法律状态公告日
法律状态信息
法律状态
2015-08-19
授权
授权
2013-03-20
实质审查的生效 IPC(主分类):G06N3/08 申请日:20121031
实质审查的生效
2013-02-13
公开
公开
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
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
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
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
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
本发明对测试组的预测值相对误差的绝对值均小于
表2 择优RBF神经网络测试结果
机译: 机床中的主轴旋转驱动机构,轴承机构的主轴承座和立柱导轨,刀架安装机构,立式铣镗加工的卧式两用转换装置,滑架滑动装置,工作台滑动装置,切削油自动回收加工设备,磨削附着装置,切削附着装置中的砂轮与磨石的结合方法,立柱和立柱的加工方式、,达的加工方法
机译: 加工时间预测装置,切削系统及加工时间预测方法
机译: 用于切割加工的机床系统工件的铣削,其切割板包括与主切削刃和辅助切削刃相结合的切削刃,其中主刃位于加工站中,作为辅助刃