machining accuracy prediction of aero - 副本

《machining accuracy prediction of aero - 副本》由会员上传分享，免费在线阅读，更多相关内容在应用文档-天天文库。

1、航空发动机叶片在基于BP神经网络的电化学加工下的加工精度的预测李志永季华王超峰机械工程学院山东理工大学中国山东省淄博市Lzy761012@sdut.edu.cnJihua303@163.comCadcat@163.com摘要：在电化学加工（ECM）的过程中，不同的加工参数，例如施加电压，电流密度，电解工具的进给速率，电解质浓度和组合物，加工间隙，可以导致在ECM过程的加工精度的变化。因此，加工精度预测是ECM中最困难的问题之一。把航空发动机叶片为研究对象，采用BP神经网络预测ECM航空发动机叶片的加工精度。在预测模型中,所要包括五个主要的工艺参数。预测结果表明,提出的B

2、P神经网络模型是有价值的，沿选定叶片外形的预测精度误差可小于8％。关键字:精度预测,电解加工、BP神经网络、航空发动机叶片。引言随着航空发动机性能的快速提高，航空发动机叶片的加工质量和尺寸精度变得越来越重要。此外，由于优异的强度，高温稳定性，和耐腐蚀性硬盘被动合金，如镍基超合金，钛和钼合金，被广泛地用作航空发动机的叶片材料。目前，已开发的电化学加工（ECM）作为主要方法用于加工难切削材料和复杂的轮廓和档案中的整形。依据一个非机械的金属去除过程中，ECM是能够加工任何导电性材料，具有高的库存的去除率，而不管它们的机械性能，如硬度，弹性和脆性。它已被应用在不同的行业，如航空

3、航天，汽车和电子产品制造航空发动机叶片，模具，炮弹，外科植入物及义肢等[1-3]。..ECM过程中涉及的各种电场和呈交的电解质流体的参数，例如，施加电压，电流密度，初始间隙，工具阴极进给速率，加工间隙，电解质组合物的浓度和电解液的状态等，这些工艺参数是能够影响ECM的加工精度。因此，需要进行一些加工实验，以找到最优化的工艺参数的匹配，从而导致制造成本过高。为了减少实验次数，缩短试制周期，可以采用BP神经网络来评估主要工艺参数，在本研究中找到最优化的参数匹配。以航空发动机叶片为研究对象，BP神经网络应用于预测ECM过程中，其中五个主要工艺参数涉及的加工精度。预测结果表明，

4、BP神经网络模型的建议是有价值的，可用的，并且可以沿所选择的航空发动机叶片轮廓的预测精度误差小于8％。图1是本文的研究对象航空发动机叶片的三维实体模型。图1航空发动机叶片的实体模型П.ECM原则图2为ECM的原理的原理图。ECM过程连接工件(阳极)和工具(阴极)靠的是电解槽，电解液通过它被抽离的。当施加电位差时，电流作为电化学反应的结果发生在两电极的表面上。金属原子的氧化反应在工件(阳极)表面去除材料，而在工具(阴极)表面通常发生氢还原反应在那施加影响。随着工具的连续进料在工件中产生的形状几乎是工具电极的镜像[4]。图2电化学加工原理▲工具(阴极)工件(阳极))电源电解

5、液-+抽水泵过滤器进给速率Ш。为叶片在ECM过程中准确预测的人工神经网络的发展1.人工神经网络理论(ANN)人工神经网络（ANN）是一类并行处理架构，它可以通过许多称为神经元的非线性处理单元的应用模仿许多复杂的非线性关系来。通过足够的实验数据培训,这种关系可以被掌握。它不仅可以使决策基于不完整和无序的信息,而且能够从以前被培训过的案例中概括出概括出规则并把他们应用到新案例中。一般，与神经元的输入层，隐含层和输出层设计为在不同的层分组的人工神经网络的结构是分层次的，如图所示。3。信号被提供给输入层的神经元，然后在此层中的每个神经元产生一个输出信号，它被转移到隐藏层的神经元

6、。所产生的输出信号的最后一层（输出层）。当然，也有隐藏层的数量，但没有理论限制，通常只有一个或两个。四层（最多三个隐藏层加一个输出层），足以解决任何复杂的问题。123i123j123kx1x2x3xiz1z2z3zK输入层输入层输出层图3反向传播神经网络的图解结构y1y2y3yj多层前馈网络反向传播(BP)的学习是所有的ANN模型中最受欢迎的。前馈BP神经网络实际上是由两个神经网络算法：（一）正向输送及（b）反向传播组成的。没有必要总是使用“前馈”和“反向传播”在一起，但是这是通常的情况。术语“前馈”，是指一个神经网络处理模式，回忆模式，术语“反向传播”描述这种类型的神

7、经网络进行训练的方法。反向传播是监督训练一种形式。使用监督的训练方法时，网络必须提供与样本输入和预期的输出（目标），如图所示。3。这些预期的输出进行比较，从神经网络的预测输出。然后，在反向传播训练算法需要计算的误差，调整各层的权重，从输出层向后所有的方式回到输入层，直到达到一个很好的匹配，即之间的误差的预测值和测量的加工精度航空发动机叶片的ECM被最小化，以低于预定义的收敛极限。为了验证新训练过的人工神经网络，一组测试数据的泛化能力，即不使用在训练阶段的数据，被作为输入提供。如果产量预测值和预期值之间的误差足够小，网络是很好的训练。在这里