陳桂華，張群威

(漯河職業(yè)技術學院，河南 漯河 462002)

0 前 言

國內的軌道交通建設成為方便國民的重要內容，并且建設的質量要求愈來愈高[1-3]。高錳鋼作為硬度較高合金在鐵軌建設過程中有著重要的作用，但就其在進行加工前需要采取適當大小的鉆削力以及鉆削溫度，因此，需要對此進行實驗預測以減少失誤的產生[4-6]。而且鉆削加工表現(xiàn)的物理現(xiàn)象中，鉆削軸向力和扭矩是最穩(wěn)定、可重復性強而又簡單易測的物理量[7-9]。鉆削力作為反映切削過程的一個重要指標，直接決定著切削熱的產生并影響刀具磨損、破損、使用壽命、加工精度和加工表面質量。鑒于我國現(xiàn)階段對于高錳鋼鉆削力以及鉆削溫度的預測都存在一定的問題，限制了高錳鋼鉆削工藝的更好發(fā)展。因此，需要采取更為精準的預測方法進行預測高錳鋼的鉆削力以及鉆削溫度，成為諸多學者研論的熱點問題[10]。

目前，對于高錳鋼鉆削力以及鉆削溫度的預測的文獻很多，有著一定的借鑒價值。根據(jù)實驗數(shù)據(jù)進行整理，采取人工神經網絡建立預測模型，以刀具直徑、進給量、切削速度作為輸入量，得出相應鉆削力[8-9]。該方法依據(jù)實驗數(shù)據(jù)出發(fā),可行度高，但對于模型參數(shù)的預測存在一定的偏差，未找出其最優(yōu)參數(shù)。根據(jù)粒子群算法對于靜態(tài)神經網絡的參數(shù)尋優(yōu)，根據(jù)預測與預報中的誤差相比較得出靜態(tài)網絡的闕值建立模型，該方法根據(jù)粒子群算法精確度更高，但缺乏相對應的實驗數(shù)據(jù)作為支撐[10]。依據(jù)上述問題，提出一種基于神經網絡的高錳鋼鉆削溫度和鉆削力預測方法。實驗仿真證明，該模型精度高，為高錳鋼的鉆削機理研究提供新的手段和依據(jù)。

1 預測原理

1)首先針對實驗數(shù)據(jù)中高錳鋼的刀具直徑、進給量、切削速度進行歸一化數(shù)據(jù)處理，得出該3項指標對高錳鋼鉆溫度和鉆削力預測影響大小。x1表示刀具直徑；x2表示進給量；x3表示切削速度；y表示歸一化處理后的數(shù)據(jù)結果。

(1)

(2)

(3)

其中根據(jù)y值結果進行對比得出，對于高錳鋼的影響力較大的因素。

2) 其次，計算出高錳鋼鉆削溫度及鉆削力的最優(yōu)解。運用粒子群的速度與位置不斷進行接近最優(yōu)解的值。將數(shù)據(jù)引入式(4)。

(4)

式中,F表示最優(yōu)解的適中值；y1表示實驗數(shù)據(jù)中的觀測值；t1表示實驗數(shù)據(jù)的預測值；b表示影響鉆削力變化主要因素集合；s表示因素種類。根據(jù)數(shù)據(jù)計算對比得出最優(yōu)解。

2 優(yōu)化預測

2.1 最優(yōu)網絡參數(shù)的提取

在高錳鋼鉆削溫度和鉆削力預測過程中，利用神經網絡選取影響高錳鋼鉆削溫度和鉆削力變化有多種因素，將該因素定義為預測的輔助變量，在此基礎上進行數(shù)據(jù)預處理，計算數(shù)據(jù)樣本間的相似度，對輔助變量進行歸一化處理，利用PSO優(yōu)化神經網絡的初始參數(shù)，建立基于神經網絡的高錳鋼鉆削溫度和鉆削力預測模型。

(5)

(6)

(7)

(8)

根據(jù)PSO算法的原始神經網絡參數(shù)數(shù)據(jù)為基礎，以粒子群的適應度作為實例數(shù)據(jù)中的均方根誤差，權值與闕值的個數(shù)代表著粒子初始位置的方位，個數(shù)的計算公式為(M+1)×q+(q+1)×L，范圍區(qū)間在[-1,1]，粒子的初始速度與位置的范圍區(qū)間在[-1,1]，實驗次數(shù)為50次，粒子的數(shù)量為30。則可列出粒子的運動速度與位置公式為：

vt+1=wvt+c1r1(Xbestin-xt)+c2r2(Xbestgn-xt)

(9)

xt+1=x1+vt+1

(10)

式(9)中vt、Xbestin、Xbestgn分別代表粒子的當下速度、當下參數(shù)的最優(yōu)值、粒子群的最優(yōu)值。經過實驗次數(shù)的增加，粒子的尋優(yōu)能力增強，粒子權重逐漸變少。用公式表示為：

(11)

式(11)中wmax、wmin、N、n分別代表著權重的最大與最小值，最高次的實驗次數(shù)、當前實驗次數(shù)。而后采取更換系數(shù)法幫助粒子群尋求最優(yōu)參數(shù)值，引用兩位系數(shù)b1、b2進行求?。?/p>

(12)

b2=4-b1

(13)

從而得出靜態(tài)網絡參數(shù)的最優(yōu)值。

2.2 建立基于神經網絡的預測模型

在基于神經網絡的高錳鋼鉆削溫度和鉆削力預測的模型結構中，將鉆削溫度和鉆削的最大允許誤差和實際值作為神經網絡網絡的輸入和輸出，設定網絡的閾值和學習速率，在此基礎上完成高錳鋼鉆削溫度和鉆削力預測。

以鉆削溫度和鉆削的最大允許誤差和實際值作為神經網絡網絡的輸入層和輸出層。鉆削溫度和鉆削力的最大允許誤差作為輸入層，帶入模型計算，其公式表示為：

yi=f{Σjwlixj-θi}=f{neti}

(14)

式(14)中，yi表示隱層節(jié)點；wij表示輸入層節(jié)點與隱層節(jié)點的網絡權值；neti表示輸出層的期望輸出。則輸出層節(jié)點的輸出可用公式表示為：

ol=f{ΣjTliyi-θi}=f{neti}

(15)

式(15)中，ol表示輸出層的節(jié)點，tli表示隱層節(jié)點與輸出節(jié)點間的網絡權值。

3 實驗仿真

為證明所提出的基于神經網絡的高錳鋼鉆削溫度和鉆削力預測的整體優(yōu)越性，需要進行實驗。實驗采用美國HAAS VF5立銑加工中心。刀具為標準硬質合金(YG8)鑲焊麻花鉆。鉆頭直徑分別為10，13，15，19 mm。測試系統(tǒng)：PCI-9118DG/L數(shù)據(jù)采集卡、計算機、YE5850電荷放大器、YDZ-Ⅱ01W壓電鉆削測力儀。實驗參數(shù)如表1所述，實驗采用IntelCorei5-2430M 2.4 GHz的處理器，在Matlab7.0環(huán)境下搭建高錳鋼鉆削溫度和鉆削力預測實驗仿真環(huán)境。

表1 實驗樣本數(shù)據(jù)

3.1 評價指標的確立

為了有效的證明基于神經網絡的高錳鋼鉆削溫度和鉆削力預測性能，將實驗分為兩個不同的階段，在實驗的第1個階段，將高錳鋼鉆溫度與鉆削力預測誤差做為主觀評價指標定義基于神經網絡進行高錳鋼鉆削溫度和鉆削力預測的整體優(yōu)越性。在實驗的第2個階段，為了彰顯實驗的全面性，將文獻[8]中的權值對比方法作為客觀評價指標共同分析對比，將預測響應性做為客觀評價指標，定義不同方法進行高錳鋼鉆削溫度和鉆削力預測整體性能。

經過主客觀評價指標的實驗進行性能檢驗,進行驗證網絡模型的預測精度,檢驗的方法就是選取驗證樣本集合,將其提供給網絡,以便檢驗網絡模型的準確度。利用公式(16)進行誤差的計算。

(16)

式(16)中，dij、tij分別表示預測數(shù)據(jù)、原始數(shù)據(jù)。在程序界面中輸入檢測數(shù)據(jù),同時數(shù)據(jù)通過內部程序進行歸一化處理,便得到本網絡的誤差為0.334 9%，精確度較高。

3.2 預測誤差對比

利用本文方法進行高錳鋼鉆削溫度和鉆削力預測實驗，驗證本文方法進行高錳鋼鉆削溫度和鉆削力預測的誤差，驗證結果見圖1。

圖1 高錳鋼鉆削溫度和鉆削力預測的誤差

從圖1的實驗結果中可以說明，利用本文方法進行高錳鋼鉆削溫度和鉆削力預測的誤差始終控制在最小的范圍內，這是因為本文方法利用神經網絡選取影響高錳鋼鉆削溫度和鉆削力變化的多種因素，將該因素定義為預測的輔助變量，在此基礎上進行數(shù)據(jù)預處理，計算數(shù)據(jù)樣本間的相似度，對輔助變量進行歸一化處理，建立基于神經網絡的高錳鋼鉆削溫度和鉆削力預測模型，進而充分滿足了高錳鋼鉆削溫度和鉆削力預測對其精度的需求。

3.3 預測響應性對比

分別利用本文方法和文獻[8]中的權值對比方法進行高錳鋼鉆削溫度和鉆削力預測，對比不同方法進行高錳鋼鉆削溫度和鉆削力預測響應性，對比結果見圖2。

圖2 不同方法進行高錳鋼鉆削溫度和

從圖2的實驗仿真結果中可以說明，利用本文方法進行高錳鋼鉆削溫度和鉆削力預測的響應性要高于文獻[8]中的權值對比方法，這是因為采用本文方法進行高錳鋼鉆削溫度和鉆削力預測時，利用PSO優(yōu)化神經網絡的初始參數(shù)，將鉆削溫度和鉆削的最大允許誤差和實際值作為神經網絡網絡的輸入和輸出，設定網絡的閾值和學習速率，在此基礎上完成高錳鋼鉆削溫度和鉆削力預測，進而保障了本文方法進行高錳鋼鉆削溫度和鉆削力預測整體優(yōu)越性。

4 結 語

針對國內大多數(shù)的預測方法無法對實時的高錳鋼鉆削溫度和鉆削力進行預測，存在鉆削溫度和鉆削力預測誤差大的問題。為此，提出一種基于神經網絡的高錳鋼鉆削溫度和鉆削力預測方法，可較為精確預測鉆削溫度和鉆削力。