论文部分内容阅读
摘 要:运用BP神经网络对涂层陶瓷材料磨削去除方式进行预测。结果表明,利用BP网络的高度非线性映射表达能力,实现了样本特征值空间到模式空间的映射,采用弹性BP算法对不同磨削条件下的涂层陶瓷材料磨削去除方式进行了预报,且识别正确率很高。
关键词:BP神经网络;涂层陶瓷材料;磨削去除方式;预测
中图分类号:TP183 文献标识码:A
Based on BP Neural Network Mode of Grinding of Ceramic Materials Forecast. Remove
Duan Jin-ni
(Hunan Institute of Technology,Hunan Changsha 410004)
Key words: The BP neural network;coating ceramic materials;Grinding way. Remove;forecasting
陶瓷涂层在机械制造、工具行业、电子、计算机、国防、航空航天、地质勘探业等领域具有非常广泛的应用前景[1,2]。对于涂层陶瓷材料磨削,其材料去除方式的传统研究方法主要是离线测量和分析,即应用扫描电镜(SEM)对磨削后的表面/亚表面形貌进行观察和分析,结合对涂层陶瓷磨削所产生的单颗磨粒磨削力、磨削力分力比和比磨削能的实验结果进行比照。[3]而且涂层陶瓷因喷涂工艺上的原因易形成层状结构,且留下固有缺陷如空隙、疏松区、垂直于涂层表面的微裂纹和由互相连接的微裂纹所形成的片状结构,为材料去除方式的传统辨识方法增加了干扰和误差[4]。
为了进一步提高涂层陶瓷磨削材料去除方式的辨识精度,本文从模式识别的角度,基于BP神经网络模型,利用反向误差传播学习算法对涂层陶瓷磨削过程进行训练学习和示例诊断,实现在线预测,对于提高加工效率,保证磨削精度将起到十分重要的意义。
1 BP网络模型
BP网络的学习算法过程如下:
(1)初始化权重和阀值;
(2)在P个学习样本中,按顺序输入样本数据;
(3)计算zj,yk。其中:
z=f(ωx)y=f(vz)
(4)按以下公式计算输出层、隐含层误差分别为:
C=(t-y)y(1-y)B=CVZ(1-Z)
(5)P1=P1+1,如果P1 (6)按以下公式确定新权重:(η为学习效率)
v(n+1)=v(n)+ηCzω(n+1)=ω(n)+iηBx
(7)按新权重计算zj,yk,E,其中
E=(t-y)
如果E>=e,返回步骤(2),如果E
2 实验及预测结果分析
涂层陶瓷磨削材料去除方式识别过程就是对磨削状态进行模式分类的过程,由于磨削过程的复杂性,由时域、频域特征空间到去除方式模式空间的映射往往是非线性的,故很难用单一的判别函数将模式空间进行准确的分类,可以利用BP神经网络的高度非线性映射能力对材料去除方式进行智能分类研究。
2.1实验装置
磨削实验是在一台Dover Model 956-S精密数控立式平面磨床上进行的,机床的闭环刚度为50N/μm。采用的砂轮为端面切入式杯形(碗形)砂轮,其规格见表1。利用制动式砂轮修整器装置采用氧化铝或碳化硅整形砂轮对金刚石砂轮进行整形,再采用GC杯形砂轮修整器进行修锐。磨削实验的磨削用量设定如下:砂轮磨削深度a为2μm、5μm、15μm和30μm;工作台进给速度vf为1mm/s、4mm/s和8mm/s;砂轮速度vs为33m/s(或者主轴转速为3500r/min)。
磨削实验所用的涂层陶瓷试件采用颗粒重组工艺和等离子喷涂法制备,涂层的厚度为0.5mm 左右,试件尺寸为25mm×4mm×4mm。涂层陶瓷的基本物理性能如表2所示。
3 某涂层陶瓷的基本物理性能
3.1BP网络结构的设计
为了简化网络模型,本文采用一般文献所提到的分类方式,即将涂层陶瓷磨削的去除方式分为脆性去除方式和延展性(或塑性)变形去除方式。按这种分类方式,脆性去除方式包括材料粉末化去除方式[6]。
影响涂层陶瓷磨削材料去除方式的因素很多,其中最重要的是被加工材料的特性、磨削工艺条件及砂轮特性等因素。本文研究在被加工材料和砂轮转速一定的情况下,磨削工艺条件和砂轮特性对涂层陶瓷磨削材料去除方式的影响。通过前面的分析可知,材料去除过程中脆性和延展性是并存的,只是不同的加工条件下,其中一种去除方式占据主导。
对于预测材料去除方式主导性的问题,磨削工艺条件和砂轮特性与其之间存在一种复杂的非线性映射关系。理论上已经证明,在不限制隐层节点数的情况下,两层(只有一个隐层)的BP网络可以实现任意非线性映射。为此,本文采用BP两层神经网络模型,输入层含有3个神经元、输出层含有1个神经元。
对于用于模式识别/分类的BP网络隐层节点数,根据经验,可以参照以下公式进行设计[7]:
n=+a(1)
式中:n为隐层节点数;ni为输入节点数;n0为输出节点数;a为1～10之间的常数。
针对原始BP算法学习收敛速度太慢、收敛结果易落入局部最小点等缺点,选择弹性BP算法作为网络传输函数,消除梯度幅值的不利影响。
3.2输入参数编码和归一化处理
网络输入向量的取值范围过大,尤其是砂轮标识,故采用输入参数编码或数据归一化处理,加快收敛过程。
将实验中选用的120V、600V、1000B和1000C型四种砂轮,依次编码为0.2、0.4、0.7、0.8;对于具有具体值的输入参数,如磨削深度、工件进给速度等,必须进行归一化处理,归一化函数为
Z=0.9(Z-Z)/(Z-Zn)+0.05
式中,Zi、Zg为磨削参数及其归一化值。
3.3BP网络的训练
观察结果表明,磨削涂层陶瓷材料时,在小的磨削深度或工件进给速度下,以延展性变形方式为主,而在稍大些的磨削深度和工件进给速度下,材料去除机理以脆性去除方式为主。磨粒较大的砂轮磨削情况下,脆性去除方式所占比例增加。金属结合剂砂轮较之于陶瓷结合剂砂轮和树脂结合剂砂轮磨削时,脆性去除方式所占比例增加。陶瓷结合剂砂轮和树脂结合剂砂轮磨削表面的脆性去除比例在同等磨削工艺条件下基本相同[3]。
因此在本实验中,将ap=2μm、vf为1mm/s及砂轮标识为1000C磨削条件下的材料去处方式定义为延展性去除方式占绝对主导地位,输出层节点取值为0.2;将ap=30μm、vf为8mm/s及砂轮标识为120V磨削条件下的材料去处方式定义为脆性去除方式占绝对主导地位,输出层节点取值为0.8。其余加工条件下的输出层节点取值依照材料磨削后材料破碎面积相对面积率对比可得,其取值介于0.2～0.8之间。
在20组试验样本中(表3列出其中12组典型的两类模式样本),随机地抽取6个样本作为训练样本,另外6个样本作为测试样本;迭代次数选为300次,学习率为0.05,以弹性BP算法修正神经网络的权值和阀值。经过训练学习,从训练结果可知:模式样本l的输出值接近于0.2,反应模式样本1去除方式以脆性去除为主;模式样本2的输出值接近于0.8,反应模式样本2去除方式以塑性去除为主。在程序设计中,通过判断门限0.5区分两类模式。
3.4预测结果分析
将最后6组样本作为测试样本输入网络进行识别,网络训练结束后得到预测值如表3所示。表中:A0为去除方式的实验观测值(采用SEM);A为BP神经网络预测结果;ε为预测绝对误差;Δ为预测相对误差。
训练样本6的预测相对误差较大为-12.5%,这是由于将样本6磨削条件定义为脆性去除方式占绝对主导地位所引起的误差。样本6磨削条件下其单颗磨粒磨削力为0.1690N,而在ap=30μm、vf为4mm/S及砂轮标识为1000C磨削条件下其单颗磨粒磨削力为0.2148N,远远大于产生横向裂纹的临界载荷。
测试样本10和11的预测相对误差分别为-8.82%和-22.22%,主要受涂层陶瓷喷涂时产生的工艺缺陷所影响,孔隙和微观裂纹过多导致实验观测值偏大。
测试样本8和测试样本12的预测相对误差分别为10%和-7.69%,是因为训练数据过少,导致BP网络进入局部最小点。
由表3实验结果可知,BP神经网络的预测结果是比较精确的,识别结果与实验观测值进行对比,除个别样本外预测相对误差均控制在±5%以内,与实际的工况一致。
4 结束语
(1)将BP神经网络引入纳米涂层材料磨削领域,对涂层陶瓷磨削材料去除方式进行在线预测,实现了涂层陶瓷磨削材料去除方式的在线预测。
(2)仿真和实验结果均表明,对于给定的训练样本,BP网络通过自动调整网络权值实现模式表达,形成所要求的决策区域;已训练过的BP网络对测试样本模式能够正确识别,且识别精度较高。
(3)由于磨削过程的复杂性,在数据验证中出现了误差较大的情况,原因为数据的采集误差、材料涂层的工艺缺陷所引起,只有很少情况是由BP网络训练进入局部最小点造成的。如果实验数据进一步丰富,该在线预报系统将肯定会提高其仿真精度,达到满意的效果。此预测方法可以应用于纳米陶瓷磨削加工系统,具有较高的实用价值。
参考文献:
[1]陈煌,林新华,曾毅,丁传贤.热喷涂陶瓷涂层研究进展[J].硅酸盐报,2002,30(2)235-239.
[2]欧忠文,徐滨士,马士宁,丁培道,刘维民.纳米表面工程中的纳米结构涂层组装[J].机械工程学报,2002,38(6):5-10.
[3]邓朝晖,张壁,孙宗禹.纳米结构A12O3/13TiO2涂层精密磨削的材料去除机理的研究[J].中国机械工程,2005,16(9):835-839.
[4]邓朝晖,张璧,孙宗禹等.纳米结构陶瓷(n-WC/Co)涂层材料精密磨削的试验研究[J].湖南大学学报,2003,30(2):35-40.
[5]Deng Z H,Jin Q Y,Zhang B.Critical Grinding Condition Model for Predicting Grinding Induced Lateral Cracks in Nanostructured Ceramics Coatings.Key Engineering Materials,2004,259～ 260:273～ 277.
[6] Zhang.B,X.L.Zheng,H.Tokura,and M.Yoshikawa.Grinding Induced Damage in ceramics[J].Journal of Material Processing Technology,2002.132:353-364.
[7]周开利,康耀红.神经网络模型及其MATLAB仿真程序设计[M].清华大学出版社,2005.
[8]李国发,王龙山,丁宁.基于进化神经网络外圆纵向磨削表面粗糙度的在线预测[J].机械工程学报,2005,16(3):223-226.
关键词:BP神经网络;涂层陶瓷材料;磨削去除方式;预测
中图分类号:TP183 文献标识码:A
Based on BP Neural Network Mode of Grinding of Ceramic Materials Forecast. Remove
Duan Jin-ni
(Hunan Institute of Technology,Hunan Changsha 410004)
Key words: The BP neural network;coating ceramic materials;Grinding way. Remove;forecasting
陶瓷涂层在机械制造、工具行业、电子、计算机、国防、航空航天、地质勘探业等领域具有非常广泛的应用前景[1,2]。对于涂层陶瓷材料磨削,其材料去除方式的传统研究方法主要是离线测量和分析,即应用扫描电镜(SEM)对磨削后的表面/亚表面形貌进行观察和分析,结合对涂层陶瓷磨削所产生的单颗磨粒磨削力、磨削力分力比和比磨削能的实验结果进行比照。[3]而且涂层陶瓷因喷涂工艺上的原因易形成层状结构,且留下固有缺陷如空隙、疏松区、垂直于涂层表面的微裂纹和由互相连接的微裂纹所形成的片状结构,为材料去除方式的传统辨识方法增加了干扰和误差[4]。
为了进一步提高涂层陶瓷磨削材料去除方式的辨识精度,本文从模式识别的角度,基于BP神经网络模型,利用反向误差传播学习算法对涂层陶瓷磨削过程进行训练学习和示例诊断,实现在线预测,对于提高加工效率,保证磨削精度将起到十分重要的意义。
1 BP网络模型
BP网络的学习算法过程如下:
(1)初始化权重和阀值;
(2)在P个学习样本中,按顺序输入样本数据;
(3)计算zj,yk。其中:
z=f(ωx)y=f(vz)
(4)按以下公式计算输出层、隐含层误差分别为:
C=(t-y)y(1-y)B=CVZ(1-Z)
(5)P1=P1+1,如果P1
v(n+1)=v(n)+ηCzω(n+1)=ω(n)+iηBx
(7)按新权重计算zj,yk,E,其中
E=(t-y)
如果E>=e,返回步骤(2),如果E
2 实验及预测结果分析
涂层陶瓷磨削材料去除方式识别过程就是对磨削状态进行模式分类的过程,由于磨削过程的复杂性,由时域、频域特征空间到去除方式模式空间的映射往往是非线性的,故很难用单一的判别函数将模式空间进行准确的分类,可以利用BP神经网络的高度非线性映射能力对材料去除方式进行智能分类研究。
2.1实验装置
磨削实验是在一台Dover Model 956-S精密数控立式平面磨床上进行的,机床的闭环刚度为50N/μm。采用的砂轮为端面切入式杯形(碗形)砂轮,其规格见表1。利用制动式砂轮修整器装置采用氧化铝或碳化硅整形砂轮对金刚石砂轮进行整形,再采用GC杯形砂轮修整器进行修锐。磨削实验的磨削用量设定如下:砂轮磨削深度a为2μm、5μm、15μm和30μm;工作台进给速度vf为1mm/s、4mm/s和8mm/s;砂轮速度vs为33m/s(或者主轴转速为3500r/min)。
磨削实验所用的涂层陶瓷试件采用颗粒重组工艺和等离子喷涂法制备,涂层的厚度为0.5mm 左右,试件尺寸为25mm×4mm×4mm。涂层陶瓷的基本物理性能如表2所示。
3 某涂层陶瓷的基本物理性能
3.1BP网络结构的设计
为了简化网络模型,本文采用一般文献所提到的分类方式,即将涂层陶瓷磨削的去除方式分为脆性去除方式和延展性(或塑性)变形去除方式。按这种分类方式,脆性去除方式包括材料粉末化去除方式[6]。
影响涂层陶瓷磨削材料去除方式的因素很多,其中最重要的是被加工材料的特性、磨削工艺条件及砂轮特性等因素。本文研究在被加工材料和砂轮转速一定的情况下,磨削工艺条件和砂轮特性对涂层陶瓷磨削材料去除方式的影响。通过前面的分析可知,材料去除过程中脆性和延展性是并存的,只是不同的加工条件下,其中一种去除方式占据主导。
对于预测材料去除方式主导性的问题,磨削工艺条件和砂轮特性与其之间存在一种复杂的非线性映射关系。理论上已经证明,在不限制隐层节点数的情况下,两层(只有一个隐层)的BP网络可以实现任意非线性映射。为此,本文采用BP两层神经网络模型,输入层含有3个神经元、输出层含有1个神经元。
对于用于模式识别/分类的BP网络隐层节点数,根据经验,可以参照以下公式进行设计[7]:
n=+a(1)
式中:n为隐层节点数;ni为输入节点数;n0为输出节点数;a为1～10之间的常数。
针对原始BP算法学习收敛速度太慢、收敛结果易落入局部最小点等缺点,选择弹性BP算法作为网络传输函数,消除梯度幅值的不利影响。
3.2输入参数编码和归一化处理
网络输入向量的取值范围过大,尤其是砂轮标识,故采用输入参数编码或数据归一化处理,加快收敛过程。
将实验中选用的120V、600V、1000B和1000C型四种砂轮,依次编码为0.2、0.4、0.7、0.8;对于具有具体值的输入参数,如磨削深度、工件进给速度等,必须进行归一化处理,归一化函数为
Z=0.9(Z-Z)/(Z-Zn)+0.05
式中,Zi、Zg为磨削参数及其归一化值。
3.3BP网络的训练
观察结果表明,磨削涂层陶瓷材料时,在小的磨削深度或工件进给速度下,以延展性变形方式为主,而在稍大些的磨削深度和工件进给速度下,材料去除机理以脆性去除方式为主。磨粒较大的砂轮磨削情况下,脆性去除方式所占比例增加。金属结合剂砂轮较之于陶瓷结合剂砂轮和树脂结合剂砂轮磨削时,脆性去除方式所占比例增加。陶瓷结合剂砂轮和树脂结合剂砂轮磨削表面的脆性去除比例在同等磨削工艺条件下基本相同[3]。
因此在本实验中,将ap=2μm、vf为1mm/s及砂轮标识为1000C磨削条件下的材料去处方式定义为延展性去除方式占绝对主导地位,输出层节点取值为0.2;将ap=30μm、vf为8mm/s及砂轮标识为120V磨削条件下的材料去处方式定义为脆性去除方式占绝对主导地位,输出层节点取值为0.8。其余加工条件下的输出层节点取值依照材料磨削后材料破碎面积相对面积率对比可得,其取值介于0.2～0.8之间。
在20组试验样本中(表3列出其中12组典型的两类模式样本),随机地抽取6个样本作为训练样本,另外6个样本作为测试样本;迭代次数选为300次,学习率为0.05,以弹性BP算法修正神经网络的权值和阀值。经过训练学习,从训练结果可知:模式样本l的输出值接近于0.2,反应模式样本1去除方式以脆性去除为主;模式样本2的输出值接近于0.8,反应模式样本2去除方式以塑性去除为主。在程序设计中,通过判断门限0.5区分两类模式。
3.4预测结果分析
将最后6组样本作为测试样本输入网络进行识别,网络训练结束后得到预测值如表3所示。表中:A0为去除方式的实验观测值(采用SEM);A为BP神经网络预测结果;ε为预测绝对误差;Δ为预测相对误差。
训练样本6的预测相对误差较大为-12.5%,这是由于将样本6磨削条件定义为脆性去除方式占绝对主导地位所引起的误差。样本6磨削条件下其单颗磨粒磨削力为0.1690N,而在ap=30μm、vf为4mm/S及砂轮标识为1000C磨削条件下其单颗磨粒磨削力为0.2148N,远远大于产生横向裂纹的临界载荷。
测试样本10和11的预测相对误差分别为-8.82%和-22.22%,主要受涂层陶瓷喷涂时产生的工艺缺陷所影响,孔隙和微观裂纹过多导致实验观测值偏大。
测试样本8和测试样本12的预测相对误差分别为10%和-7.69%,是因为训练数据过少,导致BP网络进入局部最小点。
由表3实验结果可知,BP神经网络的预测结果是比较精确的,识别结果与实验观测值进行对比,除个别样本外预测相对误差均控制在±5%以内,与实际的工况一致。
4 结束语
(1)将BP神经网络引入纳米涂层材料磨削领域,对涂层陶瓷磨削材料去除方式进行在线预测,实现了涂层陶瓷磨削材料去除方式的在线预测。
(2)仿真和实验结果均表明,对于给定的训练样本,BP网络通过自动调整网络权值实现模式表达,形成所要求的决策区域;已训练过的BP网络对测试样本模式能够正确识别,且识别精度较高。
(3)由于磨削过程的复杂性,在数据验证中出现了误差较大的情况,原因为数据的采集误差、材料涂层的工艺缺陷所引起,只有很少情况是由BP网络训练进入局部最小点造成的。如果实验数据进一步丰富,该在线预报系统将肯定会提高其仿真精度,达到满意的效果。此预测方法可以应用于纳米陶瓷磨削加工系统,具有较高的实用价值。
参考文献:
[1]陈煌,林新华,曾毅,丁传贤.热喷涂陶瓷涂层研究进展[J].硅酸盐报,2002,30(2)235-239.
[2]欧忠文,徐滨士,马士宁,丁培道,刘维民.纳米表面工程中的纳米结构涂层组装[J].机械工程学报,2002,38(6):5-10.
[3]邓朝晖,张壁,孙宗禹.纳米结构A12O3/13TiO2涂层精密磨削的材料去除机理的研究[J].中国机械工程,2005,16(9):835-839.
[4]邓朝晖,张璧,孙宗禹等.纳米结构陶瓷(n-WC/Co)涂层材料精密磨削的试验研究[J].湖南大学学报,2003,30(2):35-40.
[5]Deng Z H,Jin Q Y,Zhang B.Critical Grinding Condition Model for Predicting Grinding Induced Lateral Cracks in Nanostructured Ceramics Coatings.Key Engineering Materials,2004,259～ 260:273～ 277.
[6] Zhang.B,X.L.Zheng,H.Tokura,and M.Yoshikawa.Grinding Induced Damage in ceramics[J].Journal of Material Processing Technology,2002.132:353-364.
[7]周开利,康耀红.神经网络模型及其MATLAB仿真程序设计[M].清华大学出版社,2005.
[8]李国发,王龙山,丁宁.基于进化神经网络外圆纵向磨削表面粗糙度的在线预测[J].机械工程学报,2005,16(3):223-226.