专利名称：高速切削加工中工件表面粗糙度的预测方法
技术领域：
本发明涉及机械加工技术，尤其是一种高速切削加工中工件表面粗糙度的预测方法。
背景技术：
零件的表面粗糙度是衡量零件质量和切削加工过程性能的一个重要指标，是切削系统中切削参数和系统变量对切削过程影响的综合反映。高速切削的基本特征是高效率和高精度，其切削速度和进给加速度相对于传统切削加工有很大提高，可以有效地提高切削加工效率和加工质量、降低成本。建立精确的表面粗糙度控制和预报模型，减少切削加工试验的时间和成本，具有重要的现实意义。高速切削加工工程中，影响表面粗糙度的因素很 多，且这些因素彼此又相互耦合，因此在各切削加工参数和加工表面粗糙度之间存在着复杂的非线性关系。神经网络的智能化特征与能力使其能有效的处理复杂非线性系统控制、特征提取及识别等信息处理问题。径向基函数网络(Radial Basis Function Network,RBF)是前向型神经网络的一种类型，由输入层、隐含层和输出层构成的三层前向型神经网络，隐含层为径向基层，采用径向基函数作为激励函数，径向基函数是径向对称的，最常用的是高斯函数。其具有强大的矢量分类功能和快速计算能力，能以任意精度逼近任意非线性函数，且学习收敛速度快。但对于RBF模型的精度检验方面，还没有成熟的理论公式加以衡量，有候模型对训练组的拟合预测误差很小，但是波动性会比较大，导致其应用时会出现误差会突然增大的情况，但有时模型的稳定性很好，但是拟合预测误差又会比较大，导致精度不高。
发明内容
本发明的目的是提供一种高速切削加工中工件表面粗糙度的预测方法，它使得模型的误差和误差波动性均很小，从而对工件表面粗糙度进行准确有效的预测，以满足农业生产需要。本发明是这样实现的高速切削加工中工件表面粗糙度的预测方法，包括以下步骤，
步骤一、确定高速切削加工中所需测量的影响加工工件表面粗糙度的切削参数，作为RBF的输入和输出；并测量收集相应样本数据作为网络的学习样本和训练样本；
步骤二、建立RBF神经网络模型，利用相应的样本数据对模型进行学习训练；
步骤三、根据松弛误差公式，利用测试组对步骤二训练后的模型进行测试，选择出符合精度要求的模型，从而提高模型的预测精度，并减小预测误差的波动，以提高模型的拟合预测能力；利用精度满足要求的模型对高速切削加工中工件表面粗糙度进行预测。在步骤一中，所述的确定高速切削加工中所需测量的影响加工工件表面粗糙度的切削参数包括切削速度V或机
床主轴转速《、每齿进给量和切削深度 刀削速度￥与机床主转速 之间的关系为η = ν/(π Ψ) , 4为工件直径；测量收集上述参数的样本数据作为网络的学习样本和训练样本。在步骤二中，所述的建立RBF神经网络模型是，利用Mat Iab软件建立一个RBF神经网络，通过其中的,Jiew函数或《ewrig函数设计完成,且使得设计误差为O,调用方式
为-.mi = ne\wb{P,T,g,srd)，mt = mWrbelPIsrd) ·' ρ、γ 分别表示训练样本输入和目标输出；客表示RBF网络输出的总平均误差方差。所述的步骤三种，松弛误差是作为衡量RBF神经网络精度的指标，松弛误差H力误差平均幅值和误差均方差的组合值，即H = αΕ+βΨ ,α + β=\ , 0<α,^<1 . Q·, β为松弛系数。误差平均幅值
权利要求
1.一种高速切削加工中工件表面粗糙度的预测方法，其特征在于包括以下步骤， 步骤一、确定高速切削加工中所需测量的影响加工工件表面粗糙度的切削参数，作为RBF的输入和输出；并测量收集相应样本数据作为网络的学习样本和训练样本； 步骤二、建立RBF神经网络模型，利用相应的样本数据对模型进行学习训练； 步骤三、根据松弛误差公式，利用测试组对步骤二训练后的模型进行测试，选择出符合精度要求的模型，从而提高模型的预测精度，并减小预测误差的波动，以提高模型的拟合预测能力；利用精度满足要求的模型对高速切削加工中工件表面粗糙度进行预测。
2.根据权利要求I所述的高速切削加工中工件表面粗糙度的预测方法，其特征在于在步骤一中，所述的确定高速切削加工中所需测量的影响加工工件表面粗糙度的切削参数包括切削速度V或机床主轴转速》、每齿进给量/和切削深度S，切削速度￥与机床主转速 之间的关系为-.n = Vjimiw)，dv为工件直径；测量收集上述参数的样本数据作为网络的学习样本和训练样本。
3.根据权利要求I所述的高速切削加工中工件表面粗糙度的预测方法，其特征在于在步骤二中，所述的建立RBF神经网络模型是，利用Mat Iab软件建立一个RBF神经网络，通过其中的函数或《ewrte函数设计完成,且使得设计误差为O,调用方式为mt = newrh {P,T,g,srd)，net = mwrbe (P,T, srd) ; p、y分别表示训练样本输入和目标输出〃表示RBF网络输出的总平均误差方差。
4.根据权利要求I所述的高速切削加工中工件表面粗糙度的预测方法，其特征在于所述的步骤三种，松弛误差是作为衡量RBF神经网络精度的指标，松弛误差//为误差平均幅值和误差均方差的组合值，即# = ^+,^ +多=1,0<化卢^1 . 卢为松弛系数。
全文摘要
本发明公开了一种高速切削加工中工件表面粗糙度的预测方法，包括以下步骤，步骤一、确定高速切削加工中所需测量的影响加工工件表面粗糙度的切削参数，作为RBF的输入和输出；并测量收集相应样本数据作为网络的学习样本和训练样本；步骤二、建立RBF神经网络模型，利用相应的样本数据对模型进行学习训练；步骤三、根据松弛误差公式，利用测试组对步骤二训练后的模型进行测试，选择出符合精度要求的模型，从而提高模型的预测精度，并减小预测误差的波动，以提高模型的拟合预测能力；利用精度满足要求的模型对高速切削加工中工件表面粗糙度进行预测。
文档编号G06F17/50GK102880771SQ20121042687
公开日2013年1月16日 申请日期2012年10月31日 优先权日2012年10月31日
发明者孙明伟, 龚敏庆, 周胜, 黄敏, 金明仲, 罗钢 申请人:贵州大学