快乐飞艇平台上:接待您拜候长沙鹏翔电子科技无限公司声发射分站

手艺操纵

您以后的地位:首页手艺操纵

抢先的声发射装备焦点供给商

手艺操纵

用声发射旌旗灯号和改良的BP神经收集展望磨削外表粗拙度

宣布日期:2018-02-18 15:42    阅读次数:次

    今朝,磨削加工外表粗拙度的首要丈量体例是离线丈量。在加工进程中,外表粗拙度不能停止切确的在线展望,将可以或许致使成品呈现。为此,浩繁院而至力于在线展望方式研讨来进步磨削加工进程的智能化、主动化程度。文献[ 1 ]接纳遗传算法构建神经收集来展望外表粗拙度,提出以砂轮进给速率、砂轮线速率、工件进给速率为输出神经元,降服了易堕入部分极小等题目,进步了曲面磨削外表粗拙度的展望精度。文献[2 ]融会遗传算法与BP( Back Prop吨ation) 神经收集,成立了外圆纵向磨削外表粗拙度的退化的神经收集展望模子。该模子以砂轮线速率、工件线速率、纵向进给速率和单程磨削深度为输出神经元来展望磨削外表粗拙度,展望成果相对偏差小于3% 。文献[3 ]研讨了基于典范估量现实的映照干系模子,提出用磨削声发射旌旗灯号的功率谱密度对磨削外表粗拙度停止在线评价,测验考试证实声发射旌旗灯号可为磨削外表粗拙度展望供给充足信息,可完成外表粗拙度的在线检测。文献[4]提出操纵声发射旌旗灯号的RMSw辈值、FIT 峰值和规范偏差作为输出单位来展望外圆磨削外表粗拙度。文献[5 ]操纵磨削声发射旌旗灯号和功率旌旗灯号,连系神经收集停止了磨削加工振颤和砂轮烧伤景象的诊断研讨。文献[6] 操纵野生神经收集研讨了声发射旌旗灯号特点与砂轮烧伤干系,提出把旌旗灯号的功率、峰度、偏斜度和自回归系数作为展望的特点向量。本文操纵声发射旌旗灯号的RMS (Root Mean Square) 值、FIT 峰值、规范差、方差和偏斜度5 参量为输出单位,成立了三层BP神经收集来展望磨削外表粗拙度,并操纵附加动量法和自顺应进修速率法改良了传统BP 收集。经由进程尝试考证了该BP 收集展望模子的可行性。
1 磨削外表粗拙度展望模子布局
    本文接纳三层BP 神经收集模子,其收集拓扑布局如图1 所示。输出层有5 个神经元,别离为声发射旌旗灯号的RMS 值、FIT 峰值、规范差、方差和偏斜度,输出层为1 个神经元,即外表粗拙度凡,隐含层的神经元个数由经历法拔取并停止优化肯定。

                  图1    磨削外表粗拙度BP 收集模子布局
2 BP 神经收集算法与改良
2.1 BP 神经收集算法与缺乏
    BP 进修算法,即偏差反向传布进修算法,是一种典范的偏差批改方式。在这类收集中,进修进程由正向传布和反向传布构成。在正向传布进程中,输出旌旗灯号从输出层经隐层单位逐层处置,并传向输出层。每层神经元的状况只影响下一层神经元的状况。若是在输出层不能取得希冀的输出,则转人反向传布,将输出旌旗灯号的偏差沿原来的毗连通路前往。经由进程点窜各层神经元的权值,使得偏差旌旗灯号最小。
    偏差反传进修算法经由进程一个使方针函数最小化进程完成输出到输出的映照。凡是,方针函数界说为一切输出形式上输出层单位但愿输出与现实输出的偏差平方和。
    BP 算法存在以下缺乏:
1) BP 算法的进修步长η 及动量因子α 很难事前肯定。太小的η 会引发收敛速率过慢,过大的η会引发收敛振荡;太小的α 起不了光滑感化,过大的α 又会使批改阔别梯度最风雅向。
2) BP 算法是LMS (Least Mean Square) 算法的推行,固而存在着LMS 算法的部分最小值题目,且易遭到输出形式协方差矩阵特点值漫衍的影响。
3) BP 算法的初值挑选也影响算法的收敛速率,偶然乃至会致使算法收敛于部分极小值。
    针对BP 算法这些缺点,人们提出了各类改良方式,此中收集布局和练习算法是改良BP 算法的两个方面。可以或许测验考试的路子有:转变方针函数;点窜激活函数;转变搜刮标的目的和步长;改良练习战略等。这些改良方式首要着眼于练习步长η 及动量因子α的挑选上。本文的收集改良方式是连系附加动量法与自顺应进修速率法来对BP 收集停止改良。
2.2 BP 神经收集算法改良
    本文接纳附加动量法和自顺应进修速率法相连系的改良BP 神经收集作为分类器。动量法本色上是将最初一次权值变更的影响,经由进程一个动量因子来通报,可下降收集对偏差曲面部分细节的敏理性,有用地按捺收集陷于部分极小;自顺应调剂进修率有益于延长进修时候。
    以磨削加工声发射旌旗灯号200 - 300 kHz 之间的旌旗灯号为样本,对照未改良的BP 收集与改良后的BP收集的机能。样本为20 组,将1 -16 组作为练习样本, 17 -20 组作为查验样本。样本数据按照下式停止归一化处置:

式中:Pi 为归一化后的值;pi为归一化前的值;minp,maxp甲别离为样本最小值和最大值。
    未改良的收集隐含层节点数为10 ,收集练习函数为trangd. m ,通报函数为logsig 和purelin ,方针偏差为0.01 ,最大轮回次数为3 X 10ⁿ,n=4。练习次数为1842 次,展望值为0.6093 与0.6803 ,偏差别离为8.4%和18.4% 。对此BP 收集停止改良,改良后的收集练习函数为trangdx. m ,进修速率为o. 1 ,附加动量为0.95 ,首层利用通报函数tans毡,其余参数稳定。练习次数为967 次,相对偏差最大为8.9% ,展望精度取得了进步,练习次数也削减了。是以改良后的收集对展望具备更高的精度和更快的速率,上风较着。
3 磨削外表粗拙度展望模子
    按照图1 所示的收集布局,进修速率的拔取规模在0.01-0.8 之间,这里选为0.01 ,并设定为自顺应进修速率法,进修速率的递增乘因子为1.08 ,进修速率的递加乘因子为0.6 ,收集偏差平方和取为0.01 ,进修次数为3 X 10ⁿ,n=4次。进修样本为20 组,是在2 组L9 (3 ³) 正交尝试的根本上,增添了2 组尝试数据。同时将旌旗灯号分10个频段停止样本的提取,各个频段样本数均取为20个。取20 组作为进修样本数来练习神经收集,取此中6 组作为展望样本,经由进程对差别频段、差别隐层个数神经收集的展望成果停止对照,来肯定神经收集的终究模子。
3.1 进修样本的拔取
    经改良后的BP 收集展望值偏差对照如表1 所示。由表1可以或许看出: 300 - 400 kHz 频段与700 -800 kHz 频段的AE (Acoustic Emission) 旌旗灯号特点展望均匀偏差较小;从练习次数下去看300 -400 kHz频段比拟少。图2 , 3 别离为300 -400 kHz 频段与700 -800 kHz 频段旌旗灯号的展望偏差曲线。由图2 , 3可知: 300 - 400 kHz 频段旌旗灯号的展望值偏差分离度较小,合适作为输出节点旌旗灯号样本,由此,可把300-400kHz 频段的旌旗灯号特点作为神经收集的输出层停止研讨。
                                                               表1    分频段样本BP 收集展望偏差对照

                                                 
                                                                 图2   300 - 400 kHz 频段旌旗灯号的展望偏差曲线

3.2 隐层单位个数肯定
    差别个数的隐单位构成的BP 收集的均方偏差曲线别离如图4(a)-(c) 所示。经由进程比拟可以或许发明:颠末2 000 次练习后,当隐层神经元个数为5时,反应收集偏差机能的均方偏差可到达0.013 5;当隐层神经元个数为8 和10 时,均方偏差可以或许到达10 ﹣³级别,收集的收敛速率比拟快,优于隐层神经元个数为5 时的收集。为考查收集的展望机能,在样本数据中拔取6 组数据作为收集的测试数据。图5为这些测试数据据归一化后的展望值与测验考试值之间的偏差曲线,横坐标代表在原样本数据中拔取的6组测试数据,纵坐标代表该6 组数据的展望成果与测验考试值之间的偏差。由图5 可见:差别布局的BP收集的展望偏差不一样,当隐层节点为8 时,偏差较小。按照下面的收集练习偏差曲线,本文拔取隐层单位数为8。
3.3 改良的BP 神经收集展望模子
    收集布局如图1 所示,隐层单位数拔取为8 。反向传布练习的函数为traingdx. m ,进修速率为0.05 ,进修速率的递增乘因子为1.08 ,进修速率的递加乘因子为0.6 ,附加动量为0.95 ,最大练习偏差次数为3 X 10ⁿ,n=4,其余为缺省值。取20 组进修样原来练习该BP 模子,并将6 组样本输人已练习好的BP模子中,便可取得外表粗拙度的展望值。展望成果样本实测值对照如表2 所示。
                        表2     改良的BP 模子展望成果与实测值对照
     由表2可以或许看出,展望的相对最大偏差为8.669毛,其相对偏差为0.059μm ,可以或许知足展望请求。如需取得更高的展望精度,则需增添进修样本,优化收集布局和隐层单位数来成立更好的模子。

                                                        图4   差别隐层单位数时的均方偏差曲线
                                                     
                                                                       图5    隐层单位数为5,8,10 时的偏差曲线
4 论断
    本文针对磨削加工外表粗拙度不易完成切确展望题目,提出了一种改良的BP 神经收集展望模子。改良后的展望模子与原BP 模子比拟,具备较快的收敛速率和较高的展望精度,对在线外表粗拙度展望具备适用代价。增大进修样本数目和优化样本数据对进步模子展望的切确度有主要感化,是下一步操纵BP 神经收集在线展望磨削外表粗拙度的研讨重点。
参考文献:
[ 1 ] 张永宏,胡德金,张凯,等基于退化神经收集的曲面磨削外表粗拙度展望[J]. 上海交通大学学报, 2005 ,39 (3 ) : 373 -376.
[ 2 ] 李国发,王龙山,打发基于退化神经收集外圆纵向磨削外表粗拙度的在线展望[J ]. 中国机器工程, 2005 , 16 ( 3 ) : 223 -226
[ 3 ]刘贵杰,巩亚东,王宛山基于磨擦声发射旌旗灯号的磨削外表粗拙度在线检测方式研讨[J] .磨擦学学报, 2003 ,23 (3) :237-239
[ 4 ] 刘贵杰,巩亚东,王宛山.外困磨削外表粗拙度的在线监督j方式研讨[1].辽宁工程手艺大学学报, 2003 , 22 (1) :107-109.
[ 5 ] Kwak J S , Ha M K. Neural Network Approach for Diagnosis of Joumal of Materials Processing Technology, 2004 ,147 :65 -71
[ 6 ]Zhen W, Willett P , Paulo R , et al. Neural Network Detection of Grinding Bum from Acoustic Emission [J J. Intemational Joumal of Machine Tools & Manufacture , 2001 ,41 :283 -309.
[ 7 ]程文涛.基于神经收集的成形磨削外表粗拙度研讨[D] 长沙:湖南大学, 2006 :46 -72.

湖南省长沙高新区文轩路27号麓谷企业广场A4栋507 德律风:0731-84668116,85128115,85128116

Copyright © 2005~2019 长沙鹏翔电子科技无限公司 IS09001 Certified Acoustic Emission products

快乐飞艇是官彩还是私人彩票 快乐赛车app哪个好玩 快乐飞艇用哪个计划 澳洲快乐赛车pk拾计划 快乐飞艇开奖正规吗 快乐飞艇怎么玩内承 有快乐飞艇的彩票app 快乐飞艇定位胆技巧 三分钟快乐飞艇 彩票快乐飞艇玩法