Machining Accuracy Prediction of Aero - 副本

1、.航空發(fā)動機葉片在基于BP神經(jīng)網(wǎng)絡的電化學加工下的加工精度的預測李志永 季華 王超峰機械工程學院山東理工大學中國山東省淄博市Lzy761012 Jihua303 Cadcat：摘要：在電化學加工（ECM）的過程中，不同的加工參數(shù)，例如施加電壓，電流密度，電解工具的進給速率，電解質(zhì)濃度和組合物，加工間隙，可以導致在ECM過程的加工精度的變化。因此，加工精度預測是ECM中最困難的問題之一。把航空發(fā)動機葉片為研究對象，采用BP神經(jīng)網(wǎng)絡預測ECM航空發(fā)動機葉片的加工精度。在預測模型中,所要包括五個主要的工藝參數(shù)。預測結果表明,提出的BP神經(jīng)網(wǎng)絡模型是有價值的，沿選定葉片外形的預測精度誤差可小于8。關鍵

2、字:精度預測,電解加工、BP神經(jīng)網(wǎng)絡、航空發(fā)動機葉片。 引言隨著航空發(fā)動機性能的快速提高，航空發(fā)動機葉片的加工質(zhì)量和尺寸精度變得越來越重要。此外，由于優(yōu)異的強度，高溫穩(wěn)定性，和耐腐蝕性硬盤被動合金，如鎳基超合金，鈦和鉬合金，被廣泛地用作航空發(fā)動機的葉片材料。目前，已開發(fā)的電化學加工（ECM）作為主要方法用于加工難切削材料和復雜的輪廓和檔案中的整形。依據(jù)一個非機械的金屬去除過程中，ECM是能夠加工任何導電性材料，具有高的庫存的去除率，而不管它們的機械性能，如硬度，彈性和脆性。它已被應用在不同的行業(yè)，如航空航天，汽車和電子產(chǎn)品制造航空發(fā)動機葉片，模具，炮彈，外科植入物及義肢等1-3。.ECM過程中

3、涉及的各種電場和呈交的電解質(zhì)流體的參數(shù)，例如，施加電壓，電流密度，初始間隙，工具陰極進給速率，加工間隙，電解質(zhì)組合物的濃度和電解液的狀態(tài)等，這些工藝參數(shù)是能夠影響ECM的加工精度。因此，需要進行一些加工實驗，以找到最優(yōu)化的工藝參數(shù)的匹配，從而導致制造成本過高。為了減少實驗次數(shù)，縮短試制周期，可以采用BP神經(jīng)網(wǎng)絡來評估主要工藝參數(shù)，在本研究中找到最優(yōu)化的參數(shù)匹配。以航空發(fā)動機葉片為研究對象，BP神經(jīng)網(wǎng)絡應用于預測ECM過程中，其中五個主要工藝參數(shù)涉及的加工精度。預測結果表明，BP神經(jīng)網(wǎng)絡模型的建議是有價值的，可用的，并且可以沿所選擇的航空發(fā)動機葉片輪廓的預測精度誤差小于8。圖1是本文的研究對象航

4、空發(fā)動機葉片的三維實體模型。圖1航空發(fā)動機葉片的實體模型.ECM原則 圖2為ECM的原理的原理圖。 ECM過程連接工件(陽極)和工具(陰極)靠的是電解槽，電解液通過它被抽離的。當施加電位差時，電流作為電化學反應的結果發(fā)生在兩電極的表面上。金屬原子的氧化反應在工件(陽極)表面去除材料，而在工具(陰極)表面通常發(fā)生氫還原反應在那施加影響。隨著工具的連續(xù)進料在工件中產(chǎn)生的形狀幾乎是工具電極的鏡像4。圖2 電化學加工原理工具(陰極)工件(陽極)電源電解液-+抽水泵過濾器進給速率。為葉片在ECM過程中準確預測的人工神經(jīng)網(wǎng)絡的發(fā)展1. 人工神經(jīng)網(wǎng)絡理論 (ANN)人工神經(jīng)網(wǎng)絡（ANN）是一類并行處理架構，

5、它可以通過許多稱為神經(jīng)元的非線性處理單元的應用模仿許多復雜的非線性關系來。通過足夠的實驗數(shù)據(jù)培訓,這種關系可以被掌握。它不僅可以使決策基于不完整和無序的信息,而且能夠從以前被培訓過的案例中概括出概括出規(guī)則并把他們應用到新案例中。一般，與神經(jīng)元的輸入層，隱含層和輸出層設計為在不同的層分組的人工神經(jīng)網(wǎng)絡的結構是分層次的，如圖所示。3。信號被提供給輸入層的神經(jīng)元，然后在此層中的每個神經(jīng)元產(chǎn)生一個輸出信號，它被轉(zhuǎn)移到隱藏層的神經(jīng)元。所產(chǎn)生的輸出信號的最后一層（輸出層）。當然，也有隱藏層的數(shù)量，但沒有理論限制，通常只有一個或兩個。四層（最多三個隱藏層加一個輸出層），足以解決任何復雜的問題。123i123

6、j123kx1x2x3xiz1z2z3zK輸入層輸入層輸出層圖3 反向傳播神經(jīng)網(wǎng)絡的圖解結構y1y2y3yj多層前饋網(wǎng)絡反向傳播(BP)的學習是所有的ANN模型中最受歡迎的。前饋BP神經(jīng)網(wǎng)絡實際上是由兩個神經(jīng)網(wǎng)絡算法：（一）正向輸送及（b）反向傳播組成的。沒有必要總是使用“前饋”和“反向傳播”在一起，但是這是通常的情況。術語“前饋”，是指一個神經(jīng)網(wǎng)絡處理模式，回憶模式，術語“反向傳播”描述這種類型的神經(jīng)網(wǎng)絡進行訓練的方法。反向傳播是監(jiān)督訓練一種形式。使用監(jiān)督的訓練方法時，網(wǎng)絡必須提供與樣本輸入和預期的輸出（目標），如圖所示。3。這些預期的輸出進行比較，從神經(jīng)網(wǎng)絡的預測輸出。然后，在反向傳播訓練

7、算法需要計算的誤差，調(diào)整各層的權重，從輸出層向后所有的方式回到輸入層，直到達到一個很好的匹配，即之間的誤差的預測值和測量的加工精度航空發(fā)動機葉片的ECM被最小化，以低于預定義的收斂極限。為了驗證新訓練過的人工神經(jīng)網(wǎng)絡，一組測試數(shù)據(jù)的泛化能力，即不使用在訓練階段的數(shù)據(jù)，被作為輸入提供。如果產(chǎn)量預測值和預期值之間的誤差足夠小，網(wǎng)絡是很好的訓練。在這里，網(wǎng)絡的收斂準則確定的平均根均方（RMS）誤差的期望和預測的輸出值之間的RMS可以計算如下，             &#

8、160;（1） (1)RMS 的平均是，N 是訓練或測試數(shù)據(jù)的數(shù)量，P 是在輸出變量的數(shù)目， 和 是目標輸出和網(wǎng)絡輸出神經(jīng)元。 ECM中的航空發(fā)動機葉片的加工精度預測的人工神經(jīng)網(wǎng)絡模型的收斂標準已定為百分之一的誤差。神經(jīng)網(wǎng)絡需要兩個輸入數(shù)據(jù)和輸出數(shù)據(jù)的范圍內(nèi)取值范圍為0到1，因而應該是，數(shù)據(jù)必須統(tǒng)一。被廣泛使用的統(tǒng)一方法 (2)其中 x 為原始數(shù)據(jù)（通常是實驗數(shù)據(jù)）是 x 的最小值，是 x 最大值，為x的相應的統(tǒng)一的數(shù)據(jù)。在神經(jīng)網(wǎng)絡中，所有原本應該在0到1的范圍內(nèi)統(tǒng)一.2 在ECM中BP神經(jīng)網(wǎng)絡模型預測精度的應用在這項研究中，BP神經(jīng)網(wǎng)絡預測的加工精度和評估那些重要的工藝參數(shù)。 BP神經(jīng)網(wǎng)絡模

9、型的輸入端施加電壓，初始加工間隙，進給速度，刀具陰極，電解液入口和出口之間的壓力差，電解液的溫度。我們選擇模型葉片輪廓上6個檢查點，并利用這四個檢查點之間的理想的精度值和實驗精度值作為BP神經(jīng)網(wǎng)絡的輸出精度誤差，從而在BP模型有六個輸出。圖4顯示了我們所選的6個檢查點的位置。圖4檢查站的位置模型葉片 Point 1 Point 2 Point 3 Point 4 Point 5 Point 6正如上面所提到的，BP神經(jīng)網(wǎng)絡，需要學習和培訓。在這里的學習是基于梯度下降算法，因此需要激活函數(shù)可微的，物流的S形函數(shù)被用作激活功能和圖5-1所示。圖5 s形邏輯函數(shù)的形狀圖6顯示了我們的BP神經(jīng)網(wǎng)絡結構

10、，并有3層，包括輸入層（神經(jīng)元），一個隱含層和輸出層（6個神經(jīng)元）。1234512345612315電壓初始間隙進給速率溫度壓差在6個檢查點的精度圖6 BP網(wǎng)絡對葉片電解加工過程的原理結構為了訓練如圖6所示的BP神經(jīng)網(wǎng)絡模型，一些采樣輸入數(shù)據(jù)和預期的輸出（目標）應該提供的BP神經(jīng)網(wǎng)絡模型。因此，為了獲得ECM過程中的參數(shù)和葉片的加工精度之間的關系的一組加工實驗已經(jīng)在JAPAX-300B型ECM機床上進行了在工業(yè)規(guī)模上的分析。葉片的材料為2Cr13鋼，電解質(zhì)的成分是NaNO3。圖7是在ECM加工模型葉片的示意圖。圖8向我們展示了在ECM中模航空發(fā)動機葉片模型加工的夾具結構和位置模式。 Tool電

11、解質(zhì)入口電解質(zhì)出口葉片夾具圖7 電解加工模型葉片的原理圖(b)(a)圖8夾具結構 (a)內(nèi)部結構 (b)外結構表1列出了實驗結果數(shù)據(jù)。所有的數(shù)據(jù)集（施加電壓，初始間隙，進給速度，刀具陰極，電解液的溫度和電解質(zhì)的入口和出口之間的壓力差）已被統(tǒng)一在0和1之間。在這些數(shù)據(jù)集，這些數(shù)據(jù)集的75都選擇訓練BP神經(jīng)網(wǎng)絡，同時保持25的數(shù)據(jù)集用來測試新訓練過的BP神經(jīng)網(wǎng)絡的可預見性，也就是，以驗證開發(fā)的BP神經(jīng)網(wǎng)絡預測在ECM模型葉片的加工精度的能力。 3 BP神經(jīng)網(wǎng)絡預測結果經(jīng)過反復試驗，通過在425之間改變在隱藏層神經(jīng)元的數(shù)目，發(fā)現(xiàn)具有一個包括15個隱含神經(jīng)元的隱藏層的網(wǎng)絡給出了一個最低的RMS誤差，從

12、而認為是用于預測加工航空發(fā)動機葉片ECM過程中的準確性最佳的配置。整個BP神經(jīng)網(wǎng)絡模型圖五所示。迭代的數(shù)量是12000。12000年以后的迭代, BP神經(jīng)網(wǎng)絡RMS的可以少于1%,而網(wǎng)絡結構具有良好的收斂性,而動態(tài)擾動因子相當于0.01,學習速率相當于0.85。 訓練結束后，BP神經(jīng)網(wǎng)絡需要進行測試的有效性。正如上面提到的，我們保留25的實驗數(shù)據(jù)集作為測試樣本。表2列出了試驗結果，包括實驗誤差（EE），預測誤差（PE）和相對誤差（RE）。從表2中，我們可以觀察到，所有的實驗和預測結果之間的加工精度誤差小于8的所有5個測試數(shù)據(jù)集，這表明，本文提出的BP神經(jīng)網(wǎng)絡在ECM中加工航空發(fā)動機葉片具有理想

13、的預測精度和還具有良好的收斂性（迭代次數(shù)<12,000）。.成熟的的 BP神經(jīng)網(wǎng)絡的應用利用發(fā)達的BP神經(jīng)網(wǎng)絡，在ECM中和航空發(fā)動機模型葉片匹配的數(shù)以百計的加工參數(shù)，已經(jīng)被斷定和評估。根據(jù)預測結果，最佳的加工過程中的參數(shù)匹配是：施加電壓14.5V，工具陰極進料速率為0.4mm/min，初始加工間隙0.45毫米的，電解液0.23MPa，電解液溫度30的入口和出口之間的壓力差下，同時加工葉片的ECM過程中的預測精度誤差小于0.06毫米（所要求的精度，應該是小于0.12毫米）。為了驗證預測結果，在工業(yè)規(guī)模的ECM機床，JAPAX-300模型上進行加工實驗。圖9是ECM加工系統(tǒng)的概略圖，圖10

14、是加工現(xiàn)場的照片. 表1訓練發(fā)達BP神經(jīng)網(wǎng)絡的實驗數(shù)據(jù)集(15訓練數(shù)據(jù)集)順序號外加電壓(V)最初的差距(毫米)加料速度(毫米/分鐘)電解液的溫度(°C)壓差(MPa)檢查點的加工精度誤差 (毫米)Point 1Point 2Point 3Point 4Point 5Point 6113.50.350.3025.00.230.080.100.040.040.080.08213.50.350.3530.00.230.110.120.050.050.060.10313.50.350.4035.00.230.120.110.070.060.060.09414.00.350.4525.00.

15、250.070.070.050.030.090.09514.00.350.5030.00.250.100.090.050.070.090.08614.00.400.3035.00.250.110.120.020.050.080.06714.00.400.3525.00.280.090.080.030040.080.06814.50.400.4030.00.280.070.090.030.030.080.11914.50.400.4535.00.280.100.090.040.040.090.101014.50.400.5025.00.300.080.120.050.040.060.111114

16、.50.500.3030.00.300.090.120.030.030.110.101215.00.500.3535.00.300.070.070.060.060.120.081315.00.500.4025.00.320.080.090.050.060.110.111415.00.500.4530.00.320.100.090.050.050.070.101515.00.500.5035.00.320090.090.060.040.100.11表2發(fā)達BP神經(jīng)網(wǎng)絡的試驗結果(5測試數(shù)據(jù)集)順序 外加電壓(V)最初間隙 (mm)進給速率(mm/min)電解液的溫度(°C)壓差(MPa

17、)檢查點的加工精度誤差 (毫米)實驗誤差(EE)/預測誤差(PE)/相對誤差(RE = PE / EE) Point 1Point 2Point 3Point 4Point 5Point 6113.50.350.4025.00.25EE 0.08 EE 0.10 EE 0.05 EE 0.05 EE 0.07 EE 0.10 PE 0.086PE0.104PE0.047PE0.053PE0.068PE0.093RE 7.5%RE 4.0%RE -6.0%RE 6.0%RE-3.0%RE-7.0%213.50.400.4025.00.28EE0.07 EE0.10 EE0.04 EE 0.05

18、EE 0.10 EE 0.09 PE 0.065PE 0.096PE 0.042PE 0.048PE 0.102PE 0.089RE -7.2%RE -4.0%RE 5.0%RE -4.0%RE 2.0%RE -1.0%314.00.400.5030.00.30EE 0.09 EE 0.09 EE 0.04 EE 0.06 EE 0.07 EE 0.11 PE 0.094PE 0.094PE 0.038PE 0.062PE 0.073PE 0.108RE 4.4%RE 4.4%RE -5.0%RE 3.3%RE 4.3%RE -1.2%414.50.450.5030.00.30EE 0.10

19、EE 0.09 EE 0.05 EE 0.05 EE 0.08 EE 0.09 PE 0.098PE 0.093PE 0.048PE 0.053PE 0.082PE 0.09RE -2.0%RE 3.3%RE -4.0%RE 6.0%RE 2.5%RE 0.0%515.00.500.5030.00.30EE 0.09 EE 0.08 EE 0.07 EE 0.06 EE 0.10 EE 0.11 PE 0.091PE 0.075PE 0.067PE 0.060PE 0.096PE 0.114RE 1.0%RE -6.3%RE -4.3%RE 0.0%RE -4.0%RE 3.6%使用上面提到的最佳的加工參數(shù)匹配，在ECM機床上得到一組刀片樣品。所有這些葉片樣品測試，以確定的六個檢查點，由一個特殊的測量工具的加工精度。的測試結果表明，在6個檢查點的加工精度有0.03mm至0.07mm，這證明從開發(fā)的BP神經(jīng)網(wǎng)絡的最佳參數(shù)匹配是有效的，適宜的范圍內(nèi)。因此，BP神經(jīng)網(wǎng)絡是有利的。圖11向我們顯示了航空發(fā)動機葉片樣品。電解槽泵排氣口電源進給裝置控制裝置Filter 壓力表流量計壓濾器圖.9 ECM實