模糊神经网络在电火花线切割加工中的应用

机械设计与制造模糊神经网络在电火花线切割加工中的应用陆文乐袁庆丰孙忠峰李桂琴（上海大学机电工程与自动化学院，上海200072）约，难以用传统的数学方法解决，而提出了用模糊神经网络对电火花线切割加工过程建立模型，通过网络的训练，实现加工参数的优化选取和预测，并且提取出有效的规则集。，网络中每层节点函数及作用如下：**层的节点是输入节点，为当前电火花线切割加工参数：平均加工电流I、脉冲宽度Ti、占空比F，分别代表描述电火花线切割加工离线状态的变量。第二层对应精确量的模糊化过程。精确量到模糊量之间的转化是借助隶属函数来完成的，该层中每个神经元节点代表一个模糊子集，该节点的阈值函数即是模糊子集的隶属函数。第三层为模糊推理层，该层每一个节点代表一条模糊规则，因此所有节点形成一个规则基。第四层为反模糊化层，组合模糊推理层的结果，通过重心法来反模糊化。第五层为输出节点切割速度V和表面粗糙度Ra. 3.2模糊神经网络训练通过工艺试验获得高速走丝电火花线切割工艺数据表，每条工艺数据包括参数和加工结果两部分，可作为一个样本见表1.表1模糊神经网络部分训练样本平均加工电流脉冲宽度占空比切割速度表面粗糙度3.3规则集的提取在模糊推理层中提取出各层的模糊规则得出规则集，以便于更好的进行处理和分析各参数对加工过程的影响，进行有效的决策控制。根据实际加工经验，规则用以下条件语句表述：规则集表明只有当平均电流和脉冲宽度都大的情况下，切割速度才高；当脉冲宽度稍高并且占空比也高时，切割速度高；但是脉冲速度过高，占空比高时，切割速度反而低。随着占空比提高，表面粗糙度增大。

4试验计算结果的分析与讨论使用训练好的所示的模糊神经网络对4组加工工艺参数进行预测，其结果如表2所示。

从表2中看出模糊神经网络对切割速度的预测精度效果是令人满意的，对表面粗糙度的预测上面存在着一定的误差。

分别对实际输出和进行优化的预测进行分析，将结果进行比较。

表2模糊神经网络预测结果与实际值的比较实测值预测值实测值预测值由误差图略）中显示在预计值与实际值之间还是有一定的误差存在，经分析得出，网络存在误差的主要原因为（1）实验过程中存在的随机误差与测量误差；（2）试验条件的限制，用于网络训练的样本偏少：（3）只考虑了三个参数，没有考虑其他参数。

但是总体的趋势是相近的，是一种可行的方法。有助于改善电火花线切割工艺中存在的矛盾，并对加工过程进行预测。

使用所建的预测模型，对设定的加工条件可预测出线切割加工的工艺效果，得出相应的规则集。预测模型不仅适用于稳定加工区的加工参数，而且对那些不稳定加工区的加工参数以及实际加工难以实现的加工条件，都可在计算机上模拟进行工艺试验，大大拓宽了加工参数的选择范围，为线切割加工的机理研宄提供了有利工具。还可依据预测模型改变参数组合，研宄工艺效果的变化，以便*大限度地发挥出机床的加工能力。

5结论提出用模糊神经网络方法，对电火花线切割加工进行建模和预测，通过训练，网络能预测加工参数，提取有效的规则集，有助于加工过程的控制。实验结果表明这种方法是有效的，能够较精确的映射线切割加工实际过程输入加工参数与输出工艺效果之间的复杂函数关系，比传统的方法在准确率和速度方面都有提高，可以有效的研宄和改进电火花线切割加工工艺过程。但是这种方法需要有一定的训练样本，对样本的准确性也有很高的要求。