切削加工中切削用量的预测方法

技术领域

本发明涉及机械加工技术，尤其是一种切削加工中切削用量的预测方法。

背景技术

选择合理的金属切削加工参数，对提高产品质量、加工效率以及延长刀具寿命具有重要意义。切削用量选择得当，便能充分发挥机床和刀具的功能，取得生产的最大效益；选择不当，会造成很大的浪费或导致生产事故。对于现在的高速、超高速机床及精度加工的影响更大。传统的依靠经验或手册来选择切削参数的方法，往往因人而异，差别很大；通过切削试验来确定最优切削用量的方法成本高且效率低；计算机建立的各种切削数据库不能快速、准确地求解。实现切削用量实时控制及切削参数的机器智能化选取比较困难。神经网络的智能化特征与能力使其能有效的处理复杂非线性系统控制、特征提取及识别等信息处理问题。径向基函数网络(Radial Basis Function Network, RBF)是前向型神经网络的一种类型，具有强大的矢量分类功能和快速计算能力，能以任意精度逼近任意非线性函数，且学习收敛速度快。但在模型进行学习训练时，其隐含层神经元数量即Matlab软件中用于建立一个RBF神经网络的函数的分布密度值的设置是一个关键问题。其分布密度值需要足够大才能覆盖所有的输入区间，但是如果太大，则每个神经元的响应区域又会交叉过多，反而带来精度的问题。理论上讲，分布密度值越小，对函数的逼近就越精确，但逼近的过程就越不平滑；若其值越大，函数就越平滑，但是逼近误差会比较大。一般设定RBF网络的分布密度值与输入向量的个数                                                相等，但这并不能保证此时的分布密度值为最优，反而有可能造成输入区间覆盖不足或带来精度问题。

发明内容

本发明的目的是：提供一种切削加工中切削用量的预测方法，它能对切削用量进行准确有效的预测，以克服现有技术的不足。

本发明是这样实现的：切削加工中切削用量的预测方法，其特征在于：包括以下步骤，

步骤一、选择切削加工中的控制参数作为模型的输入；测定实际切削样本数据用于模型训练和测试；

步骤二、建立RBF神经网络模型，利用相应的样本数据对模型进行学习训练；（使模型在一个足够大的分布密度范围内，选择出使模型对测试样本的拟合误差平均幅值最小的分布密度）这个是一个不确定的范围，需要用具体可指的数值来表达，或者仅在说明书中说明这句话。

步骤三、训练后的模型对测试样本的切削用量进行预测。

在步骤一中，所述的控制参数为切削速度或机床主轴转速、进给速度及切削深度；切削速度与机床主转速之间的关系为：，为工件直径。

在步骤二中，所述的建立RBF神经网络模型是，根据模型的训练样本容量大小，设定一个RBF神经网络模型隐含层神经元数量的变化范围，即Mat lab软件中用于建立一个RBF神经网络的函数的分布密度值的区间；在Mat lab软件中，通过函数或函数设计一个RBF神经网络，且使得设计误差为0，调用方式为：,；、分别表示训练样本输入和目标输出；表示RBF网络输出的总平均误差方差；表示其分布密度常数；使RBF网络在不同分布密度值下进行学习训练；然后用训练后的网络模型分别对测试样本进行预测；根据计算结果，选择出使网络精度最优的分布密度值；对于网络的精度通过网络的误差平均幅值来衡量，对RBF神经网络的拟合值与真实值之间的关系进行评价，进而反映出RBF神经网络的精度；误差平均幅值：

为测试样本的样本容量，为测试样本的维数，为神经网络的拟合值，为相应的真实值。

RBF神经网络模型应在一个足够大的分布密度范围内，选择出使模型对测试样本的拟合误差平均幅值最小的分布密度，从而使模型的预测精度最高，以使模型的拟合预测能力达到最优。

由于采用上述的技术方案，与现有技术相比，本发明使RBF神经网络模型在一个足够大的分布密度范围内分别利用训练样本数据进行学习训练，然后用训练后的网络模型对测试样本进行预测，根据计算结果，选择出使模型的误差平均幅值最小的分布密度值，这样模型的拟合预测误差最小，从而使模型的拟合预测能力最优，其训练速度快且预测精度高。本发明方法简单，成本低廉，使用效果好，产业化应用前景广阔。

附图说明

图1为本发明的实施例的流程图；

图2为本发明的实施例的择优RBF网络分布密度1-15预测结果误差；

图3为本发明的实施例的择优RBF网络分布密度6-20预测结果误差；

图4为本发明的择优RBF网络分布密度为10的训练结果。

具体实施方式

本发明的实施例1：切削加工中切削用量的预测方法，选择机床主转速、进给速度和切削深度作为神经网络的输入，以金属体积的切除率，即单位时间内切除的金属体积，作为目标函数；根据选择的切削控制参数，确定实际切削样本数据作为择优RBF神经网络的输入层，本实施例中的数据由赵韩等人在《机床与液压》2008，36(5):213-215上发表的“基于改进的BP神经网络对切削参数的优化选择”一文得。数据采集条件为：C620-3车床；刀具材料为YT15；刀具几何参数为前角，后角，主偏角，负偏角；刀杆尺寸为（悬伸长度），材料为45号钢刀具耐用度；表面粗糙度，，；选用的工件材料为45号钢，尺寸为的棒料进行切削测试。共得到14组样本数据，本实施例中1-12组为训练样本，13-14为检验样本，见表1，切削深度，机床主转速，进给速度，金属体积的切除率。

表1 切削参数样本数据表

本实施例中训练样本容量为12，建立择优RBF神经网络模型，利用训练样本对模型进行学习训练，RBF神经网络的分布密度值区间设为，使网络模型分别在不同的分布密度值下学习训练，然后用训练后的网络分别对测试组进行预测，分别计算出网络的误差平均幅值，并选择出使得最小，即使得神经网络精度最高的RBF分布密度值。利用择优后的RBF神经网络进行拟合和预测，可以使得其精度达到最高。本例中利用择优RBF神经网络进行分布参数择优之后，得到的误差平均幅值如图2，3所示。由图2，3可以看出当RBF神经网络的分布密度为10时，网络的误差最小，精度最高。RBF神经网络在分布密度为10时，其对训练样本的训练结果如图4，从图中可以看出RBF网络的训练结果的拟合误差均为0。择优RBF神经网络对测试组进行预测，其预测值、相对误差值见表2.这里。其误差平均幅值、误差均方差及其均值。

本发明对测试组的预测值相对误差的绝对值均小于，说明其具有很好的拟合预测能力，精度高，训练速度快，证明它是有效可信的。

表2  择优RBF神经网络测试结果