（机械制造及其自动化专业论文）基于特征的刀具管理及智能推荐技术研究.pdf

摘要 摘要 刀具是机械制造系统中的重要组成部分，它对加工表面的几何形状、尺寸 精度、表面质量及加工成本等方面有很大的影响，目前刀具种类繁多，所以在 虚拟制造的环境下，对刀具的信息进行管理，并使该系统能够根据工件材料、 加工精度、热处理、几何形状等特征，智能地推荐出合理的刀具，并对刀具的 使用寿命进行快速、合理地预测，具有十分重要的意义。 本文主要针对基于特征的刀具管理系统及智能推荐技术进行了探讨，主要 研究内容如下： ( 1 ) 根据刀具信息在制造型企业实际生产应用中的重要作用，围绕生产加 工过程中的工艺特征信息，建立了刀具管理系统，提出了系统的三层框架结构 和几大功能模块。 ( 2 ) 本文利用了特征建模技术来描述加工生产过程中零件的工艺特征信息 和刀具的特征信息，并建立刀具的信息模型。 ( 3 ) 研究了利用专家系统进行智能推荐刀具的技术，该模块分为单条件智 能推荐刀具和综合多因素智能推荐刀具。单条件推荐刀具是根据工件材料或加 工精度进行智能匹配的，综合多因素智能推荐刀具是根据工件材料、加工精度、 热处理等工艺特征进行智能推荐刀具。 ( 4 ) 针对传统计算刀具寿命方法的不足，本文引入了人工智能技术一b p 神 经网络，并提出了用遗传算法对b p 神经网络的初始权值进行优化，建立了刀具 寿命预测和切削参数优化的模型。 关键字：刀具管理：信息建模；智能推荐；寿命预测 a b s t r a c t a b s t r a c t t h ec u t t i n gt o o l sa r ea l li m p o r t a n tp a r to fm a n u f a c t u r i n gs y s t e ma n di th a sa g r e a te f f e c to nt h eg e o m e t r ys h a p e ，d i m e n s i o n a lp r e c i s i o na n dp r o c e s s i n g c o s t b e c a u s eo ft h ed i v e r s i t yo f c u r i n gt o o l s ，i ti so fg r e a ti m p o r t a n c et h a tw ed e v e l o ps u c h am a n a g e m e n ts y s t e mw h i c hc a l lr e c o m m e n dt h ea p p r o p r i a t ec u t t i n gt o o l sa c c o r d i n g t ot h em a t e r i a lo fw o r k p i e c e ，m a c h i n i n gp r e c i s i o n ，h e a tp r o c e s s i n ga n dm a k eaq u i c k a n da c c u r a t ep r e d i c t i o no ft h el i f eo fc u t t i n gt o o l s t h ep a p e rm a i n l ym a k es o m er e s e a r c h0 1 1t h et e c h n i q u eo fi n t e l l i g e n t r e c o m m e n d a t i o na n dc u t t i n gt o o lm a n a g e m e n tb a s e do nt h ef e a t u r e ，t h em a i nc o n t e n t s a r ea sf o l l o w s ： ( 1 ) f o rt h ei m p o r t a n c eo ft h et o o li n f o r m a t i o ni ni n d u s t r i a lm a n u f a c t u r i n g ，t h i s p a p e re s t a b l i s h e st h ec u t t i n gt o o l i n f o r m a t i o na n di ta l s op r e s e n t st h es y s t e m s f r a m e w o r ka n df u n c t i o nm o d e l s ( 2 ) a c u t t i n gt o o li n f o r m a t i o nm o d e la n dp r o c e s sf e a t u r ei n f o r m a t i o nm o d e l o ft h ep a r ta r ee s t a b l i s h e db yu s i n gf e a t u r em o d e l i n gt e c h n o l o g y , w h i c hc a nb eu s e d t od e s c r i b et h ef e a t u r ei n f o r m a t i o no fc u t t i n gt o o l sa n dp r o c e s sf e a t u r ei n f o r m a t i o no f t h ep a r t s ( 3 ) t h et e c h n o l o g yo ns e l e c t i n gc u t t i n gt o o l sb yu s i n ge x p e r ts y s t e mi s d i s c u s s e di nt h ep a p e r t h eu s e r sm a ys e l e c tc u r i n gt o o l sa c c o r d i n gt oas i n g l e c o n d i t i o ns u c ha sw o r k p i e c em a t e r i a l ，m a c h i n i n gp r e c i s i o n ，o rs e l e c tc u t t i n gt o o l s a c c o r d i n gt os e v e r a lc o n d i t i o n s ( 4 ) b e c a u s eo ft h ed e f e c t si nt h et r a d i t i o n a lc a l c u l a t i n gm e t h o do ft o o ll i f e ，o n e o ft h et e c h n o l o g i e so fa r t i f i c i a li n t e l l i g e n c e b pn e u r a ln e t w o r kw a si n t r o d u c e da n d t h ea d v a n c e dt h eg e n e t i ca l g o r i t h mw a su s e di no p t i m i z i n gt h ei n i t i a lw e i g h t so fb p n e u r a ln e t w o r k a tl a s t , t h em o d e lo ft o o ll i f ep r e d i c t i n ga n dp a r a m e t e r so p t i m i z a t i o n w e r ee s t a b l i s h e d k e yw o r d s ：c u r i n gt o o lm a n a g e m e n t ；i n f o r m a t i o nm o d e l i n g ； i n t e l l i g e n tr e c o m m e n d a t i o n ；l i f ep r e d i c t i n g i i 学位论文独创性声明 学位论文独创性声明 本人声明所呈交的学位论文是本人在导师指导下进行的研究工 作及取得的研究成果。据我所知，除了文中特别加以标注和致谢的地 方外，论文中不包含其他人已经发表或撰写过的研究成果，也不包含 为获得直昌太堂或其他教育机构的学位或证书而使用过的材料。与 我一同工作的同志对本研究所做的任何贡献均已在论文中作了明确 的说明并表示谢意。 学位论文作者签名( 手写) ： 签字吼1 年6 月p 日 学位论文版权使用授权书 本学位论文作者完全了解南昌太堂有关保留、使用学位论文 的规定，有权保留并向国家有关部门或机构送交论文的复印件和磁 盘，允许论文被查阅和借阅。本人授权直昌太堂可以将学位论文的全 部或部分内容编入有关数据库进行检索，可以采用影印、缩印或扫描 等复制手段保存、汇编本学位论文。同时授权中国科学技术信息研究 所将本学位论文收录到中国学位论文全文数据库，并通过网络向 社会公众提供信息服务。 ( 保密的学位论文在解密后适用本授权书) 一躲水聊徘 对于小尺寸刀具，要在其中嵌入一个电子标签而不破坏其物理性能是非 常困难的。 对于合适尺寸的刀具，嵌入一个“异物极有可能导致刀具物理参数的 变化而导致其报废或可用工作寿命的降低，这将得不偿失。 电子标签实行的是不同的几个标准，当前主要的r f i d 相关标准有欧美 的e p c 标准日本的u i d 标准和i s 0 1 8 0 0 系列标准【3 2 1 。而它们并没有统一，对 于以后的使用和维护都会带来一定的麻烦。 r f i d 通常工作在1 2 5 k h z ( 低频段) 、1 3 5 6 m ( 高频段) 和4 3 3 9 2 m h z 、 9 0 0 m h z 和2 4 5 g h z ( 超高频段和微波段) 附近的频段，而通常的数控加工车 间内的电磁干扰都比较严重，会大大影响电子标签的识别准确率。除此之外， 刀具编码需要逐个进行扫描，而电子标签在这个方面的代价就显得太高昂，也 无法发挥其本身固有的优势。 条码技术是迄今为止最为经济、实用的一种自动识别技术，更是实现制造 资源信息自动采集与输入的重要技术。条码技术具有以下几个优点1 3 3 1 ： 输入速度快，与键盘输入相比，条码输入的速度是键盘输入的5 倍。 可靠性高，键盘输入数据出错率为三百分之一，利用光学字符识读技术 出错率为万分之一，而采用条码技术误码率低于百万分之一。 采集信息量大，利用传统的一维条码一次可采集几十位字符的信息，二 维条码更可以携带数千个字符的信息，可以包含图形或汉字，并有一定的自动 纠错能力。 灵活实用，条码标识既可以作为一种识读手段单独使用，也可以和有关 识读设备组成一个系统实现自动化识读，还可以和其他控制设备联接起来实现 自动化管理。 2 4b p 神经网络模型 2 4 1 人工神经网络简介 人工神经网络是由大量处理单元神经元广泛互连而成的网络，是对人脑的 抽象、简化和模拟，反映人脑的基本特征。它与人脑的相似之处概括为两个方 面一是通过学习过程利用神经网络从外部环境中获取知识二是内部神经元( 突 1 6 第二章基础理论及技术 触权值) 用来存储获取的知识信息。与传统的数值计算相比具有如下特点信 息的存储与处理计算合二为一。即信息的存储体现在神经元互连的分布上。 以大规模模拟计算为主。很强的鲁棒性和容错性。善于联想、概括、类比和 推广，任何局部的损伤不会影响整体的结果。具有很强的自学习能力。能为 新的输入产生合理的输出，并在学习过程中不断完善自己，具有创新特点。 是一种大规模自适应非线性动力系统，具有集体运算的能力l 。 人工神经网络是近年来研究的热点领域，其应用领域包括建模、时间序列 分析、模式识别和控制等，并在不断的拓展。在数值预测方面，它不需要预先 确定样本数据的数学模型，仅通过学习样本数据即可以进行相当精确的预测。 目前，已经提出的神经网络模型大约有几十种，而其中应用最广泛的是误差反 向传播神经网络，即神经网络，采用的自学习方法为学习算法。 2 4 2 基本b p 学习算法 b p 神经网络采用了多层感知器( m l p ) ，它能够解决单层感知器所不能解 决的非线性可分问题。多层感知器由输入层、隐含层和输出层组成，其中隐含 层可以为一层或者多层。研究结果表明，增加隐藏层的层数不一定能提高网络 的精度和表达能力，一般情况下，选用一个隐藏层就足够了 3 5 1 ，其拓扑结构如 图2 3 所示。 i - ( 1 ，2 ，i ) 图2 3 三层b p 神经网络结构图 1 7 第二章基础理论及技术 b p 的学习过程由正向传播和反向传播组成。输入信号经过非线性变换从输 入层经隐层单元传向输出层，在输出端产生输出信号，在信号的向前传递过程 中网络的权值是固定不变的，每一层神经元的状态只影响下一层神经元的状态。 如果在输出层不能得到期望的输出，则转入误差信号反向传播，由输出端开始 逐层向前传播，在误差信号反向传播的过程中，网络的权值由误差反馈进行调 节，通过权值的不断修正使误差信号最小，网络的实际输出更接近期望输出。 如图2 3 所示，设输入层为m ，即有m 个输入信号，其中的任一输入信号 用m 表示；隐层为i ，即有1 个神经元，其中的任一神经元用i 表示；输出层为 p ，即有p 个输出神经元，其中任一神经元用p 表示；输入层与隐层的突触权值 用w ，。表示，隐层与输出层的突触权值用w 由表示。神经元输入用u 表示，激励 输出用v 表示，州的上标表示层，下标表示层中的某个神经元。设训练样本集 为x = 【) ( 1 ，x2 x ，x 】，对应任一训练样本x 七= i x 小x 1 2 ，x 枷】。，( k - - 1 ，2 ，n ) 的实际输出为y i - - y i l ，y 1 2 ，y 】1 ，期望 输出为d 。= d 小d 量：，d 切】。设n 为迭代次数，权值和实际输出是n 的函 数。设所有的神经元的激励函数均采用常用的s 函数，即s i g m o i d 函数，它具有 如下形式： f ( x ) = 专 ( 2 1 ) 其导数为： “x ) 2 看寻2 ( x ) ( 1 一( x ) ) ( 2 2 ) 由b p 网络的正向传播过程可得： ui，2荟m。x砌v，ii= 夕( 薹，x 枷) 滓幺，i u ，2 v ，= i x 枷i i = l ，2 ，一，i l = l卅= l u ；。圭i = l v jv ；= 厂( 圭l = 1w 驴v 0 ，2 ，p 一， y 妒2 v ；= 厂o ；) = 厂( 喜v 0 p = 1 ，2 ，p 定义输出层第p 个神经元的误差信号为p 助b ) = ( n ) - y 印0 ) ，误差能量 第二章基础理论及技术 为i 1p 孟g ) ，输出层所有神经元的误差能量总和为e ( n ) ： e g ) = 去露g ) ( 2 3 ) 误差信号从后向前传递，在反向传播的过程中，逐层修改联接权值。下面 计算误差信号的反向传播过程： ( 1 ) 计算隐层i 与输出层p 之间的权值修j 下量眺。o ) 。b p 算法中权值的 修正量与误差对权值的偏微分成正比，即： 峨o ) 。o 端 端own = 蒜o en 裂刹瑞一舢似叭g )妒) 一印) 砂助o ) 锄；o ) 峨o ) 印”7 r p 1 r7 设局部梯度： 删= 一蒜吖o ；g 姚 根据激励函数s i g m o i d 的性质可得： 厂o = 掣= v 胁。) ) 砒。) ( 1 仉( ”) ) 髟g ) ：y 扫0 ) ( 1 一y 幼g ) ) 口如o ) = y 劬g ) ( 1 一y 助g ”0 ，g ) 一y 扣o ) ) 根据d e l t a 学习规则，的修正量为： 峨g ) 叫器砷g ) v ? g ) 砷( 咒) ( 1 嘞。姚o ) 嘶。v ；g ) ( 2 4 ) 上式中，刁为学习步长。则下一次迭代时隐层i 上任一节点与输出层p 上任 一节点之间的权值为： o + 1 ) = w f p o ) + w 驴g ) ( 2 5 ) ( 2 ) 计算输入层m 与隐层i 之间的权值修正量w ，。g ) 。根据文献1 ，对 于非输出层的数值修改有如下结论： 设相邻三层为i 、j 和k ，之间的权值为w “，w 肚，则i 、j 层之间的权值修正量 1 9 第二章基础理论及技术 为： 厶o ) = 7 7 彰g ) v j g ) g ) ：，g j o ) ) 妻磷g k g ) k = l 根粥以上结论有： a w 。o ) = 刀g ) g ) 万7 0 ) = 0 7 0 ) ) 蟛g k o ) = 崩= g ) ( 1 一 则下一次迭代时，输入层m 上任一节点与隐层i 上任一节点之间的权值为： w m ，0 + 1 ) = w m ，o ) + a w 。g ) ( 2 6 ) b p 算法的步骤可归纳如下： 初始化，赋给w m ( 0 ) ，w 伊( o ) 各一个较小的随机非零值，令n ：o ； 对样本集中的每一个样本x 。，向前计算b p 网络每层神经元的输入信号 u 输出信号v 。其中 v ；g ) = y 助g l p = 1 ，2 ，p 由期望输出d k 和上一步求得的实际输出e g ) 计算误差e g ) 。其中 e g ) = 去吒0 ) 对输入的样本x 。，反向计算每层神经元的局部梯度万。其中 彩g ) = y 印g ) ( 1 一y 印g ) ) 0 p 0 ) 一y 如g ) l p = 1 ，2 ，p g ) = v ；g ) ( 1 一v j0 ) ) t 口，p o 沙妒g l f = 1 ，2 ， 按下式计算权值的修正量w ，并修改权值。其中 a w 驴n ) = 7 p o ) v ? g )g + 1 ) = w 驴g ) + g ) a w 删g ) = r 彰g ) x 拥g )，g + 1 ) = w 。n ) + a w m ，g ) 第二章基础理论及技术 判断所有样本是否都已学习完，若是则转至第7 步，否则转至第2 步继 续学习样本。 判断n + 1 是否大于最大迭代次数，或者网络误差是否小于预设的较小值 占，若不满足，转至第2 步继续学习。 2 4 3 改进b p 学习算法 基本b p 算法是基于最优化的梯度下降算法，存在明显的不足之处：b p 算法是按照均方误差的梯度下降方向收敛的，但均方误差的梯度曲线存在不少 局部最小点，这就使得神经网络易陷入局部最小；b p 学习算法的收敛速度较 慢，可能会耗费大量时间：神经网络隐层的结点个数难以确定合适的数值。 针对这些问题，需要对标准算法做必要的改进，使网络能够正确处理未学习过 的输入，同时加快收敛速度、达到最优化。算法优化的方向主要有权值调整、 自适应学习速率调整、网络结构调整等。常用的网络训练改进方法有加入动 量项自适应学习速率调整共扼梯度算法l m 算法【3 5 j 。本文采用带有附加 动量因子的自适应学习算法。采用附加动量法修正权值，其实质是将前一时刻 权值修正量的影响通过一个动量因子来传递。附加动量项后，权值的调节向着 误差曲面底部的平均方向进行，因而可以平滑梯度方向的剧烈变化，降低网络 对误差曲面局部细节的敏感性，抑制网络陷入局部极小。 自适应调整学习速率有利于缩短学习时间。标准算法收敛速度慢的一个重 要原因是学习速率推荐不当，学习速率选得太小，收敛太慢学习速率选得太大， 则有可能修正过头，导致振荡甚至发散。因此出现了自适应调整学习速率的改 进算法当连续两次迭代其梯度方向相同时，表明下降太慢，这时可使步长加倍 当连续两次迭代其梯度方向相反时，表明下降过头，这时可使步长减半。记 a e = e ( 刀) 一e b 一1 ) , a e 表示第n 次迭代与前一次次迭代时的误差变化量，若施 0 ，说明第1 3 次迭代被 拒绝，应该放慢快学习速率。 带有附加动量因子的自适应学习算法的权值修正方法为： 口若衄 o ，有： a w 驴g ) = o 5 r 6 ；g ) v j g ) + 口a w 驴g 一1 ) ( 2 9 ) a w 坍，g ) = 0 5 r 彰o ) x 拥g ) + 口a w 。，g 1 ) ( 2 1 0 ) 其中口是动量因子，对收敛速度影响十分显著，通常取为0 7 o 9 之间的 2 5 基于遗传算法的改进b p 神经网络 2 5 1 遗传算法 近年来，用遗传算法( g a ) 解决神经网络优化设计问题受到越来越多的专 家和学者的关注【3 6 】【3 7 1 。g a 用遗传操作和优胜劣汰的自然推荐来指导学习和确 定搜索的方向，可以同时优化网络结构及其权值，使网络模型依样本知识进行 推荐，随问题的复杂性而改变，实现了神经网络的动态自适应性。具有全局性、 并行性、快速性、较好的适应性和鲁棒性，是优化多层前向神经网络的一种理 想算法，有效解决了算法易陷入局部极小、收敛速度慢甚至不收敛等问题。 遗传算法的主要步骤为对优化问题的解进行编码，产生初始群体、推荐父 代群体、交叉产生新个体、个体变异。首先对可行域中的点进行编码，然后随 机挑选一组编码作为进化起点的第一代群体，并计算每个个体的适应度值。接 着根据适应度值选择n 个作为下一代群体s ，根据各个编码的适应度值和交叉概 率p ，在s 中随机推荐可进行交叉的个体，并随机配对进行交叉。然后再根据个 体的适应度值和变异概率p 。在s 中随机推荐可进行变异的父代，并进行变异。 最后通过新老个体产生下一代群体。算法不断重复，直到结束条件得到满足为 止。 本文将利用基于实数编码的遗传算法( g a b p ) 对网络权值进行优化。即： 首先通过遗传算法获取网络权值的初始值，再将该初始值用于网络进行学习。 相比于采用随机生成网络初始权值的传统算法，可以防止出现陷入局部极小、 收敛速度慢甚至不收敛等问题，具有高度的鲁棒性和极佳的全局搜索能力，对 于多峰值的问题具有最优的全局把握能力。 第二章基础理论及技术 2 5 2g a b p 算法 将遗传算法和b p 人工神经网络结合，其主要思想是遗传操作保证探索是在 整个解空间进行的，同时寻优过程不依赖于种群初始值的选取，然后用b p 操作 保证得到精确的网络权值。其中主要的环节是用遗传操作不断优化网络权值， 即训练首先由遗传算法进行寻优，将搜索范围缩小之后，利用b p 网络来精确寻 优。 在传统的g a 中采用二进制编码，在求解连续参数优化问题时，需要将连续 的空间离散化，这个离散化过程存在一定的映射误差，不能直接反映出所求问 题本身的结构特征，所以直接采用实数编码【3 8 】【3 9 1 。实数编码是连续参数优化问 题直接的自然描述，不存在编码和解码的过程，可以提高运算的精度和计算速 度，避免了编码中带来的负面影响。 设定种群规模p o p _ n u m 、交叉概率p 。、变异概率p 。，基于实数编码的遗传 算法对网络权值进行优化的主要步骤为： 初始化种群 随机产生初始种群p o p = k ，石：， x p a ph u m ，t 为权值向量，权值向量为 n 维实数向量，n 为所有连接权值的个数。即将所有的权值连在一起放在一维数 组中，其中每个权值可随机生成，取值范围为： 一1 ，1 】 计算适应度值 根据随机产生的权值向量对应的b p 网络，对给定的样本输入和期望输出计 算所有样本的全局误差，并根据适应度函数f 计算出对应的适应度值。误差越小 的样本，适应度值越大，意味着染色体越好。计算公式为： 厂= 而 ( 2 1 1 ) e = g ) k p 其中e 表示所有样本的能量误差之和，式( 3 1 1 ) 分母中加入o 0 1 是为了 防止e 的值过小而使f 很大。 遗传算子操作 ( 1 ) 推荐算子：要求从群体中任意推荐一定数目的个体，将适应度最高的个 体保存到下一代。反复执行这一过程，直到下一代的个体达到要求为止。个体 2 3 第二章基础理论及技术 推荐概率采用蒙特卡罗方法，即按比例的适应度分配方法，其被推荐的概率为： ， p f = l ( 2 1 2 ) z i = l 其中，是个体i 的适应度，按照轮盘赌推荐法推荐交叉的个体，即每一轮产 生一个 0 ，1 】之间的均匀随机数，将该随机数作为推荐指针来确定被选个体。 ( 2 ) 交叉算子：根据交叉概率p 。，种群中每次都有p o p _ n u m 木p 。个染色体进行 交叉操作。交叉操作的父代采用随机产生的办法。交叉算子定义为： x ? 州= ( 1 一c ) x 1 v + c x j ” ( 2 1 3 ) x ? + 1 = ( 1 - c ) x ? + c x ? ( 2 1 4 ) 其中c 为0 到1 之间的一个随机数。交叉完后，为了考察其优劣，可以计算 新个体的适应值并与父代个体的适应值进行比较。为了尽可能交叉出好的个体， 可对一对父代个体进行多次交叉，直到交叉后新个体适应值优于父代个体或者 达到指定的交叉次数为止。 ( 3 ) 变异算子：根据变异概率p ，种群中每次都有p o p _ n u m * p 。个染色体进 行变异操作。对于推荐好的每一个要变异的染色体，随机生成新的权值来代替 父代个体某个随机位置上的权值。为了尽可能变异出好的个体，可以进行多次 变异，直到变异后新个体适应值优于父代个体或者达到指定的变异次数为止。 ( 4 ) 保留算子：将每次产生的所有群体中最好的个体保留下来，替换当前种 群中的最好个体。 终止条件 遗传算法进化到一定代数后，如果获得的最优个体的适应度满足一定的条 件如适应度足够大，或者最优个体在规定的代数内都未发生变化则算法将终止。 另外还应设置最大进化代数，防止未能符合终止条件而使程序陷入死循环。 b p 二次训练 当遗传算法的进化计算进化到一定程度，或者网络误差满足一定的要求后， 停止迭代，将得到的最优染色体即神经网络的一组权值传递给神经网络，让神 经网络进行二次训练，直到得到较好的结果为止。 基于实数编码遗传算法的改进b p 算法( g a b p ) 的流程图如图2 7 所示： 第二章基础理论及技术 图2 4g a b p 算法流程图 2 6 本章小结 本章详细探讨了特征建模理论、编码技术及神经网络算法。采用了特征建 模技术来描述生产加工过程中零件的工艺特征信息和刀具的特征信息，建立了 刀具特征信息模型；采用混合式结构编码技术对刀具信息进行编码。并对b p 神 经网络和改进的g a b p 算法进行了介绍，为下文建立刀具寿命预测模型和切削 参数模型打下了基础。 第三章智能推荐刀具技术研究 第三章智能推荐刀具技术研究 本章主要介绍了应用专家系统进行基于工艺特征的智能推荐刀具的理论以 及实现过程的研究；把智能推荐刀具模块分为单条件智能推荐刀具和综合多因 素智能推荐刀具。单条件推荐刀具是根据工件材料或加工精度进行智能匹配的， 综合多因素智能推荐刀具是根据工件材料、加工工序、加工精度、热处理等工 艺特征进行推荐刀具。简单的介绍了生产加工过程中推荐刀具的一些规则。 3 1 专家系统的基本思想 刀具的推荐受很多方面的影响。在生产中推荐具体的刀具牌号以及其工作 角度时，首先要了解工艺特征，获得以下原始数据，一般考虑以下因素： ( 1 ) 工艺方案 不同的工艺方案必须选用不同的刀具。比如孔加工可以是钻、扩、铰，也 可以是钻、车、镗，两种方案选用的刀具类型是不同的。 ( 2 ) 被加工表面的形状( 面、槽、孔等) 工件的形状和尺寸影响刀具结构及尺寸的推荐。在同一机床上加工零件的 不同表面亦要求选用不同的刀具( 如：外圆车刀、内孔车刀、切断刀等) 。某些 特殊表面的加工，必须选用特殊刀具。 ( 3 ) 工件材料牌号或类别 工件材料影响刀具材料和刀具几何参数的推荐。 ( 4 ) 加工精度 特别是精度要求较高时，刀具的类型、材料及精度等级必须与加工精度相 适应。 ( 5 ) 表面粗糙度 表面粗糙度要求不同，所选用的刀具类型和结构有时也应不同。例如：粗 铣时选用粗齿铣刀，而精铣时采用细齿铣刀。 ( 6 ) 机床类型 机床类型决定了加工方法。机床的类型、结构和性能对刀具推荐有重要影 响。刀具的类型( 车刀、钻头、铣刀等) 的推荐，很大程度上由所用机床决定。 第三章智能推荐刀具技术研究 此外，采用高效率刀具必须由机床结构和性能来保证。 由上文我们可以知道，通常刀具是由切削加工专家或有经验的工艺人员根 据工件材料牌号、加工精度、热处理状态、加工方式等工艺特征进行推荐的。 但是，在实际生产中能够系统地掌握各种牌号刀具的切削性能与适用条件以及 新牌号刀具推荐和使用的人员为数不多，并且刀具应用专家技术领域包含很多 的专家经验知识，应该把这些知识总结、整理、构成专家系统，用来指导生产。 因此，建立一个能够帮助工艺人员根据工艺特征，合理推荐刀具材料的专家系 统具有理论和实际意义。 3 1 1 专家系统定义 f e i g e n b a u m 定义的专家系统( e x p e r ts y s t e m ，简称e s ) 是：专家系统是一 个利用知识和推理过程解决那些需要特殊的重要的人类专家知识才能解决的复 杂问题的计算机智能程序【4 0 1 。所有必要的知识和推理过程可认为是最好的领域 专家专门知识的模型。专家系统就是通过应用专门知识和推理来模仿人类推理 的过程而进行工作的。 刀具应用技术领域包含很多的专家经验与专业知识，应该把这些知识总结 整理，并且形成专家系统，用来指导生产从而提高切削加工的生产效率和质量。 按照系统的任务类型，常用的专家系统可分为决策型、咨询型和诊断型等【4 。 本系统中智能推荐刀具模块属于决策型。可以根据加工材料、加工精度以及热 处理等工艺特征进行专家推理，最后推荐出合理的刀具，用来满足当前切削加 工要求。 3 1 2 专家系统结构 专家系统一般由知识库、推理机、知识获取和用户接口组成，基本结构如 图3 1 所示。各模块功能如下【4 2 】： 图3 1 专家系统基本结构 2 7 第三章智能推荐刀具技术研究 1 、用户接口 提供计算机和人之间的信息交互接口，一般包括输入输出两大部分。它一 方面把输入信息进行识别理解，表示成内部形式传给系统；另一方面它能够把 专家系统产生的结果的内部形式转换成人类能接受的方式，传递给用户。 2 、知识获取机构 根据系统运行的经验自动地不断修正和补充知识库的内容，或者能根据专 家或书本提供的知识，经过理解并编辑成所需的内部形式，作为新知识加入知 识库。 3 、知识库 知识库是用于存储系统的知识元的一个仓库，在知识库中存储的知识分为 两类，一类为“事实”，即指一些公共定义等，这类知识容易获取。另一类为“启 发性知识”，它是专家从实践中获得的经验，这类知识条理性差、适用范围窄， 但效果很明显。 本系统的知识库构成如图3 2 所示： 图3 2 知识库构成 知识表达方式是知识库的核心，它不仅涉及计算机程序存储信息的数据结 构，而且包括智能管理这些数据结构以进行推理的过程，直接影响着系统的知 识获取能力和知识运用效率。目前普遍采用的知识表示方法有谓词表示法、语 义网络表示法、框架表示法和产生式表示法等 4 3 1 。 2 8 第三章智能推荐刀具技术研究 本系统采用产生式规则来表达经验性的知识。产生式规则把知识表示成“模 式动作 对，表示方式自然、简洁。它把人类专家的知识表示成：如果 则 的形式，其一般形式如下： i f a n d a n d t h e n 这种表示方法的含义是：如果 同时成立，则有 。 4 推理机 推理机是一组计算机程序具有进行推理的能力，用来控制和谐调整个系统。 它根据用户输入的原始数据，利用知识库中的专家知识，按一定的推理策略导 出结论，解决用户提出的问题，而不是简单地去搜索现成的答案。 推理方式一般有四种： 1 正向推理 它是从初始状态向目标状态的推理，其过程是从一组事实出发，顺序的执 行规则，且不断地加入新事实，直至问题的解决，此方法适用于初始状态明确， 而目标状态未知的场合。 2 反向推理 它是从目标状态向初始状态的推理，其推理过程是从已定的目标出发，通 过一组规则，寻找支持目标的各个事实，直至目标被证明为止，此方法适用于 目标状态确定而初始状态不清楚的场合。 3 混合推理 它是从初始状态和目标状态出发，各自选用合适的规则进行推理，当正向 推理和反向推理的结果能够匹配时，推理结束。这种混合推理必须明确处理事 实与处理目标，多用于复杂问题的推理。 4 模糊推理 这是不精确推理，用来解决一些不易确定现象或要用经验感知来决策的场 合。常用的方法有概率法、可信度法、模糊集成法等。为了推理时有所依据， 应将信息用计算机进行编码，存入数据库中。 2 9 第三章智能推荐刀具技术研究 本系统推理机采用的推理方式为正向推理。推理过程如下： 1 ) 使用人员提供一批已知条件，存放到临时数据库中，然后推理机进行工 作； 2 ) 推理机利用这些已知条件与知识库中的知识进行匹配； 3 ) 把匹配成功的规则结论部分作为新事实加入临时数据库； 4 ) 用更新后临时数据库中的事实重复上述两步，反复进行，直到得出结论 或者不再有新事实产生为止。 3 2 推荐刀具的一般原则 在本系统中推荐刀具主要是指刀具材料的推荐。机械力h - r _ 专家在考虑推荐 具体的刀具牌号时，需要了解被加工表面的形状、工件材料牌号或类别、工件 材料硬度范围或热处理状态、加工工序、加工表面精度以及加工过程冲击性如 何。 刀具推荐规则归纳了孔、面、槽加工过程中各加工方式所应采用的刀具种 类。例女1 ：i - 面加工中一般情况选用“面铣刀 ，若加工方式为精铣，则选用“精 面铣刀”。在孔系加工中：如果加工方式为“钻中心孔 ，刀具选“定心钻”；如 果加工方式为“钻深孔 ，刀具选“钻头 ：如果加工方式为“正划孔”，刀具选 “平划钻 等。以后可根据刀具类型到刀具库中推荐实际加工时所用刀具。 根据专家经验、文献资料、生产实践等，对不同种类的工件材料切削加工 时适合的刀具材料归纳如下： 1 工件材料为碳素钢 切削碳素钢常用的硬质合金牌号有y t 5 、y t l 4 、y t l 5 、y t 3 0 。y t l 5 为 基准常用牌号，它适用于连续的粗车、半精车和精车。重负荷切削时，可选用 硬质合金牌号有y c 3 5 、y c 4 0 、y c 4 5 、y t 5 4 0 ( 相当于i s op 3 5 - p 5 0 ) 【4 4 1 。 精密切削时，可选用含t a c ( n b c ) 类的硬质合金，其牌号有y t 0 5 、y w 3 、 y m l 0 、y t 7 1 5 、y t 7 1 2 、y d 0 3 、y d 0 5 f 、y d 0 5 或者t i c 基硬质合金y n 0 5 、 y n l 0 。株洲硬质合金厂生产的c n l 5 、c n 2 5 、c n 3 5 、可满足各种钢材切削加工 的需要。 一般条件下的粗精度加工均可选涂层刀片。 2 工件材料为不锈钢 3 0 第二章智能推荐刀具技术研究 根据切削加工不锈钢时加工硬化严重，切削力大，切削温度高，刀具容易 磨损的特点，刀具应推荐热硬性和耐磨性好的材料。用高速钢刀具切削不锈钢 时宜采用高性能高速钢，特别是含钻高速钢和含吕超硬高速钢。用硬质合金切 削不锈钢时，宜选用y n l 0 、y w l 、y w 2 、y m l 0 、y g 8 n 、y m 0 5 2 、y t 7 9 8 、 y g 8 1 3 、y g 5 3 2 等牌号。 3 工件材料为合金钢 对于合金元素含量较低，加工性比较好的合金渗碳钢，如1 5 c r 、2 0 c r 、 1 5 m n 2 、2 0 m n 2 、2 0 c r m n t i 、2 0 m n v b 等，用加工一般碳钢的刀具就可切削。 粗加工中淬透性合金调质钢时，刀具材料宜取y w l 、y w 2 ，精加工或半精加工 可选用y d 0 5 、y n 0 5 硬质合金，也可选用涂层刀片。半精车3 5 c r m n s i a 时， y n 0 5 优于y d 0 5 。高强度钢的半精加工，精加工通常在调质状态下进行，必须 选用耐磨性好的刀具材料。如粗车时选用t i c 含量低的y w 类和y t 类硬质合 金；精车时选用t i c 含量高的y w 类和y t 类硬质合金，也可选用y n 类硬质 合金；高速精车时，也可以采用涂层刀具和复合氧化铝陶瓷刀具。 4 工件材料为高锰钢 加工高锰钢时，应选用硬度高、有一定韧性、热导率较大、高温性能好的 刀具材料。建议优先采用复合氧化铝陶瓷a g 2 、s g 4 、a t 6 、l t 3 5 、l t 5 5 和涂 层硬质合金y b 4 1 5 、y b l 2 5 、y b 2 1 5 、y b l l 5 、c n 2 5 、c n 3 5 等。用非涂层硬 质合金加工时，宜选用含t a c 、n b c 的细晶粒或超细晶粒牌号。粗车时可选用 y m 0 5 3 、y w 3 、y t 7 6 7 、y g 6 4 3 、y g 8 1 3 等；精车、半精车时可选用y m 0 5 2 、 y d l 0 2 、y g 6 a 、y w 2 、y t 7 1 2 、y 2 2 0 、y d l 5 等；铣削高锰钢时可选用y s 2 5 、 y d l 0 2 、y g 8 1 3 m 、y g 6 4 3 、y t 7 9 8 、y t 7 5 8 、y 1 3 0 等牌号；当重负荷粗加工 铸造高锰钢时，可选用y c 4 5 、y c 4 0 、y t 5 r 、y g 5 4 6 等硬质合金；用高速钢刀 具加工高锰钢时应优先采用t i n 涂层刀具或采用高性能高速钢 w 2 m 0 9 c r 4 v c 0 8 、w 1 2 m 0 3 c r 4 v c 0 5 s i 、w 6 m 0 5 c r 4 v 2 a 1 等。 5 工件材料为铸铁 y g 类硬质合金是目前加工铸铁最适宜的刀具材料。用y g 类硬质合金切削 铸铁的常用牌号有：y g 3 、y g 3 x 、y g 6 、y g 8 、y g 8 c 、y g 6 a 和y g 8 n 。y g 6 适用与连续表面的粗车，断续表面的精车，半精车和连续表面的精铣，半精铣。 对于余量不均冲击较大的粗车，粗刨、粗铣、则宜采用含钴量高的y g 8 ，甚至 用粗晶粒的y g 8 c 。粗晶粒的硬质合金强度高，韧性好。如果需要增加耐磨性则 3 l 第三章智能推荐刀具技术研究 可选用y g 3 ，以便用较高的切削速度进行精车。当以较高切削速度加工铸铁时， y g 类刀具也会产生月牙磨损和后面的严重扩散磨损。此时改用含少量t i c 和 t a c 的切削钢硬质合金效果反而更好，或者用y w 类或涂层硬质合金刀具。 y g 6 a 、y g 8 n 是在w c c o 合金中添加少量的t a c 、n b c 使合金晶粒细化，性 能改善。y g 6 a 比y g 6 有较好的耐磨性，用来加工铸铁能获得较高的精度和较 小的表面粗糙度值。适用于加工硬铸铁、球墨铸铁，特别适用于不利条件下的 粗加工，甚至有白口层铸铁的切削加工。 3 3 智能推荐刀具的实现 接着运用专家的知识和经验，推荐适合这种加工条件的刀具。其推荐刀具 流程图如图3 3 。 图3 3 选择刀具流程图 3 2 第三章智能推荐刀具技术研究 根据生产条件的需要我们将智能推荐刀具模块分成了两种类型：单条件推 荐刀具和综合多因素智能推荐刀具。本系统可以将工件材料或加工精度分别作 为单条件。 在本系统中又将工件材料单条件查询分为工件材料类型单条件推荐刀具和 工件材料牌号单条件推荐刀具。本系统中将常用的工件材料类型分为高速钢、 合会钢、碳素钢、灰铸铁、可锻铸铁、不锈钢、高强度钢等等。在工件材料信 息的维护中，用户应该根据工件材料牌号所属工件材料类型进行存储，这样使 得单条件智能推荐刀具方面可以根据工件材料类型推荐刀具，也可以根据具体 的工件材料牌号推荐刀具。 例如我们可以将推荐刀具的条件设为工件材料类型灰铸铁，系统将智能的 推荐出适合加工该工件材料类型的刀具。我们也可以根据我们的具体需要将条 件设为工件材料牌号h t 2 0 0 ，然后进行推荐刀具。 下边举一个多因素综合考虑的例子。 例如： 加工工序：车螺纹 工件材料类型：不锈钢 工件材料牌号：i c r l s n i 9 t i 加工表面经济精度：i t 8 热处理：正火 系统界面如图3 4 刀具信息管理系统 - “ - 惯t q 黜 t 一 hr * ，t - t l * # 目 川：、叮 幽3 4 多因素推荐刀县界面 3 3 第三章智能推荐刀具技术研究 其推荐刀具结果如图，点击详细信息就会看到这个刀具的一些物理参数、 生产厂家等信息。 q _ _ t 口 确 盈e 匹a 一西圈圈圈匮互日瞳董殂盈王翻= 卫 vm z 删 t 月讲m 舳| 删i i 二 m j l t 一，l # i z t l _ l _ # 孙r e o 3 4 本章小结 本章详细探讨了专家系统的理论，以工件的工艺特征为主线进行了推荐刀 具规则的讨论，介绍了刀具信息管理系统模块中智能推荐刀具模块的实现过程， 并举例说明其实现过程。 第四章基于遗传神经网络的刀具寿命预测 第四章基于遗传神经网络的刀具寿命预测 4 1 刀具寿命预测模型 4 1 1 刀具寿命简介 刀具耐用度是指一把新磨刀具或可转位刀片上的一个新刀刃，从开始切削 到磨损量达到磨钝标准时为止所用的切削时间，此时间不包括辅助时间。刀具 耐用度常用t 表示，单位为m i n 。刀具寿命是表示一把新刀从开始投入切削到报 废为止总的实际切削时间，其间包括刀具的多次重磨。在实际加工中，刀具寿 命通常指刀具投入使用直到磨钝时的切削时间，即刀具耐用度。 刀具在加工过程中，使用一段时间后，就会失去切削