数控电火花线切割加工参数优化的新技术.doc

线切割加工参数优化的新方法新余学院机电工程系黄小英【摘要】本文提出了基于决策树分类器和神经网络的数控线切割加工工艺参数寻优的新方法。根据已有的样本训练数据建立分类和神经网络类型, 针对要求的加工目标; 通过对分类规则的提取, 生成预测数据集, 结合建立的神经网络模型, 迅速准确的预测出对应的加工工艺参数。【关键词】线切割数控分类器神经网络参数优化 1 前言在电火花线切割加工中, 各项加工参数相互关联, 制约, 有些相互矛盾, 其中最突出的问题是工具电极的损耗。依靠操作人员的技能和经验很难有效的选取合适的加工参数, 无法获得最佳的加工效果和加工稳定性。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, 很难建立数学模型, 无法得到有效的规则, 为了获得更理想的加工效果, 实现更有效的优化控制加工过程, 本文提出了用数据挖掘技术, 采用基于决策树规则和神经网络构建电火花线切割加工过程的模型, 实现参数优化,从而达到预定的加工目的。 2 优化算法: 本文基于决策树规则和神经网络构建的线切割加工参数优化算法流程图可以表示为图 1 所示。 生成决策树规则: 建立如图 1 所示的分类模型。设数据样本集为 S, 其所有属性列为( V1,V2 ……,V nj:C) ,其中 C 表示加工的目标或要求,其值一般是连续的, 从取值的意义无法形成具有分类功能的类别, 并且决策树分类器要求类别属性必须是离散型, 故需对其进行泛化处理, 本文采用自然分割法对类别属性进行泛化。 V1—Vn 对应着加工参数,它们的取值也以连续型居多, 并不利于进行深入的分析,所以在建立分类模型之前,对连续型的属性也要进行泛化。图1结束提取参数结果代入模型预测生成预测数据集提取预测规则集建立神经网络模型生成决策树分类器输入样本开始对样本集泛化预处理完后, 可按照决策树的算法进行建模。在形成的分类模型里, 每个分类中的属性顺序是按照各自对分类的所起的重要性来排列的, 即在一条分类规则里, 属性是按照对这条分类规则的不确定性影响的大小顺序排布。这个特性直按影响到后续利用分类器进行预测加工工艺参数的属性选择。如类别 C1 的一种划分为 V2=V 2i& V1=V1 i& V3=V3i , 则表示当 V2取 V2i, V1取V 1i, V3取 V3i 的记录属于类别 C1 ,在这条规则里,属性的重要程度的顺序为 V2> V1> V3。 2 .2 建立神经网络模型标准反向传播算法( BP .Back Propa g ation ) 存在自身的限制和不足,主要表现在训练过程的不确定上, 会出现训练时间长, 训练瘫痪和陷入局部极小值等现象。本文采用附加动量法修正网络权值, 不仅考虑误差在梯度上的作用, 而且考虑在误差曲面上变化趋势的影响, 如同一个低通滤波器,使网络忽略微小变化,滑过局部极小值;对一些复杂问题, BP 网络需要较长的训练时间, 这主要是因为训练速率太小, 可通过自适应学****率加以改进, 即检查权值的修正值是否真正降低了误差函数, 降低则说明学****速率小了, 可增加一个量, 如果过调, 则应减小学****速率。所以本文介绍的方法采用附加动量法结合自适应学****率来建立神经网络模型。 工艺参数寻优方法: 建立模型后,按如下步骤进行参数寻优: 1 )确定新的加工要求或目标所属的分类模型