切削用量的選擇是制定機械零件加工工藝中的一個重要方面，選擇得恰當與否，將直接影響到成品的質量蝗腻、生產(chǎn)率、加工成本等涮凡，然而由于影響切削用量的因素繁多拓币，影響因素之間又相互交叉，相互制約肤侍，因而確定最佳切削用量較為困難琳宽。人們最初是根據(jù)經(jīng)驗來確定金屬切削用量的，然而這種方法所確定的切削用量因人因廠而異弄业，實際效益相差很大泛邮，而且由于各種新加工材料的不斷涌現(xiàn)料离，以及數(shù)控加工機床、加工中心和柔性制造系統(tǒng)的應用锭汛，依靠經(jīng)驗來確定切削參數(shù)已遠不能適應時代的發(fā)展笨奠。

　　隨著人們對金屬切削機理研究的不斷深入，以及計算機技術的發(fā)展唤殴，人們建立起計算機輔助優(yōu)化切削數(shù)據(jù)的程序系統(tǒng)般婆，為選擇最優(yōu)切削參數(shù)提供了新的方法和手段。然而由于影響最佳切削參數(shù)的因素錯綜復雜朵逝，優(yōu)化方法本身也存在優(yōu)化效率和收斂于局部最優(yōu)點的問題蔚袍，因而最佳切削參數(shù)的確定受到一定的限制，在實際操作中要針對具體的問題建立相應的優(yōu)化數(shù)學模型配名，步驟十分繁瑣啤咽。目前利用計算機技術做成了各種切削數(shù)據(jù)庫，為生產(chǎn)提供數(shù)據(jù)渠脉，這些數(shù)據(jù)比較準確宇整、可靠，是人們長期經(jīng)驗的總結芋膘，但它們在應用時很大程度上受到所搜集的數(shù)據(jù)量和其包含的范圍的影響鳞青。另一方面，從切削數(shù)據(jù)庫檢索的切削用量數(shù)據(jù)在應用中還要根據(jù)實際工作環(huán)境進行一定的調整凡矿，其本身也不具有推廣應用能力键先。因此，目前這些切削用量確定方法求解的快速性和準確性受到一定的限制紊竹，對于實時的控制切削用量牺道、實現(xiàn)機器的智能化選取切削參數(shù)有較大困難。作為人工智能研究領域的新技術——人工神經(jīng)網(wǎng)絡壹会，具有非線性特性和信息分布性颈顽，在處理多輸入和多輸出系統(tǒng)時省去了傳統(tǒng)建模方法所需的復雜的各變量相關性分析；神經(jīng)網(wǎng)絡具有大量信息的并行處理功能及键。因此神經(jīng)網(wǎng)絡非常適于用來代替人類基于經(jīng)驗的決策行為受卒。

　　1 神經(jīng)網(wǎng)絡的非線性建模原理

　　對神經(jīng)網(wǎng)絡的理論研究表明，具有單隱層的前饋式分層神經(jīng)網(wǎng)絡可以以任意精度逼近任何非線性連續(xù)函數(shù)灼烫。因此筋蝴，本文采用了前饋分層結構的BP網(wǎng)絡實現(xiàn)非線性建模。

　　它是一個三層網(wǎng)絡窄忱，n個輸入單元對應輸入模式的n個特征參數(shù)岛涝，m個輸出單元對應系統(tǒng)輸出，單隱層含有r個節(jié)點，在訓練過程中網(wǎng)絡采用多層誤差修正梯度下降算法進行學習简逮，通過使一個代價函數(shù)最小化過程完成輸入到輸出的映射球散。代價函數(shù)通常以系統(tǒng)誤差表示。

　　網(wǎng)絡通過反復學習散庶，可以使代價函數(shù)達到要求的誤差限度蕉堰。至此，網(wǎng)絡的非線性建模即告結束悲龟。

　　從總體性質看屋讶，此神經(jīng)網(wǎng)絡是一個由Rｎ→Rm空間的映射，而且是復雜的非線性映射须教，它能將Rｎ空間的一個子集連續(xù)地映射到Rm空間中去皿渗。對于n個輸出，整個網(wǎng)絡相當于一個隱式函數(shù) 

　　2 切削用量選擇的神經(jīng)網(wǎng)絡建模

　　運用神經(jīng)網(wǎng)絡智能化選擇切削用量的基本思想是：金屬切削加工中用量的選擇受到多種因素的影響轻腺，其變化與組合眾多乐疆，運用神經(jīng)網(wǎng)絡非線性映射能力，恰當選取影響切削用量選擇的特征因素贬养，建立切削用量和各影響因素之間的神經(jīng)網(wǎng)絡映射模型挤土，運用機床過去運行數(shù)據(jù)進行學習，自動尋找規(guī)律并分布貯存于權值中郎博，運行時對輸入切削條件參數(shù)通過前向計算求解出最佳切削用量巧杰。

　　理想切削用量選擇神經(jīng)網(wǎng)絡模型

　　排除人為及環(huán)境因素，影響切削用量選定的因素包括：加工方法呛产、工件、刀具北淘、切削液治勒、機床及生產(chǎn)目標，因此建立理想網(wǎng)絡模型玷源。若可利用此理想網(wǎng)絡模型實現(xiàn)非常廣闊范圍內的切削用量選擇路倔，那么在最佳切削用量的選取工作中完全可用此模型來代替工程師的工作。然而這種理想模型的實現(xiàn)是很困難的：其一攀驶，由于要搜集到理想模型所要求的如此完備和廣泛的切削樣本數(shù)據(jù)是不容易辦到的逮赋，因此在訓練過程中，會由于數(shù)據(jù)的缺乏镰对，或奇異數(shù)據(jù)的存在卓奄，使網(wǎng)絡找不到收斂點，且隨著網(wǎng)絡的增大止毕，這種缺點將更加突出模蜡；其二，由于模型內要容納的規(guī)律范圍寬廣扁凛，內容廣泛忍疾，使網(wǎng)絡更加容易陷于局部最小闯传。由以上分析可知，對于理想的切削用量選擇神經(jīng)網(wǎng)絡模型是不容易實現(xiàn)的卤妒，但我們可通過對理想模型針對某一問題具體化甥绿，使其變得有效可用。

　　車加工切削用量選擇的神經(jīng)網(wǎng)絡模型

　　由于粗加工和精加工的目標和性質不同则披，因此影響切削用量選擇的主要特征因素也不完全一致共缕。為此，可針對粗加工和精加工的切削用量選擇問題分別建一網(wǎng)絡模型收叶。對于切削用量三要素來說骄呼，切削深度，主要取決于加工余量判没，沒有多少選擇的余地蜓萄，一般都也事先確定，但切削深度的變化會對切削速度和進給量造成重大影響钳生，因此應將切削深度作為輸入因素加以考慮秤慌。粗加工的輸入特征因素為14個精加工的輸入特征因素為13個，分別如圖3和圖4所示孕称。輸出特征因素為2個(切削速度式涝、進給量)。 
   
　　切削條件參數(shù)和輸出參數(shù)(切削速度酝遇、進給量)進行了歸一化處理图汪，歸一化函數(shù)為：

　　神經(jīng)網(wǎng)絡依據(jù)BP算法對樣本數(shù)據(jù)進行學習，學習完成后驳芙，粗加工和精加工的車削用量參數(shù)網(wǎng)絡模型便被建立起來讳汇，模型進行工作時，切削條件參數(shù)向量由輸入層通過權值和作用函數(shù)傳播到隱層掰闯，再由隱層通過權值和作用函數(shù)傳播到輸出層枪第，在輸出層求出切削速度和進給量

　　Ziu=0.9(Zi-Zmin)/(Zmax-Zmin)+0.05

　　式中，Zi的钞，Ziu——某一切削條件參數(shù)或切削用量參數(shù)及其規(guī)一化值 Zmax=max{Zi}兜蠕， Zmin=min{Zi}； i=1抛寝，2熊杨，…，k

　由于網(wǎng)絡的輸出是歸一化了的切削速度和進給量盗舰，因而在模型工作過程中猴凹，對網(wǎng)絡輸出進行了反歸一化換算： Zi=(Ziu-0.05)(Zmax-Zmin)/0.9+Zmin

　　對于連續(xù)的特征向量如：工件材料硬度和強度，刀具材料的硬度和抗彎強度等，可直接運用歸一化公式郊霎；而對于非連續(xù)的輸入特征向量沼头，則要首先對其進行編碼、量化书劝，然后再對編碼值進行歸一化處理进倍。非連續(xù)輸入特征向量的編碼如表1。

　　網(wǎng)絡模型的學習

　　用搜集到的樣本數(shù)據(jù)對網(wǎng)絡進行訓練购对，以獲得有效的網(wǎng)絡工作模型猾昆。在網(wǎng)絡的學習過程中，不斷修改隱層節(jié)點數(shù)目协包，學習步長h和沖量因子a帅珍，加快網(wǎng)絡的收斂速度，并最終找到能夠滿足收斂精度要求的最小規(guī)模網(wǎng)絡幔憋。

　　粗加工網(wǎng)絡參數(shù)值 精加工

　　網(wǎng)絡參數(shù)值

　　神經(jīng)網(wǎng)絡模型 三層前向神經(jīng)網(wǎng)絡

　　學 習 算 法 BP 算 法

　　神經(jīng)網(wǎng)絡 輸入層節(jié)點 14 13

　　模型的 隱層節(jié)點 21 17

　　拓撲結構 輸出層節(jié)點 2 2

　　學習步長h 0.1 0.2

　　沖量因子a 0.2 0.25

　　訓練誤差 0.0001 0.0001

　　3 實例研究

　　在以上切削用量神經(jīng)網(wǎng)絡模型研究的基礎上司报，我們開發(fā)了車削加工智能化最佳用量選擇軟件。現(xiàn)在車床CA6140上加工45鋼全乙，毛坯為直徑f60的棒料偎洋，無外皮，外圓縱車侄伟，采用YT15可轉位刀片睁奶，刀具前角12°，主偏角45°撇委，刀桿尺寸16×25爵蝠，刀具壽命60min，粗加工切削深度2mm汪仰，精加工切削深度0.5mm揩墓，加工表面完工粗糙度Ra3.2。將各切削條件輸入軟件中剖张，輸出粗加工切削速度120m/min切诀，進給量0.6mm/r揩环，精加工切削速度180m/min搔弄，進給量0.4m/r。采用所選用量進行加工丰滑，完全達到加工要求顾犹。

　　本文的研究表明，對于一個相關因素錯綜復雜的非線性系統(tǒng)褒墨，運用神經(jīng)網(wǎng)絡對其輸入輸出建立起映射關系是一種非常有效的方法炫刷。總之將神經(jīng)網(wǎng)絡用于切削用量的選擇中，實現(xiàn)切削用量選擇智能化浑玛，從而提高機床的智能化程度绍申，將具有廣闊的前景。

聲明：本網(wǎng)站所收集的部分公開資料來源于互聯(lián)網(wǎng)顾彰，轉載的目的在于傳遞更多信息及用于網(wǎng)絡分享极阅，并不代表本站贊同其觀點和對其真實性負責，也不構成任何其他建議蜻罕。本站部分作品是由網(wǎng)友自主投稿和發(fā)布蛹鼎、編輯整理上傳，對此類作品本站僅提供交流平臺涯贝，不為其版權負責列充。如果您發(fā)現(xiàn)網(wǎng)站上所用視頻、圖片跃呛、文字如涉及作品版權問題频咨，請第一時間告知，我們將根據(jù)您提供的證明材料確認版權并按國家標準支付稿酬或立即刪除內容哩疲，以保證您的權益霹链！聯(lián)系電話：010-58612588 或 Email:editor@mmsonline.com.cn。