基于RBF神經(jīng)網(wǎng)絡(luò)的難加工金屬材料數(shù)控加工控制方法研究*

曾誼暉,左青松,李翼德,黃紅華,陳 恒,王亞風(fēng)

(1.中南大學(xué)機(jī)電工程學(xué)院,湖南長(zhǎng)沙 410083;2.湖南涉外經(jīng)濟(jì)學(xué)院數(shù)控中心,湖南長(zhǎng)沙 410205; 3.湖南大學(xué)機(jī)械與運(yùn)載工程學(xué)院,湖南長(zhǎng)沙 410082)

基于RBF神經(jīng)網(wǎng)絡(luò)的難加工金屬材料數(shù)控加工控制方法研究*

曾誼暉1,2?,左青松3,李翼德3,黃紅華2,陳 恒2,王亞風(fēng)2

(1.中南大學(xué)機(jī)電工程學(xué)院,湖南長(zhǎng)沙 410083;2.湖南涉外經(jīng)濟(jì)學(xué)院數(shù)控中心,湖南長(zhǎng)沙 410205; 3.湖南大學(xué)機(jī)械與運(yùn)載工程學(xué)院,湖南長(zhǎng)沙 410082)

針對(duì)鈦合金等難加工金屬材料數(shù)控加工存在的問(wèn)題,采用RBF神經(jīng)網(wǎng)絡(luò)開(kāi)發(fā)了難加工金屬材料數(shù)控加工神經(jīng)網(wǎng)絡(luò)控制方法,并結(jié)合數(shù)控加工設(shè)備建立了難加工金屬材料實(shí)時(shí)監(jiān)控系統(tǒng).應(yīng)用效果表明,對(duì)難加工材料數(shù)控加工進(jìn)行RBF神經(jīng)網(wǎng)絡(luò)控制后,加工工件表面粗糙度誤差和圓度誤差比難加工材料傳統(tǒng)數(shù)控加工方法要低很多,表面粗糙度平均誤差降低50%以上,圓度平均誤差降低70%以上.

難加工金屬材料;神經(jīng)網(wǎng)絡(luò);數(shù)控加工;加工精度

伴隨汽車(chē)、航空、航天、航海、石油、化工以及現(xiàn)代化機(jī)械工業(yè)的發(fā)展,對(duì)產(chǎn)品零部件材料要求具有高硬度、高功能性、耐高溫、熱強(qiáng)度高、能承受復(fù)雜應(yīng)力以及耐腐蝕等一系列優(yōu)良的物理機(jī)械性能,而只有難加工金屬材料,如鈦合金、高溫合金、硬質(zhì)合金、奧氏體不銹鋼、高錳鋼等才能滿(mǎn)足這些要求[1].同時(shí)由于數(shù)控加工過(guò)程的復(fù)雜性、隨機(jī)性和不確定性,使得難加工金屬材料的加工變得很難控制[2-4],因此,必須從數(shù)控加工上取得突破才能解決難加工金屬材料的大量使用及品種性能多樣化所帶來(lái)的難題[5-8].以前一般采用BP算法的人工神經(jīng)來(lái)控制數(shù)控加工過(guò)程,但由于BP算法的前傳多層感知器網(wǎng)絡(luò)在權(quán)重初始化的隨機(jī)性,難以根據(jù)難加工金屬材料在加工中的振動(dòng)、變形等一系列實(shí)際誤差來(lái)確定一組比較好的初始值,并且BP算法學(xué)習(xí)收斂速度慢,容易陷入局部極小點(diǎn),從而極大地限制了其在切削加工誤差型建模中的應(yīng)用.在20世紀(jì)80年代,文獻(xiàn)[9-11]提出了一種具有單隱層的三層前饋網(wǎng)絡(luò)反向傳播算法,即徑向基RBF算法,它克服了BP網(wǎng)絡(luò)在函數(shù)逼近時(shí)收斂慢和局部極小等缺點(diǎn),理論上可近似任何連續(xù)非線(xiàn)性函數(shù)[12-14].所以本文考慮采用RBF神經(jīng)網(wǎng)絡(luò)模型來(lái)描述難加工金屬材料數(shù)控加工參數(shù)和性能的映射關(guān)系,把數(shù)據(jù)庫(kù)中已有的加工實(shí)例的樣本輸入、輸出作為學(xué)習(xí)對(duì)象,通過(guò)訓(xùn)練對(duì)加工參數(shù)和結(jié)果的映射關(guān)系進(jìn)行建模,對(duì)難加工金屬材料進(jìn)行數(shù)控加工控制,實(shí)際應(yīng)用效果驗(yàn)證了本文提出的基于RBF神經(jīng)網(wǎng)絡(luò)的難加工金屬材料數(shù)控加工控制方法是十分有效的.

1 難加工金屬材料數(shù)控加工存在的問(wèn)題

切削加工中常遇到的難加工金屬材料有不銹鋼、鈦合金、高溫合金、高強(qiáng)度鋼和高錳鋼等.這些材料的切削加工性很差,切削時(shí)或者刀具壽命縮短、卷屑困難,或者加工表面質(zhì)量差.

難加工材料的材料特性是:①難加工材料含有許多高熔點(diǎn)合金元索和其他合金元素,構(gòu)成了純度高、組織致密的奧氏體固溶體合金.②高合金化的難加工材料,沉淀硬化相呈彌散分布,且其原子間的結(jié)合十分穩(wěn)定.③導(dǎo)熱系數(shù)低,不利于熱平衡.因而影響刀具的耐用度.④存在大量碳、氮、硼及金屬化合物,在相當(dāng)高的溫度范圍內(nèi),硬度隨溫度的升高反而有所上升.⑤難加工材料在一定的溫度范圍內(nèi),仍能保持相當(dāng)高的硬度和強(qiáng)度.

難加工材料的加工特性,突出地反映在切削加工過(guò)程難度大,主要表現(xiàn)在:①切削力大.難加工材料強(qiáng)度高,切削時(shí)消耗于塑性變形的能量大,與切削普通材料相比,其切削力約為3～4倍.②切削溫度高.難加工材料熱導(dǎo)率低,因而導(dǎo)熱性差,切削時(shí)產(chǎn)生的大量切削熱很難向材料內(nèi)部傳導(dǎo),致使切削區(qū)溫度高,甚至在工件表面出現(xiàn)重劃痕、燒傷、裂紋等質(zhì)量問(wèn)題.③加工硬化嚴(yán)重.在切削高溫的作用下,已加工表面硬度可達(dá)基體硬度的200～500倍.④刀具易發(fā)生黏附磨損和擴(kuò)散磨損,耐用度明顯下降.在高的切削溫度(750～1 000℃)下,刀具產(chǎn)生嚴(yán)重的擴(kuò)散磨損和氧化磨損.⑤部分難加工材料(如鈦及鈦合金)高溫時(shí)化學(xué)活性高,在切削熱作用下,切屑易生成鈦的氧化物,導(dǎo)致工件表層的強(qiáng)度與硬度增大,韌性下降,切削力增大,從而加快刀具的磨損.

高溫合金是常見(jiàn)的最難加工材料之一,如45號(hào)鋼的加工性為100%,則高溫合金的相對(duì)加工性?xún)H為5%～20%.正是由于難加工金屬材料具有以上特點(diǎn),使得其在加工制造中的質(zhì)量控制和數(shù)據(jù)處理充滿(mǎn)了大量的不確定性和影響因素.

2 難加工材料數(shù)控加工RBF控制方法

2.1 RBF函數(shù)神經(jīng)網(wǎng)絡(luò)及其反向傳播學(xué)習(xí)算法

1)RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

如圖1所示,徑向基函數(shù)(RBF)神經(jīng)網(wǎng)絡(luò)隱層每個(gè)神經(jīng)元與輸入層相連的權(quán)值向量W 1i和輸入矢量Xq(表示第q個(gè)輸入向量)之間的距離乘上閾值b1,作為本身的輸入y=radbas[dis(W,x) ×b)],其中,輸出層神經(jīng)元對(duì)隱含層的輸出用purelin函數(shù)進(jìn)行線(xiàn)形加權(quán)組合.

圖1 RBF網(wǎng)絡(luò)結(jié)構(gòu)Fig.1 RBF netw ork structure

式中:x為n維輸入向量;c i為第i個(gè)基函數(shù)的中心(與x具有相同維數(shù)的向量);σi為第i個(gè)感知的變量,它決定了該基函數(shù)圍繞中心點(diǎn)的寬度;n為感知單元的個(gè)數(shù);||x-c i||為向量x-c i的范數(shù),表示x和ci之間的距離.

由式(1)可知,c i值的大小實(shí)際上反映了輸出對(duì)輸入的響應(yīng)寬度.c i值越大,隱含層神經(jīng)元對(duì)輸入矢量的響應(yīng)范圍將越大.且神經(jīng)元間的平滑度也較好.

輸出層的輸入為各隱含層神經(jīng)元輸出的加權(quán)求和.由于激勵(lì)函數(shù)為純線(xiàn)性函數(shù),因此其輸出為:

基函數(shù)采用高斯函數(shù):

2)RBF初始化及學(xué)習(xí)

在式(1)中當(dāng)c i確定后,可按照?qǐng)D2所示的RBF訓(xùn)練流程訓(xùn)練由隱層至輸出層之間的權(quán)系值為W2.

圖2 RBF訓(xùn)練流程圖Fig.2 RBF training flow chart

在訓(xùn)練以前,需要提供輸入矢量X,對(duì)應(yīng)的目標(biāo)矢量T與徑向基函數(shù)的擴(kuò)展常數(shù)C.訓(xùn)練的目的是求取2層的最終W1,W2和閾值b1,b2(當(dāng)隱含層單元數(shù)等于輸入矢量數(shù)時(shí),取b2=0).無(wú)導(dǎo)師學(xué)習(xí)也稱(chēng)非監(jiān)督學(xué)習(xí)(Unsupervised Learning)或自組織學(xué)習(xí)(Self-O rganized Learning).系統(tǒng)在對(duì)所有樣本的輸入進(jìn)行聚類(lèi)后,求得各隱層節(jié)點(diǎn)RBF的外部中心c i,確定訓(xùn)練輸入層與隱含層間的權(quán)值W 1.

在RBF網(wǎng)絡(luò)訓(xùn)練中,隱含層神經(jīng)元數(shù)量的確定是一個(gè)關(guān)鍵問(wèn)題,傳統(tǒng)的做法是使其與輸入向量的元素相等[14].顯然,在輸入矢量很多時(shí),過(guò)多的隱含層單元數(shù)是無(wú)法讓人接受的.因此,采用一種改進(jìn)方法.基本原理是從0個(gè)神經(jīng)元開(kāi)始訓(xùn)練.通過(guò)檢查輸出誤差使網(wǎng)絡(luò)自動(dòng)增加神經(jīng)元.每次循環(huán)使用,使網(wǎng)絡(luò)產(chǎn)生的最大誤差所對(duì)應(yīng)的輸入向量作為權(quán)值向量W1i.產(chǎn)生一個(gè)新的隱含層神經(jīng)元,然后檢查新網(wǎng)絡(luò)的誤差.重復(fù)此過(guò)程直到達(dá)到誤差要求或最大隱含層神經(jīng)元數(shù)為止.

2.2 難加工材料數(shù)控加工RBF監(jiān)控系統(tǒng)

由于KDCL-25型全功能數(shù)控車(chē)床是集機(jī)-電-氣-液于一體的復(fù)雜的被控對(duì)象,在生產(chǎn)過(guò)程中,難加工材料工件的精度除了受自身特性和控制系統(tǒng)性能的影響外,還受控制系統(tǒng)運(yùn)動(dòng)參數(shù)以及刀具等因素的影響.在一般材料加工控制理論的數(shù)控加工系統(tǒng)中,通常是在加工之前確定加工參數(shù).但是在難加工材料實(shí)際加工過(guò)程中,由于工況參數(shù)易受到材料的影響而不斷變化,先期的加工參數(shù)已不能適應(yīng)情況的變化,因此需要給CNC(Computer Numerical Control)系統(tǒng)提供一個(gè)能根據(jù)工況參數(shù)的變化而實(shí)時(shí)優(yōu)化的加工參數(shù),以期獲得穩(wěn)定、最優(yōu)的加工效果.在數(shù)控系統(tǒng)中增加RBF人工神經(jīng)網(wǎng)絡(luò)實(shí)時(shí)監(jiān)控回路,就可以完成對(duì)難加工材料加工過(guò)程的實(shí)時(shí)檢測(cè)[15].這種處理充分利用了其并行式處理信息及連續(xù)方式學(xué)習(xí)的特點(diǎn),運(yùn)行速度快,方法簡(jiǎn)單有效.難加工材料神經(jīng)網(wǎng)絡(luò)實(shí)時(shí)監(jiān)控?cái)?shù)控系統(tǒng)如圖3所示.

圖3 難加工材料神經(jīng)網(wǎng)絡(luò)實(shí)時(shí)監(jiān)控系統(tǒng)Fig.3 Real-timemonitoring system of neural netw orks for hard tomachinematerial

難加工材料神經(jīng)網(wǎng)絡(luò)智能控制數(shù)控加工系統(tǒng)采用速度傳感器M 317069檢測(cè)速度,磁電轉(zhuǎn)速傳感器SZMB-9檢測(cè)轉(zhuǎn)速,位移變送器HK-NS-W Y04檢測(cè)背吃刀量,以避免建立復(fù)雜的數(shù)學(xué)模型.在系統(tǒng)運(yùn)行過(guò)程中,由于自組織和自學(xué)習(xí)功能,難加工材料神經(jīng)網(wǎng)絡(luò)智能控制數(shù)控加工系統(tǒng)可以實(shí)時(shí)監(jiān)測(cè)被控對(duì)象的工作狀態(tài),對(duì)影響加工精度的參數(shù)進(jìn)行檢測(cè),感知加工系統(tǒng)內(nèi)部狀態(tài)及外部環(huán)境的變化.當(dāng)檢測(cè)到加工狀態(tài)發(fā)生變化時(shí),系統(tǒng)自主地對(duì)各種加工參數(shù)進(jìn)行實(shí)時(shí)控制,以保證加工過(guò)程處于最佳狀態(tài),實(shí)現(xiàn)難加工材料加工過(guò)程的自適應(yīng)控制.

數(shù)控加工系統(tǒng)是一個(gè)機(jī)電一體化的復(fù)雜被控對(duì)象,其中部分功能模塊能夠建立數(shù)學(xué)模型,并使用經(jīng)典控制理論實(shí)行控制.但是對(duì)于難加工金屬材料,有關(guān)工藝和加工過(guò)程的相關(guān)描述是無(wú)法建立精確的數(shù)學(xué)模型的,所以引入模糊控制的思想,達(dá)到經(jīng)典控制方法無(wú)法實(shí)現(xiàn)的效果.本系統(tǒng)采用雙神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)模型,利用模糊控制策略可以實(shí)現(xiàn)加工過(guò)程的最優(yōu)控制.難加工材料神經(jīng)網(wǎng)絡(luò)智能控制數(shù)控系統(tǒng)基本原理如圖4所示.

圖4 難加工材料神經(jīng)網(wǎng)絡(luò)智能控制基本原理Fig.4 The basic p rinciples o f neural netw ork intelligent control for hard to machinematerial

該神經(jīng)網(wǎng)絡(luò)模型的基本單元是模擬神經(jīng)細(xì)胞感知外界信息的工作原理而提出的具有代表性的神經(jīng)元結(jié)構(gòu)化模型.對(duì)于線(xiàn)性不可分的輸入模式,單層感知器網(wǎng)絡(luò)不能實(shí)現(xiàn)正確的區(qū)分,只有通過(guò)多層的組合,最終實(shí)現(xiàn)對(duì)輸入模式的較復(fù)雜的分類(lèi).多個(gè)感知器以層狀聯(lián)結(jié)方式傳遞信息,構(gòu)成多層感知器神經(jīng)網(wǎng)絡(luò).若輸出層得不到期望的輸出,則誤差信號(hào)沿原來(lái)的網(wǎng)絡(luò)通路反向逐層下降,通過(guò)修改各感知器之間相應(yīng)的權(quán)值,使得難加工金屬材料的加工目標(biāo)函數(shù)值誤差最小.

同樣,對(duì)于不是樣本集中的輸入,該神經(jīng)網(wǎng)絡(luò)模型同樣能給出合適的輸出.該網(wǎng)絡(luò)系統(tǒng)可以通過(guò)不斷增加新的樣本繼續(xù)學(xué)習(xí)和提高學(xué)習(xí)精度,使虛擬模型和現(xiàn)實(shí)加工系統(tǒng)進(jìn)一步擬合逼近,從而實(shí)現(xiàn)對(duì)難加工金屬材料數(shù)控加工精度的控制,達(dá)到提高難加工材料的加工效率、降低加工成本及獲得高質(zhì)量產(chǎn)品的目的.

2.3 難加工材料數(shù)控加工RBF控制方法應(yīng)用效果

采用難加工材料數(shù)控加工RBF神經(jīng)網(wǎng)絡(luò)監(jiān)控系統(tǒng),對(duì)比分析難加工材料數(shù)控加工RBF神經(jīng)網(wǎng)絡(luò)控制方法與難加工材料傳統(tǒng)數(shù)控加工方法所得到的加工工件的加工精度.加工工件圓度誤差采用凸輪軸檢查儀進(jìn)行測(cè)量,其表面粗糙度采用SV-C3000超級(jí)表面粗糙度輪廓儀進(jìn)行測(cè)量,在加工工件上隨意選取24個(gè)測(cè)試點(diǎn),取其中8個(gè)最大的數(shù)據(jù)進(jìn)行對(duì)比分析,如圖5所示.從圖5可知,對(duì)難加工材料數(shù)控加工進(jìn)行RBF神經(jīng)網(wǎng)絡(luò)控制的加工工件表面粗糙度誤差范圍為1.0～1.5μm,難加工材料傳統(tǒng)數(shù)控加工方法的加工工件表面粗糙度誤差范圍為1.5～4.0μm,表面粗糙度平均誤差降低50%以上.對(duì)難加工材料數(shù)控加工進(jìn)行RBF神經(jīng)網(wǎng)絡(luò)控制的加工工件圓度誤差范圍為1.0～2.3μm,難加工材料傳統(tǒng)數(shù)控加工方法的加工工件圓度誤差范圍為2.5～8.5μm,圓度平均誤差降低70%以上.可見(jiàn)對(duì)難加工材料數(shù)控加工進(jìn)行RBF神經(jīng)網(wǎng)絡(luò)控制后,工件加工精度得到較大程度提高.

圖5 難加工材料數(shù)控加工RBF神經(jīng)網(wǎng)絡(luò)控制應(yīng)用效果Fig.5 App lication effec ton RBF neural netw ork controlof numerical controlmachining processes for difficu lt processedmetalmaterials

3 結(jié) 語(yǔ)

1)難加工金屬材料數(shù)控的加工過(guò)程是高維、非線(xiàn)性、強(qiáng)干擾、不確定、難建模的復(fù)雜對(duì)象,需要引入人工神經(jīng)網(wǎng)絡(luò)對(duì)其加工過(guò)程進(jìn)行實(shí)時(shí)監(jiān)控,實(shí)現(xiàn)加工過(guò)程智能化.

2)利用RBF神經(jīng)網(wǎng)絡(luò)建立了難加工金屬材料數(shù)控加工實(shí)時(shí)監(jiān)控系統(tǒng),可以較好地完成難加工金屬材料數(shù)控加工過(guò)程的自適應(yīng)參數(shù)化控制.

3)難加工材料數(shù)控加工RBF神經(jīng)網(wǎng)絡(luò)控制實(shí)際應(yīng)用結(jié)果表明,對(duì)難加工材料數(shù)控加工進(jìn)行RBF神經(jīng)網(wǎng)絡(luò)控制后,加工工件表面粗糙度誤差和圓度誤差比難加工材料傳統(tǒng)數(shù)控加工方法要低很多,即表面粗糙度平均誤差降低50%以上,圓度平均誤差降低70%以上,其加工精度得到較大程度提高.

[1] 趙曉強(qiáng).針對(duì)航空難加工材料的ATIStellram刀具[J].航空制造技術(shù),2008,(12):48-49.

ZHAO Xiao-qiang.ATI stellram cu tting tool for difficult-tocutm aterial in aviation industry[J].Aeronau tical Manufacturing Technology,2008,(12):48-49.(In Chinese)

[2] 張念淮.難加工金屬材料的切削加工技術(shù)[J].農(nóng)業(yè)裝備與車(chē)輛工程,2008,204(7):46-48.

ZHANG Nian-huai.Machining technology for difficu lt processed metalmaterials[J].Ag ricultural Equipment&Vehicle Engineering,2008,204(7):46-48.(In Chinese)

[3] 鄒喜洋.難加工材料的特性及其應(yīng)用前景[J].金屬熱處理, 2007,28(4):44-46.

ZOU Xi-yang.Characteristics and application prospect of hard to machinematerials[J].H eat T reatm en t of Metals,2007,28 (4):44-46.(In Chinese)

[4] 李伯民,趙波.現(xiàn)代切削技術(shù)[M].北京:機(jī)械工業(yè)出版社, 2003.

LI Bo-m in,ZHAO Bo.Modern cu tting technology[M].Beijing:Machinery Industry Press,2003.(In Chinese)

[5] 李勁夫.如何在數(shù)控車(chē)床上加工高溫合金[J].企業(yè)技術(shù)開(kāi)發(fā), 2009,28(2):23-27.

LIJin-fu.On thep rocessingmethodsof high-temperatu reahoy by CNC lathe[J].Technological Developmen t of Enterprise, 2009,28(2):23-27.(In Chinese)

[6] NLOPEZ DE LACALLE L,PEREZ J.Advanced cu tting conditions for them illing ofaeronauticalalloys[J].Jou rnal of Materials P rocessing Technology,2000,(100):1-11.

[7] TLUSTY,SM ITH S.Cu rren t trends in high speedmachining [J].Journal Manu facturing Science&Engineering,ASME, 1997,(119):664-666.

[8] 孫麗霞,盧晨光,楊克.人工神經(jīng)網(wǎng)絡(luò)在數(shù)控加工中的應(yīng)用[J].北華大學(xué)學(xué)報(bào):自然科學(xué)版,2004,5(5):465-467.

SUN Li-xia,LU Chen-guang,YANG Ke.Ap plication of artificial neu ral netw ork technology in numerical controlmachining [J].Jou rnal of Beihua University:Natu ral Science Edition, 2004,5(5):465-467.(In Chinese)

[9] 柴杰,江青茵,曹志凱.RBF神經(jīng)網(wǎng)絡(luò)的函數(shù)逼近能力及其算法[J].模式識(shí)別與人工智能,2002,15(3):310-316.

CHA IJie,JIANG Qing-yin,CAO Zhi-kai.Fun ction app roximation capability and algorithms of RBF neu ral netw orks[J]. Pattern Recognition and A rtificial In telligence,2002,15(3): 310-316.(In Chinese)

[10]鄒明山,謝晉,崔曉玲.基于RBF神經(jīng)網(wǎng)絡(luò)的曲面加工誤差補(bǔ)償[J].新技術(shù)新工藝,2009,(2):44-47.

ZOU M ing-shan,X IE Jin,CUI Xiao-ling.Er ror compensation of su rfacem achining based on RBF neu ral netw ork[J].New Technology&New Process,2009,(2):44-47.(In Chinese)

[11]焦李成.神經(jīng)網(wǎng)絡(luò)系統(tǒng)理論[M].西安:西安電子科技大學(xué)出版社,1990.

JIAO Li-cheng.Theory ofneuralnetw ork system[M].X i'an: Xidian University Press,1990.(In Chinese)

[12]劉增良.模糊技術(shù)與神經(jīng)網(wǎng)絡(luò)技術(shù)選編(4)[M].北京:北京航空航天大學(xué)出版社,1999.

LIU Zeng-liang.Fuzzy and neural netw orks technology(4) [M].Beijing:Beihang University Press,1999.

[13]宋朝暉,盧鍔.人工神經(jīng)網(wǎng)絡(luò)技術(shù)在數(shù)控加工誤差控制中的應(yīng)用[J].光學(xué)精密工程,1998,6(6):91-96.

SONG Chao-hui,LU E.Application of artificial neu ral netw ork technology in error control of numerical con trol machining[J].Optics and Precision Engineering,1998,6(6):91-96.(In Chinese)

[14]傅龍珠,狄瑞坤,項(xiàng)國(guó)鋒.BP神經(jīng)網(wǎng)絡(luò)補(bǔ)償熱變形誤差的研究[J].機(jī)床電器,2002,29(3):13-15.

FU Long-zhu,DI Rui-kun,XIANG Guo-feng.Study on BP neural netw ork for thermal deformation error analy sis and compensation[J].Machine Tool Electric Apparatus,2002,29 (3):13-15.(In Chinese)

[15]杜正春,楊建國(guó),竇小龍,等.基于RBF神經(jīng)網(wǎng)絡(luò)的數(shù)控車(chē)床熱誤差建模[J].上海交通大學(xué)學(xué)報(bào),2003,37(1):26-29.

DU Zheng-chun,YANG Jian-guo,DOU X iao-long,et a l. Therm al errorm odeling ofCNC turning cen ter using radial basis function neural netw ork[J].Jou rnal of Shanghai Jiaotong University,2003,37(1):26-29.(In Chinese)

Study on ControlMethod of Numerical ControlMachining Processes for Difficult Processed MetalMaterials Based on RBF Neural Network

ZENG Yi-hui1,2?,ZUO Qing-song3,LIYi-de3,HUANG Hong-hua2, CHEN Heng2,WANG Ya-feng2

(1.College o f Mechanical and Electrical Engineering,Central South Univ,Changsha,H unan 410083,China;
2.Computer Numberical Contro l Tooling Center,Hunan Internationa l Econom ics Univ,Changsha,Hunan 410205,China;
3.College o f M echanical and Vehicle Engineering,H unan Univ,Changsha,Hunan 410082,China)

To so lve the problems existing in numerical control machining p rocesses for difficult processed metalmaterials,such as titanium alloy,a controlmethod of numerical controlmachining processes for difficult processed metalmaterials based on RBF neural network was developed.And combined w ith CNC machining equipment,the corresponding real-time monitoring system was established.Application effect show s that,through RBF neuralnetwork controlof numerical controlmachining processes,the surface roughnessand roundnesserrorsofw orkpiece arem uch lower than thosemachined in conventionalmachining methods.The average error of surface roughness reduced more than 50%,while the average error of roundness reduced more than 70%.

difficult p rocessed metalm aterials;neural netw ork;numerical controlm achining;m achining accuracy

TP202

A

1674-2974(2011)04-0031-05 *

2010-10-12

湖南省教育廳優(yōu)秀大學(xué)生創(chuàng)新實(shí)驗(yàn)項(xiàng)目(2010244-394);湖南省教育廳優(yōu)秀青年科研項(xiàng)目(10B58)

曾誼暉(1972-),男,湖南湘潭人,中南大學(xué)博士研究生,湖南涉外經(jīng)濟(jì)學(xué)院副教授

?通訊聯(lián)系人,E-mail:774158154@qq.com