难加工金属材料与RBF神经网络中加工探究

张卫东

（江苏省淮安技师学院，江苏 淮安 223001）

引言

随着我国经济与科技的腾飞，现代化工业进程的不断加快，工业对相关产品或零部件的要求也日益提高。要求工业材料不仅要具有超高的强度、硬度，还需要具有一定的耐高温、高热，耐腐蚀等特性。而目前充分满足这些要求的只有难加工的金属材料，像钛合金，硬质合金等。对于难加工金属材料主要采用的是数控加工，但由于数控加工具有一定的复杂性与不确定性，很难掌控对难加工金属材料的数控加工过程。从前，解决这样问题的方式是采取BP 算法中的人工神经实现对加工过程的管控。但BP算法仍旧存在一些问题，直到RBF 算法的诞生，彻底从根本上完善了BP算法中存在的不足。

1 难加工金属材料在数控加工中的问题

常见的难加工金属材料主要有钛合金、不锈钢、高强度钢以及高锰钢等。这些难加工材料具有很差的切削性，对其进行切削十分困难，并且很容易损害道具，缩短道具的寿命，即便加工成形，材料表面的质量也不乐观。

1.1 材料本身的独特性质

难加工的金属材料通常含有多种高熔点的合金元素，其纯度很高，形成了独特的固溶体合金。通常其原子间具有十分稳定的结合，导热系数很低，这就意味着不利于热平衡，进而影响刀具的使用寿命。再加之，其含有大量的C、N、B 和金属化合物等，在一定的温度范围内，其硬度与温度成正比，并且在特定的温度范围下，其强度和硬度还可以保持在较高的水平上。

1.2 切削过程极具难度

首先，考虑到难加工金属材料特殊的硬度和强度，需要更大的切削力，相比于普通材料力度要提高3～4 倍，这无疑增加了切削的难度。其次，考虑到难加工金属材料的低导热率，其具有着较高的切削温度，很容易使材料表面形成烧伤、划痕等严重的质量问题。最后，考虑到在进行切削时道具很容易发生磨损，进而降低了刀具的使用寿命，并且在高温环境下，难加工金属材料的化学活性很高，在热力的作用下很容易形成有关钛的氧化物，这些氧化物反作用于工件，使其韧性降低，切削难度进一步加大。以上因素说明对难加工金属材料进行切削具有一定的难度［1］。

2 基于RBF神经网络的数控加工控制方法

2.1 RBF神经网络及相关算法概述

下页如图1所示，RFB 的每一个神经元同输入层连接的向量W1i与输入的矢量Xq的距离设为b1，输入y＝radbas［dis（W，x）×b］，并且输出层的神经元对相应的输出函数采用线形的加权组合。对于基函数大齿常采用高斯函数：

式中：x是n维输入向量；ci是第i个基函数的中心；σi是第u个感知变量；n是感知单元是数目。

对相应函数进行加权求和，输出为：

图1 RBF神经网络线形加权求和图

对于RBF 的初始化及相关的学习可以参照图2。在进行训练前，先输入矢量X，与之对应的是目标矢量T以及径向基函数的一个拓展常数C。具体的训练目的是，求W1，W2以及b1和b2。当系统完成所有输入值的聚类以后，会自动求得每个隐层节点RBF 的中心ci，进而确定相应的W1。在改进方法上，主要是针对第0个神经元进行初始的训练，排查出错误后自动的增加神经元［2］。

2.2 难加工金属材料的RBF监控系统

难加工金属材料的RBF监控系统构造如图3所示。整个系统采用的是M317069的速度传感器进行测速，SZMB－9的磁电转速传感器进行转速的测定，HK－NS－WY04的位移变送器进行对吃刀量的检测。一旦检测到加工过程存在问题，系统就会实行自主的参数控制。

该系统的工作原理如图4 所示，神经网络所采用的最基本单元是神经元结构的模型。它的输入模式具有线性不可分性，考虑到这些实行的是多层化的感知器网络，以实现多层次的网络输出，若最终的输出结果不是想要的，可以通过修改各个感知器的权值来达到目的［3］。

图2 RBF神经元初始化训练图

图3 难加工金属材料的RBF监控系统构造

图4 难加工金属材料的RBF监控系统的工作原理

3 结语

综上所述，难加工金属材料的具体数控加工的过程是非线性的，不确定的，强干扰的，并且建模也相对困难。而运用人工神经网络则可以实现对加工过程的实时监测。引入RBF 神经网络，可以帮助建立起完整的难加工金属材料监控系统，能够更好的完成对难加工金属材料的加工过程的参数控制。根据实际生产，充分的表明了这种方法的实用性与高效性，不仅可以减小材料生产的误差，还可以改善材料的表面粗糙度，进而大大提高了材料的品质。

［1］曾谊晖，左青松，李翼德，黄红华，陈恒，王亚风.基于RBF 神经网络的难加工金属材料数控加工控制方法研究［J］.湖南大学学报（自然科学版），2011（4）：38－39.

［2］姚娇凤.基于RBF 神经网络的难加工金属材料数控加工控制方法研究［J］.电子测试，2013（6）：76－77.

［3］王凯.复杂型面数控加工的神经网络控制［D］.兰州理工大学，2007.