郭谆钦
(长沙航空职业技术学院,湖南 长沙 410124)
基于BP神经网络的电火花线切割加工参数优化研究*
郭谆钦
(长沙航空职业技术学院,湖南 长沙 410124)
摘要:基于BP神经网络的电火花线切割加工参数优化研究,因为其适用性强和准确性高等特点得到了越来越广泛的应用,具体过程和方法是先通过在DK7725线切割机床上进行大量的加工实验,用正交法采集加工数据并保存建立数据库,然后在实验数据基础上以BP神经网络方法分别构建了系统的工艺效果预测和加工参数优选模型,接着应用MATLAB软件进行编程,实现电火花线切割加工参数的优化选择,最后对程序运行结果进行分析,得出了BP神经网络可应用于电火花线切割加工参数优化选择的结论。
关键词:BP神经网络;数据建模;参数优化
在电火花线切割加工中,加工参数的选择是否合理将直接影响加工精度。传统的方法是建立一个电火花线切割加工模型,然后用该加工模型对加工工艺效果进行预测并实现自动选取。然而,要建立一个有效合理的加工模型是相当困难的,因为电火花线切割的加工过程比较复杂,任何工艺参数的变化都可能会引起加工的时变,同时线切割系统本身就是非线性的,所以需要寻求新的方法解决加工模型的建立问题。神经网络技术能够对系统的输入、输出关系进行类似人脑模拟,具有很强的非线性建模性,为电火花线切割加工模型的建立提供了重要途径。其中,最具代表性的是BP(Back Propagation)神经网络,工程应用中绝大多数的建模都是采用BP网络或它的变形形式。本文将讨论如何以BP神经网络建模实现电火花线切割的加工参数优化[1]。
1BP神经网络模型[2]
3层的BP神经网络模型如图1所示,它由输入层、中间层(隐含层)和输出层组成,各层之间通过网络权值保持连接。输入层各神经元负责接收来自外界的输入信息,并传递给中间层各神经元;中间层又可称为隐含层,它是内部信息处理层,负责信息变换,根据信息变换能力的需求,中间层可以设计为1层或多层的结构,最后一个隐含层传递到各神经元的信息到输出层,经进一步处理后,由输出层向外界输出信息处理结果。
图1 3层BP神经网络模型
2基于BP神经网络的工艺参数建模[3]
在BP神经网络建模中,工艺参数的选取很重要。在实际生产中,可以将容易获得的参数作为网络的输入参数即性能参数,如被加工材料的厚度和表面粗糙度等(因为这些参数可以直接通过测量工具获得),而将加工电参数作为网络输出指标即性能指标,如脉冲宽度、脉间比和平均电流等。由此构建BP神经网络模型(见图2),分析该模型的输入输出关系。
图2 加工参数优选网络模型
神经网络建模数据见表1,神经网络预测样本数据见表2。
表1 加工参数优选神经网络建模数据
表2 加工参数优选神经网络预测样本数据
3用MATLAB软件实现BP神经网络的工艺参数优选[4-5]
MATLAB软件具有完整的神经网络工具箱,其中大量的函数都是直接为BP算法编写的,只要直接调用即可。
3.1数据归一化
对于神经网络而言,样本数据很重要,它是神经网络获取知识的来源。用表1的数据实现BP神经网络建模时发现它的实验工艺参数(即输入数据)散布面很广,这给后面的数据处理带来麻烦,所以应在网络训练之前对数据进行归一化处理,使得数值在[-1,1]的范围内。MATLAB软件工具箱中有几个特定的归一化函数,本文选取premnmx函数进行处理。
[pl,minp,maxp,tl,mint,maxt]=premnmX(p,t);
(1)
其中,p、t分别为表1中的性能参数和性能指标函数;pl、tl为归一化后的数据。
3.2BP神经网络模型的建立
BP神经网络模型的建立可通过调用MATLAB软件的newff函数实现。
net=newff(minmax(pl),[N,3],
{'tansig','tansig','purelin'},'trainscg');
(2)
其中,N为神经网络隐含层数目;网络的输入层和中间层可采用相同的神经元传递函数:S型正切函数tansig;而输出层神经元传递函数采用线性函数purelin、trainscg为训练方法;其他网络参数根据实际情况设置,函数net包含该模型的一切信息。
3.3BP神经网络训练
调用MATLAB软件的train函数训练网络。
[net,tr]=train(net,pl,tl);
(3)
3.4BP神经网络仿真预测
网络的仿真预测可通过调用MATLAB软件中的sim函数来实现。在仿真之前应先对预测样本性能参数归一化。
p3=tramnmx(p2,minp,maxp);
(4)
其中, p2为表2预测样本性能参数;p3为归一化后的预测性能参数。
TN=sim(net,p3);
(5)
其中,TN为仿真后的预测性能指标。将表2预测样本性能参数代入BP神经网络模型进行仿真预测,即可得到相应的预测性能指标值TN。
此时得到的预测性能指标值TN是经过归一化后的数据,在与表2的预测样本性能参数进行比较之前,需要先调用MATLAB软件中的Postmnmx函数对其进行反归一化处理。
t3=postmnmx(TN,mint,maxt);
(6)
其中,t3为反归一化后的仿真预测性能指标值。
MATLAB软件设计中基于BP神经网络的电火花线切割加工参数优选程序界面及运行结果如图3和图4所示。
图3 用MATLAB实现BP神经网络的加工参数优选
图4 用MATLAB实现BP神经网络的加工参数优选运行
4仿真预测结果分析
将实际工件的厚度和表面粗糙度值代入已建立的模型进行仿真预测,即可得到相对应的预测加工参数值(见表3)。
表3 基于BP神经网络预测加工参数优选值
通过比较表2和表3,发现BP神经网络预测的电参数与预测样本中的加工参数值有较大差别。为了验证实验结果,按照表3的厚度、电流、脉间比和脉宽值进行实验,将得到的表面粗糙度值与表2的表面粗糙度值进行比较(见表4)。
表4 基于BP神经网络加工参数优选值与实际值的比较
由表4可以看出,应用BP神经网络预测的加工优选参数加工出来的表面粗糙度值与实际表面粗糙度值的相对误差保持在±8%以内。这说明BP神经网络在工艺效果预测和加工参数优选上具有较强的实用性,能较好地完成对加工参数的预测和加工参数的优选。
参考文献
[1] 郭谆钦. 特种加工技术[M]. 南京:南京大学出版社,2013.
[2] 方敏. 高速线切割智选系统研究[D]. 芜湖:安徽工程大学,2011.
[3] 王晓亚. 高速走丝线切割工艺建模方法及仿真系统的研究[J]. 浙江大学学报,2004(6):46-50.
[4] 席洪波. 电火花线切割加工参数智选系统研究[D]. 西安:西安建筑科技大学,2009.
[5] 张德丰. MATLAB概率与数理统计分析[M]. 北京:机械工业出版社,2010.
[6] 王彩霞,李洪声. 基于BP神经网络的加工误差动态监测研究[J]. 新技术新工艺,2013(12):66-68.
* 湖南省教育厅科研课题(13C994)
责任编辑彭光宇
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
作者简介:郭谆钦(1974-),副教授,硕士,主要从事机械制造与加工等方面的研究。
中图分类号:TG 661
文献标志码:A