基于bp神经网络的面齿轮齿面粗糙度研究-刘金华.pdf

《基于bp神经网络的面齿轮齿面粗糙度研究-刘金华.pdf》由会员分享，可在线阅读，更多相关《基于bp神经网络的面齿轮齿面粗糙度研究-刘金华.pdf（6页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、工艺与检测TechnoIogy and Test 201 7年第1 2期基于BP神经网络的面齿轮齿面粗糙度研究木刘金华 张 灵 方曙光 高 钦(湖南工业大学机械工程学院，湖南株洲412007)摘要：以面齿轮齿面粗糙度为研究对象，考虑到影响其磨削表面粗糙度R。的因素很多且不明确，运用BP神经网络原理构造预测粗糙度的数学模型。通过对比模型预测值与试验值验证预测模型的精度，结果表明此模型可精确地描述砂轮转速、工件进给速度和磨削深度对面齿轮磨静JJn工表面粗糙度的影响。实验验证。BP神经网络模型的预测精度较高，可获得最大相对误差为91的高精度预测结果。关键词：BP神经网络；面齿轮；齿面粗糙度；预测中图

2、分类号：THl3241 文献标识码：ADOI：1019287jcnki1005-2402201712025Research of face gear surface roughness based on BP artificial neural networksLIU Jinhua，ZHANG Ling，FANG Shuguang，GAO Qin(School of Mechanical Engineering，Hunan University of Technology，Zhuzhou 4 1 2007，CHN)Abstract：Taking the surface roughness of

3、 face gear as the study object，considered that the factors affecting thesurface roughness R。of face gear grinding are many and very unclear，in this paper，the mathematicalmodel of predicting roughness is constructed by using the principle of BP neural network，the accuracyof the prediction model is ve

4、rified by comparing the predicted and experimental values of the model，theresults show that this model can accurately describe the effect of grinding wheel speed，feed speed andgrinding depth on the surface roughness of the grinding processExperiment proved that the BP modelcan predict the surface ro

5、ughness of the face gear with the maximum relative error of 91Keywords：BP artificial neural networks；face gear；surface roughness；predict面齿轮是与圆柱齿轮啮合、实现空间相交或交错传动的齿轮。目前。在进行面齿轮齿面磨削的数控加工过程中，表面粗糙度是衡量工件加工质量的一个重要参数，同时也是影响表面几何微观形貌的重要指标。表面粗糙度的研究方法可概括为经验法和分析法两大类。经验法在磨削试验数据的基础上，通过数学运算推导砂轮有效磨粒数与表面粗糙度的相互关系，再通过BP神

6、经网络法、回归分析法等来建立表面粗糙度的预测模型。卜5，考虑到面齿轮是一种空间超越曲面齿轮，磨削运动轨迹复杂通常不能像圆柱齿轮一样采用单一的基于磨削几何特征的分析方法，而人工神经网络理论的提出与发展为研究非线性系统提供了一种强有力的T具，它已成功地应用于许多研究领域，在机械加T中的应用越来越受到重视6-8。刘贵杰等-9-01提出了一种基于小波神经网络的磨削质量在线智能检测及模糊综合评判方法，应用BP神经网络建立信号特征值与砂轮状态之间的非线性关系模型，为磨削加工中砂轮状态的智能化在线监测提供准确有效的途经，实现磨削质量的在线检测。李波等”用BP神经网络的方法对磨削T件表面粗糙度进行了训练、预测

7、和分析实验表明其建立的磨削过程监测和控制系统可以实现非线性磨削过程的监测和控制：CSanjay等12利用数学分析方法优化径向人丁神经的基函数网络，使建立的数学模型得到的预测精度有大幅的提高，从而克服神经网络本身的局限性高腾等”提出一种基于BP神经网络的表面粗糙度在线辨识方法。以两种神经网络结构分析实验数据证实网络的初步输入和输出参数之间是有依赖关系的，设计和测试基于BP神经网络模型预测表面粗糙度能够得到很好的结果。这些神经湖南省自然科学基金项同(2015JJ501 8)：国家自然科学基金项目(51375161) 138 剁是技工喜硝万方数据201 7年第1 2期网络在机械加工中的成功应用都可以

8、作为神经网络在磨削过程研究中应用的参考。本文在正交试验磨齿加工面齿轮的实验基础上，应用BP神经网络理论，通过利用Matlab神经网络工具箱函数的功能，建立了面齿轮磨削表面粗糙度预测模型。1 实验及样本参数的确定磨齿加工实验选用加工数控机床为秦川机床厂生产的QMK50A的六轴五联动叶片式磨床，砂轮为300mm的普通白刚玉碟形砂轮，选择金刚石修整器进行砂轮修整，采用德国制Hommel JENOPTIK T8000 SC粗糙度轮廓测量仪进行数据测量，该粗糙度仪采用高精度传感器可以对凹面和一定角度的斜面进行高精度测量。此次磨削用的试件是直径为240 mm的直齿正交面齿轮，材料18Cr2Ni4WA合金渗

9、碳钢。参与此次磨削实验试验条件如表l所示，面齿轮基本参数如表2所示。表1磨削齿面粗糙度的实验条件因素 参数CNC磨齿机型号 QMK50A砂轮型号 普通碟形砂轮砂轮名义直径ram 300齿轮热处理硬度HRC 5663齿轮材料 l 8Cr2Ni4WA磨削液 水基成磨削液表2面齿轮基本参数参数 值 参数 值面齿轮齿数 60 齿宽mm 175小轮齿数 23 面齿轮内半径mm 1025模数mmm 3 5 面齿轮外半径mm 120轴交角(。) 90 齿轮螺旋角(。) O压力角(。) 20 齿顶系数 100面齿轮磨削加工试验是假设其机床、砂轮、冷却润滑液等影响因素不变，在碟形砂轮磨削面齿轮加工过程中，改变砂

10、轮转速、工件进给速度和磨削深度等三个磨削用量的参数值，从而获得面齿轮不同的表面粗糙度R。值。2磨削表面粗糙度模型的建立21 BP神经网络设计211 BP神经网络基本原理采用BP神经网络建立输入参数(砂轮转速、T件ij；二l皂般_占扎露Thn0Iogy 0nd埘工艺与检测速度和磨削深度)与输出参数(粗糙度)之间的非线性关系。BP神经网络结构如图1所示，由输入层(砂轮转速、工件速度和磨削深度)、隐层和输出层(表面粗糙度)构成，其中隐层可为多层。糟八层 隐含层 输出层图1 BPM络神经结构BP神经网络输入层与输出层之间的传递函数可表示为八戈)=1(1+e1)，其对第P个隐层节点的样本误差E。为。14

11、。： 驴半(1)EP=J二 (1)式中：t。为期望输出，O。，为网络模型得到的实际输出值。BP神经网络的基本原理是，对神经网络中权值(训。l，)和(0)阈值的大小进行调整修正，使得神经网络的计算误差函数(E)沿着梯度方向不断下降，最终趋于稳定。BP神经网络的三层节点分别为输入节点为戈。，隐层节点为Y，输出节点为O，。输入层和隐层节点间的权值为W。输出层和隐节点间的网络权值为l，当输出节点的期望值输出为t寸，神经网络的计算如下所示：隐层节点的输出：，。钔。戈，一0。)钒net，) (2)其中：net，=Zw。xj一0。输出层节点的输出：0f钒Tjyj一0f)钒netf) (3)其中：netf=l

12、：y,-0”最终输出误差为：E=丁1手(t-0，)2=i1手(tt-f(车瓢一p2E=军，_厂1从；训。xjg)一Oi】)2 (4)基本公式汇总：输出节点：6，=(t，一0，)桫(net，) (5)对输出层节点权值的调整：瓦。(知+1)=Tt。(k)+ATt。=Tt。(k)+叩6fY： (6) 139 万方数据工艺与检测Teehnotogy and TeSf隐层节点：6_(net。)6fL。对输入层节点权值的调整：州。(盎+1)=W。，(k)+Aw。=埘。(k)+叼6戈， (7)其中6，正。为隐节点的误差，表示输出层节点f误差6，反向传播乘以权值正。并累加得到的总和，如图2所示。201 7年第

13、1 2期f 。j 矗f夕输入层 r _ 酱 隐层图2误差反同传播不意图212 BP模型计算公式输出层O，的输出计算公式：Yf钒训。，xi日。) (8)式中：戈，表示为输人节点的输人；加。表示为权值；臼：为阈值。所有样本误差和：E=艺e；矗f=0(2)nl=Un+m+n(3)12l=l092凡其中：k为样本个数；2、n、m分别表示为隐层单元个数、输入单元个数和输出单元个数；a为l到10之间的常数。也可以先确定隐单元数经过设置足够多的隐单元数经过神经网络的学习，逐渐缩减并剔除多余的隐层单元数直到其不可缩减为止。同样也可以设定足够少的隐层单元数经过对神经网络的学习到一定的次数后，逐渐增加隐层单元个数

14、直到达到比较合理的隐单元数并稳定为止。由于BP网络系统的非线性关系，BP算法在初始权值选取的问题上，通常由固定范围中生成均匀随机数，并要求在输入相加时，使每个神经元的状态值相等且接近于0。输入样本在输入之前需要进行归一化，得以提高神经网络收敛成功率。23 BP网络的建立与预测本文磨削输人参数为砂轮转速、工件进给速度以及磨削深度，输出参数为齿面粗糙度所以神经网络可设定的三个输入端，一个输出端，设定一个隐层数。可由公式n。=凡+m+来确定隐层神经元的个数，初步确定为313个，通过学习和训练比较来最终确定隐层最佳单元个数。本文在正交实验的基础上，选取16组训练样本用来训练神经网络，选取6组作为预测样

15、本。实验所得数据如表3所示。通过6组实验数据对不同的隐层神经元个数神经网络获得的预测结果进行比对。来确定神经网络最终模型的准确性。训练BP神经网络的步骤流程如图3所示。在神经网络拓扑结构的设计过程中，考虑到单隐层神经网络的较强的非线性映射能力，通过采用单隐层的神经网络，并由实验来设置中间层的神经元个数当隐层神经元个数分别为5、8、10时，并分别检查神经网络模型ii叁I皂l筻求喜札床8万方数据201 7年第1 2期误差函数值。不同隐层神经元个数下得到的训练误差曲线如图4(5个)、图5(8个)、图6(10个)所示。图3训练BP神经网络的步骤流程表3面齿轮磨削齿面粗糙度学习及预测样本砂轮转速 进给速

16、度 磨削深度 表面粗糙度试验号n(rmin) F，(mmin) R。Ixml l 500 18 01l 07862 l 500 24 008 07853 1 500 3 005 07474 1 500 36 002 0645 2 000 18 008 O60l6 2 000 24 01l 06967 2 Ooo 3 002 05088 2 000 36 O05 06459 2 500 18 O05 046810 2 500 24 O02 04251l 2 500 3 O11 06412 2 500 36 008 061613 3 000 18 002 03514 3 000 24 O05 04

17、515 3 000 3 O08 052416 3 o()0 36 O 11 0585图4训练误差曲线(隐单元数：5)户赫到是叛“占札床 、+TeC删09y and埘工艺与检测图5训练误差曲线(隐单元数：8)图6训练误差曲线(隐单兀数：10)通过BP神经网络的预测性能的观察，在表3的样本数据随机选取其中6组数据作为BP神经网络的测试数据，并对测试数据进行归一化处理，其预测值与测量值之间的误差关系如图7所示。由图7可见，不同隐单元数下得到的BP神经网络的预测误差都很小可以达到10拍级别这是由于6组测试样本选自于原训练样本。由于训练的精度非常高，神经网络对每一组数据都能很精确地进行了拟合。如果要更准

18、确地测试BP神经网络的性能必须从训练样本以外的数据样本中选取测试样本。5 2 2 5 3 3 5 4 4 5 5 5 5 6数据组图7预测值与实验值的误差图万方数据工艺与检测TechnoIogy and Test 201 7年第1 2期南上面得到的网络训练误差曲线可以选取隐层单元个数为10的情况来建立磨削参数与面齿轮齿面粗糙度BP神经网络模型如图8所示。该神经网络模型含有二三个输入，分别为砂轮转速n。、丁件进给速度y。、磨削深度。一个输出参数：齿面粗糙度尺。，中问隐层的隐单元个数为10。，L一7；7|一一：|1|=。、1|、蕊二?=_“一一毒、。i ，77表4模型测试样本砂轮转速 进给速度 磨

19、削深度 粗糙度测量值列号n(rnlin) z1。(mmin) oDam R。pml 2 700 27 O 05 05242 3 200 25 O 05 04593 l 800 25 O05 05894 2 200 25 005 05465 2 500 2 5 005 05526 l 450 25 002 0535通过表4中的6组试验的粗糙度测量值检验BP神经网络模型的预测值。将表4中各磨削参数变量值输入到BP神经网络模型即可得到表面粗糙度的预测值。其预测结果及误差对比如表5所示。表5面齿轮齿面粗糙度预测值与实测值误差对比测量0 524 0 459 0589 0546 0552 0535值Itm

20、预测O512 0478 0622 0524 0602 0 496值Ixm误差 23 42 56 40 91 73通过表5误差对比表明，面齿轮齿面粗糙度尺。的实际测量值与BP神经网络所预测的数值十分接近，能够起到一定的预测作用。表面粗糙度的实测值与预测值的误差百分比几乎全部小于10，齿面粗糙度最大相对误差在91附近。3结语应用BP人T神经网络理论建立了预测面齿轮磨削表面粗糙度的理论模型，并在理论和试验两方面进行了验证。其结果表明：(1)分析实验数据证实BP神经网络的输入和输出参数是有依赖关系的，通过神经网络的训练学习，其建立的预测模型可很好地描述砂轮转速、工件进给速度和磨削深度对面齿轮磨削加工表

21、面粗糙度的影响。(2)由建立的预测模型，可以在不完全实验的条件下，利用有限的试验数据就可得到各种磨削状态下的面齿轮齿面粗糙度预测值。影响面齿轮磨削加工表面粗糙度的因素很多，在今后的T作中，可以增加其它相关的磨削参数和影响冈素，从而使面齿轮齿面的表面粗糙度预测模型更为准确?预测模型也不仅限于表面粗糙度，还可以增加对磨削温度、磨除率等的预测。参考 文 献1明兴祖严宏志陈书涵多轴数控磨削螺旋锥齿轮的表面粗糙度研究J中国机械T程，200920(20)：247024762 7刘宪芳超精密加1_表面的功率谱密度与分形表征技术研究D哈尔滨：哈尔滨丁业大学，2007：1-6：3 j Nguyen TA，But

22、ler DI。Sinmlation of pret_ision gnnding process，part 1：Generation of ginding wheel surfat+FJInternational Journal of MachineTook&Manufacture2005，45(1 1)132113284Koshy P，Jian V KLai G K Sto(hastitsimulation approach to modellingdiamond wheel topographyJInternational Journal of Machine Tool SManufactu

23、re，1997，7(6)：751761：5：Auri c，h jc，Braun O，Wamccke GDevelopment of a super-abrasivegfinging wheel with defined grain structure using kinematic simulationJC1RP Annals2Manufa(-lu ring Teehnology，2003，52(1)：275280f61谢红梅黄伟人r神经网络及其在机械加T中的应用实例J装备制造技术，2006(4)：1171lgf 71李围发王龙山丁宁基于进化神经网络外圆纵向磨削表面粗糙度的在线预测J中国机械I

24、：程，2005，16(3)：2232268王珉，郭培琪，张磊人_r：神经网络技术在磨削加一r中的应用J丁具技术2004，38(9)：60-631 9刘贵杰巩亚东王宛山磨削质量在线智能检测及模糊综合评判J金刚石与磨料磨具丁程，2004140(2)：252710刘贵杰，巩亚东，王宛山 基于神经网络的磨削砂轮状态的在线监测J东北大学学报，2002，23(10)：98498811李波，郭力基于BP神经网络的表面粗糙度声发射预测J精密制造与自动化，2009(1)：10-141 2Sanjay C，Jyothi CA study of surface roughness in drillingusing

25、mathematieal analysis and neural networksJInt J Adv Manuf Teehnol，200629846-852剁皂教工占扣露万方数据201 7年第1 2期 MouIdsDies横具技术一种铝型材上模整体镶嵌式分流模结构半邓汝荣 黄翠婷 骆勇固 黄雪梅 郧 鹏(广州I科技职业技术学院，广东广州510550)摘要：提出了一种上模整体镶嵌式分流挤压模结构。这种结构是由四件组成的分流模。有别于传统的二件式或三件式结构。这种新的模具结构的关键要素。主要是将传统的一个上模分解成两个上模，上模之间通过镶嵌的方式进行组合。通过一个实际的LED灯管铝型材作为例子，

26、对这个产品的特性和传统的的模具结构进行分析，详细描述了新的模具结构有关参数的选择，主要包括两个上模的结构及分流孔设计、前导分流板的结构与分流子L设计以及焊合室与工作带的选择等。结果表明，这种上模整体镶嵌式分流模结构是有效的，是具有明显优势的。是一种值得复制推广的模具结构。关键词：铝型材；两个上模；分解；整体镶嵌；分流模中图分类号：TG376 文献标识码：BDoI：1019287jcnki1005-2402201712026An integral inlay type porthole of the male die for AIprofilesDENG Rurong，HUANG Cuiting

27、，LUO Yonggu，HUANG Xuemei，YUN Peng(Guangzhou Vocational College of Science and Technology，Guangzhou 5 1 0550，CHN)Abstract：A new porthole extrusion die nanled integral inlay and type in the male die for A1一profiles was presentedThe porthole die structure is composed of four parts，which is different fr

28、om the traditional two orthree piece structureThe key structure parameters of the new die were introducedMainly one male diewas divided into two male dies，and the two dies were assembled by inlayingThrough a practical LEDlamp aluminum profilethe characteristics of this product and the traditional di

29、e structure are analyzedThe selection of these parameters were described in detailmainly including the structure of twomale diesthe design of portholes，the structure of the front feeder plate，the chamber and the bearingbelt etcThe results show the new die structure is effective，it has the obvious ad

30、vantages，it is a diestructure which is worth of being copied and popularizedKeywords：AIprofiles；two male dies；decompose；integral inlay type；porthole extrusion die铝合金因质轻、外表美观、耐腐蚀、良好的导热性和易于成形加工成各种形状等特性，其应用的领域越来广泛。铝型材早已由20世纪的以民用建筑为主拓展到今天的各个领域和各个行业，包括汽车船舶、轨道交通、航空航天、电子电力、计算机与通讯、机械制造与装备等。特别是作为散热元件被广泛用于IT、

31、电子和汽车行业。但这些工业型材往往形状复杂特别是型材的断面带有双重或多重的空腔，模具的设计与制造难度很高，因此生产这类型材的关键是模具。一方面，模具决定型材的尺寸精度；另一方面，更重要的是模具决定着生产的成13高腾，苗鸿宾，江敏基于人丁神经网络BTA钻削时表面粗糙度的预测f J1组合机床与自动化加T技术，2014(4)：41013徐秉铮张百灵，韦岗神经网络理论与应用M广州：华南理1j大学出版社，19941216第一作者：刘金华，女，1964年生，硕士研究生，机械工程教授研究方向为数字4Jc-,4造理论与装备技术，己发表论文20余篇。(编辑 陈钢)(收稿日期：2017-0822)文章编号：171235如果您想发表对本文的看法。请将文章编号填入读者意见调查表中的相应位置。$2017“攀登计划”广东大学生科技创新培育号项资金项日(pdjh2017b0867)；2016年广州科技职业技术学院资助科研项目(2016TD012016ZRl4)到圭拔糸占扎搿 、。，。万方数据