应用Levenberg -马夸特建立反向传播Neurointelligence算法研究切削参数对推力的影响&洞Diameteral准确性铝合金的钻探

文摘

本文切割速度的影响,进料速度和角度,铝合金的机械性能直径的误差和推力被协助调查和估计的神经网络使用基于Levenberg -马夸特的反向传播算法。三种类型的商业选择铝合金工件材料进行实验。神经网络分析是用来分析钻井参数的影响和预测直径误差的响应和推力向钻井参数的变化。网络灵敏度和相对重要性分析的结果表明,进料速度和切割速度显著减小径向误差和推力。

关键字

神经网络,钻探;直径的误差;推力;铝合金;敏感性分析。

介绍

钻井是最重要的一个材料去除过程已经被广泛应用于航天、航空和汽车行业。尽管现代金属切削方法,包括电子束加工、超声波加工、电解加工、磨料喷射加工,提高了制造业,常规钻井仍然是最常见的一个加工过程。铝合金用于许多工业领域做出不同的产品,它对世界经济具有重要意义。结构组件由铝合金在航空航天行业至关重要,在其他领域非常重要的交通和建筑的耐久性、强度和重量轻。在几项研究径向误差和推力通过检查了加工参数对推力的影响和对不同的点角钻头直径偏差。结果表明,切削速度低、恒定的进给速率小适合干燥加工的al - 6061。提出应用田口方法和响应面方法减少钻孔的直径误差和推力al - 7075。组合的优化结果表明,切削速度低,低进给速率和高顶角有必要减少直径误差和推力。调查不同涂料的作用,指出角度和切削参数对孔质量的钻井al - 6061合金和得出结论,有不同的切削参数对孔质量的影响。他们已获得有效的结果使用低切削速度和进给速率。 By using several materials that were drilled by several cutting conditions, velocity and feed rates indicated that diametral errors were highly dependent on the material properties, the drill geometry and the cutting condition. Used simulation tools and analysis of variance to identify the influence of process parameter on the hole diameter and concluded that feed rate, chisel-edge-to-drill diameter ratio, yield strength and point angle are significant for the hole diameter. Carried out an experimental investigation of the role of various shapes of drills and materials (HSS Tool, Al-6061, Al-6351 and Al-7075) on the hole diameter in drilling. Their experimental results showed that the hole diameter from ductile materials is larger than from brittle materials. Investigated the influence of the cutting parameters and the mechanical properties of a work piece on the hole diameter accuracy in a dry drilling process. His experimental results showed that the machining parameters and the mechanical properties of a work piece affect the hole diameter [1]。

材料和方法

在这篇文章中,一个神经网络分析的实验数据切割参数和三个不同的铝合金的机械性能直径误差和推力的干钻钻洞的调查和预测Levenberg -马夸特建立反向传播算法。训练一个人工神经网络是一种优化的任务,因为它需要找到最优权重集神经网络在训练过程中。反向传播等传统训练算法有一些缺点,如陷入局部最小值、收敛速度慢。本研究利用结合两种算法的最佳特性;例如Levenberg马夸特反向传播(LMBP)为提高使用神经网络(ANN)的收敛速度训练。算法训练几个实验数据集。实验结果表明,该算法具有更好的性能比其他类似的混合变种在几项研究使用。使用Alyuda NeuroIntelligence是一个神经网络软件应用程序,旨在协助神经网络、数据挖掘、模式识别,预测建模专家在解决实际问题的能力。其特性只能证明神经网络建模算法和神经网络技术;软件是快速和易于使用的2]。它支持神经网络的设计和应用程序的所有阶段。这项工作中所使用的软件(3]。

实验方法

径误差和钻洞的驱动力是由切削条件决定的。干切削的钻井进行了实验条件对钻孔机(4]。在这项研究中,三个铝合金商业产品被选为工作材料样品的铝带板高负载与大型板材工件自组装产品支持或适应特定的客户需求。板块在埃及工厂制造商业交易目的所示图1所示。主要的板尺寸为400毫米×400毫米×12.7毫米。提出了三种铝合金的机械性能表1。传统的高速钢。麻花钻与不同直径24毫米点角度90°和118°用于钻井钻40洞每板执行实验按照板尺寸(5- - - - - -8]。钻井试验计划使用神经网络的输入和输出。七个实验参数,切削速度;加料速度、顶角、材料硬度,材料抗拉强度、屈服强度、延伸率百分比选择网络的输入。两个直径误差实验参数(毫米)和推力部队(Nm)被选为当前网络输出的调查。考虑实验参数中列出表3。

表1。测试板材料的力学性能

表2。与孔板的详细尺寸

提出了神经网络模型

人工神经网络学习能力工艺参数之间复杂的非线性和多变量关系使得它们在许多应用程序中非常有用。一个安由数量的神经元,它分为三个基本层:输入、隐藏和输出。层之间的神经元相连,突触权重。安的基本优势之一是其学习能力的过程。当定义网络的体系结构,然后,通过一个学习的过程,权重计算所需的输出。目前研究使用神经网络最优块Alyuda NeuroIntelligence软件可用于多层前馈神经网络的发展。

Table3。实验参数作为神经网络的输入和输出。

一个小学7输入神经元。每个输入(w)与适当的加权值。加权输入和偏差之和形式输入神经元传递函数(f)。可以使用任何可微的传递函数(f)来生成它们的输出。标准的网络,用于函数拟合是一个两层的前馈网络,与tan-sigmoid隐层传递函数和线性传递函数在输出层。所有的原始(48)实验数据被随机分为三个数据集包括培训、验证和测试。利用bp训练算法和levenberg-marquardt (lm)被用于人工神经网络训练。70%的数据使用的训练集建立网络,15%来衡量网络泛化和15%作为测试集的神经网络。

五层网络架构作为最优网络预测推力和直径的误差。在试验的结果,最好的网络体系结构的推力和径向误差的预测是7-10-10-2拓扑。从ANN模型预测结果的比较与实验测量表明,它们之间有很好的相关性。很明显,神经网络是一个很好的工具,预测的推力值Fz和直径误差de根据实验测量的。错误输出和目标之间的差异和代表的模型精度。整个数据集的值(培训、验证和测试)代表高度相关。

实验包括比较评估单个语句的数据集“狗坐在门边”使用mel-cepstral连续和离散尺度和小波转换。我们使用25女士讲话窗口mel-cepstral和32女士窗口与小波的特性,由于具体的分解结构。母小波选择连续Morlet小波变换在信号分解。为离散选择的母小波变换(3,4有28个滤波器长度。步设置为10 ms提取方法来确保一个公平的比较。决策树合奏也称为随机森林方法。随机森林是一个元估计,适合很多的决策树分类器的不同使数据集,并使用平均,以提高预测精度和控制过度学习。业者大小是一样的原始输入样本的大小和样品都有替换。分割质量衡量“基尼”表示基尼杂质(5,6]。树的最大深度设置为500。最大特征用于预测sqrt (n特性)。最小数量的样品需要在一个叶节点设置为3。分割点在任何深度只会被视为如果叶子至少3训练样本的左和右分支。分裂所需的最小数量的样品内部节点设置为5。400年估计使用表示在森林中树木的数量。模型是类似于三种特征提取方法来测试性能。

结果与讨论

径误差和推力的响应图所示图2,相对重要性决定每一个加工参数。尽管这个术语的重要性经常有许多内涵,有时指的是统计学意义虽然有时候指的是实践意义,我们使用术语指的相对重要性贡献一个变量对预测效标变量本身,结合其他预测变量。

这个定义只考虑变量的相对贡献,总可预测的方差和没有假设统计学意义或实际意义与特定的预测。信息变量对预测方差的贡献是有益的在考虑变量的实用性时,还应该考虑但方面的特殊情况全面衡量实际的重要性。

相对重要性权重是一个有用的补充,因为他们提供信息不容易获得的指标通常由一个多元回归分析。

这是观察到的图2的参数重要性不同直径误差和推力的影响。径上的进给速率是主要参数错误之后,所有三个铝合金的点角(7]。虽然较低的直径误差总是优先。在目前的调查,当切削速度90 rpm,加料速度0.15毫米/ r和点角90,直径误差最小化。径误差随加料速度、切割速度和角点增加(8]。切割速度是主要参数对推力,紧随其后的是硬度HRB。饲料率低对推力的影响。在目前的调查,适用于切割速度90 rpm时,加料速度0.15毫米/ r角90,表面粗糙度是最小化9]。钻的推力表面加料速度的增加而增加,切削速度和角点。网络分析的结果直径误差的敏感性和推力图3。敏感性分析的目的是描述模型输出值多少影响模型输入值的变化。的调查的重要性impreci-sion或不确定性模型输入决策或建模过程。的确切特征灵敏度分析取决于特定的上下文和关注的问题。敏感性研究使用时可以提供一个一般的评估模型精度评估系统性能对于选择场景,以及详细的信息处理错误的相对重要性在不同参数所示图4。

特定的模型输入值的变化可以以不同的方式影响模型输出值。一般,只有相对较少的输入变量控制或显著影响特定的输出变量的值在一个特定的位置或性能指标和时间。如果只有部分的一系列不确定性的输出数据是感兴趣的,那么毫无疑问只有那些输入数据,严重影响这些输出数据的值需要被包括在敏感性分析(10]。从敏感性分析,为所有三个铝合金切削速度的变化是一个非常重要的因素和影响径向误差过程中起着重要作用。点角的影响使得低对反应的影响。

三种类型的铝。工件材料的性质对径向误差产生重大影响。毛刺的形成过程是严重依赖于屈服强度、极限强度和延性。也考虑到材料的延性表示为合金的伸长率。伸长的高价值代表更好的延性的材料。工件用于实验的伸长率影响径向误差和推力。因此,多径误差发生在韧性材料。这种趋势也提到了其他研究人员(11]。

最后毛刺几何由塑性变形的数量取决于材料的延性表示为伸长。更高的推力值可以解释为高合金的塑性性质,这就增加了(而)倾向于形成一个组合优势。相对更高的工件延性增加输送量形成趋势。输送量大的存在在钻井过程中导致增加刀具磨损和粗糙表面光洁度。

结论

一系列的实验进行了三种类型的铝。一直尝试预测钻井参数对径向误差的影响和推力。直径误差的预测价值和使用提出了推力ANN模型被发现与实验数据基本一致。进给速率是输入参数中最具影响力的可控因素影响孔直径。

切割速度是第二个因素在孔直径精度。角点最低影响孔直径。最好的三个控制因素的参数组合是直径误差的最小化和推力;削减(90 rpm),加料速度(0.15毫米/转速)和角点(90)。获得的推力。直径误差和推力是最小化整体生产成本降低的贡献减少实验的数量。工件材料的性质对径向误差产生重大影响。也考虑到材料的延性表示为合金的伸长率。伸长的高价值代表更好的延性的材料。工件用于实验的伸长率影响径向误差和推力。

的直径误差作为最终毛刺几何由塑性变形的数量取决于材料的延性表示为伸长。更高的推力值可以解释为高合金的塑性性质,这就增加了(而)倾向于形成一个组合优势。相对更高的工件延性增加输送量。

承认

作者承认在5机械工程学系研究助理。在Sohag-Egypt参与实验测试。

引用

1. Daubechies我。正交紧支撑小波的基地。通讯纯:数学。1988;41:909 - 996。

   (谷歌学术搜索][Crossref]

2. 英格丽。D。十个专题小波。CBMS-NSF区域配置。在应用数学系列。1994;6:697。

   (谷歌学术搜索][Crossref]

3. 利文斯通SR, et al。瑞尔森视听的情感语音数据库和歌曲(RAVDESS):一个动态的、多通道的面孔和声音在北美英语表达。《公共科学图书馆•综合》2018;13:e0196391。

   (谷歌学术搜索][Crossref]

4. Mallat年代。小波信号处理。学术出版社,圣地亚哥。1999年。(谷歌学者][Crossref]
5. Modic R。比较小波和MFCC在斯洛文尼亚和英语语音识别根据speechdat 2。NOLISP。2003年。

   (谷歌学术搜索]

6. O ' shaughnessy D。言语交际:人类和机器。addison - wesley出版公司。1987:568。

   (谷歌学术搜索][Crossref]

7. Dash SK, et al。ex-traction DWT-based特性和分类为电动机虚构的脑电图信号。5。Modic R。比较小波和MFCC语音识别通过speechdat2斯洛文尼亚和英语。NOLISP。2003年。

   (谷歌学术搜索][Crossref]

8. O ' shaughnessy D。言语交际:人类和机器。addison - wesley出版公司。1987:568。

   (谷歌学术搜索]

9. 2016 ICSMB。2016年。
10. Shegokar P, et al。基于连续小波变换的语音情感识别。2016年。

    (谷歌学术搜索][Crossref]

11. Tran H,等。提出了结合PCA和MFCC特征提取在语音识别系统中。2015年697 - 702。

    (谷歌学术搜索][Crossref]