基于bp神經(jīng)網(wǎng)絡(luò)的c4材料的光整加工

基于bp神經(jīng)網(wǎng)絡(luò)的c4材料的光整加工

與傳統(tǒng)的金屬相比，鈦合金具有強度高、耐腐蝕性好等特點。廣泛應(yīng)用于軍事、航空、海洋船舶等領(lǐng)域。同時，鈦合金質(zhì)量輕、生物相容性好，在民生領(lǐng)域也得到較為廣泛的應(yīng)用，例如高爾夫球桿、人體體內(nèi)植入物等影響磁粒研磨光整加工的工藝參數(shù)很多，例如磨料粒徑、主軸轉(zhuǎn)速、加工間隙、加工介質(zhì)、進給速率、磨料填充質(zhì)量等。表面粗糙度通常作為檢驗磁粒研磨光整加工質(zhì)量的重要指標(biāo)，為了獲得更優(yōu)的工藝參數(shù)來降低工件表面粗糙度，想要通過數(shù)學(xué)公式表達各個工藝參數(shù)與表面粗糙度之間的復(fù)雜非線性關(guān)系是非常困難的?，F(xiàn)通常采用正交試驗對工藝參數(shù)進行優(yōu)化，但是這種方法得到的優(yōu)化結(jié)果只能來自于設(shè)定好的水平中，具有一定的局限性。BP神經(jīng)網(wǎng)絡(luò)是人工神經(jīng)網(wǎng)絡(luò)的類型之一，其模仿生物神經(jīng)元的生理機能，能夠進行大規(guī)模并行處理，具有容錯性好、自適應(yīng)和自組織能力強等特點，能夠?qū)?fù)雜的非線性關(guān)系進行擬合根據(jù)正交試驗得到的數(shù)據(jù)組對BP神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練，建立主軸轉(zhuǎn)速n、加工間隙δ、進給速率v和磨料粒徑D四個工藝參數(shù)與表面粗糙度Ra之間的對應(yīng)關(guān)系，利用遺傳算法良好的全局尋優(yōu)能力對工藝參數(shù)進行優(yōu)化。1測試1.1被加工工件的選擇TC4鈦合金作為α+β兩相鈦合金的一種，由于其耐高溫性好、強度高、生物相容性好和易于成形的特點，在軍事和民生領(lǐng)域得到了廣泛應(yīng)用，其產(chǎn)量占據(jù)鈦合金總產(chǎn)量的一半本次試驗選擇一塊長寬高為32mm×20mm×5mm的TC4鈦合金塊作為被加工工件?；赬K7136C型，主軸被改造為磁極裝夾裝置的數(shù)控銑床作為磁粒研磨光整加工平臺1.2光整加工工藝參數(shù)對磁粒研磨結(jié)果的影響正交試驗可以在盡量減少試驗次數(shù)的情況下進行一定程度的試驗參數(shù)與試驗結(jié)果之間關(guān)系的探究。磁粒研磨光整加工過程中有眾多工藝參數(shù)，如主軸轉(zhuǎn)速、加工間隙、進給速率、磨料粒徑、磨料填充質(zhì)量、工作介質(zhì)等，其中磨料填充質(zhì)量和工作介質(zhì)對磁粒研磨結(jié)果的影響較小，將這兩個因素作為常量處理，每組試驗使用精密天平稱取2g金剛石磁性磨料和0.2gSAE15W-40潤滑油分別作為磨料填充質(zhì)量和加工介質(zhì)1.3工件表面粗糙度每組試驗前用砂紙對TC4工件進行預(yù)處理，在工件上隨機選取3個點測量表面粗糙度，取其平均值作為加工前工件表面粗糙度，將工件的表面粗糙度打磨至0.320μm。采用磁粒研磨光整加工技術(shù)，沿工件寬度方向?qū)ぜM行2次加工，使用超聲清洗器清洗浸沒在酒精中的加工后工件2min，去除工件表面殘留油污，隨機選取3個點測量表面粗糙度，并取其平均值作為加工后工件表面粗糙度。試驗結(jié)果如表2所示。2bp神經(jīng)網(wǎng)絡(luò)2.1t系統(tǒng)學(xué)習(xí)函數(shù)借助Matlab軟件建立BP神經(jīng)網(wǎng)絡(luò)模型。BP神經(jīng)網(wǎng)絡(luò)是人工神經(jīng)網(wǎng)絡(luò)杰出的代表，也是當(dāng)前應(yīng)用最廣的神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法之一式中：h為隱含層神經(jīng)元個數(shù)；n為輸出層神經(jīng)元個數(shù)；m為輸入層神經(jīng)元個數(shù)；a為調(diào)節(jié)系數(shù)，a∈[0,10]。訓(xùn)練函數(shù)設(shè)置為trainlm。傳遞函數(shù)為S型正切函數(shù)tansig，因為函數(shù)tansig在區(qū)間[-1,1]之外的區(qū)域變化平緩，所以將輸入數(shù)據(jù)歸一化到區(qū)間[-1,1]內(nèi)，以避免輸出數(shù)據(jù)區(qū)分度小。同時歸一化還可以避免數(shù)據(jù)之間的范圍過大，而導(dǎo)致網(wǎng)絡(luò)模型收斂速度慢和小數(shù)據(jù)被大數(shù)據(jù)湮沒的問題。使用公式(2)對數(shù)據(jù)進行歸一化：式中：y為輸出數(shù)據(jù)；x為輸入數(shù)據(jù)；x根據(jù)式(1)得出隱含層的神經(jīng)元個數(shù)范圍為[3,13]，經(jīng)試驗，神經(jīng)元個數(shù)與模型訓(xùn)練誤差的結(jié)果如表3所示。當(dāng)隱含層的神經(jīng)元個數(shù)為12個時，模型訓(xùn)練誤差較小，因此選擇隱含層的神經(jīng)元個數(shù)為12。構(gòu)建的BP神經(jīng)網(wǎng)絡(luò)模型如圖2所示。2.2bp神經(jīng)網(wǎng)絡(luò)模型的建立用正交試驗得到的9組數(shù)據(jù)對建立好的模型進行訓(xùn)練和檢驗。隨機對9組試驗數(shù)據(jù)進行編號，通常選用數(shù)據(jù)總體的80%作為訓(xùn)練樣本，因此隨機抽取其中7組數(shù)據(jù)作為訓(xùn)練樣本，剩下的2組數(shù)據(jù)作為測試樣本。建立好的BP神經(jīng)網(wǎng)絡(luò)模型通過學(xué)習(xí)訓(xùn)練樣本中的數(shù)據(jù)，建立輸入數(shù)據(jù)和輸出數(shù)據(jù)之間的關(guān)系，用測試樣本中的數(shù)據(jù)來檢驗?zāi)Ｐ蛿M合的好壞。BP神經(jīng)網(wǎng)絡(luò)自身并不能判斷數(shù)據(jù)擬合的好壞和預(yù)測的準(zhǔn)確程度，于是引入決定系數(shù)RR式中：Y為測量值；總離差平方和等于被解釋平方和與殘差平方和之和，如公式(6)所示，進而R式中：RSS為殘差平方和。觀察公式(7)可以發(fā)現(xiàn)，R3基于遺產(chǎn)挖掘方法的優(yōu)勢3.1表面粗糙度篩選遺傳算法是以達爾文進化論中自然選擇和遺傳機理為基礎(chǔ)建立的數(shù)學(xué)計算模型，舍棄固有的搜索方式，模仿自然界生物的遺傳進化過程經(jīng)過200次迭代后，搜索到最優(yōu)的表面粗糙度是0.0951μm，適應(yīng)度曲線如圖4所示，此時的工藝參數(shù)值為：主軸轉(zhuǎn)速1021.26r/min，加工間隙1.52mm，進給速率1.04mm/min，磨料粒徑197.91μm。3.2試驗結(jié)果檢驗使用尋優(yōu)得到的數(shù)據(jù)進行試驗，其他試驗條件保持不變，考慮到試驗材料及設(shè)備的客觀條件，在滿足試驗設(shè)備所能達到條件的前提下，盡可能小地改變計算得到的數(shù)據(jù)。對試驗參數(shù)進行調(diào)整，調(diào)整后的試驗參數(shù)及試驗結(jié)果對比如表6所示。經(jīng)過3組結(jié)果檢驗試驗，試驗得到的數(shù)據(jù)與預(yù)測得到的數(shù)據(jù)誤差均小于2.21%，在可接受范圍內(nèi)。經(jīng)分析，誤差產(chǎn)生的原因有：（1）試驗結(jié)果測量時，測量和讀數(shù)存在誤差；（2)BP神經(jīng)網(wǎng)絡(luò)模型建立時，訓(xùn)練樣本數(shù)量少導(dǎo)致的誤差；（3）根據(jù)實際加工條件調(diào)整得到的最優(yōu)工藝參數(shù)與計算得到的最優(yōu)工藝參數(shù)之間的差值所產(chǎn)生的誤差。TC4材料加工前后的表面粗糙度、表面紋理和加工效果對比如圖5—7所示。結(jié)果表明，經(jīng)磁粒研磨光整加工后，TC4材料表面粗糙度下降明顯，工件表面的劃痕和毛刺被大量去除，加工表面從模糊不清到鏡面效果，工件的表面質(zhì)量提高，有利于提高TC4工件的使用壽命。4基于遺傳算法的磁粒研磨tc4材料工藝參數(shù)優(yōu)化結(jié)果1）根據(jù)正交試驗結(jié)果，建立了輸入量為主軸轉(zhuǎn)速n、加工間隙δ、進給速率v和磨料粒徑D，輸出量為表面粗糙度Ra的BP神經(jīng)網(wǎng)絡(luò)模型，使用決定系數(shù)R2）基于遺傳算法對磁粒研磨TC4材料工藝參數(shù)優(yōu)化，計算得到當(dāng)主軸轉(zhuǎn)速為1021.26r/min、加工間隙為1.52mm、進給速率為1.04mm/min、磨料粒徑為197.