基于BP神經網絡的磨削溫度預測

宋慧東

（山西潞安集團常村煤礦，山西 長治 046100）

0 引 言

磨削是一種常用的精密加工方法，能獲得很高的加工精度和表面質量。在鈦合金、高溫含金、超高強度鋼、不銹鋼及高溫結構陶瓷等難加工材料的加工中，特別是在成形表面的加工中，磨削是一種非常有效的加工方法[1]。但是磨削過程中產生的熱效應不僅對工件的表面質量和使用性能有極大影響，同時也影響砂輪使用壽命，因此，對工件表面（尤其是磨削區(qū)）的溫度進行研究，對深入探討磨削機理和被磨零件表面完整性具有重要意義[2,3]。

然而，目前人們主要通過對實驗數據進行多元回歸分析來預測磨削加工的磨削溫度，但難于找到適當的回歸模型而導致預測精度不高。隨著計算機仿真技術的發(fā)展，人工神經網絡建模用來解決磨削溫度問題是方便和有效的。利用神經網絡建模時不必了解系統(tǒng)內部的實際運行規(guī)律，只需用已有的磨削參數對系統(tǒng)進行訓練，當達到給定的誤差要求時，即可用該系統(tǒng)對磨削過程進行仿真，預測磨削溫度。本文應用BP神經網絡對磨削溫度進行建模，并通過實驗驗證了模型的可行性。

1 人工神經網絡原理

人工神經網絡是使用數學方法模擬人腦的形式思維邏輯，它由大量并行非線性處理單元通過連接權組成網絡的結構，從內部簡單地模擬人腦的部分形象思維。人工神經網絡用簡單的數據處理單元模擬神經元作為網絡的一個結點，用權值模擬神經元之間的突觸連接強度：正權值起興奮型突觸的作用，負權值則起抑制型突觸的作用。一個結點有許多輸入，類似于神經細胞的樹突，接受來自其位神經元的興奮或抑制信號。計算處理單元對所有輸入值進行加權求和，并將加權和通過內部轉換函數產生一個輸出值，其作用相當于神經細胞中傳出神經沖動的軸突[4]。BP神經網絡結構，如圖1所示。

圖1 BP神經網絡結構

在人工神經網絡的實際應用中，絕大部分人工神經網絡通常包括輸入層、隱含層及輸出層，根據具體的情況各層神經元的個數不同，層次間的神經元互相連接，但層次內的神經元無連接關系。在實際應用中，80%～90%的人工神經網絡模型是采用BP網絡(Back—Propagation Network)或其變化形式，BP網格是前饋網絡的核心部分，體現(xiàn)了人工神經網絡的精華[5]。

2 實驗條件及仿真樣本的獲取

本實驗在岡本公式生產的GOTEN，GTs-6016 AHD精密平面磨床上進行，具體的實驗條件，如表1所示。

表1 實驗條件

在砂輪和工件確定后，磨削用量（砂輪速度，工作臺速度，磨削深度）是影響磨削溫度的主要因素，本文采用BP神經網絡來研究磨削用量對磨削溫度的影響，建立磨削溫度的預測模型。砂輪速度取25.5 m/s，33.6 m/s，44 m/s；工作臺往返速度取12.8 m/min，14 m/min，16 m/min.磨削深度取：5 μm，10 μm，15 μm。實驗采用正交的方式進行，實驗設計方案及結果，如表2所示。

表2 磨削試驗測量結果

3 BP神經網絡的設計過程

3.1 輸入層、輸出層和隱含層的設計

由以上分析可知，本文以砂輪線速度，工作臺往返速度，磨削深度作為輸入單元，以磨削溫度作為輸出單元。因此，輸入層有三個單元，輸出層有一個單元。因為理論上已經證明，在不限制隱含層單元數的情況下，兩層(只含一個隱含層)的BP網絡可以實現(xiàn)任意非線性映射，所以本設計采用單隱層的神經網絡。隱層的單元個數根據經驗公式預選，并經過多次模擬分析對比，本模型最終確定隱層的單元個數8。隱含層的傳遞函數采用正切S型函數tansig，輸出層的傳遞函數采用純線性函數purelin。具體的參數設計，如圖2所示，圖3為設計好的神經網絡模型。

3.2 網絡的學習過程

圖2 神經網絡參數圖

圖3 BP神經網絡模型

圖4 BP神經網絡訓練過程

神經網絡必須經過訓練才可以使用，本網絡采用表2中9組數據其中的任意7組進行網絡的學習，另外兩組用來進行網絡的驗證。本次隨機選取3和6兩組數據作為驗證數據，另外7組用于網絡的學習。圖4為BP神經網絡的訓練過程。從圖4可以看出網絡的訓練過程收斂很快，經過訓練很快就達到了理想的訓練效果。

4 神經網絡的實驗驗證

建立好的神經網絡模型是否可用必須經過實驗驗證，所以采用另外兩組實驗樣本對模型進行驗證。采用建立好的神經網絡模型對另外兩組數據進行仿真，并將仿真結果和實驗結果進行對比。仿真結果和實驗結果，如表3所示：

表3 磨削溫度BP神經網絡結果預測與誤差

從預測結果和實驗結果的對比可以看出，所建模型的預測誤差很小，均不超過1%，證明了所建模型的準確性。

5 結 論

利用BP神經網絡良好的非線性映射能力，以磨削用量（砂輪線速度、工作太速度和磨削深度）為輸入，以磨削溫度為輸出，建立了磨削溫度的BP神經網絡預測模型，并通過仿真驗證了模型的正確性。為磨削溫度的預測打下了良好的基礎。

[1]任敬心，康仁科，史興寬.難加工材料的磨削[M].北京：國防工業(yè)出版社，1999.

[2]李伯民,趙波.現(xiàn)代磨削技術[M].北京：機械工業(yè)出版社，2003.

[3]李瑜,趙波,焦鋒，等.工程陶瓷超聲磨削軌跡仿真[J].工具技術，2007（1）：39-42.

[4]鄧朝輝,程文濤.基于神經網絡的成形磨削表面粗糙度的研究[J].機械制造，2006,44(7)：39-40.

[5]周開利,康耀紅.神經網絡模型及其MatIab仿真程序設計[M].北京：清華大學出舨社，2005.