基于改进的BP神经网络的刀具磨损预测方法与流程

本发明属于刀具磨损检测技术领域，具体涉及一种基于改进的bp神经网络的刀具磨损预测方法。

背景技术：

刀具磨损严重影响加工效率、工件质量和加工成本，是个不容忽视的问题，它对切削质量有着重大的影响，如能很好地预测刀具加工后的磨损状态，则能大大提高切削质量，避免了刀具在加工过程中报废，对保证加工质量和提高生产率具有重要意义。

bp(backpropagation)神经网络是一种按照误差逆向传播算法训练的多层前馈神经网络，是目前应用最广泛的神经网络。bp神经网络具有任意复杂的模式分类能力和优良的多维函数映射能力，解决了简单感知器不能解决的异或(exclusiveor，xor)和一些其他问题。从结构上讲，bp网络具有输入层、隐藏层和输出层；从本质上讲，bp算法就是以网络误差平方为目标函数、采用梯度下降法来计算目标函数的最小值。而将bp神经网络应用在刀具检测技术领域，不仅能保证加工质量，还能提升加工效率。

技术实现要素：

本发明提供了一种基于改进的bp神经网络的刀具磨损预测方法，将神经网络应用到刀具磨损预测上，利用建立好的神经网络对加工后刀具的磨损量进行预测。

为了达到上述目的，本发明是通过以下技术方案实现的：

基于改进的bp神经网络的刀具磨损预测方法，包括步骤如下：

步骤一、通过聚类算法对刀具数据进行分类筛选，刀具数据包括切削速度、切削深度、进给量、时间的设定及不同铣削条件下刀具磨损值及剩余寿命数据。

步骤二、数据归一化处理：归一化处理是将刀具数据的值转换到[0，1]区间内，使用的归一化函数s(t)为：

t为输入数据，e为自然底数；

步骤三、建立bp神经网络模型：bp神经网络模型包括输入层、隐藏层及输出层；在此bp神经网络模型中，设定输入层单元为4，输出层单元为1，输入层单元分别表示刀具的切削速度、切削深度、进给量以及时间的信息，输出层单元表示单元数是刀具的磨损值，隐藏层单元数是经公式推算和试凑调整确定，公式推算和试凑调整通过经验公式确定，其中，n为输入层神经元个数，m为输出层神经元个数，a为[1，10]之间的常数，由此设定隐藏层单元数为5。

步骤四、bp神经网络的训练：根据bp神经网络的设计原则及实验，训练中隐藏层神经元的传递函数为双曲正弦函数，实现不同样本的空间分割，而输出层神经元的传递函数为线性函数purelin函数，用于输出bp神经网络的识别结果，训练函数采用梯度下降算法traingd。初始权值选为均匀分布的小数经验值，取初始化bp神经网络权系数在[0，1]之间的随机数。随机选取m组经过归一化函数进行训练，已建立的bp神经网络通过不断改善bp神经网络模型中的权重和阈值，直到收敛，即完成训练。

所述步骤三中对训练完成的神经网络模型进行预测的方法是：给定相应的预测数据，即切削速度、切削深度、进给量、时间，通过bp神经网络模型计算后，输出层的值即为预测结果。

附图说明

图1本发明的bp神经网络模型。

图2本发明的方法流程框图。

具体实施方式

下面对本发明的实例进行详细说明，

s1切削速度、切削深度、进给量、时间的设定及不同铣削条件下刀具磨损值及剩余寿命数据:通过聚类算法对数据进行分类筛选。

s2数据归一化处理：归一化处理是将数据的值转换到[0，1]区间内，使用的函数为：

s3神经网络的建立：bp神经网络模型包括输入层、隐藏层及输出层的三层bp神经网络，在此模型中，设定输入层单元为4，输出层单元为1，输入层单元分别表示刀具的切削速度、切削深度、进给量以及时间的信息，输出层单元表示单元数是刀具的磨损值，隐藏层单元数是经公式推算和试凑调整确定，通过以下经验公式其中，n为输入层神经元个数，m为输出层神经元个数，a为[1，10]之间的常数，由此设定隐藏层单元数为5。

s4神经网络的训练：根据bp神经网络的设计原则及实验，训练中隐藏层神经元的传递函数为双曲正弦函数，可实现不同样本的空间分割，而输出层神经元的传递函数为线性函数purelin函数，用于输出网络的识别结果，训练函数采用梯度下降算法traingd。初始权值选为均匀分布的小数经验值，这里，取初始化网络权系数在[0，1]之间的随机数。随机选取m组经过归一化处理的函数进行训练，已建立的bp神经网络通过不断改善模型中的权重和阈值，直到收敛，即完成训练，预测模型的建立如图2所示。

所述步骤三中对训练完成的神经网络模型进行预测的方法是：给定相应的预测数据，即切削速度、切削深度、进给量、时间，通过神经网络模型计算后，输出层的值即为预测结果。

技术特征：

技术总结
本发明公开了基于改进的BP神经网络的刀具磨损预测方法，属于刀具磨损检测技术领域。通过聚类算法对刀具数据进行分类筛选，刀具数据包括切削速度、切削深度、进给量、时间的设定及不同铣削条件下刀具磨损值及剩余寿命数据。对数据进行归一化处理；建立BP神经网络模型；BP神经网络的训练直到收敛，即完成训练；本发明将神经网络应用到刀具磨损预测上，利用建立好的神经网络对加工后刀具的磨损量进行预测。

技术研发人员：蔡力钢;焦雪岩;杨聪彬;刘志峰;赵永胜;程强
受保护的技术使用者：北京工业大学
技术研发日：2018.09.26
技术公布日：2018.12.07