基于神经网络的针阀体挤压研磨工艺模型.pdf

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 nMa 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 ㈩ N 2 e ㈩ ， 为 啊比 矩 阵 。 f 警 A ] - l A l ㈦ 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 o r f a s t c o n v e r g e n c e i n t r a i n i n g n e u r a l n e t w o r k s l Cj ．Wa s i n g t o n DC，I n t e r n a t i o n a l J o i n t Co n f e r e n c e o n Ne u r a l Ne t wo r k s I J CNN01 ， 2 0 01 3 l 7 7 8 一 l 7 8 2 ． [ 6 ] 司捷 ， 周贵安 ， 李甬 ， 等． 基于梯度监督学 习的理论与应用I 基本 算法 [ J ] ．清华大学学报 自然科学版 ， 1 9 9 7 7 7 1 7 3 ．