基于神经网络的脉冲电化学抛光建模方法研究.pdf

三题
基于神经网络的脉冲电化学抛光建模方法研究*
口赵雪松口疏达口肖平
安徽工程科技学院机械工程系安徽芜湖241000
摘要:提出了通过建立径向基函数(RBF)神经网络模型对混粉脉冲电化学抛光效果进行预测的方法。在对彩响混
粉脉冲电化学抛光效果的因素进行分析和合理选择的基础上,确定了RBF神经网络模型的特征参数和目标参数。利用试
验结果对模型进行训练学习,确定了RBF网络模型。利用该模型进行了表面粗糙度预测,预测结果与实际试验结果有较好
的一致性,说明RBF神经网络对混粉脉冲电化学抛光效果的预测是有效的。
关键词:脉冲电化学抛光径向基函数(RBF)神经网络预测模型
中图分类号:TG662
文献标识码:A
文章编号:1000-4998(2009)06-0011-03
脉神电化学抛光的工艺效果与加工参数之同的关是影响程度又难以用精确的数学模型来描述,因此,如
系十分复杂,是一个具有高度非线性的问题,难以建立何选择抛光参数成为十分关键的问题。
个严格的数学模型并用具体的数学表达式来描述其
人工神经网络作为一门新兴学科在非线性系统的
工艺规律。利用实验数据并采用神经网络技术对混粉建模与辨识中得到了广泛的应用。目前应用最多的是
脉冲电化学抛光工艺进行建模,可发探神经网络的优基于误差逆传播算法的多层前向神经网络,简称BP
越性。在混粉脉冲电化学抛光中表示加工效果的工艺网络,但该网络存在收敛速度慢和局部极小、隐层节点
指标主要为表面粗糙度,加工参数主要是电流密度、电数不易确定等缺陷。而最近几年开始研究的另一种前
解液质量分数、磨料粒度、磨料含量等。脉神电化学抛向神经网络一径向基函数(RBF)神经网络较为有效
光主要工艺指标表面粗糙度值与加工参数之间有密切地解决了上述问题,其在分类能力、学习速度等方面均
的相关性。拟在表1数据的基础上采用RBF神经网络优于BP神经网络。本文提出一个在 MATLAB7.0环境
进行建模
下的RBF神经网络模型,应用此模型对混粉脉冲电化
表1RBF神经络部分样本数据
学抛光效果进行预测。
序号电流密度1电解液质量磨料粒度」磨料含量表面粗糙度
RBF神经网络原理
/(A?cm-3)」分数C/%「W/um「,/(g?L-)值R/m
0.2
7.5
20.0
0.5367
径向基函数(RBF)神经网络是由输人层、隐层和
2
0.2
12.5
15.0
0.4067输出层构成的3层前向网络。输入节点只传递输入信号
3
0.2
17,5
12.5
1000.323到隐层,隐层节点由辐射状作用函数构成,而输出层节
点通常是简单的线性函数
40
0.0900
隐层节点中的作用函数(基函数)对输人信号将在
0.8
17.5
15.0
1200.090局部产生响应,也就是说,当输人信号靠近函数的中央
0.8
22.5
20.0
100
0,0933
范围时,隐层节点将产生较大的输出,由此看出这种网
混粉脉冲电化学抛光技术是在20世纪80年代产生络具有局部通近能力,所以径向基函数网络也称为局
的,它与常规脉冲电化学抛光的不同之处即在工作液部感知场网络。
中添加一定成分、浓度和粒度的导电或半导电微细粉
径向基函数都是径向对称的,最常用的是高斯函
末(如硅、铝等),形成悬浮液,在进行表面抛光时可以数
大大提高加工速度,改善表面质量,降低表面粗糙度R:(x)=exp[-Ix-c:I2/(2o2)]i=1,2,…,m(1)
值。由于在混粉脉冲电化学抛光过程中,影响加工性能式中:x为n维输入向量;c:为第i个基函数的中心
的因素较多,也较复杂,很难从理论上解决各种工艺参与x具有相同维数的向量;o为第个感知的变量(高
数对抛光效果的影响关系。而在实际抛光过程中,工艺斯函数宽度向量),它决定了该基函数間绕中心点的宽
参数的选择和合理的搭配对抛光效果有很大影响,但度;m为感知单元的个数
★安徴省高等学校青年教师科研基金资助项目(编号:2005jq1064)
x-c:目是向量x-c:的范数,它表示x和c之
收稿日期:2008年12月
间的距离,R(x)在c处有一个唯一的最大值,随着
Nラ机械制造47卷第38期
2009/6
题寻
x-cal的增大,R:(x)迅速衰减到零。对于给定的输
表2RBF网络预测结果与实际值的比较
人,只有一小部分靠近x的中心被激活。
表面粗糙度R,/um
输人层实现从x→R(x)的非线性映射,输出层实
序号
实测值
预测值
相对误差/%
现从R:(x)到yk的线性映射,即
0.5367
0.5404
0.686
0.4067
1.352
∑
OUR(
2
123
0.3233
0.3043
5.874
式中:P为输出层节点数,其连接权的修正可采用最小
乘法;为隐层与输出层的连接权值;为隐层节
14
0.0900
0.0876
2、732
点;k为输出层节点。
0.0900
0.0905
0.567
0.0933
0.0917
1.704
2RBF神经网络模型
意的,最大相对误差为5.874%,而最小相对误差仅为
2.1神经网络学习样本的建立
0.567%,说明建立的模型已有良好的泛化能力,能反
本文通过工艺试验获得混粉脉冲电化学抛光工艺映实际抛光的工艺规律,并能成功地预测出指定工艺
数据表,每条工艺数据包括参数和抛光结果两部分,可条件下的表面粗糙度值。因此该模型可作为混粉脉冲
作为ー个样本。本试验采用硝酸钠(NaNO2)和硫酸钠电化学抛光的预测模型。
( Nasoa4)混恰而成的电解液,同时加入少量酒石酸钾钠
但是需要指出的是,网络预测的结果仍存在一定
等添加剂。工件材料为5 CRNIMO,在工作液中添加氧化的误差。经分析认为,网络存在误差的主要原因为:
铝粉作为磨料。通过分析选取影响混粉脉冲电化学抛试验过程中存在一定的随机误差及测量误差;②在网
光性能的电参数为:电流密度1、脉冲宽度t;非电参数络设计过程中,没有考虑脉冲间隔、工作液温度等其他
为:暦料粒度W、磨料含量。;加工性能指标:工件表因素的影响;③受试验条件的限制,用于网络训练的样
面粗糙度R。其工艺模型拓扑结构如图1所示。
本偏少。
表面粗糙度值
3结论
1)利用神经网络的学习和联想能力,提出并成功
隐层
地训练了一个用于预测混粉脉冲电化学抛光效果的
电流密度电解液含量」「磨料含量「璃料粒度
RBF神经网络。检测结果表明,该模型基本反映了实际
的加工规律。
▲图1工艺模型拓扑结构图
2)RBF神经网络不仅可用于预测混粉脉冲电化学
2.2神经网络设计过程
抛光效果,还可以用来学习设定工艺参数的规律,达到
利用 MATLAB7.0提供的神经网络工具箱可以方优化工艺参数的目的。
便地实现网络的功能,网络设计过程如下
3)利用该模型进行的