基于神經(jīng)網(wǎng)絡(luò)的金屬材料數(shù)控加工工藝研究

張 莉

（江蘇安全技術(shù)職業(yè)學(xué)院，江蘇 徐州 221000）

隨著我國社會的發(fā)展，機(jī)械工業(yè)現(xiàn)代化發(fā)展進(jìn)程逐漸加快，與此同時，現(xiàn)階段，我國各個領(lǐng)域的學(xué)者們都非常重視以及關(guān)注零部件材料的力學(xué)性能方面的研究，與此同時，還著重與關(guān)注研究機(jī)械性能硬度以及機(jī)械性能強(qiáng)度等多個方面，并且非常重視其抗磨性、耐熱性、抗壓強(qiáng)度[1]。并且不斷更新了相關(guān)方面的要求以及標(biāo)準(zhǔn)，只有以下幾個方面的才可以從根本上滿足優(yōu)良物理機(jī)械性能的金屬材料符合零部件材料要求。

高效加工這些材料可以促使以下幾個部分重要工業(yè)的整體水平得到明顯的改善，并且還可以提升航天航空、汽車制造等的發(fā)展速度。具有高韌性、高耐磨性、高硬度等特性的材料才能從根本上滿足制造要求[2]。

對于難加工金屬材料在加工階段出現(xiàn)的變形、振動真實誤差，BP計算方法無法有效確定更加合適的初始數(shù)值，因而此算法無法有效應(yīng)用到切削加工誤差型建模當(dāng)中。

同時，在初始化的過程中，因為BP算法的前傳多層感知器網(wǎng)絡(luò)是存在明顯的隨機(jī)性，所以，在實際工作中，BP算法問題還是比較多的，一般情況寫，BP算法需要使用到成千上萬次的迭代，過程是非常復(fù)雜的，并且還從根本上增加了相關(guān)的訓(xùn)練樣例維數(shù)數(shù)量，直接影響到網(wǎng)絡(luò)的性能、還會直接延緩收斂的速度；在實際工作中，隨著新樣例的加入，就直接會影響到已學(xué)習(xí)過的樣例；BP算法也是會出現(xiàn)局部極小問題的方法，其選擇方式是數(shù)學(xué)當(dāng)中一梯度最速下降方法，因此，采取上述算法不是解決問題的唯一的方法。選擇RBF算法，可以從根本上解決BP網(wǎng)絡(luò)的局部極小和收斂滿等難題，這是一種具有單隱層的三層前饋網(wǎng)絡(luò)反向傳播算法。

還有RBF算法這種方法。采取這種方法是非常有效的，因為這種算法基于RBF神經(jīng)網(wǎng)絡(luò)的難加工金屬材料數(shù)控加工控制的。RBF算法選擇的是RBF神經(jīng)網(wǎng)絡(luò)模型，對金屬材料進(jìn)行的數(shù)控加工工藝給予功能性描述，并且描述參數(shù)以及描述兩者之間存在的映射關(guān)系，映射關(guān)系建模，并以參數(shù)與結(jié)果設(shè)定為基礎(chǔ)值，數(shù)控加工控制難加工金屬材料。

1 數(shù)控加工下的難加工金屬材料

難以進(jìn)行切削加工的材料就是難加工金屬材料，其主要包括以下幾個方面：高溫合金、高強(qiáng)度鋼、高錳鋼、鈦合金、不銹鋼等。

組織致密、純度高的奧氏體固溶體合金就是非常典型的難加工材料，奧氏體固溶體合金多高熔點(diǎn)合金元素含量非常的高。奧氏體固溶體合金會直接以下到熱平衡，并以此為降低導(dǎo)熱系數(shù)的基礎(chǔ)，直接影響到刀具耐久度。在都一個特定的溫度范圍之內(nèi)，其可以長時間保持在一個相當(dāng)比較高的強(qiáng)度，并且，基于上述溫度范圍，這種硬度也可以滿足實際需求。

上述提到的這部分內(nèi)容都是難加工材料具有的特性。主要體現(xiàn)在以下幾個方面：難加工材料基于切削熱作用，會存在非常高的高溫化學(xué)活性，例如：鈦合金等，可以從根本上增大工作表層硬度，同時增加切削力，降低韌性。在切屑過程當(dāng)中，容易產(chǎn)生鈦氧化物生產(chǎn)問題；并且，切削刀具還非常容易存在擴(kuò)散磨損問題以及粘附磨損問題。在實際工作中，需要保持在750℃至1000℃高溫的切削溫度，反之，就會降低刀具的耐用度，并且導(dǎo)致養(yǎng)護(hù)磨損問題越來越嚴(yán)重，甚至產(chǎn)生嚴(yán)重的擴(kuò)散磨損問題；在切削高溫作用下，對于已加工表面的硬度，其可以達(dá)到基體硬度，超過二百倍到五百倍；因難加工材料的熱導(dǎo)率低，存在非常差的導(dǎo)熱性能，在切削的過程中還會產(chǎn)生非常高的溫度，并且還可以從根本上改善小區(qū)溫度，切削熱量大量被阻礙，無法有效的傳導(dǎo)至材料內(nèi)部，這就直接導(dǎo)致工件表面存在明顯的質(zhì)量問題，在這部分難加工材料切削過程中，就會存在非常大的塑性變形能量消耗，使切削能力增加到3倍～4倍左右。

一般情況下金屬材料都存在難加工的明顯特點(diǎn)，使其在加工制作過程當(dāng)中數(shù)據(jù)處理與質(zhì)量控制存在很多影像因素產(chǎn)生不確定性。

2 RBF控制方法的難加工材料數(shù)控加工

對于難加工材料工件的精度，其受到以下幾個方因素的影響：第一個是刀具、第二個是控制系統(tǒng)運(yùn)動參數(shù)、第三個是控制系統(tǒng)性能、第四個是自身特性。通常情況下，在加工控制普通材料前，我們第一步工作就是從根本上確定加工的參數(shù)，要結(jié)合實際的材料情況，對加工難加工材料工況參數(shù)予以調(diào)整以及更新，因此，預(yù)期設(shè)置的加工參數(shù)已經(jīng)無法從根本上滿足情況變化需求，為了實現(xiàn)加工效果的穩(wěn)定、優(yōu)質(zhì)，需要在設(shè)置CNC控制器的情況下，提供一系列實時的、優(yōu)化的、合理的加工參數(shù)。

系統(tǒng)運(yùn)行時，難加工材料神經(jīng)網(wǎng)絡(luò)智能控制數(shù)控加工系統(tǒng)可以實時了解被控方面的運(yùn)作情況，自主學(xué)習(xí)與自我檢測的功能會影響到加工準(zhǔn)確度方面的指標(biāo)，對于加工系統(tǒng)的運(yùn)作環(huán)境來講，如果加工情況出現(xiàn)改變，那么系統(tǒng)將會自動對各加工數(shù)據(jù)進(jìn)行控制，實時分析數(shù)據(jù)，可確保加工工作順利開展，有效進(jìn)行自適應(yīng)控制。為了使得模型更為簡單，選用了磁電轉(zhuǎn)速傳感器SZMB-9來檢測難加工材料神經(jīng)網(wǎng)絡(luò)智能控制數(shù)控加工系統(tǒng)的實際運(yùn)作情況，測試速度的過程中，當(dāng)然我們也可以按照實際需求采取速度傳感器M317069。

神經(jīng)網(wǎng)絡(luò)模型對于不是樣本集中的輸入也能夠輸出。此網(wǎng)絡(luò)系統(tǒng)可采用更多新樣本開展學(xué)習(xí)活動，也能提升精準(zhǔn)度，可確?？刂齐y加工金屬材料數(shù)控加工更加精準(zhǔn)，讓模型更加靠近真實環(huán)境，也能有效提升產(chǎn)品品質(zhì)，減少生產(chǎn)成本，提升工作效率。

在分析上述神經(jīng)網(wǎng)絡(luò)模型基本單元可以發(fā)現(xiàn)，這是一種非常典型的神經(jīng)元結(jié)構(gòu)化模型類型，并且我們可以按照模擬神經(jīng)細(xì)胞感知外部信息概念，劃分輸入模式的種類。如果輸出層不能達(dá)到預(yù)期的輸出效果，則可以按照之前的網(wǎng)絡(luò)路徑反向減小誤差信號。在了解了傳統(tǒng)的數(shù)控加工方法和RBF神經(jīng)網(wǎng)絡(luò)對難加工材料數(shù)控加工的控制方法后，可以采用RBF神經(jīng)網(wǎng)絡(luò)對難加工材料數(shù)控加工的監(jiān)控系統(tǒng)來提高加工精度。對加工后工件的圓度誤差，利用凸輪軸試驗機(jī)進(jìn)行評定，然后利用超表面粗糙度輪廓儀進(jìn)行評定。利用凸輪軸試驗機(jī)可以測量被加工工件的圓度誤差，利用超表面粗糙度輪廓儀可以測量表面粗糙度。測試工作開展時，首先在加工工件上隨意確定測試點(diǎn)，數(shù)量共計二十四個，接下來可對比其中八個數(shù)據(jù)的變化狀況。因而，表面粗糙度的平均誤差可有效下浮，下浮比例可超過50%。采用難加工材料傳統(tǒng)數(shù)控加工方法時，加工工件的圓度誤差可控制在2.5μm～8.5μm，而采用RBF神經(jīng)網(wǎng)控制方法時，此方面誤差可控制在1.0μm～2.3μm，圓度平均誤差可有想減少，減少占比超過了%。因而，為了加工工件的精準(zhǔn)度可有效提升，那么可采用的方法為RBF神經(jīng)網(wǎng)絡(luò)控制法。