0 　 导言

在国防航空制作公司中对加工中心如今也有研讨人员将人工神经网络办法引进到工时定额的拟定中 ,西安理工大学的李淑娟提出了依据神经网络的无需技术切削参数的依据 CAD 特征信息疾速核算加工时刻定额的办法 ,展示了人工神经网络技术在工时定额核算方面的广泛使用远景[1 ]。西北工业大学的朱历新也在使用人工神经网络模型核算定额工时上做了进一步的研讨 ,在全部分析定额规范表的基础上 ,选用概括概括法研讨了拟定工时定额的神经网络办法[2 ]。此外 ,上海交通大学的钟宏才对中心商品区分部件加工族 ,使用BP神经网络树立工时定额与部件出产工时定额影响要素之间的映射联系完成了中心商品加工工时定额的疾速核算[3 ],等等。

人工神经网络是经过各神经元之间的连接来树立输入与输出之间的映射联系 ,其便利求解非线性疑问 ,而对航空制作公司典型机种数控加工零件工时与加工参数之间的映射联系 ,即是一个典型的非线性映射。因此 ,将人工神经网络技术引进到工时预算研讨中是一个有利的测验。BP 神经网络由于其广泛的适应性和有效功能够很好地使用于这篇文章研讨的工时预算中。

　　 由于零件加工工时是多要素相互作用的成果 ,故零件工时与多个商品参数有关。更为主要的是 ,零件工时不只与零件的设计参数(如零件尺度等接连参数)有关 ,并且它在相当大的程度上受零件加工进程参数(如机床加工组合办法、 加工面形状特征等)的影响 ,这些参数是离散的 ,非数值化的。BP神经网络模型能够完成到任何接连函数的迫临,但没有依据证实神经网络对离散变量驱动的离散函数也有无量迫临的能力。这也即是说 ,用神经网络来迫临富含离散变量的函数是不可靠的 ,离散变量需求独自处理。为解决这个疑问 ,这篇文章提出了零件类似检索规矩和算法 ,该算法首要依据商品的非数值参数信息检索出与当时核算零件类似的一组类似典型零件 ,然后使用神经网络获取典型零件的工时规律 ,并按此猜测当时核算零件的加工工时。

1 　 依据神经网络的工时预算模型建模

在前面说到的典型零件 ,指在本工时预算模型中作为规范工时的零件 ,其工时由专业人员经过准确的具体核算法核算得到 ,用于练习神经网络。核算零件是需求疾速预算工时的零件。在预算中考虑影响零件工时的主要要素称作特征参数 ,即工时预算影响要素体系。

1. 1 　 数控CNC加工中心加工零件工时预算影响要素体系的树立

工厂依据全体构造件特征概括准则通常把影响CAPPP CAM的要素概括为 18 类 ,这篇文章从赶快得出构造件数控加工工时的角度动身 ,把影响零件单件时刻的诸多要素进行概括概括加以典型化 ,能够简化为零件品种、 零件截面形状、 构造形状、 资料品种、 毛坯型式、 零件尺度、 加工设备组合办法共七个特征目标 ,如图1所示。零件品种表明零件的分类特征 ,不一样品种的零件构造功用不一样较大。零件的截面办法与加工工时联系极大 ,通常构造件具有 “∏” 、 “T” 、“E” 及其它杂乱截面形。构造形状表明加工面的形状和杂乱程度 ,如加工面的孔、 槽、 凸台、 下陷面、 筋等构造特征。零件选用不一样的资料将对切削加工功能带来明显的影响。零件毛坯状况对零件加工技术和工序组织的杂乱程度均会发生极大的影响。构造件尺度对工时的影响也是明显的。不一样的加工设备加工一样零件会发生不一样的作用 ,对数控加工工时也会带来较大的影响。

1. 2 　 类似零件检索

类似零件的检索关键是怎么断定零件的类似性 ,即类似特征的获取和类似特征的类似性度量。这篇文章选择零件品种、 零件截面形状、 资料品种、毛坯型式、 加工设备组合办法作为类似特征。通常来说同类零件具有类似的加工特征 ,因此检索类似零件时首要选择零件品种一样的典型零件 ,然后对零件资料品种、 截面形状、 毛坯型式、 加工设备组合

file://E:\QQPCmgr\Temp\ksohtml\wps146A.tmp.jpg 

办法四个要素进行匹配打分 ,最终依据得分状况按降序输出得分最高的20个零件的列表。由于这几个要素取值都是离散型的 ,这儿给它们打分采纳一种简略的匹配计分法 ,若核算零件和典型零件在资料品种上一样 ,则资料品种得分为 1 ,不然为0。一样核算别的三个要素得分 ,最终将得分加和即得到总分。

1. 3 　 BP神经网络

BP神经网络即是选用 BP (Back propagation) 算法进行练习的网络 ,该网络具有一个输入层 ,一个输出层和最少一个隐含(中心)层。BP 算法是非循环多级网络的练习算法 ,其学习进程由正向传达和反向传达构成 ,输入值经过非线性改换从输入层经隐单元逐层处理 ,并传向输出层 ,每一层神经元的状况将影响到下一层神经元状况 ,如果在输出层不能得到希望的输出 ,则转入反向传达 ,经过批改各神经元权值 ,使差错信号最小。

(1)断定网络的构造

这个疑问能够看作是输入数控加工零件的各加工参数到输出核算工时的非线性映射疑问。这篇文章采纳三层BP网络构造( m ×h ×n) :

① 输入层为6个神经元 x1 , x2 , x3 , x4 , x5 , x6 , m =6 ,它们别离对应于数控加工零件的截面形状、 加工面形状特征、 资料品种、 毛坯状况、 零件尺度、 加工设备各加工参数。对于离散型的变量以经历批改系数作为数值输入 ,截面形状批改系数表如表1所示。

file://E:\QQPCmgr\Temp\ksohtml\wps146B.tmp.jpg 

 一样对加工面形状特征、 资料品种、 毛坯状况、加工设备这几个变量也树立这么的批改系数表。这些批改系数是在很多核算中总结概括出来的 ,能够作为神经网络的初始输入值 ,在神经网络的学习练习中能够进一步改善这些批改系数的值。而零件尺度本身即是一个数值变量 ,可是对不一样品种的零选用的尺度公式不一样 ,如曲线概括平板类零件由于零件厚度改动不大 ,其对单件数控加工工时的影响可疏忽 ,所以选用面积批改系数;梁类、 长桁型材类、 接头类零件则选用外廓体积作为参数值。一样对不一样品种的零件 ,上述几种批改系数的取值也不一样 ,所以这篇文章中用到的工时预算技术中先匹配件的品种 ,再找类似的典型零件集作为神经网络的练习样本 ,这么就确保了这些批改系数的取法一样。这儿为了简化网络模型 ,对这些批改系数的取值进程不包含在神经网络模型中 ,可由专业人员供给这些输入值。

② 隐含层的断定

添加隐含层的层数和隐含层神经元个数不必定总能够进步网络精度和表达能力。Robert Hecht Nielson 证实了对于恣意闭合区间接连函数都能够用富含一个隐层的 BP 网络来迫临[5 ],故这篇文章选择单隐层网络。隐含层的神经元个数 h 能够为与疑问无关,如今的研讨成果还难以给出 h 取值与疑问的类型和规划之间的函数联系 ,试验中发现 h 大致可在[ mP 2 + 1 ,3 m ]之间取值,不然网络极不安稳 ,练习时简直不能收敛到预订的精度。此模型中取 h = 8。

③ 输出层为核算零件的加工工时 , n = 1。

(2)数据的处理

由于BP 神经网络的激活函数取为 Sigmoid 函数 ,网络的输出值在 0～1 之间 ,并且当输入值在- 0. 6～0. 6之间时改动较快 ,所以应当对学习样本数据进行必定的紧缩处理[4 ],使之满足网络核算的请求。设处理的输入数据都是正实数 ,为了减少核算差错 ,通常能够将输入数据紧缩在(0. 1 ,0. 9)范围内 ,对输出数据也可如此处理。参阅核算公式如下:

file://E:\QQPCmgr\Temp\ksohtml\wps146C.tmp.jpg 

式中, Z 为紧缩前的数据值, Zc 为紧缩后的数据值,Zmax , Zmin 别离为样本数据会集相应的最大、 最小值。

(3)网络的完成

该网络模型选用三层全互连的 BP 网络构造 ,其拓扑构造为6 - 8 - 1 ,练习算法选用最速下降法 ,相应的对权值矩阵的调整选用Delta 规矩 ,激活函数为 Sigmoid函数、 练习次数1万次。对于神经网络练习实例数目的选择办法或准则如今尚没有明确的理论依据 ,通常依据经历和实践状况选择。但神经网络的 “鲁棒性” 较好 ,对包含练习样本数量在内的各种参数请求不是很高 ,通常状况下不会由于参数的改动而使得猜测作用存在较大区别[7 ]

。这篇文章选择练习样本为20个。

1. 4 　 体系结构

综上所述 ,这篇文章对于数控加工零件工时的预算体系结构如图2所示。

file://E:\QQPCmgr\Temp\ksohtml\wps146D.tmp.jpg 

2 　 结束语

这篇文章对于数控加工零件给出了类似商品的检索规矩和算法 ,并使用神经网络模型对零件的加工工时进行预算 ,试验表明这种办法核算成果精度较高 ,疾速核算零件的工时 ,真实地反映了实践加工状况 ,所开发的工时预算体系与 CAD、 CAE能对接 ,为工厂工时办理、 加工计划拟定及技改出资供给了辅佐决议计划支撑 ,该办法具有很好的使用远景。在这个办法中 ,对类似零件的检索规矩的科学探究及算法的优化仍可作更深化的研讨。

本文由伯特利技术文章整理发表，文章来自网络仅参考学习，本站不承担任何法律责任。

更多文章可查阅，数控机床维修：http://www.btljd.com