難加工金屬材料與RBF神經網絡中加工探究

張衛東

（江蘇省淮安技師學院，江蘇 淮安 223001）

引言

隨著我國經濟與科技的騰飛，現代化工業進程的不斷加快，工業對相關產品或零部件的要求也日益提高。要求工業材料不僅要具有超高的強度、硬度，還需要具有一定的耐高溫、高熱，耐腐蝕等特性。而目前充分滿足這些要求的只有難加工的金屬材料，像鈦合金，硬質合金等。對于難加工金屬材料主要采用的是數控加工，但由于數控加工具有一定的復雜性與不確定性，很難掌控對難加工金屬材料的數控加工過程。從前，解決這樣問題的方式是采取BP 算法中的人工神經實現對加工過程的管控。但BP算法仍舊存在一些問題，直到RBF 算法的誕生，徹底從根本上完善了BP算法中存在的不足。

1 難加工金屬材料在數控加工中的問題

常見的難加工金屬材料主要有鈦合金、不銹鋼、高強度鋼以及高錳鋼等。這些難加工材料具有很差的切削性，對其進行切削十分困難，并且很容易損害道具，縮短道具的壽命，即便加工成形，材料表面的質量也不樂觀。

1.1 材料本身的獨特性質

難加工的金屬材料通常含有多種高熔點的合金元素，其純度很高，形成了獨特的固溶體合金。通常其原子間具有十分穩定的結合，導熱系數很低，這就意味著不利于熱平衡，進而影響刀具的使用壽命。再加之，其含有大量的C、N、B 和金屬化合物等，在一定的溫度范圍內，其硬度與溫度成正比，并且在特定的溫度范圍下，其強度和硬度還可以保持在較高的水平上。

1.2 切削過程極具難度

首先，考慮到難加工金屬材料特殊的硬度和強度，需要更大的切削力，相比于普通材料力度要提高3～4 倍，這無疑增加了切削的難度。其次，考慮到難加工金屬材料的低導熱率，其具有著較高的切削溫度，很容易使材料表面形成燒傷、劃痕等嚴重的質量問題。最后，考慮到在進行切削時道具很容易發生磨損，進而降低了刀具的使用壽命，并且在高溫環境下，難加工金屬材料的化學活性很高，在熱力的作用下很容易形成有關鈦的氧化物，這些氧化物反作用于工件，使其韌性降低，切削難度進一步加大。以上因素說明對難加工金屬材料進行切削具有一定的難度［1］。

2 基于RBF神經網絡的數控加工控制方法

2.1 RBF神經網絡及相關算法概述

下頁如圖1所示，RFB 的每一個神經元同輸入層連接的向量W1i與輸入的矢量Xq的距離設為b1，輸入y＝radbas［dis（W，x）×b］，并且輸出層的神經元對相應的輸出函數采用線形的加權組合。對于基函數大齒常采用高斯函數：

式中：x是n維輸入向量；ci是第i個基函數的中心；σi是第u個感知變量；n是感知單元是數目。

對相應函數進行加權求和，輸出為：

圖1 RBF神經網絡線形加權求和圖

對于RBF 的初始化及相關的學習可以參照圖2。在進行訓練前，先輸入矢量X，與之對應的是目標矢量T以及徑向基函數的一個拓展常數C。具體的訓練目的是，求W1，W2以及b1和b2。當系統完成所有輸入值的聚類以后，會自動求得每個隱層節點RBF 的中心ci，進而確定相應的W1。在改進方法上，主要是針對第0個神經元進行初始的訓練，排查出錯誤后自動的增加神經元［2］。

2.2 難加工金屬材料的RBF監控系統

難加工金屬材料的RBF監控系統構造如圖3所示。整個系統采用的是M317069的速度傳感器進行測速，SZMB－9的磁電轉速傳感器進行轉速的測定，HK－NS－WY04的位移變送器進行對吃刀量的檢測。一旦檢測到加工過程存在問題，系統就會實行自主的參數控制。

該系統的工作原理如圖4 所示，神經網絡所采用的最基本單元是神經元結構的模型。它的輸入模式具有線性不可分性，考慮到這些實行的是多層化的感知器網絡，以實現多層次的網絡輸出，若最終的輸出結果不是想要的，可以通過修改各個感知器的權值來達到目的［3］。

圖2 RBF神經元初始化訓練圖

圖3 難加工金屬材料的RBF監控系統構造

圖4 難加工金屬材料的RBF監控系統的工作原理

3 結語

綜上所述，難加工金屬材料的具體數控加工的過程是非線性的，不確定的，強干擾的，并且建模也相對困難。而運用人工神經網絡則可以實現對加工過程的實時監測。引入RBF 神經網絡，可以幫助建立起完整的難加工金屬材料監控系統，能夠更好的完成對難加工金屬材料的加工過程的參數控制。根據實際生產，充分的表明了這種方法的實用性與高效性，不僅可以減小材料生產的誤差，還可以改善材料的表面粗糙度，進而大大提高了材料的品質。

［1］曾誼暉，左青松，李翼德，黃紅華，陳恒，王亞風.基于RBF 神經網絡的難加工金屬材料數控加工控制方法研究［J］.湖南大學學報（自然科學版），2011（4）：38－39.

［2］姚嬌鳳.基于RBF 神經網絡的難加工金屬材料數控加工控制方法研究［J］.電子測試，2013（6）：76－77.

［3］王凱.復雜型面數控加工的神經網絡控制［D］.蘭州理工大學，2007.