英文翻译-定稿

青岛大学毕业设计(论文)英文翻译学院：机电工程学院专业：机械工程及自动化姓名: 丁凤伟指导教师：胡玉景20011 年5 月20 日英文原文中文译文优化的数控铣:球面端铣：神经网络模型H.EI-Mounayri a,*,H.Kishawy b,1,J.Briceno a美国普渡机械工程系工程学院，美国SL 260印第安纳波利斯723 W密西根街大学机械工程系Fredericton新泽西州新不伦瑞克E3B 5A3 加拿大2003年3月20号接到;收到2004年7月20日修订并通过摘要本文提出了一种优化CNC球面端铣方法的集成产品开发系统。

首先，这个先进的模型从平面端铣扩展到球面端铣。

其次，这项优化从二维（速度和进给）扩展到三维（速度，进给，径向和轴向切削深度）。

第三，平面端铣的建模与仿真扩展到包含更多的输入变量。

最后，一种新的,更加有效、实用的神经网络技术取代了bp神经网络(bp神经网络组合)，并对球面端铣的情况作出成功的实施。

这种加工通过典型加工的场景得到验证。

发现了一种很好的协调预测与实验测定关系的参数。

2004年农业B.V.保留所有权利关键字：平面端铣和球面端铣;过程建模、人工神经网络、径向基网络(RBN);工艺优化;粒子群优化(PSO)简介1.1采用ANN进行过程建模因为制造过程是非线性和具有时效性，所以很难给传统的识别方法提供一种准确的模型。

为了解决这个困难，人工神经网络（ANN）等非传统技术被引入。

相对于传统的计算方法，ANNs具有稳定性和全局性。

它们具体普遍近似、并行分辨处理、硬件实现、学习和适应及多变量系统等特性。

这就是为什么ANNs被广泛应用于系统建模，函数优化，图像处理和智能控制。

ANN通过获得的用来描述系统性能的数据给出输入和输出之间的隐式关系。

所以，ANN应经被成功地用来越来越多的生产情况的建模与仿真。

关于人工神经网络在建模制造流程方面的优越性能已有报道。

事实上，许多研究人员（例【1-3】）证明了当给定输入输出集合时，神经网络算法能够成功得出它们之间隐式关系的能力。

这种通用技术同样可以在铣削中实现，可以预测切削力这个关键的过程参数的变化。

Tansel et al.[4]提出一个基于人工神经网络的切削力变化估计（CFVE）,他的目的是在微电机软件中预测切削力的变化。

Alique et al.[5]使用了一种单隐层机器语言模型（MLP）来预测基于轴向切削深度和脚率的平均切削力。

作者证实了ANN精确模拟铣削过程的能力，同时维持简单的拓扑结构。

一种改进的反向传播神经网络(bp神经网络组合)采用了Liu和Wang[6]模拟切削力在功能上的进给速率。

因此,该模型只有一个输入变量和一个输出参数。

为了实现一个更实际的和实用的模型，需要更多的输入/输出参数，Tandon and El-Mounayri[7]认识到这一点的重要性，他成功的在他们的ANN 模型中引入三种输入变量用来描述加工条件。

然而，先前的类似研究，仅仅局限与端铣。

这种局限性降低了用端铣工具对粗加工和半精加工操作的适应性。

最后，关于先前研究的一个共同特性，其中包括ANN模型在端铣方面的发展，是使用同一类型的神经网络，即利用BP神经网络方法。

虽然BPNN能够模拟多种系统，同时保持一定的准确度，但存在大量的不足。

第一，由于采用了非线性变换功能，它具有非常慢收敛的非特异性。

第二，在设计准确表示体系、过程建模的网络拓扑结构时，它并不总是简单或直截了当的。

结果,相当多的网络,包括RBN已经开发出来。

后者是一种用途广泛的网络,克服了一些bp神经网络组合方式的利弊。

首先，他利用高斯曲线描绘测试值。

其次，它具有良好的功能近似。

第三，能够快速收敛。

最后，它能很简单的定义一定数量的特征参数。

径向基网络（RBN）最近也被大量应用于不同的领域。

当它主要用于模式识别，它能成功的表示非线性模型。

在制造领域，许多作品应经用这项技术进行指导。

事实上，Cook and Chiu[8]使用了一种径向基网络作为一种框架来确定一些网络改进时间序列模型考虑的制造过程。

Cheng和Lin【3】用三个ANNS利用激光估计弯曲角度的形成。

在这项工作中，RBN已经显示出其他模型不可比拟的优势。

Elanayar and Shin [9]利用RBN预测基于某些加工条件的刀具磨损。

Briceno, et al.[10]表明了RBN金属切削操作的建模过程的可行性。

实际上，在基于某些价值函数（相关训练数据的尺寸模型的精确度）上的平面端铣这种情况，作者把RBN同BPNN做了比较，发现RBN更好一些。

即使RBN具有这些优点,没有报道工作已经考虑了它的建模与仿真加工过程(包括平面、球面端铣)。

1.2．过程优化建模过程的下一步是它的优化。

事实上，由于在沿着刀具切削路径上的非均匀性切削力，今天的数控加工程序的生成经历一个很大的变化。

为了提高生产率，工艺参数必须根据数控刀具路径，刀具，机构，机器的条件进行设置。

大多数研究人员所选择的基础上,分析了切削场景的一块阻塞的数控编程(e.g. [11,12])。

这个问题在这个工作【13】第一部分已经做了彻底的描述。

在另一方面，大多数研究人员集中精力单独更改进给速率，尽管有些团体尝试处理其它参数。

所有在该领域的努力被重新编入每个数控块指令的进给速率。

（e.g.[14-16]）。

关于在数控代码优化技术发展的大多数作品涉及到非常简单的形式的轧制力预报算法的使用。

同时，文献中使用的材料作为反馈量或机器刀具功率作为约束规范进给量（见[10],17日13，更全面的讨论和演示这些问题）。

2．当前工作2.1．简介在这个工作第一部分里,它已经被早些时候报道[13],上述因素经过开发一个系统进行处理,具有以下特点。

首先，利用BPNN进行平面端铣建模。

其次，实施二维优化（进给和速度），采用一种将最小生产成本和最小生产时间相结合的目标函数。

最后，NC块进一步被细分，并给每个片段安排最有切削条件。

然而，对于像球头铣削等更复杂和一般的加工过程需要延伸建模。

其次，优化需要考虑到几何方面的过程。

（例如切深）。

第三，在建模过程中，应该考虑更多的输入变量的影响。

最后，它强烈需要需要提高建模与铣削加工过程的效率。

2.2.利用更加有效的神经网络扩展到球头端铣2.2.1.径向基网络 径向基网络（径向基功能网络）是一个的充分互联三层前馈神经网络。

通常，系统建模以向量的形式表示，I 。

这一信息通过网络处理，最终产生另一个矢量，O 。

后者相比于真实的系统测量值，加权更新一直被执行直到得到两者相符合。

这个网络有n 个输入量和k 个输出量。

第一层通过权值与第二层或内部层相联系。

（W ）着来自输入元素和偏差。

权值从内部层到输出元进行定义。

隐藏的过程元素(PE)或内部节点通过活化功能产生应对输入刺激的局部反应。

径向活化功能对减少与反向传播相比较所需的执行时间是必要的。

在内部层的每一个元素接收到输入信号模式向量，并将它与连接输入与第二层的权值向量相比较。

图1.RBN 内部PE （第q 个神经元）的结构权值向量决定中心径向隐藏元素在输入空间中的位置。

这里,活化作用类似于一个高斯密度函数，定义如下：∑=-=N nq V C W I Y 1n 22n q -exp ）（ (1)Y 代表对隐藏层qth 元素的响应（见图1）。

参数V 使挤压函数成形，被称为分布系数。

C 是常数。

分布系数V 是一个很重要的设计参数，它决定RBN 的性能。

最后，权值和第二层的联系和输出层都乘以输出函数内部元素（线性总和），生成输出值（等式（2）），同目标向量相比较。

∑==Qq q qk k Y u O 1 （2）u qk 表示第二层和输出层之间的权值；O k 表示网络输出值；Y q 是qth 元素的响应。

RBN 在MatLab 环境下使用最小二乘（实验室）算法，作为RBN 发展和实施的平台。

Matlab 神经网络工具箱的算法允许分布系数的指标和最大的均方误差作为设计参数。

误差元素被称为目标因素。

2.2.2.RBN的输入由于几何的球铣刀、切削过程非常复杂,涉及到大量的相互依存的定义了加工条件的变量。

在目前研究中，四个关键变量是输入率（FR），主轴转速（SS）、径向切削深度（1）和轴向切削深度（2）。

另一方面，螺旋角、前角、直径、间隙角、螺纹线数和其他加工参数保持不变。

因此，RBN的输入向量表示不同的切削参数，如下所示：输入=[主轴转速、进给速率、A1、A2]图2.应用于当前工作的神经网络拓扑结构2.2.3.RBN的输出max（F）——合力最大值，min（F）——合力最小值，mean（F）——合力平均值，STDV(F)——合力的标准差利用上述输入和输出向量，由此产生如图2所示的RBN拓扑结构。

2.2.4.实验数据基于加工手册为每一个加工参数赋值。

每个参数的值通过正交矩阵来确定，在这个三维矩阵，对每个参数进行初始选择和划分连续域。

使用这种方法，每个参数是等间隔的，覆盖整个选择范围。

对于主轴转速，值为：[700，1050,1400]转/分，基于350转/分的等间隔。

第二，这三个进给速率的值从三个可选范围[100,145,190]mm/min计算得出。

在这种情况下间距是45mm/min。

其次，切削深度（轴向和径向）值取刀具半径的10%-90%。

这个范围涵盖了典型的球面端铣操作上的实际使用范围。

这个范围在图3中表示出来。

图4显示了试验设置用来指导铣削试验的示意图。

它由一个基本的VMC-3016L Fadal四轴数控铣床，一个15点轴传动和一个Kistler9257B型三元压电陶瓷测力机组成。

测力机产生指令经Kistler5010B0型放大器放大。

生成的指令通过A/D转换板转换成模拟信号。

该设备用于此的目的是以一种总线标准为基础，A/D转换器能够以12位分辨率在16个单端通道中每秒采样200k个。

捕获的信号存储在LabView应用程序中。

表1相关系数和力的关系图3.轴向和径向切深所有的切削试验是用一种（1/2）英寸直径，三线，高速钢多功能球立铣刀在铝材6061 T6上进行的。

在所有试验中铣削是最后加工工序。

这三组瞬时切削力（Fx，Fy，Fz）的测量数据采样频率在2500Hz。

每次试验时间10秒。

2.2.5.数据预处理数据在使用之前需要进行模式处理（每个模式包括输入和输出向量）。

在另一方面，因为只有有限的试验可代表参数空间。

ANN能充分实现每一设置，这是很重要的。

这是通过如下规范数据实现的：图4.实验设置X R 在规范化之前值是可变的。

Xmin 和Xmax 是变量X 的最小值和最大值。

它们标准化，正如0,<X Nmin <X Nmax <1。

例如，在我们的实验中主轴转速在700-1400转/分之间变化，因此，X min =700,Xmax=1400。