宋慧東

（山西潞安集團常村煤礦，山西 長治 046100）

0 引 言

磨削是一種常用的精密加工方法，能獲得很高的加工精度和表面質(zhì)量。在鈦合金、高溫含金、超高強度鋼、不銹鋼及高溫結(jié)構(gòu)陶瓷等難加工材料的加工中，特別是在成形表面的加工中，磨削是一種非常有效的加工方法[1]。但是磨削過程中產(chǎn)生的熱效應不僅對工件的表面質(zhì)量和使用性能有極大影響，同時也影響砂輪使用壽命，因此，對工件表面（尤其是磨削區(qū)）的溫度進行研究，對深入探討磨削機理和被磨零件表面完整性具有重要意義[2,3]。

然而，目前人們主要通過對實驗數(shù)據(jù)進行多元回歸分析來預測磨削加工的磨削溫度，但難于找到適當?shù)幕貧w模型而導致預測精度不高。隨著計算機仿真技術(shù)的發(fā)展，人工神經(jīng)網(wǎng)絡建模用來解決磨削溫度問題是方便和有效的。利用神經(jīng)網(wǎng)絡建模時不必了解系統(tǒng)內(nèi)部的實際運行規(guī)律，只需用已有的磨削參數(shù)對系統(tǒng)進行訓練，當達到給定的誤差要求時，即可用該系統(tǒng)對磨削過程進行仿真，預測磨削溫度。本文應用BP神經(jīng)網(wǎng)絡對磨削溫度進行建模，并通過實驗驗證了模型的可行性。

1 人工神經(jīng)網(wǎng)絡原理

人工神經(jīng)網(wǎng)絡是使用數(shù)學方法模擬人腦的形式思維邏輯，它由大量并行非線性處理單元通過連接權(quán)組成網(wǎng)絡的結(jié)構(gòu)，從內(nèi)部簡單地模擬人腦的部分形象思維。人工神經(jīng)網(wǎng)絡用簡單的數(shù)據(jù)處理單元模擬神經(jīng)元作為網(wǎng)絡的一個結(jié)點，用權(quán)值模擬神經(jīng)元之間的突觸連接強度：正權(quán)值起興奮型突觸的作用，負權(quán)值則起抑制型突觸的作用。一個結(jié)點有許多輸入，類似于神經(jīng)細胞的樹突，接受來自其位神經(jīng)元的興奮或抑制信號。計算處理單元對所有輸入值進行加權(quán)求和，并將加權(quán)和通過內(nèi)部轉(zhuǎn)換函數(shù)產(chǎn)生一個輸出值，其作用相當于神經(jīng)細胞中傳出神經(jīng)沖動的軸突[4]。BP神經(jīng)網(wǎng)絡結(jié)構(gòu)，如圖1所示。

圖1 BP神經(jīng)網(wǎng)絡結(jié)構(gòu)

在人工神經(jīng)網(wǎng)絡的實際應用中，絕大部分人工神經(jīng)網(wǎng)絡通常包括輸入層、隱含層及輸出層，根據(jù)具體的情況各層神經(jīng)元的個數(shù)不同，層次間的神經(jīng)元互相連接，但層次內(nèi)的神經(jīng)元無連接關(guān)系。在實際應用中，80%～90%的人工神經(jīng)網(wǎng)絡模型是采用BP網(wǎng)絡(Back—Propagation Network)或其變化形式，BP網(wǎng)格是前饋網(wǎng)絡的核心部分，體現(xiàn)了人工神經(jīng)網(wǎng)絡的精華[5]。

2 實驗條件及仿真樣本的獲取

本實驗在岡本公式生產(chǎn)的GOTEN，GTs-6016 AHD精密平面磨床上進行，具體的實驗條件，如表1所示。

表1 實驗條件

在砂輪和工件確定后，磨削用量（砂輪速度，工作臺速度，磨削深度）是影響磨削溫度的主要因素，本文采用BP神經(jīng)網(wǎng)絡來研究磨削用量對磨削溫度的影響，建立磨削溫度的預測模型。砂輪速度取25.5 m/s，33.6 m/s，44 m/s；工作臺往返速度取12.8 m/min，14 m/min，16 m/min.磨削深度?。? μm，10 μm，15 μm。實驗采用正交的方式進行，實驗設計方案及結(jié)果，如表2所示。

表2 磨削試驗測量結(jié)果

3 BP神經(jīng)網(wǎng)絡的設計過程

3.1 輸入層、輸出層和隱含層的設計

由以上分析可知，本文以砂輪線速度，工作臺往返速度，磨削深度作為輸入單元，以磨削溫度作為輸出單元。因此，輸入層有三個單元，輸出層有一個單元。因為理論上已經(jīng)證明，在不限制隱含層單元數(shù)的情況下，兩層(只含一個隱含層)的BP網(wǎng)絡可以實現(xiàn)任意非線性映射，所以本設計采用單隱層的神經(jīng)網(wǎng)絡。隱層的單元個數(shù)根據(jù)經(jīng)驗公式預選，并經(jīng)過多次模擬分析對比，本模型最終確定隱層的單元個數(shù)8。隱含層的傳遞函數(shù)采用正切S型函數(shù)tansig，輸出層的傳遞函數(shù)采用純線性函數(shù)purelin。具體的參數(shù)設計，如圖2所示，圖3為設計好的神經(jīng)網(wǎng)絡模型。

3.2 網(wǎng)絡的學習過程

圖2 神經(jīng)網(wǎng)絡參數(shù)圖

圖3 BP神經(jīng)網(wǎng)絡模型

圖4 BP神經(jīng)網(wǎng)絡訓練過程

神經(jīng)網(wǎng)絡必須經(jīng)過訓練才可以使用，本網(wǎng)絡采用表2中9組數(shù)據(jù)其中的任意7組進行網(wǎng)絡的學習，另外兩組用來進行網(wǎng)絡的驗證。本次隨機選取3和6兩組數(shù)據(jù)作為驗證數(shù)據(jù)，另外7組用于網(wǎng)絡的學習。圖4為BP神經(jīng)網(wǎng)絡的訓練過程。從圖4可以看出網(wǎng)絡的訓練過程收斂很快，經(jīng)過訓練很快就達到了理想的訓練效果。

4 神經(jīng)網(wǎng)絡的實驗驗證

建立好的神經(jīng)網(wǎng)絡模型是否可用必須經(jīng)過實驗驗證，所以采用另外兩組實驗樣本對模型進行驗證。采用建立好的神經(jīng)網(wǎng)絡模型對另外兩組數(shù)據(jù)進行仿真，并將仿真結(jié)果和實驗結(jié)果進行對比。仿真結(jié)果和實驗結(jié)果，如表3所示：

表3 磨削溫度BP神經(jīng)網(wǎng)絡結(jié)果預測與誤差

從預測結(jié)果和實驗結(jié)果的對比可以看出，所建模型的預測誤差很小，均不超過1%，證明了所建模型的準確性。

5 結(jié) 論

利用BP神經(jīng)網(wǎng)絡良好的非線性映射能力，以磨削用量（砂輪線速度、工作太速度和磨削深度）為輸入，以磨削溫度為輸出，建立了磨削溫度的BP神經(jīng)網(wǎng)絡預測模型，并通過仿真驗證了模型的正確性。為磨削溫度的預測打下了良好的基礎(chǔ)。

[1]任敬心，康仁科，史興寬.難加工材料的磨削[M].北京：國防工業(yè)出版社，1999.

[2]李伯民,趙波.現(xiàn)代磨削技術(shù)[M].北京：機械工業(yè)出版社，2003.

[3]李瑜,趙波,焦鋒，等.工程陶瓷超聲磨削軌跡仿真[J].工具技術(shù)，2007（1）：39-42.

[4]鄧朝輝,程文濤.基于神經(jīng)網(wǎng)絡的成形磨削表面粗糙度的研究[J].機械制造，2006,44(7)：39-40.

[5]周開利,康耀紅.神經(jīng)網(wǎng)絡模型及其MatIab仿真程序設計[M].北京：清華大學出舨社，2005.