[发明专利]基于人工神经网络的磨床砂轮自动修整方法和修整装置

说明书

技术领域

本发明涉及机械磨削加工领域，具体涉及一种基于人工神经网络的磨床砂轮自动修整方法和修整装置。

背景技术

磨床是实施磨削加工的主要工具。磨削加工是借助砂轮表面的大量磨粒切削刃去除材料的一种加工方法，作为一种获得高精度、低粗糙度加工表面以及对高硬度表面进行精加工的工艺方法，在机械加工技术领域占有十分重要的地位。磨钝后的砂轮，将影响被磨工件的表面质量和几何精度，因此，必须及时对磨钝后的砂轮进行修整和补偿，才能保证零件的加工质量。传统的磨床砂轮修整，大多是通过人工检验零件误差，根据经验判断砂轮是否钝化，如果钝化则进行人工修整、人工调整参数，因而无法实现修整自动化。这种根据经验判断砂轮是否钝化的方法，判断结果与工人个体有关、带有主观性，而且是事后(零件尺寸超差后)判断、难以把握砂轮修整的最恰当时机。要不采用定时修整方式在砂轮钝化前提前修整，则缩短了砂轮使用寿命；要不就是在砂轮钝化后，造成零件尺寸超差后才修整，则加工废品率高。

为了把握砂轮修整的时机，现有的砂轮磨损状态检测方法可以分为静态检测与动态检测两种。静态检测主要有滚动复印法和触针法，这些方法的缺点是离线的、事后的检测，因此不利于提高工作效率和保证产品合格率；动态检测主要有光截法、光点自动测量法、激光功率谱法、电镜观察法、光反射法和声发射监测法等，这些方法的缺点是安装调试困难、结构复杂、对人员素质要求高，因此还尚未用于生产加工。由于上述原因，目前磨床的砂轮修整基本没有实现自动化。

发明内容

本发明所要解决的技术问题是提供一种基于人工神经网络的磨床砂轮自动修整方法和修整装置，它能够减少磨削加工中的人为判断因素，从而提高磨床磨削加工过程的自动化程度，降低加工成本和废品率。

为解决上述问题，本发明是通过以下技术方案实现的：

一种基于人工神经网络的磨床砂轮自动修整方法，包括如下步骤：

(1)均匀磨削实验：选取一批数量足够多、并具有相同加工工艺参数的待加工零件，在相同工况下进行磨削实验，每磨削加工一次为一次实验；

(1.1)从砂轮刚修整即砂轮的钝化系数d＝0开始，到砂轮即将磨钝需要修整时的钝化系数d＝1为止，进行磨削实验；设总共进行了b+1次实验，则对应第一次实验的砂轮钝化系数d＝0，第二次实验的砂轮钝化系数d＝1/b，第三次实验的砂轮钝化系数d＝2/b，以此类推，至最后一次即第b+1次的砂轮钝化系数d＝b/b＝1；与此同时，采集每次实验现场砂轮电机电压U、砂轮电机电流I、砂轮转速n、待加工零件与砂轮的相对平移速度v数据，实验完成后计算并保存对应每次实验的砂轮钝化系数d；

(1.2)自砂轮的钝化系数d从0到1的变化过程中，在上述(1.1)步骤所得数据中均匀选取训练样本数据，每个训练样本记为(U_i、I_i、n_i、v_i)，对应的砂轮钝化系数为d_i，其中i＝1、2、…、N，N为训练样本数；按同样的方法在上述(1.1)步骤所得数据中另外选取N个验证数据用于验证人工神经网络的可信度；

(1.3)将上述(1.2)步骤得到的训练样本对记为(X_i，d_i)(i＝1、2、…、N)，其中对应任一输入样本向量X_i＝(x_1i，x_2i，x_3i，x_4i)＝(U_i，I_i，n_i，v_i)，人工神经网络实际输出为y_i，期望输出为d_i；

(2)建立人工神经网络预测模型，用样本数据训练神经网络，得出一个反映输入输出关系的人工神经网络预测模型；

(2.1)按以下要求构造的一个人工神经网络预测模型为三层的误差反向传播算法神经网络(BP神经网络)；

(2.1.1)输入层节点数M的选取：输入层节点数M与人工神经网络输入参数个数相同，即M＝4；

(2.1.2)隐含层节点数H的选取：

式中，M为输入层节点数，J为输出层节点数，a为1≤a≤10之间的常数，即3≤H≤12；

隐含层节点输出为：