基于神经网络的针阀体挤压研磨工艺模型

第 1 0期 2 0 1 2年 1 0月 机 械 设 计 与 制 造 Ma c h i n e r y De s i g n Ma nu f a c t u r e 2 4 5 文章编号 1 0 0 1 3 9 9 7 2 0 1 2 1 0 0 2 4 5 0 3 截 基于神经网络的针阀体挤压研磨工艺模型 木 曰 0 周 苗 蔡红霞 王文斌 俞 涛 柏余杰 王 传家 刘继超 1 上海大学 机电工程与自动化学院 上海市机械 自动化及机器人重点实验室 上海 2 0 0 0 7 2 2 深圳职业技术学院 深圳 5 1 8 0 0 0 Mo d e l in g f o r E x t r u s io n Gr i n d i n g o f I n j e c t V a lv e B a s e d o n N e u r a I Ne t wo r k Z HO U Mi a o C A I H o n g x i a WA N G We n b i n Y U T a o B A I Y u j i e WA N G C h u a n j i a L I U J i c h a o 1 S c h o o l o f Me c h a t r o n i c s E n g i n e e r i n g a n d A u t o m a t i o n S h a n g h a i U n i v e r s i t y S h a n g h a i K e y L a b o r a t o r y o f Me c h a n i c a l Aut o ma t i o n a n d Ro b o t i c s S h a n g h a i 2 0 0 07 2 Chi n a 2 S h e n z h e n Vo c a t i o n a l a nd Te c h ni c a l Co l l e g e S h e nz h e n 5 1 8 0 0 0 C h i n a 中图分类号 T H1 6 U 2 6 2 1 1 T G 3 7 5 4 1引言 文 献 标识 码 A 柴油机作为热效率最高的动力机械 已被广泛用于工农业 生产和交通运输等领域 但同时它也是最大的环境污染源 随着 环保要求和排放标准的1 3 益提高 进一步改善排放 提高效率 已 成为各国学者和柴油机生产厂家的重要课题 实践表明 通过去 除柴油机喷油嘴喷孔和压 力室之间的毛刺 扩大其相贯线处的圆 角 改善喷孔表面粗糙度 提高喷油嘴的高压液体流量系数 可获 得 良好的燃油雾化效果 改进柴油机的性能 1 1 因此 国内外针阀体生产厂家相继引入液体挤压研磨技术 现已取得较好的效果 针阀体在挤压研磨过程中涉及的T艺参数较多 各工艺参 数间 各工艺参数 与挤压研磨效果间 具有高度的非线性 难 以建 立一个全面而准确 的数学模型来反映针阀体挤压研磨 的工 艺规 律 为此 有些挤压研磨设备生产厂家 如美国某挤压研磨公司 德国某挤压研磨公司等 为使本厂设备能达到更好的挤压研磨效 果而提供相应的工艺参数表 然而针阀体的实际加工是一个复 杂 随机的过程 工艺参数对挤压研磨效果的影响还会受到温度 来稿 日期 2 0 1 1 1 2 1 4 地点等因素的影响 因此 建立针阀体挤压研磨工艺参数模型具 有非常重要 的意义 在大量实验的基础上 建立基于神经网络的针阀体挤压研 磨工艺参数模型 预测针阀体挤压研磨 艺参数对挤压研磨效果 的影响 2神经网络在针阀体挤压研磨过程 中的 应用 由于神经 网络具有很强 的映射能力和非线性逼 近特性 以 及高度容错性 自主学习和联想记忆等特点 因此可用于建立针 阀体挤压研磨工艺参数选择模型 2 1网络输入 输出参数的确定 针阀体挤压研磨的效果跟工件的热处理程度 上道工序的 工艺 系统压力 装夹精度 加工时间 磨料类型 磨料浓度等参数 相关 如果将这些参数均考虑在内 无疑将增大模型建立的难度 延长模型训练的时间 况且有些工艺参数难 以量化 无法获取相 应 的数据 为简化模型 结合挤压研磨设备操作者的经验以及相关专 2 4 6 周 苗等 基于神经网络的针阀体挤压研磨工艺模型 第 l 0期 家的建议 最后确定以系统压力 磨料粒度和磨料浓度为输入参 数 以最能反映针阀体挤压研磨效果的流量误差率和流量增速为 输出参数 以此来建立模型 2 2 网络算法的选择 学习算法是影响神经网络收敛速度和性能的决定性因素 标准 B P学习算法中 参数沿与梯度相反的方向移动 使误差函 数减小 直到取得极小值 由误差曲面图知 在一些 平坦 区域 即使各层权值变化很 大 误差下降依旧缓陧 使网络训练次数大大增加 降低网络的收 敛速度 而 低凹 区域 便是误差函数的较小点 误差的权空间维 数越高 低凹 区域越多 使网络训练陷入局部极小值 无法收敛 于预定的误差12 因此 在神经网络的实际应用中 多数采用 B P 网络的变化形式 L e v e n b e r g Ma r q u a r d t 简称 L M 算法采用数值优化技术 结合了梯度下降法与高斯一高斯牛顿法的优点 既可以提高网络 的收敛速度 又降低了陷入局部极小值的可能 其具体的学习算 法 为 设 表示第 k次迭代的权值和阈值所组成的向量 则新的 权值和阈值为 1 对于牛顿法则有 一l A x v E J V E x 2 式中 r E x 梯度 V E 误差指标函数 的 H e s s i a n矩 阵 设误差指标函数为 e 3 式 中 e 误差 l 2 A N 则有 V E x e x V E x e x S i x 略 则越接近梯度下降法 实践证明 采用 I M算法 收敛速度 可以较梯度下降法快几十甚至上百倍 又由于 是正定的 所以 式 8 一定有解 而对于高斯一牛顿法 是否 满秩仍需要进一步考虑 因此 从这种意义上来说 卜 M算法优 于高斯一牛顿法 2 3网络结构的确定 网络结构的确定主要是隐藏层层数和隐藏层 中神经元数 的 选择 适当地增加隐藏层 可以提高网络的学习能力和泛化能力 但由于在神经网络中 误差是从输出层向输入层反向传播 隐藏 层越多 误差在靠近输入层时越不可靠 为简化模型 决定采用一 个隐藏层 隐藏层神经元的数目会直接影响模型的输出精度和泛化能 力 采用试凑法 将网络结构从 3 2 2 输入层有 3 个神经元 隐藏层有 2个神经元 输出层有两个神经元 变化到 3 一l O 一2 时 发现3 7 2稳定性较好 而且训练速度较快 其中 隐藏层 的激发函数 为双曲正切 S型变换函数 输出层的激发函数为线 性变换函数 针阀体挤压研磨工艺模型结构 如图 1 所示 输入层 隐藏层 输出层 图 1工艺参数选择模型结构 4 F i g 1 P r o c e s s P a r a m e t e r s S e l e c t i o n M o d e l S t r u c t u r e 5 3样本数据的获取和预处理 鼽s N 2 e 为 啊比 矩 阵 f 警 A l A l I A A A A 1 A 高斯一牛顿法的计算方法是 一 7 1 M算法的计算方法为 一 8 式中 l o 一常数 单位矩阵 当g 0 即为高斯一牛顿法 随着 的增大 J 渐渐可以忽 一 般来说 样本数据越多 训练结果越能反映输入参数与输 出参数间的内在规律 预测值的精度也就越高 但样本数据的收 集往往受到客观条件的限制 因此训练样本数一般取网络连接权 值的 2 3 倍 实验选取 8 O只型号为 Z C K1 5 4 S 4 2 7的针阀体为斌 件 在 A S F 3 I S型 已修改 高精度智能针阀体挤压研磨设备上进 行挤压研磨加工 实验温度为 2 6 8 该组针阀体的前道 T序为数 控三轴钻床上的钻削 未进行挤压研磨加工前 初始流量范围是 1 5 8 4 I 6 1 6 Um i n 目标流量为 1 7 0 0 L mi n 实验的相关参数设 定如下 1 流量误差率 用流量误差率表示挤压研磨质量 其计算 公式为 丧 1 0 0 9 一 目 标 流 量 2 流量增速 用单位时间内流量增加量表示挤压研磨效 率 其计算公式为 Y 2 1 0 0 1 0 No 1 0 0 c t 2 0 1 2 机 械 设 计 与 制 造 2 4 7 3 系统压力 当系统压力高于门限压力时 流量增速随着 系统压力的升高而逐渐增大 此外 系统压力的升高还可以有效 地减少堵塞率 实验中系统压力分别取 3 4 6 8 I O M P a 4 磨料粒度 磨料粒度对挤压研磨质量和挤压研磨效率均 有一定的影响 实验中磨料粒度分别取 1 3 1 8 2 5 3 0 3 8 1x m 5 磨料浓度 在一定压力下 当磨料浓度低于最高门限时 流量增速随着磨料浓度的提高而增大 实验中磨料浓度分别取 0 1 6 7 1 6 0 1 2 5 1 8 0 1 1 1 0 0 0 8 3 1 1 2 o 综上所述 部分样本数据 如表 1 所示 表 1部分样本数据 T a b 1 Pa r t o f t h e S a mp le Da t a 序 号 系统压力 MP a磨料粒度 n m 磨料浓度 流量误差率 流量增速 由于神经网络对样本数据比较敏感 受后 面输入样本的影 响比较大 严重时会影响网络的训练时间和训练精度 因此 为了 改善样本数据输入顺序对网络训练的影响 缩小不同参数问数值 的差值 需要对样本数据进行一定的预处理 采用 MA T L A B神经 网络丁具箱中的 P r e mfl m x和T r a mn m x函数 分别对样本数据和 测试数据进行归一化处理 4网络的学习结果 在 MA T L A B平 台下 利用神经 网络 T具箱所提供的函数进 行编程计算 通过样本数据对网络进行训练 得出针阀体挤压研 磨工艺模型 经测试 当学习效率7 0 1 时 经过 1 6 6次迭代 就 可达到预定误差训练结果 E O 0 1 如图 2所示 1 6 6 Ep oc h s 图 2神经网络 的训练结果 F i g 2 Ne u r a l Ne t wo r k Tr a i n i n g Re s u l t s 5网络的验证 为了检验针阀体挤压研磨工艺模型的有效性 特做了实验 如表 2所示 首先根据系统压力 磨料粒度和磨料浓度 南神经网 络预算出针阀体经过挤压研磨后的流量误差率和流量增速 然后 在 K YM I I 型高精度智能针阀体挤压研磨设备上按照参数 如表 2所示 进行挤压研磨加工 实验结果与预测结果的对比 如表 3 所示 从 表 3中可以看 出 最大预测误差为 2 9 8 最小误差为 0 4 8 说明该针阀体挤压研磨工艺模型已反应针阀体挤压研磨 的工艺规律 能较快地预测出指定加工参数下的流量误差率和流 量增速 表 2 测试样本 的加工参数 Ta b 2 F o r e c a s t i n g Sa mp l e Pr o c e s s i n g P ar a me t e r s 表 3模型值与样本值的 比较 Ta b 3 Th e Co mp a r i s o n o f Th e Mo d e l Va l u e a n d Sa mp l e Va l u e s 6结论 针对针阀体挤压研磨过程中的实际需要 建立了神经网络 的针阀体挤压研磨丁艺模型 系统压力 磨料粒度和磨料浓度 确定后 该模型能够较快地预测f f 挤压研磨后的流量误差率和流 量增速 从而间接地指导挤压研磨加丁 中T艺参数的选择 模型的最大预测误差为 2 9 8 能够真实地反应针阀体挤压 研磨的工艺规律 如果能够进一步完善样本数据 可使预测精度 得到进一步提高 提出的针 阀体挤压研磨工艺模 型 可推广到其它加工对象 在实际应用中 只要能够提供丰富的样本数据 对模型稍作修改 即可较快地建立相应的T艺模型 参考文献 1 唐维平 宋伟 喻明显 喷油嘴喷孑 L 液体挤压研磨lT艺研究 J 现代车 用动力 2 0 0 3 2 3 o 3 4 2 吴 昌友 神经网络的研究及应用 D 哈尔滨 东北农业大学 2 0 0 7 3 赵弘 周瑞祥 林廷圻 基于 L e v e n b e r g Ma r q u a r d t 算法的神经网络监 督控制 J 两安交通大学学报 2 0 0 1 3 6 5 5 2 3 5 2 7 4 Wi l a m o w s k i B M Y i x i n C h e n a n d Ma l i n o w s k i A E f f i c i e n t a l g o r i t h m f o r t r a i n i n g n e u r a l n e t w o r k s w i t h o n e h i d d e n l a y e r C Wa s h i n g t o n D C I n t e r n a t i o n a l J o i n t C o n f e r e n c e o n N e u r a l N e t w o r k s I J C N N 9 9 1 9 9 9 3 1 7 2 5 1 7 2 8 5 J B o g d a n Wi l a m o w s k i S e d a r I p l i k c i O k a y a y K a y a n k a n d M O n d e r E f e An a l g o r i t h m f