基于RBF神經網絡的難加工金屬材料數控加工控制方法研究

姚嬌鳳

（西安鐵路職業技術學院，陜西西安 710014）

隨著社會經濟和現代化機械工業的快速發展，各個領域對一些重要零部件材料的力學性能和機械性能的硬度、強度、抗磨性、耐熱性、抗壓強度和抗拉強度等要求在不斷提高，只有像高溫合金、奧氏體不銹鋼、硬質合金、鈦合金等一系列具有耐高溫、耐腐蝕、可承受復雜應力、耐熱度強、高功能性、高硬度的優良物理機械性能的金屬材料才能符合零部件材料要求。對這些材料進行高效加工直接關系到航天航空、汽車制造等重要工業的整體水平和發展速度。為滿足制造要求，選用的材料必須具有高韌性、高耐磨性、高硬度等特性，因此加工這些特性材料的難度也較大。在加工難加工金屬的初期階段，人們較為普遍地采用BP算法的人工神經來控制數控加工。

因BP算法難以按照難加工金屬材料在加工過程中的變形、振動產生的實際誤差來確定較好的初始值，所以在很大程度上限制了其在切削加工誤差型建模中的應用。而且，由于BP算法的前傳多層感知器網絡在初始化時的隨機性，使得BP算法存在很多不足，BP算法常常需要成千上萬次的迭代，增加了訓練樣例維數，導致網絡性能變差、收斂速度太慢；每當加入新樣例時，就會對已學習過的樣例產生影響；BP算法會出現局部極小問題，因為它采用了數學中一梯度最速下降法，這種算法不是求問題的解。RBF算法，它是一種具有單隱層的三層前饋網絡反向傳播算法。RBF算法解決了BP網絡的局部極小和收斂滿等難題。基于RBF神經網絡的難加工金屬材料數控加工控制的方法是非常有效的。它采用RBF神經網絡模型描述難加工金屬材料數控加工的性能和參數的映射關系，按照加工參數和結果的映射關系建模，數控加工控制難加工金屬材料。

1 難加工金屬材料的數控加工

難加工金屬材料是指高溫合金、高強度鋼、高錳鋼、鈦合金、不銹鋼等難以進行切削加工的材料。難加工材料是組織致密、純度高的奧氏體固溶體合金，它含有多高熔點合金元素。它不利于熱平衡，導熱系數低，對刀具的耐用度也產生直接影響。在一定的溫度范圍內仍可以保持相當高的強度和硬度。而且，高合金化材料原子間的結合非常穩定，所以沉淀硬化相呈彌散分布。這些都是難加工材料所具有的特性。由于材料的加工性差，在切削時使加工表面質量差，或者刀具卷屑困難、壽命縮短。其加工的特性體現在：在切削熱作用下，像鈦合金等的難加工材料高溫化學活性高，導致工作表層的硬度和強度增大，切削力增大，韌性下降，切屑容易生產鈦的氧化物；切削刀具容易發生擴撒磨損和粘附磨損，切削溫度在750至1000攝氏度的高溫下，刀具耐用度下降，并產生嚴重的養護磨損和擴撒磨損；已加工表面的硬度在切削高溫作用下達到基體硬度的二百至五百倍；因難加工材料的熱導率低，導熱性能差，切削時產生的溫度高，使且小區溫度升高，大量的切削熱量難以傳導至材料的內部，造成工件表面出現裂紋、燒傷、劃痕等質量問題。難加工材料的強度較高，與切削普通材料相比，在大切削力作用下，在切削難加工材料時消耗于塑性變形的能量大，其切削力約為三至四倍。因為難加工金屬材料的特點，使其在加工制作過程中的數據處理和質量控制存在很多影像因素和不確定性。還應注意工件材料與刀具材料在物理、化學、力學等個方面的合理配合，才能有效提高切削加工的質量。

2 難加工材料數控加工RBF控制方法

難加工材料工件的精度除了受刀具及控制系統運動參數的影響外，還受到控制系統性能和自身特性的影響。在加工控制普通材料前，一般都先確定加工參數，但是，加工難加工材料的工況參數容易根據材料的情況產生變化，所以，預期的加工參數已不適應情況的變化，為收到穩定、優質的加工效果，需要給CNC控制器提供實時優化加工參數。要向完成對難加工材料加工過程實時檢測，只有把RBF人工神經網絡實時監控回路應用到數控系統中去。這種處理方法簡單有效，運行速度快，充分地利用了連續方式學習及并行式處理信息的特點。難加工材料神經網絡實時監控數控系統如圖1所示：

在系統運行中，難加工材料神經網絡智能控制數控加工系統能夠監測被控對象的工作狀態，自學習和自組織的功能檢測影響加工精度的參數，加工系統外部環境及內部狀態的變化，一旦檢測到加工狀態發生變化，系統則會自主對各種加工參數進行實時控制，確保加工過程處于最佳狀態，來完成難加工材料加工過程的自適應控制。為避免建立復雜的數學模型，難加工材料神經網絡智能控制數控加工系統采用磁電轉速傳感器SZMB一9檢測轉速，速度傳感器M317069檢測速度。數控加工系統中部分功能模塊可以創立數學模型，采用控制理論實施控制，它是機電一體化的復雜被控對象。難加工金屬材料的加工過程和有關工藝不能創立精確的數學模型，為了達到控制方法不可能實現的效果，則導入模糊控制的思想。系統采用了雙神經網絡結構模型，可以利用模糊控制策略來實現對加工過程的最優化控制。難加工材料神經網絡智能控制數控系統的基本原理如圖2所示：

圖1 難加工材料神經網絡實時監控系統

圖2 難加工材料神經網絡智能控制數控系統的基本原理

神經網絡模型對不是樣本集中的輸入同樣能給出合適的輸出。該網絡系統能夠增加新樣本繼續學習以及提高學習的精度，從而實現控制難加工金屬材料數控加工精度，使現實加工系統和虛擬模型接近，達到獲得高質量產品及降低加工成本的目的，增加了難加工材料的加工效率。該神經網絡模型的基本單元是具有代表性的神經元結構化模型，它依據模擬神經細胞感知外界信息的工作原理，實現對輸入模式的較復雜的分類。對于線性不可分的輸入模式而言，單層感知器網絡不能夠正確區分，只能通過多層的組合來實現。多個感知器構成多層感知器神經網絡，利用層狀聯結的方式傳遞信息。修改各感知器之間的權值來減小難加工金屬材料的加工目標函數值誤差。如果，輸出層不能獲得預期的的輸出，按照原來的網絡通路誤差信號呈反向下降。對比分析了難加工材料傳統數控加工方法與難加工材料數控加工RBF神經網絡控制方法后，應用難加工材料數控加工RBF神經網絡監控系統，能夠得到加工工件的加工精度。加工工件的圓度誤差可以使用凸輪軸檢查儀來測量，再采用超級表面粗糙度輪廓儀測量表面粗糙度。從加工工件上任意選取二十四個測試點，然后選出其中八個最大的數據對比分析，難加工材料傳統數控加工方法的加工工件表面粗糙度的誤差和對難加工材料數控加工進行RBF神經網絡控制的加工工件表面粗糙度的誤差如圖3所示，

圖3 難加工材料數控加工RBF神經網絡控制應用效果

從對圖3的對比可以看出，表面粗糙度的平均誤差降低了百分之五十以上。難加工材料傳統數控加工方法的加工工件圓度誤差范圍在2.5-8.5μm，而難加工材料數控加工進行RBF神經網絡控制的加工工件圓度誤差范圍在1.0-2.3μm，圓度平均誤差降低百分之以上。由此可見，要想提高工件加工精度就必須對難加工材料數控加工進行RBF神經網絡控制。

[1]曾誼暉，左青松，李翼德，黃紅華，陳恒，王亞風，基于RBF神經網絡的難加工金屬材料數控加工控制方法研究[J].湖南大學學報自然科學版，2011(4).

[2]謝建新，難加工金屬材料短流程高效制備加工技術研究進展[J].中國材料進展，2010(11).

[3]余捷，2012中國國際金屬加工展覽會新聞發布會在南京舉行[J].制造技術與機床，2012(6).

[4]莫欣達，鋁擠壓工業：各國發展前景不一中國因素影響巨大——赴意大利參加2012年歐洲國際金屬加工展覽會有感[J].世界有色金屬，2012(9).

[5]呂曉峰，機械超效能為我豪客能——訪山東華云機電科技有限公司總經理趙顯華先生[J].數控機床市場，2012(8).