基于BP神经网络的刀具寿命预测模型

《基于BP神经网络的刀具寿命预测模型》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、基于BP神经网络的刀具寿命预测模型水ToolLifePredictionModeJBasedonBPNeuralNetwork西北工业大学现代设计与集成制造教育部重点实验室丁怡何卫平张维王伟李亚杰董荣【摘要】分析了影响刀具寿命的主要因素，根据影响因素与刀具寿命之间的高度非线性关系，结合人工神经网络模型，建立了刀具寿命预测的BP神经网络模型．并利用模型进行了验证运算。结果表明：模型的预测值与刀具寿命的期望值非常接近，证明该建模方法是可靠有效的。深度、进给量、切削速度、下件材料等4个影响刀具寿命的指标，运用BP神经网络模型，对指标数据进行深度分析，最后输出刀具寿命预测值。其中T件材料

2、通过材料的切削加工性进行分级，以工件材料的切削加工性能将工件材料这一指标进行量化。关键词：刀具寿命影响因素人工神经网络模型1刀具寿命预估的BP神经网络模型刀具寿命预测【ABSTRACTlThedominantfactorsaffectingtoollirealeanalyzed．AccordingtOthenonlinearrelationshipbetweenfactorsandtOollife．thetoollirepredictionmodelbasedonBPneuralnetworkisbuiltupandthecomputinganddemonstrationarec

3、arriedoutbyusingthismodel．TheresultsshowthatthemodelpredictionvalueiSveryclosedtotheexpectedvalueoftoollife．SOthemodeliSprovedtobereliableandeffective．Keywords：FactorsaffectingtoolLifeModelbasedonartificialneuralnetworkToollifeprediction随着数控机床应用范围的迅速扩展，车间自动化、柔性化程度不断提高，加工中心刀具的种类和数量与日俱增；同时，高速切削

4、技术的广泛应用对刀具的切削性能及可靠性要求更加苛刻。刀具寿命是一个非常关键的问题，因为一旦刀具发生磨损或者破损而不能及时地诊断出，就会导致T件或加工设备的损坏，所以必须对刀具寿命进行有效的管理⋯。在自动化生产线上，可能存在刀具的频繁调度，即刀具可能先后处于不同的加工状态。加T状态不同，工件材料、切削速度、进给量、切削深度也不尽相同，这些因素都决定着刀具的磨损，即决定着刀具的寿命。目前，生产车间中普遍采用累计刀具当量切削时间的方法来评估刀具的寿命，这种传统的寿命预测方法会造成大量刀具的保守使用，已经逐渐地不再适应现代化制造的发展。本文提出的刀具寿命预估的BP神经网络模型为预测刀具寿

5、命提供了一个有效的方法。通过确定切削}863计划项日(2007AA040701—3，和国家自然科学基金(50505039)资助。1．1BP神经网络原理人工神经网络(ArtificialNeuralNetwork，ANN)是对人类智能的一种生理模拟，它是由大量的处理单元通过适当的方式互连构成的～个大规模的非线性自适应系统，最吸引人的特点是它的学习能力。ANN模型有3个基本要素肛J：(1)神经元之间的连接。连接强度由各连接上的权值表示，权值为正表示激活，为负表示抑制。(2)一个求和单元。用于求取各输入信号与连接权值乘积的加权和(线性组合)。(3)一个非线性激活函数。起非线性映射作用，

6、并将神经元输出幅度限制在一定范围之内。1986年，鲁梅尔哈特等人提出了BP(BackPropa—gation)神经网络，这是目前应用最广泛的网络，采用了输入层、隐含层和输出层多层感知器(MLP)。BP网络的学习过程由正向传播和反向传播组成。它可以将输出端表现出的误差沿着与输入信号传送相反的方向逐级向网络的输入端传播。在反向传播的过程中，通过重复沿着梯度下降搜索求解13l，以期获得期望输出与实际输出的误差来满足目标函数。BP网络的学习过程是有指导性的，它的学习实质是：在误差信号反向传播的过程中，网络中神经元之间的连接权值由误差反馈进行调节，通过权值的不断修正使误差信号减小，从而使得

7、网络在接受输入后给出适当的输出，使误差满足精度要求。1．2刀具寿命预估的BP神经网络模型的建立BP神经网络误差反馈的学习能力为建立刀具寿命预估模型提供了理论保证。建立刀具寿命预估模型时，我们规定切削方式是一定的，选取工件材料、切削用量来描述刀具的切削状态。它们分别对应着工件材料切削加工性、切削深度、进给量、切削速度这4个影2010年第8期·航窄制造技术93学术论文RESEARCH响寿命的指标，并将上述4个影响指标作为模型的输入层。对于隐含层节点数的选择，目前还没有公认的理论推导方