機床商務網
技術文章
快走絲預測模擬
閱讀：880 發(fā)布時間：2012-4-11
建立如圖1所示的4-12-3型單隱含層誤差反向傳播神經網絡。隱含層神
經元個數(shù)是在網絡學習過程中通過對誤差的分析而得到[1]。輸入層4個神經元及輸出層3個神經元表征的參數(shù)指標取值范圍如表1所示。
表1 放電加工參數(shù)與加工性能指標的取值
輸入層表征參數(shù) >輸出層表征參數(shù)
ton（μs） toff（μs） Im（A） TH（mm） vf（mm2/min） Ra（μm） EX（mm/104mm2）
2-60 20-450 1-10 5-200 40-80 0.5-2.5 ≤001
表中放電參數(shù)對于加工性能指標影響的規(guī)律為：放電脈沖寬度ton增大時，脈沖能量也大，加工速度vf提高。但此時放電凹坑既大且深，故表面粗糙度Ra增大，電極絲損耗EX也增大。脈沖間隔toff減小時，vf增大，Ra減小，EX減小。峰值電流Im增大時，vf增大，Ra增大，EX也增大。模具零件厚度TH減小時，工作液容易充滿放電間隙，電蝕產物的排出和消電離都容易，加工穩(wěn)定性好，故vf提高。但此時電極絲易振動，對表面粗糙度不利，故Ra增大，EX減小。TH增大則vf也增大，但當TH達到某一特定值（50-100 mm）后，因蝕出產物排除條件差，vf反而下降。 通過對不同材質、厚度工件及各檔放電參數(shù)的組合實驗，取得50組加工性能指標數(shù)據(jù)作為樣本，對網絡進行訓練。 已知樣本輸入集與輸出集，則網絡第h層的第j個神經元的輸入輸出關系為式中，Oj（h）為第h層第j個神經元的輸出，wji（h-1）為第h-1層第i個神經元到第h層第j個神經元間的連接權，Oj（h）為輸出閾值，fj（·）為神經元輸入輸出Sigmoid函數(shù)，Nh為第h層神經元個數(shù)，當h=1時，wji（h-1）=1，Oj（h-1）即為樣本輸入集的取值。以網絡實際輸出與輸出樣本的誤差平方和Es作為網絡系統(tǒng)誤差，連接權的修正按E?s的負梯度方向，由輸出層向輸入層反向進行。
其修正量為 式中，η為加速收斂的動量項，Osi（h-1）為第h-1層第i個神經元在第s個樣本輸入時的輸出，δsj（h）為誤差傳播項。當h=1時，δsj（h）=0，h=2及h=3時δsj（h）的計算見文獻[2]。Ms為樣本個數(shù)。
迭代至第t步時的調權公式為：wji（h-1）（t）=wji（h-1）（t-1）+Δwji（h-1），t=1，2，…，Nc，其中Nc為滿足收斂準則Es≤ε時的迭代次數(shù)。收斂后的連接權分布能在ε精度內模擬對應的輸入輸出關系。由于各放電參數(shù)和加工性能指標的樣本原始數(shù)據(jù)具有不同的量綱與數(shù)量級，為方便訓練，分別設計了歸一化函數(shù)，使樣本數(shù)據(jù)轉化為[0，1]區(qū)間上的數(shù)。本實驗研究的網絡學習如圖2所示。
北京安德建奇數(shù)字設備有限公司主要生產：慢走絲線切割,慢走絲,快走絲,電火花成型機,電火花穿孔機,中走絲線切割廠家
/st20953
經元個數(shù)是在網絡學習過程中通過對誤差的分析而得到[1]。輸入層4個神經元及輸出層3個神經元表征的參數(shù)指標取值范圍如表1所示。
表1 放電加工參數(shù)與加工性能指標的取值
輸入層表征參數(shù) >輸出層表征參數(shù)
ton（μs） toff（μs） Im（A） TH（mm） vf（mm2/min） Ra（μm） EX（mm/104mm2）
2-60 20-450 1-10 5-200 40-80 0.5-2.5 ≤001
表中放電參數(shù)對于加工性能指標影響的規(guī)律為：放電脈沖寬度ton增大時，脈沖能量也大，加工速度vf提高。但此時放電凹坑既大且深，故表面粗糙度Ra增大，電極絲損耗EX也增大。脈沖間隔toff減小時，vf增大，Ra減小，EX減小。峰值電流Im增大時，vf增大，Ra增大，EX也增大。模具零件厚度TH減小時，工作液容易充滿放電間隙，電蝕產物的排出和消電離都容易，加工穩(wěn)定性好，故vf提高。但此時電極絲易振動，對表面粗糙度不利，故Ra增大，EX減小。TH增大則vf也增大，但當TH達到某一特定值（50-100 mm）后，因蝕出產物排除條件差，vf反而下降。 通過對不同材質、厚度工件及各檔放電參數(shù)的組合實驗，取得50組加工性能指標數(shù)據(jù)作為樣本，對網絡進行訓練。 已知樣本輸入集與輸出集，則網絡第h層的第j個神經元的輸入輸出關系為式中，Oj（h）為第h層第j個神經元的輸出，wji（h-1）為第h-1層第i個神經元到第h層第j個神經元間的連接權，Oj（h）為輸出閾值，fj（·）為神經元輸入輸出Sigmoid函數(shù)，Nh為第h層神經元個數(shù)，當h=1時，wji（h-1）=1，Oj（h-1）即為樣本輸入集的取值。以網絡實際輸出與輸出樣本的誤差平方和Es作為網絡系統(tǒng)誤差，連接權的修正按E?s的負梯度方向，由輸出層向輸入層反向進行。
其修正量為 式中，η為加速收斂的動量項，Osi（h-1）為第h-1層第i個神經元在第s個樣本輸入時的輸出，δsj（h）為誤差傳播項。當h=1時，δsj（h）=0，h=2及h=3時δsj（h）的計算見文獻[2]。Ms為樣本個數(shù)。
迭代至第t步時的調權公式為：wji（h-1）（t）=wji（h-1）（t-1）+Δwji（h-1），t=1，2，…，Nc，其中Nc為滿足收斂準則Es≤ε時的迭代次數(shù)。收斂后的連接權分布能在ε精度內模擬對應的輸入輸出關系。由于各放電參數(shù)和加工性能指標的樣本原始數(shù)據(jù)具有不同的量綱與數(shù)量級，為方便訓練，分別設計了歸一化函數(shù)，使樣本數(shù)據(jù)轉化為[0，1]區(qū)間上的數(shù)。本實驗研究的網絡學習如圖2所示。
北京安德建奇數(shù)字設備有限公司主要生產：慢走絲線切割,慢走絲,快走絲,電火花成型機,電火花穿孔機,中走絲線切割廠家
/st20953