（机械制造及其自动化专业论文）集成计算智能方法的研究及其在线切割加工中的应用.pdf

上海大学硕士研究生学位论文 摘要 随着信息和通信技术的快速发展，计算机技术越来越多地被应用于制造过程 的每个环节。当人工智能代替人脑来操作和控制生产过程时，人类就会想到利用 各种计算智能方法来设计出更优的辅助制造系统，但是当它们单独地处理某些复 杂制造系统多目标优化问题时，往往遇到难以实现的问题。如何解决这类问题， 便是本论文研究的主要内容。 用遗传算法处理复杂制造系统多目标优化问题时，由于遗传算法必须要有一 个适应度函数来评价个体优劣，而要获得合适的适应度函数往往是很困难的，导 致此方法不能普遍地被应用于工程实际中。通过合理地集成遗传算法和人工神经 网络，则可以找到合适的适应度函数，进而优化工艺参数，以较好地解决复杂制 造系统多目标优化问题。 高速走丝电火花线切割是目前应用广泛的一种技术，如何更好地提高加工速 度和保证加工表面粗糙度一直是高速走丝电火花线切割加工的问题。本论文研究 如何利用上述的集成计算智能方法来建模和优化高速走丝电火花线切割加工参 数，以解决上述问题。该方法通过了实践验证，取得了不错的效果。 集成计算智能方法的研究具有重要的研究意义和应用价值，为相关方向的进 一步研究打下了基础，为复杂制造系统的建模和优化提出了一种新的方法。 关键词：遗传算法，人工神经网络，计算智能，高速走丝电火花线切割 e 海大学硕士研究生学位论文 a b s t r a c t d e v e l o p m e n ti ni n f o r m a t i o na n dc o m m u n i c a t i o nt e c h n o l o g yh a sf o r c e dt h eu s e o fc o m p u t e r s i ne a c h p h a s e o f t h e m a n u f a c t u r i n gp r o c e s s w h e n a r t i f i c i a li n t e l l i g e n c e t o o l sr e p l a c em o s tt a s k sw h e r eh u m a r lb e i n g so p e r a t ea n dc o n t r o lt h em a n u f a c t u r i n g p r o c e s s ，t h ew i d eu s eo fc o m p u t a t i o n a li n t e l l i g e n c et o o l sc r ug i v eg e n e r a li m p r e s s i o n t h a tm a n yu s e r st h i n ko fam a n u f a c t u r i n gs y s t e mp e r f o r m sb e t t e rt h a nb e f o r e ，b u tt h e c o m p u t a t i o n a li n t e l l i g e n c et o o l st h e m s e l v e sh a v el i m i t a t i o n sw h e ns o l v i n gc o m p l e x m u m - o b j e c t i v eo p t i m i z a t i o nm a n u f a c t u r i n gp r o b l e m sa ss t a n d - a l o n eu n i t s h o wt o s o l v et h i sp r o b l e mi sw h a tt h i st h e s i sm a i n l yd i s c u s s e sa b o u t g e n e t i ca l g o r i t h m ( g a ) n e e d saf i t n e s sf u n c t i o nt op e r f o r mo p t i m i z a t i o ni n s o l v i n gc o m p l e xm u l t i o b j e c t i v eo p t i m i z a t i o nm a n u f a c t u r i n gp r o b l e m s ，i ti sd i f f i c u l t t of i n dag o o df i t n e s sf u n c t i o n ，s ot h eg ac a nn o tw i d e l yb eu s e di np r o j e a t s b a tt h e g o o df i t n e s sf u n c t i o nc a nb ef o u n db yu s i n gt h ei n t e g r a t e da p p r o a c ho fa r t i f i c i a l n e u r a ln e t w o r k ( a n n ) a n dg e n e t i ca l g o r i t h m ，c o m p l e xm u l t i o b j e c t i v eo p t i m i z a t i o n m a n u f a c t u r i n gp r o b l e m sw i l lb ee a s i l ys o l v e d h i g hs p e e dw i r e de l e c t r o - d i s c h a r g em a c h i n i n g ( u s - w e d m ) i st h em o s t e x t e n s i v e l yu s e dt e a h n i q u e i m p r o v i n gt h em a t e r i a lr e m o v a lr a t ea n ds u r f a c eq u a l i t y a r cs t i l lc h a l l e n g i n gp r o b l e m s 1 1 1 i st h e s i sd e s c r i b e sa p p l i c a t i o no fa ni n t e g r a t e d a p p r o a c ho fa n na n dg a t om o d e la n do p t i m i z et h eh s w e d mp r o c e s s t h e a p p r o a c hp a s s e dt h et e s ta n dg o o dr e s u l t sw e r eg o t t h i sr e s e a r c ho fi n t e g r a t e d a p p r o a c h e s h a sg r e a tm e a n i n gi ns e a r c ha n d a p p l i c a t i o n o fc o m p u t a t i o n a li n t e l l i g e n c e ，a n d g i v e st h ef o u n d a t i o nf o rf n r t h c r d e v e l o p m e n t i to p e n san e w d i r e c t i o no f r e s e a r c hf o rs i m i l a rm a n u f a c t u r i n gp r o c e s s e s k n o w nt ob ed i f f i c u l tt om o d e la n do p t i m i z eu s i n ge x i s t i n gm o d e l l i n g t e c h n i q u e s k e y w o r d s ：g e n e t i ca l g o r i t h m ，a r t i f i c i a ln e u r a ln e t w o r k ，c o m p u t a t i o n a l i n t e l l i g e n c e - d a t am i n i n g , h i g hs p e e dw i r e de l e c t r a - d i s c h a r g e i i 上海大学硕士研究生学位论文 1 1 课题来源 第1 章绪论 本课题来源于国家自然科学基金项目( 5 0 3 7 5 0 9 0 ) “一种新的制造过程多目 标优化理论与方法的研究”。其应用项目是由上海汇盛电子机械设备有限公司提 供的高速走丝电火花线切割加工工艺参数的优化。主要研究计算智能的理论和方 法及其在机械加工中的应用。 1 2 研究背景 1 2 1 计算智能 计算智能【2 7 1 是一种高级信息处理技术，它的基本原理和应用方面的研究，近 年来得到了迅速的发展。该技术可以定义为一种试图模拟人类与智能有关的思维 过程的计算过程和方法。其主要的技术包括：人工神经网络、遗传算法、模糊逻 辑系统和专家系统等。其中，人工神经网络主要是模拟人脑的生理作用；遗传算 法是模拟人类和生物的进化过程；模糊逻辑系统是模拟人脑的心理作用；而专家 系统是模拟人类的决策过程。 人工神经网络( a r t i f i c i a ln e u r a ln e t w o r ka n n ) 具有良好的自学习、自适应和 自组织能力，以及大规模并行、分布式信息存储和处理等特点5 “。它能够不断地 从环境中自动地获取知识，并将这些知识以网络结构和连接权值等形式存储于神 经网络之中。人工神经网络擅长于直接从数据中进行学习。它可阻处理很多的非 线性问题。在过去的几年里，人工神经网络已经受到学术界的高度重视，已有一 些神经网络实用化的软件出现，并在众多工程问题上得到了广泛的应用。目前的 研究工作主要集中于故障诊断、模式识别、机器人控制、聚类分析、信号处理和 预测等方面。 遗传算法( g e n e t i ca l g o r i t h m sg a ) 属于一种群体搜索算法 5 3 。由于保持了对 解空间中不同区域的多个点的搜索，该算法能够把注意力集中到搜索空间中最有 希望的部分，并能以很大的概率找到全局最优解而不易陷入局部最优。遗传算法 1 上海大学硕士研究生学位论文 具有简单、通用、稳健性强和适合于并行分布处理等特点，以及自组织、自适应、 自学习等智能特性。与其它的智能模拟方法相比，遗传算法更适合于处理那些难 以用传统方法求解的、复杂的函数优化和多目标优化问题。近年来，遗传算法领 域的研究者们已经将注意力集中到用遗传算法求解工程中的实际问题之上，并在 控制、参数优化、人工神经网络设计等问题上得到了成功的应用。目前的研究课 题主要包括：机械加工的参数优化、各种多目标优化问题、作业车间的调度、硬 件结构的设计等。 然而，这些技术都有其优缺点及互补性。一个很好的解决途径就是把这些方 法集成起来，以弥补彼此的缺点而发挥各自的优势，提高它们解决问题的能力， 并取得了一定的效果，如人工神经网络与模糊系统的集成方法，应用在电火花线 切割故障诊断，对电火花线切割加工过程进行检测1 3 9 j ；基于遗传算法的人工神经 网络，通过遗传算法来优化人工神经网络，应用在产品质量估计【6 i 】：遗传算法和 人工神经网络的集成方法，应用在齿轮报废检测【7j ，等等。 优化过程实际上是在满足一定的优化约束的条件下，对一个或一组目标函数 找寻最大( 或最小) 解。如果优化的对象仅仅是单一目标函数，则称之为单目标 优化问题：而如果优化的对象是多个的，则称之为多目标函数。例如，工业工程、 生产制造、交通运输、资金预算、j x l i 险和资源管理、城市设计和规划、能源的开 发和利用等等，凡是涉及到决策和优化问题，均不可避免地遇到多重的，并且往 往互相冲突的多目标优化处理。该问题同时也会涉及到各种约束，一般还均具有 非线性的、动态的、不稳定等特征。最简单的例子是金属切削加工过程，切削加 工时，金属表面的粗糙度和切削的速度就是切削过程的两个目标值，它们将受到 切削速度、进给速度、温度、润滑液、切削刀具的形状和材料等因素的影响。该 目标值与输入值之间的函数关系一般很难用一个精确的数学方程式来表达，即使 我们能够建立一个合适的数学模型，该模型也会随地点和对象的改变而发生变 化。而且这两个目标值本身之问又常常互相冲突。因此，如何建立复杂制造过程 中的模型以及求得多目标最优解是研究的一个难题。 在本文中，将研究如何把遗传算法和人工神经网络合理地集成，取长补短， 用来解决复杂制造过程模型的建立和多目标的优化问题。 2 上海大学硕士研究生学位论文 1 2 2 数据挖掘技术 数据挖掘技术( d a t a m i n i n g ) 或数据库中的知识发现 3 4 1 ( k n o w l e d g e d i s c o v e r y i nd a t a b a s e k d d ) 技术是迅速发展起来的一种数据处理新技术，它可以从大型 数据库中的大量原始数据中提取人们感兴趣的、隐含的、尚未被发现的、有用的 信息和知识，提取的知识表示为概念、规则、规律、模式等形式。数据挖掘是数 据库技术与人工智能、机器学习、神经网络、统计学、模式识别、知识库系统、 知识获取、信息提取、高性能计算和数掘可视化等学科相互结合的最前沿和极富 应用前景的最新研究领域。数据挖掘也引起了国内外众多研究者的高度重视，他 们对数据挖掘的方法论、理论和工具开展了广泛深入的研究。在十多年的时间里， 数据挖掘技术的研究与应用己取得了很大的成果。 对于制造系统，大量复杂的过程数据被采集并存放在数据库中，然后从大量 的数据中采样找出对实际应用有意义的信息，知识和规则就变得十分重要。因而 数据挖掘和知识发现在目前得到了越来越大的重视和发展。 数据挖掘技术主要可被分为两大类：一类是与统计学有关的技术，另一类是 与计算智能为基础的数据挖掘技术。 应用于制造过程的数据挖掘系统结构图如下，此数据挖掘系统是基于集成计 算智能。 图1 1 应用于制造过程的数据挖掘系统 1 ) 数据采集和处理：制造过程中的数据，一般可采用传感器来进行采集， 对这些具有噪声的数据必须进行适当的处理和转换，然后存放在数据库中。 2 ) 人工神经网络：在制造过程中，在输入量和目标量之间往往找不出连续 的函数关系，以前的多目标最优模型大都是建立在近似的数学函数关系上的。而 一3 - 上海大学硕士研究生学位论文 神经网络则具有优越的建模特征，它可以运用较少实际的，可测量的数据，建立 一个完整的具有良好性能的模型。因此，用神经网络技术可以用来解决一个系统 建模的难题。许多学者已经尝试用人工神经网络技术来解决多目标优化问题。他 们大都使用人工神经网络技术建立单独的模型，而不是一个混合系统，n c l ，人 工神经网络技术的缺点依然存在。我们要找到一种集成计算智能方法，通过人工 神经网络的模型建立，系统的输出量应该是能代表制造过程的加工性能参数，从 而实现从多参数输入到过程性能输出的模型建立。 3 ) 混合式优化模块：遗传算法是一种以非数学模型为基础的优化方法，快 速、简便而且能够分段地找到最优解。在工程和科学问题的应用中，它己经表现 得比其它传统算法更为成功。它的优点在于其与过程的鲁棒性紧密相关。然而在 一个简单的遗传算法应用中，随之付出的代价是需要花费大量的计算，通过对目 标函数的评价得到满意的结论。随着可利用的计算资源的不断增加，制造和设计 工程的注意力越来越集中在能否在制造和设计的初始阶段就对整个复杂的过程 进行仿真。这种想法突出了传统优化方法的缺点：通常只能解决满足连续条件， 并且能在观察到的情况下单目标函数的优化问题。以上事实以及在制造、设计过 程中需要多目标的优化方法，使得将遗传算法作为常用的多目标优化器这一手 段，越来越引起广泛的关注。 当用遗传算法进行优化时，其最大的难题就是需要一个适合度函数来评估优 化的结果，一般使用数学模型或概率分布函数来定义适合度函数( f i t n e s s f u n c t i o n ) ，并用它来评价产生的结论，然而想在一个复杂的制造系统中用传统的 方法找到这个适合度函数是很困难的，导致了遗传算法不能广泛地应用在制造系 统中。 一个集成计算智能方法能利用算法的优点，并克服它们的缺点。许多学者已 经研究如何用集成方法来解决问题，这些方法被称为结合、集成智能系统或融合 智能方法 6 0 , 6 1 1 。 4 ) 决策模块：该模块将用于作为人机交互的界面。在这罩，决策者可以将 数据挖掘的结果用于指导实际生产。 2 0 世纪9 0 年代以来，一些数据挖掘软件 6 4 , 6 5 1 先后被开发出来。经过近十年 的发展，现在数据挖掘软件已经得到相当广泛的应用。软件有很多种，最主要的 软件有s a s 和s p s s 推出了各自的数据挖掘工具e n t e r p r i s e m i n e r 和c l e m e n t i n e ， ，直 上海大学硕士研究生学位论文 m a t l a b 软件中的神经网络模块，等等。也有人根据自己的要求，用c 、b a s i c 、 m a t l a b 及其它软件，来编写适合自己的计算方法。 数据挖掘是一种新的综合性技术，正处于发展和完善的阶段。开始，其应用 领域主要有银行、电信、保险、零售等商业应用领域。随着其所属技术的不断发 展和完善，很多技术人员已经把它应用在机械制造、模糊智能控制、结构优化等 机械工业行业，并已有很多成功的实例1 3 ”。今后，随着计算机计算能力的提高， 其各方面技术的完善，数据挖掘将得到更广泛的应用，将会成为推动各种行业发 展的可观力量。 1 2 3 电火花线切割技术 高速走丝电火花线切割( h s w e d ) 机床 2 0 , 3 1 1 是我国首创的电加工设备， 它结构简单，生产成本和使用成本低廉，广泛应用于模具制造、精密零件加工和 特殊材料加工领域，属为数不多的拥有自主知识产权的机电产品之一。不过，在 电火花线切割加工过程中，材料被放电腐蚀的规律是一个十分复杂的问题，加上 线切割控制系统的复杂性，造成高速走丝电火花线切割在加工精度的提高上还未 取得实质性的突破，精度保持性差，整体水平仍属低档产品。近年来，通过电加 工界不懈的努力，对影响高速走丝线切割机加工精度的主要因素有了较为明确的 认识，线切割机床的各项加工指标有了一定的提高，也有人把先进的计算智能方 法应用在线切割加工上，在实际加工起到了一定的作用，例如：利用神经网络对 电火花线切割加工过程建模，实现了加工效果的预测，加深了对电火花线切割加 工过程的认识，但没有进行加工参数优化【4 4 。因而需要研究出新的集成计算智能 方法，来建立功能更强的整体模型和优化系统，对提高电火花线切割加工的生产 率和加工质量、降低损耗是极为重要的。 1 3 国内外研究状况 1 , 3 1 计算智能研究状况 通常我们将基于符号处理的传统人工智能称为符号智能，以区别于正在兴起 的计算智能。符号智能的特点是以知识为基础，偏重于逻辑推理，而计算智能则 是以数据为基础，偏重于数值计算。各种计算智能分别从不同的角度模拟人类的 5 - 上海大学硕士研究生学位论文 m a t l a b 软件中的神经网络模块，等等。也有人根据自己的要求，用c 、b a s i c 、 m a t l a b 及其它软件，来编写适台自己的计算方法。 数据挖掘是一种新的综合性技术，正处于发展和完善的阶段。开始，其应用 领域主要有银行、电信、保险、零售等商业应用领域。随着其所属技术的不断发 展和完善很多技术人员已经把它应用在机械制造、模糊智能控制、结构优化等 机械工业行业，并已有很多成功的实例口”。今后，随着计箅机计算能力的提高， 其各方面技术的完善，数据挖掘将得到更广泛的应用，将会成为推动各种行业发 展的可观力量。 1 2 3 电火花线切割技术 高速走丝电火花线切割( h s w e d ) 机床 2 0 , 3 u 是我崮首创的电加工设备， 它结构简单，生产成本和使用成本低廉，广泛应用于模具制造、精密零件加工和 特殊材料加工领域，属为数不多的拥有自主知识产权的机电产品之一。不过，在 电火花线切割加工过程中，材料被放电腐蚀的规律是一个十分复杂的问题，加上 线切割控制系统的复杂性，造成高速走丝电火花线切割在加上精度的提高上还未 取得实质性的突破，精度保持性差，整体水平仍属低档产品。近年来，通过电加 工界不懈的努力，对影响高速走丝线切割机加工精度的主要因素有了较为明确的 认识，线切割机床的各项加工指标有了一定的提高，也有人把先进的计算智能方 法应用在线切割加工上，在实际加工起到了一定的作用，例如：利用神经网络对 电火花线切割加工过程建模，实现了加工效果的预测，加深了对电火花线切割加 工过程的认议，但没有进行加工参数优化【4 ”。因而需要研究出新的集成计算智能 方法，来建立功能更强的整体模型和优化系统，对提高电火花线切割加工的生产 率和加工质量、降低损耗是极为重要的。 1 3 国内外研究状况 1 3 1 计算智能研究状况 通常我们将基于符号处理的传统人工智能称为符号智能，以区别于正在兴起 的计算智能。符号智能的特点是咀知识为基础，偏重于逻辑推理，而计算智能则 是以数据为基础，偏重于数值计算。各种计算智能分别从不同的角度模拟人类的 是以数据为基础，偏重于数值计算。各种计算智能分别从不同的角度模拟人类的 5 - 上海大学硕士研究生学位论文 m a t l a b 软件中的神经网络模块，等等。也有人根据自己的要求，用c 、b a s i c 、 m a t l a b 及其它软件，来编写适合自己的计算方法。 数据挖掘是一种新的综合性技术，正处于发展和完善的阶段。开始，其应用 领域主要有银行、电信、保险、零售等商业应用领域。随着其所属技术的不断发 展和完善，很多技术人员已经把它应用在机械制造、模糊智能控制、结构优化等 机械工业行业，并已有很多成功的实例1 3 ”。今后，随着计算机计算能力的提高， 其各方面技术的完善，数据挖掘将得到更广泛的应用，将会成为推动各种行业发 展的可观力量。 1 2 3 电火花线切割技术 高速走丝电火花线切割( h s w e d ) 机床 2 0 , 3 1 1 是我国首创的电加工设备， 它结构简单，生产成本和使用成本低廉，广泛应用于模具制造、精密零件加工和 特殊材料加工领域，属为数不多的拥有自主知识产权的机电产品之一。不过，在 电火花线切割加工过程中，材料被放电腐蚀的规律是一个十分复杂的问题，加上 线切割控制系统的复杂性，造成高速走丝电火花线切割在加工精度的提高上还未 取得实质性的突破，精度保持性差，整体水平仍属低档产品。近年来，通过电加 工界不懈的努力，对影响高速走丝线切割机加工精度的主要因素有了较为明确的 认识，线切割机床的各项加工指标有了一定的提高，也有人把先进的计算智能方 法应用在线切割加工上，在实际加工起到了一定的作用，例如：利用神经网络对 电火花线切割加工过程建模，实现了加工效果的预测，加深了对电火花线切割加 工过程的认识，但没有进行加工参数优化【4 4 。因而需要研究出新的集成计算智能 方法，来建立功能更强的整体模型和优化系统，对提高电火花线切割加工的生产 率和加工质量、降低损耗是极为重要的。 1 3 国内外研究状况 1 , 3 1 计算智能研究状况 通常我们将基于符号处理的传统人工智能称为符号智能，以区别于正在兴起 的计算智能。符号智能的特点是以知识为基础，偏重于逻辑推理，而计算智能则 是以数据为基础，偏重于数值计算。各种计算智能分别从不同的角度模拟人类的 5 - 上海大学硕士研究生学位论文 智能活动，以使计算机具有智能。计算智能有着传统人工智能无法比拟的优越性， 它的最大特点就是不需要建立问题本身的精确模型，非常适合于解决那些因为难 以建立有效的形式化模型而用传统人工智能技术难以有效解决、甚至无法解决的 问题。 作为人工智能的一个新的研究方向，计算智能已经引起了广泛的关注。但其 中所包含的几种智能模拟方法却并不是现在才提出的，它们各有数十年的发展历 史，只是当时这些方法并未得到足够的重视。分析其原因，除了这些方法本身不 很成熟之外，计算机结构和技术的局限性以及基于符号的传统人工智能所取得的 辉煌成就，也使得人们很难认识到研究其它智能模拟方法的可能性和必要性。 这几种智能模拟方法的重新兴起，是在8 0 年代的中期。由于传统人工智能 在感知、理解、学习、联想及形象思维等方面遇到的严重困难，以及计算机容量 和计算速度的不断提高、大规模并行处理技术的产生和自身理论的逐步成熟，才 使得它们进入了一个全新的发展时期。由这几种方法组成的计算智能技术，更是 引起了包括人工智能在内的诸多领域专家学者的关注。计算智能的诞生和发展， 为摆脱传统人工智能所面临的困境提供了一种新的方法，已成为该领域的一个新 的发展方向。近几年来，在不断完善各种算法的同时，研究人员也把目光放在方 法的集成方面。 1 3 2 高速走丝电火花线切割加工技术研究状况 按走丝速度，现在电火花线切割机床主要分两种：低速和高速电火花线切割 机床。高速走丝电火花线切割机床是2 0 世纪6 0 年代末由我国独创研制成功的。 它与低速走丝电火花线切割机相比，无论是机床的结构，还是走丝系统或是加工 条件都有很大的差异，因此，机床的功能、加工精度、可靠性、稳定性等多方面 也有较大的差距。目前，低速走丝电火花线切割加工的工艺指标已达到相当高的 水平，即使对形状复杂的零件加工，尺寸精度也可达到2 5 p , m ，加工工件 表面粗糙度达到r a 0 1 0 3 m ( 多次切割) 。而高速走丝电火花线切割机虽切割速 度最高可达到2 0 0 r a m 2 m i n ，但加工尺寸精度仅为1 0 l a m ，工件表面粗糙度一般 为r a l 0 3 0 9 i n 。高速走丝电火花线切割机的工艺水平必须相应提高，目前的 发展重点是提高高速走丝电火花线切割加工的加工质量和加工稳定性，使其最大 切割速度稳定在1 0 0 r a m 2 m i n 以上，加工尺寸精度和加工表面粗糙度更大提高， 6 上海大学硕士研究生学位论文 以满足那些量大面广的普通模具及一般精度要求的零件加工需要【6 6 】。如北京市电 加工研究所开发的新型r n i n c u t1 0 0 机床，最佳表面粗糙度可到r a 0 8l l m 。 如何采用各种先进技术，建立完善、可靠的高速走丝电火花线切割加工质量 控制系统，不仅是保证产品质量和降低生产成本的关键，也是提高国产数控高速 走丝电火花线切割机市场竞争力的关键。此外，如何借助模糊控制、人工神经网 络、遗传算法和专家系统等现代技术，提高数控高速走丝电火花线切割加工的质 量，实现加工质量控制系统的高效化、智能化，改善国产高速走丝电火花线切害4 机床现状，是仍待进一步研究的重要课题。 1 4 研究意义 一个理想的机械加工过程要求加工成本、废品率、工具损耗、能源损耗等尽 可能的低，而生产率、制造精度、表面质量等尽可能的高【2 8 】。但由于加工过程的 复杂性、系统的非线性和加工参数变化而引起的时变性等，使传统的数值计算方 法和试验拟合法难以满足加工过程多目标优化决策的要求，因此优化控制是制造 过程决策发展的必然趋势。通过建立开放性的加工过程智能决策系统，描述遗传 算法和人工神经网络集成的智能决策方法，提供了条从全局的观点实现加工参 数性能优化的新途径。 在许多实际机械加工过程中常常遇到多目标的优化问题。这些目标往往互相 矛盾甚至冲突，而且此类问题一般均具有非线性、动态、不确定的特征。过去， 大多数多目标的优化方案建立在数学模型基础上，由于所建模型与实际系统相差 很大，影响了优化的效果。近年来，许多学者丌始采用遗传算法进行多目标的优 化处理，由于必须要有一个适应度函数，而要f 确地获得该评估函数也是很困难 的。本论文采用集成计算智能方法建立复杂制造过程的模型，并对多目标优化问 题进行全新的处理，提出一种新的集成方法，以期能达到简易、精确和有效的目 的 电火花线切割加工是一个复杂的过程，在加工过程中，涉及的参数很多，彼 此之间相互矛盾，是一个多目标优化问题。如能用集成计算智能的方法来解决这 个问题，将会改善电火花线切割加工性能，为解决复杂制造过程多目标优化问题 提供了一种可行方法。 7 上海大学硕士研究生学位论文 1 5 本论文的主要研究内容 本论文研究的主要内容如下： 1 ) 提出一种解决复杂系统多目标优化问题的集成计算智能方法，在理论上 解决计算智能方法的集成，以及如何发挥各个算法的优点，弥补其缺点，并在实 践中得到验证。 2 ) 把集成计算智能方法应用于高速走丝电火花线切割加工中，解决如何提 高电火花线切割加工速度和控制加工表面粗糙度的问题。 8 上海大学硕士研究生学位论文 第2 章人工神经网络及其特点 2 。1 人工神经网络简介 2 1 1 人工神经网络神经元数学模型 人工神经网络是通过模拟人脑处理信息的方式来实现对人工智能的模拟。 神经网络也是一种信息处理系统，它由许多非常简单的，彼此之间高度连接 的处理单元组成，这些单元是模仿大脑中的神经细胞( 神经元) 设计成的。神经 网络中，处理单元由大量加权重的连接联系在一起。这些连接可以传递信号。每 个单元都从它的输入连接接受许多信号，这些输入信号也许来自别的单元，也许 来自外界。每个单元只有一个信号输出。输出信号通过单元间的连接传递到其它 单元。输出的每个连接都传递相同的输出信号。单元的输出连接也许成为另外一 些单元的输入，也许将信号直接输出到外界。 人工神经元的结构模型如图2 1 。神经元是最基本的处理单元。许多的神经 元按照一定的规律连接成个有机的整体，具有特定的作用，它就叫人工神经网 络。其模拟出人脑简单的思维过程。 输入( 逼)权重 图2 1 人工神经元的结构模型 其中x ，即 为输入信号，为求和函数，防为神经元的阈值，o j 。 为第个神经元对第f 的神经元的连接权值，式2 1 中f 为传递函数( 又称激励 函数，一般为非线性的) ，y 为该神经元的输出。上述的模型可描述如下： y 2f ( ，x i j - - 曰) 2f ( a )( 2 1 ) 9 上海大学硕士研究生学位论文 从以上描述，可以得到每个神经元有7 个基本的元素：输入、输出、连接、 权重、阈值、求和函数和传递函数。一个神经元的输入可能是另一个神经元的输 出，或者是直接的外界输入，也就是神经网络的输入；同样，一个神经元的输出 可能是其它神经元的输入，或者是神经网络的输出。连接就是把各个神经元连接 成人工神经网络的过程。 权重( - 0 。的值的大小决定输入对神经元影响的大小，当网络运行时，其值会 不停地变化，也就是通过神经网络的运算机制，神经元不断地适应新的环境，整 个系统的权值矩阵不断变化，这就是人工神经网络的学习过程，当系统完全适应 给定的要求、目标时，网络便停止学习，而且在学习中有记忆的功能，不断完善 的特点。 人工神经网络的阈值就像是一个“漏斗”，a 。是神经元的活动状态，其值是 所有输入值的和与网络阈值比较的结果，a 。同样代表神经元暂时局部的状态。这 种暂时状态的a ，代表着人工神经网络的暂态记忆功能。当神经元的活动状态a 。 通过传递函数计算以后，其值就是神经元的输出，可得出神经元处于抑制或兴奋 状态。神经网络的传递函数有很多种，其中最简单的就是阶跃函数，此外还有 s i g m o i d 和s g n 等连续但非线性的传递函数。 2 1 2 人工神经网络结构 国际著名的神经网络专家、神经网络实现技术的研究领导人h e c h t - - n i e l s o n 给神经网络的定义：“人工神经网络是一个以有向图为拓扑结构的动态系统，它 通过对连续或断续式的输入作状态响应而进行信息处理”。其实，神经网络是由 大量的、同时也是很简单的处理单元( 神经元) ，通过广泛地互相连接而形成的 复杂网络系统。见图2 2 ，是一种典型的三层神经网络结构。虽然每个神经元的 结构和功能十分简单，但由大量神经元构成的网络系统的行为却是丰富多彩和十 分复杂的。 1 0 上海大学硕士研究生学位论文 输入层 图2 2 典型三层神经网络结构 上图表示了一种典型的三层神经网络结构，其中的每个小圆圈表示一个神经 元。各个神经元之间通过相互连接形成一个网络拓扑，这个网络拓扑的形成成为 神经网络的互连模式3 1 。不同的神经网络模式对神经网络的结构和互连模式都有 一定的要求或限制，比如允许它们是多层次的、是全互连的等等。神经网络从其 所处的环境中接受信息，对信息进行加工处理之后，其结果又返回到其所处的环 境中去。比如一个应用于连续语音识别的神经网络、连续的语音信号可称之为神 经网络的环境。神经网络从这个环境中接受连续的语言信号，进行识别处理之后， 就将结果输出到环境中，并以屏幕显示或打字的形式反映出来。 人工神经网络其实是处理多维数据的一种基本方法，网络中包含多维的输出 和输入数据，见图2 2 中所示。 一般情况下，多维矩阵数学关系可由下面公式表示。 设多维输入矩阵x = ( x ，x ：，x 。) ，多维输出矩阵y = ( 儿，y ：，y 。) 。它们 的关系可由下面公式表示： ( y 1 ，y 2 ，y 。) = a ( x l ，x 2 ，x 。) 或 y = a x ( 3 - - 2 ) 式中a 是一个( m n ) 矩阵。在某些情况下，当输入和输出矩阵很大或难 以用数字表达时，a 用传统的计算方法难以确定，或者不是很精确或不理想，这 时，人工神经网络这个有力的工具就显得很重要。 一般情况下，人工神经网络应用过程分两步： 1 1 上海大学硕士研究生学位论文 1 ) 训练过程； 2 ) 查询过程。 人工神经网络的原理和运算机制如上所述，人工神经网络经过很长的发展， 已经有很多种，应用于不同的领域，受到各行各界人士的关注。人工神经网络经 过不断完善和发展，将会发挥更大的作用。 2 1 3 神经网络的特点 人工神经网络所具有的独特的结构和处理信息的方法和能力，以及它能够解 决很多用传统的数学模型解决不了的问题。使其在许多实际应用领域中取得了显 著的成就。其主要优点： 1 ) 可以建立复杂的非线性关系模型。 2 ) 具有很强的鲁棒性和容错性。 3 ) 具有并行处理功能，具有处理复杂多模式能力。 4 ) 因为神经网络具有自学习和自适应能力，以及进行联想、推测和记忆的 功能，可以处理不确定或不知道的系统。 5 ) 具有很强的信息综合能力，能同时处理定量和定性的信息，能很好地协 调多种输入信息关系，适用于多信息融合和多媒体技术。 但是，人工神经网络不是万能的，它也有自身的缺点， 1 ) 由于人工神经网络是一种正在发展的算法工具，其所应用的范围受到一 定限制，现在大部分应用领域是分类、预测、聚类分析和模式识别。 2 ) 人工神经网络距今是无法证明，运算过程是“黑箱”操作。 3 ) 收敛速度慢。由于现在并行技术的硬件的局限性，限制仿真软件的能力， 使得人工神经网络的训练速度受到限制，在处理大容量数据方面收敛速度很慢， 人们正在寻求好的训练方法和优越的网络结构来解决此类问题。 4 ) 有时易陷入局部极小。 不过，随着不断的发展，计算机能力的不断提高，与先进算法的集成，可以 在一定程度上解决以上部分缺点。 1 2 上海大学硕士研究生学位论文 2 2 神经网络的种类 目前神经网络模型有几十种，为了便于研究，从不同的角度将其分类： 按网络结构可分为前向网络、前馈型和反馈型网络。 按网络的性能可分为连续型和离散型。 按学习的方式可分为有导师型和无导师学习型。 按照连接的性质分为一级性关联与高级非线性关联网络。 在实际应用中，根据实际的问题，选择不同种类的神经网络。在神经网络设 计的过程中1 , 2 , 2 9 , 3 2 ，根据实际的需要，选择不同的网络结构，同时可以选择不同 的网络学习方法进行训练。 2 3 b p ( b a c k - - p r o p a g a t i o n ) 人工神经网络 b p 神经网络5 0 】的含义是误差反向传播神经网络，是一种有导师学习的神 经网络。其一种网络结构( 含一个隐含层) 见图2 3 。虽然b p 神经网络结构的 隐含层可以有很多个，但在合理的结构和适当的权值条件下，三层b p 神经网络， 电就是含一个隐含层的网络结构通常就可以满足要求。 反向传播过程 _ - - - - - 一 输入层( i )输出层( k ) - - - - - - - - - 正向传播过程 图2 3 一种b p 神经网络结构( 含一个隐含层) 目 标 值 上海大学硕士研究生学位论文 其训练过程： 1 ) 初始化网络各个权值( 数值大小在一l 至1 之间) ； 2 ) 选择需要训练的输入值和相对应的输出值( 目标值) ； 3 ) 根据输入值和已经初始化的权值，计算出实际的输出值，此过程为“诈 向传播过程”； 4 ) 根据实际输出值与目标输出值间的误差，按规定的层间连接权重，沿输 出层一隐含层输入层方向计算，通过一定的特定的计算方法，得出层间连接权 重的调节值，从而得出新的权重值，通过此过程称“反向传播过程”； 5 ) 跳转到第2 步，重复运算直至误差值减小到允许范围之内； 6 ) 停止。 在训练过程中，如何才能得到新的权重值，根据不同的传递函数，其方法各 不相同，常用的传递函数是s i g m o i d 函数。 在本论文中，将详细阐述如何用遗传算法来训练神经网络的方法【”1 ，详细过 程见第4 章。 2 4 。小结 本节主要阐述人工神经网络的思想和原理，以及它的优缺点。还介绍了一种 成熟的神经网络：b p 神经网络。 人工神经网络主要是模拟人脑的生理作用。人工神经网络具有优越的建模特 征，它可以运用实际的，可测量的数据，建立一个完整的具有良好性能的模型， 它能够不断地从环境中自动地获取知识，并将这些知识以网络结构和连接权值等 形式存储于神经网络之中。它可以处理很多的非线性问题。并且经过实践证明效 果显著。 从神经网络发展过程看【5 l 】，理论研究经常走在前列，有时会超出实际使用阶 段。虽然说理论研究和实际应用可以相辅相成，但实际需求总是科技发展的主要 推动力。目前，在神经网络实用上，虽然有不少实际应用成果报道，如智能控制、 模式识别及机器人控制等。但真正成熟的应用还比较少见。总之，神经网络的理 论研究需进一步深入，应用领域有待进一步开拓。但可以相信，人工神经网络借 助其独特的优点，必将在以后得到更为广泛的应用。 1 4 - 上海大学硕士研究生学位论文 3 1 遗传算法简介 第3 章遗传算法及其特点 遗传算法是一种借鉴生物界自然选择和自然遗传学机理上的迭代自适应概 率性搜索算法【4 , 5 5 l 。 遗传算法提供了一种求解复杂系统优化问题的通用算法框架，它不依赖问题 的具体领域，对问题的种类有很强的鲁棒性。具有自适应性、全局优化性和隐含 并行性。不需要建立精确数学模型，所以广泛应用在许多学科，特别是用在多目 标优化方面，给我们解决了很大的难题 5 , 6 , 5 2 。如：函数优化、组合优化、生长调 度问题、自动控制、机器人智能控制、图像处理和模式识别、人工生命、遗传程 序设计和机器学习等方面。 3 2 遗传算法理论和实现 3 2 1 基本术语 在介绍遗传算法之前，先给出几个遗传学的基本概念与术语，这对于理解遗 传算法是非常重要的。 染色体( c h r o m o s o m e ) ：它是遗传物质的主要载体，由多个遗传基因组成。 它代表一个向量或一组数据，这个向量是某个问题的一种解。 基因( g e n e ) ：d n a 或r n a 长链结构中占有一定位置的基本遗传单位，也 称为遗传因子。也就是组成染色体的基本单元。 基因型( g e n o t y p e ) 遗传基因组合的模型叫基因型。它是染色体的内部表 现，又称遗传子型。如：1 0 1 1 1 。 表现型( p h e n o t y p e ) ：由个体决定形状的外部表现。是解的原型，如：长度。 个体( i n d i v i d u a l ) ：指染色体带有特征的实体。问题的一个解或向量组。 种群( p o p u l a t i o n ) 染色体带有特征的个体的集合称为种群。 世代( g e n e r a t i o n ) ：带有一定特征的成功的种群。 父代( p a r e n t ) ：现代具有一定特征的种群。 子代( o f f s p r i n g ) ：父代遗传后的下一代。 1s 。 上海大学硕士研究生学位论文 选择( s e l e c t i o n ) ：以一定的概率从种群中选择若干个体的操作。一般而言， 选择的过程是一种优胜劣汰的过程。 适应度( f i m e s s ) ：是决定个体优劣的标准。对生存环境适应度高的种群将 获得更多的繁殖机会，相反，对于适应度低的种群，其繁殖机会就少，甚至逐渐 死亡。 交叉( c r o s s o v e r ) ：两个同源染色体在某一或多个相同的位置处被切断，其 前后分别交叉组合成新的染色体。 变异( m u t a t i o n ) ：在细胞进行复制的过程中，有可能以很小的概率产生复 制差错，从而使染色体变异，产生新的染色体，这个过程叫变异。 编码( c o d i n g ) ：染色体中的遗传信息在一个长链上按一定的模式排列，遗 传编码可以看作从表现型到基因型的映射。表现型可以是时间、距离和长度等形 式，而基因型最常用的是二进值的代码。 解码( d e c o d i n g ) ：编码的反过程，是从基因型到表现型的映射。 3 2 2 遗传算法基本思想和运算过程 在自然界进化过程中，基因是最基本的单元，基因代表着一个个体的优劣。 很多基因按一定的方式连接便组成染色体。染色体作为遗传物质的主要载体，它 决定了个体的形状的外部表现。染色体被编译成二进制的代码，是由一串或几串 的二进制数字结合在一起来代表。而在遗传算法中，每种可能的解向量都是由一 个