelin、trainscg為訓(xùn)練方法；其他網(wǎng)絡(luò)參數(shù)根據(jù)實(shí)際情況設(shè)置，函數(shù)net包含該模型的一切信息。

3.3BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練

調(diào)用MATLAB軟件的train函數(shù)訓(xùn)練網(wǎng)絡(luò)。

[net，tr]=train(net，pl，tl)；

(3)

3.4BP神經(jīng)網(wǎng)絡(luò)仿真預(yù)測(cè)

網(wǎng)絡(luò)的仿真預(yù)測(cè)可通過(guò)調(diào)用MATLAB軟件中的sim函數(shù)來(lái)實(shí)現(xiàn)。在仿真之前應(yīng)先對(duì)預(yù)測(cè)樣本性能參數(shù)歸一化。

p3=tramnmx(p2，minp，maxp)；

(4)

其中， p2為表2預(yù)測(cè)樣本性能參數(shù)；p3為歸一化后的預(yù)測(cè)性能參數(shù)。

TN=sim(net，p3)；

(5)

其中，TN為仿真后的預(yù)測(cè)性能指標(biāo)。將表2預(yù)測(cè)樣本性能參數(shù)代入BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行仿真預(yù)測(cè)，即可得到相應(yīng)的預(yù)測(cè)性能指標(biāo)值TN。

此時(shí)得到的預(yù)測(cè)性能指標(biāo)值TN是經(jīng)過(guò)歸一化后的數(shù)據(jù)，在與表2的預(yù)測(cè)樣本性能參數(shù)進(jìn)行比較之前，需要先調(diào)用MATLAB軟件中的Postmnmx函數(shù)對(duì)其進(jìn)行反歸一化處理。

t3=postmnmx(TN，mint，maxt)；

(6)

其中，t3為反歸一化后的仿真預(yù)測(cè)性能指標(biāo)值。

MATLAB軟件設(shè)計(jì)中基于BP神經(jīng)網(wǎng)絡(luò)的電火花線切割加工參數(shù)優(yōu)選程序界面及運(yùn)行結(jié)果如圖3和圖4所示。

圖3　用MATLAB實(shí)現(xiàn)BP神經(jīng)網(wǎng)絡(luò)的加工參數(shù)優(yōu)選

圖4　用MATLAB實(shí)現(xiàn)BP神經(jīng)網(wǎng)絡(luò)的加工參數(shù)優(yōu)選運(yùn)行

4仿真預(yù)測(cè)結(jié)果分析

將實(shí)際工件的厚度和表面粗糙度值代入已建立的模型進(jìn)行仿真預(yù)測(cè)，即可得到相對(duì)應(yīng)的預(yù)測(cè)加工參數(shù)值(見(jiàn)表3)。

表3　基于BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)加工參數(shù)優(yōu)選值

通過(guò)比較表2和表3，發(fā)現(xiàn)BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)的電參數(shù)與預(yù)測(cè)樣本中的加工參數(shù)值有較大差別。為了驗(yàn)證實(shí)驗(yàn)結(jié)果，按照表3的厚度、電流、脈間比和脈寬值進(jìn)行實(shí)驗(yàn)，將得到的表面粗糙度值與表2的表面粗糙度值進(jìn)行比較(見(jiàn)表4)。

表4　基于BP神經(jīng)網(wǎng)絡(luò)加工參數(shù)優(yōu)選值與實(shí)際值的比較

由表4可以看出，應(yīng)用BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)的加工優(yōu)選參數(shù)加工出來(lái)的表面粗糙度值與實(shí)際表面粗糙度值的相對(duì)誤差保持在±8%以內(nèi)。這說(shuō)明BP神經(jīng)網(wǎng)絡(luò)在工藝效果預(yù)測(cè)和加工參數(shù)優(yōu)選上具有較強(qiáng)的實(shí)用性，能較好地完成對(duì)加工參數(shù)的預(yù)測(cè)和加工參數(shù)的優(yōu)選。

參考文獻(xiàn)

[1] 郭諄欽. 特種加工技術(shù)[M]. 南京：南京大學(xué)出版社，2013.

[2] 方敏. 高速線切割智選系統(tǒng)研究[D]. 蕪湖：安徽工程大學(xué)，2011.

[3] 王曉亞. 高速走絲線切割工藝建模方法及仿真系統(tǒng)的研究[J]. 浙江大學(xué)學(xué)報(bào)，2004(6)：46-50.

[4] 席洪波. 電火花線切割加工參數(shù)智選系統(tǒng)研究[D]. 西安：西安建筑科技大學(xué)，2009.

[5] 張德豐. MATLAB概率與數(shù)理統(tǒng)計(jì)分析[M]. 北京:機(jī)械工業(yè)出版社，2010.

[6] 王彩霞，李洪聲. 基于BP神經(jīng)網(wǎng)絡(luò)的加工誤差動(dòng)態(tài)監(jiān)測(cè)研究[J]. 新技術(shù)新工藝，2013(12)：66-68.

* 湖南省教育廳科研課題(13C994)

責(zé)任編輯彭光宇

Processing Parameters Optimization Research of WEDM based on BP Neural Network

GUO Zhunqin

(Changsha Aeronautical Vocational and Technical College， Changsha 410124， China)

Abstract：The wedm processing parameters optimization research Based on BP neural network has been more and more widely used because of its applicability and high accuracy, the specific process is to pass on the DK7725 wedm processing experiment, use the orthogonal method processing data and save the established database, and then on the basis of the experimental data by BP neural network method, respectively, build the system prediction and the effect of technology processing parameter optimization model, using Matlab software programming to realize the optimal selection of wedm processing parameters. Finally analyze the results of the program, it is concluded that the BP neural network can be applied to the conclusion of wedm processing parameters optimization.

Key words:BP neural network， data modeling， parameters optimization

收稿日期：2015-07-10

作者簡(jiǎn)介：郭諄欽(1974-)，副教授，碩士，主要從事機(jī)械制造與加工等方面的研究。

中圖分類號(hào)：TG 661

文獻(xiàn)標(biāo)志碼:A