数控中输入值与输出值的预处理

　　国内数控机床的生产厂家为了生存和发展的需要，对可靠性的预测提出了迫切的要求。数控机床可靠性预测的方法主要可以分为两类：一类实际是基于经验的预测方法，即由有经验的专业人员在调查、采样等工作的基础上，结合当时的实际情况，做出预测；另一类方法是建立在历史数据和经验数据的基础上，先建立相应的数学模型，然后利用数学模型进行预测。第一种预测方法需要积累很多经验，因此不容易学习，传承性很差，而且预测的准确率比较低，预测过程没有坚实的理论基础，说服力比较差；而第二种方法在预测数控机床可靠性方面应用比较广泛，预测准确率较高，而且预测过程以数学理论知识为基础，说服力比较强。目前用于系统可靠性预测的方法主要有数学模型法、条件概率法、最小割集近似法等。但是传统的数学方法，如数学模型法，其适应性差，在解决数控机床可靠性的预测问题上，准确性较差，有的预测问题甚至无法解决。本文通过对神经网络深入的研究，提出了用于数控机床可靠性预测的三层BP神经网络模型和算法，并与传统的数据模型预测方法进行比较来证明本文所提出的神经网络预测模型比传统数学预测方法更准确可行。

　　预测网络模型利用神经网络进行数控机床可靠性预测算法的主要思路为：将组成数控机床的各子系统的可靠性参数x，作为神经网络的信息输入，数控机床的可靠性指标y作为网络输出，建立三层结构的BP神经网络。用某些型号数控机床的M个可靠性数据模式对（x）作为训练样本集，对网络进行训练。最后利用训练好的网络对待预测型号的数控机床的可靠性指标进行计算。

　　数控机床可靠性预测的BP神经网络模型如所示。由输入层、隐含层、输出层三层结构组成。x为网络输入值，y为隐含层的第j个神经元的输出值， y为网络的最终输出值， w为隐含层的第j个神经元与输入层的第i个神经元之间的连接权值，w为输出层与隐含层的第i个神经元的连接权值，为隐含层的第i个神经元的阐值，为输出层的阐值， f为作用函数，本研究取Sigmo id函数作为作用函数，即f（x ） = 1 /（ 1+ exp（ - x ） ）。

　　算法原理设某一输入样本x

　　目标值为d.y为隐含层的输出值， y为网络的输出值，则有：设计研究分析误差函数为： E =求E对权值的梯度：为统一公式，令w表示第l层的第j个神经元与第l- 1层的第i个神经元的连接权值； w表示第l层的第j个神经元与第l+ 1层的第k个神经元的连接权值； Q表示上一层的第i个神经元的输入值，则梯度公式可以统一为：

　　当单元j为一个输出单元时：当单元j为一个隐含单元时：权值沿误差函数的负梯度方向改变，故权值的改变量为：式中为学习因子，故权值修正公式可统一为：另外考虑到学习过程的收敛性，学习因子取值越大越好，值越大，每次权值的改变越激烈，可能导致学习过程中发生振荡。因此为使学习因子取值足够大，又不产生振荡，在权值修正公式中再加一势态项：同理可推导出阐值的修正公式为：权值修正和阐值修正是在误差反向传播过程中逐层完成的。下是BP神经网络数控机床可靠性预测算法流程图。

　　参数讨论

　　1．输入值与输出值的预处理对于数控机床的零部件，其失效率一般在0 1之间。如果不在此范围内，可通过调节其值使其落在0 1之间，来使网络的输入能有一个较为稳定的范围。这样对于参数的选择较为有利。对于输出值，如果将输入值限定在0 1之间的话，数控机床的整体失效率一般会大于1.但对于本算法采用的作用函数Sigmo id函数，其输出值应落在0 1之间。故应对输出值进行处理，这要针对不同的实际问题进行处理。一般对输出值y作如下处理：

　　这样可以保证值落在0 1范围内。

　　 2．输入数据的确定线性回归法和x

　　优度检验证明数控机床的寿命分布可以近似认为服从指数分布，由此可确定选用何种数据作为输入数据，本算法将采用失效率作为输入数据。另外，为保证网络的性能及控制计算的复杂度，输入数据的个数不应太多，最好控制在10个以内，但是数控机床的结构一般比较复杂，仅直接子系统在10个以上，为解决这个问题，本文提出次要输入参数合并法。因为对于大多数数控机床说，故障一般集中在几个子系统上，譬如某型数控车床，发生在CNC系统、转塔刀架、电气系统、主传动系统、液压气动系统、进给系统这几个子系统的故障占到所有故障的74. 34。这样，将各主要子系统的可靠性数据分别作为一项输入数据，然后对次要子系统根据它们之间的功能关系进行合并作为一项或几项输入数据，这样就可将输入数据控制在10个之内，既可以保证网络的性能，又能满足计算精度的要求。

　　 3．环境因子的确定本算法的输入值除了为各组成单元的可靠性数据外，增加了一个环境因子。因为数控机床的可靠性水平不仅由各组成零部件的可靠性水平及它们之间的相互作用关系决定，而且还与其使用的环境有关。此处所指的环境是一个广义的概念，包括使用环境、操作熟练度、加工条件。

　　这里给出了一个确定环境因子的粗略方法。环境因子的级别如所示，最终环境因子的h的计算公式为：

　　3. 1工作环境h

　　工作环境是指机床的运行环境。优秀的工作环境可现代机械2007年第2期以是：环境温度比较恒定，保持在10 30 ，室内清洁，灰尘较少，固定良好或有减震措施，这在先进的自动化生产线上比较常见。较好的工作环境可以是：温度舒适，室内清洁，偶尔有吵闹和震动。一般的工作环境是：温度适中，环境比较清洁，有少量的吵闹和震动。较差的工作环境是：室内温度波动比较大，室内噪音较大，工人工作时间长后会产生厌倦感。恶劣级的工作环境可以是：环境温度波动较大，甚至受到风吹日晒；室内卫生条件较差，空气中浮尘较多；固定不完全或无法良好固定，工人在这种环境下不易安心工作。

　　 3. 2操作熟练度h

　　操作熟练度是指操作人员的熟练程度。对于操作经验丰富的熟练技工使用可选择熟练级。学徒工使用时选择学徒级。工作年限在0. 5 1年的选择较不熟练，工作年限在1 1. 5年的技工可选择一般级，工作年限在1. 5 2年的技工可选择较熟练，工作年限在2年以上的选择熟练。

　　3. 3加工条件h

　　加工条件与多方面的因素有关，例如，工作强度、切削用量、加工材料等。加工条件依据这些条件可以分为5个等级，一般情况下选择中负荷即可。

　　4．权值和阀值的初始化权值和阀值的初始化对网络的收敛性有一定的影响，选的好收敛快，选得不好可能使网络处于饱和区，难于收敛，或是网络限于局部极小。但目前还没有一个最佳的初始化方法，但最好各值不要相同，一般在- 1 1之间选取。本算法将根据实际情况采用- 1 0或0 1之间的随机数作为权值的初始值。

　　学习因子和势态因子的确定学习因子大，收敛速度快，反之则慢，若太大，容易造成网络振荡、发散等现象。势态因子的作用是使学习因子足够大，又不产生震荡。合理的学习因子和势态因子可提高网络学习的效率，通常0< < < 1.为缩短算法的收敛时间，可以采用变学习因子的方式，起始时学习因子值很大，随着迭代次数的增加可以适当的降低值，而且这样还可以提高算法的渐进性。

　　迭代计算终点的判断网络收敛后，就可停止迭代计算，此时即可进行仿真、预测等计算工作。确定迭代终点的方法一般有三种，一是总体误差小于指定误差，二是迭代次数达到预定次数，三是监测样本集的误差增大。本文采取第一种方法，预先指定迭代精度，其大小应根据实际情况选取。

　　5．实例研究

　　本文的实例是某汽车制造中心的两种类型的数控机床（A、B），它们的可靠性数据是根据前期运行情况统计得到的，包括机床整体可靠性数据、转塔、电气系统、排屑系统、装卡系统、X向进给系统和环境因子。采用传统的是数学模型法和本文神经网络法的预测结果数据如所示。

　　可以看出，神经网络法预测方法与传统数学模型方法相比，可以显著的降低预测的误差。用训练好的网络分别对A、B两种型号的数控机床进行预测，平均误差为2. 76，比用数学模型预测的结果平均误差率11. 29有较大的降低。由此可见，在预测精度方面，神经网络的方法比数学模型的预测方法有较大的提高。

　　当假设X向进给系统的可靠性数据不可知时，采用传统的是数学模型法和本文神经网络法的预测结果数据所示。0. 274 970无法预测无法预测0. 273 940无法预测无法预测法预测神经网络法

　　由可以看出，神经网络法比传统数学模型法有更好的适应性。当X向进给系统的可靠性数据不可知时，数学模型法无法进行预测，这是因为数学模型法对数据的完整性要求较高；而采用神经网络法，不但可以进行预测，而且预测精度还比较高，虽然平均误差由2. 76变为3. 23，但仍比在数据完整时的用数学模型法预测的误差（ 11. 29 ）低很多。

　　本文结合数控机床可靠性预测的特点，建立了数控机床可靠性预测的三层BP神经网络模型及算法。系统地阐述了算法的原理、步骤及对算法中所碰到的有关问题的处理方法。通过与传统的数学模型预测方法比较，得出本文所提出的可靠性预测方法比传统数学模型预测方法更准确可靠。

声明：本网站所收集的部分公开资料来源于互联网，转载的目的在于传递更多信息及用于网络分享，并不代表本站赞同其观点和对其真实性负责，也不构成任何其他建议。本站部分作品是由网友自主投稿和发布、编辑整理上传，对此类作品本站仅提供交流平台，不为其版权负责。如果您发现网站上所用视频、图片、文字如涉及作品版权问题，请第一时间告知，我们将根据您提供的证明材料确认版权并按国家标准支付稿酬或立即删除内容，以保证您的权益！联系电话：010-58612588 或 Email:editor@mmsonline.com.cn。