《Machining Accuracy Prediction of Aero副本》由会员分享，可在线阅读，更多相关《Machining Accuracy Prediction of Aero副本（5页珍藏版）》请在金锄头文库上搜索。
1、航空发动机叶片在基于BP神经网络的电化学加工下的加工精度的预测李志永 季华 王超峰机械工程学院山东理工大学中国山东省淄博市L J C摘要：在电化学加工（ECM）的过程中，不同的加工参数，例如施加电压，电流密度，电解工具的进给速率，电解质浓度和组合物，加工间隙，可以导致在ECM过程的加工精度的变化。因此，加工精度预测是ECM中最困难的问题之一。把航空发动机叶片为研究对象，采用BP神经网络预测ECM航空发动机叶片的加工精度。在预测模型中,所要包括五个主要的工艺参数。预测结果表明,提出的BP神经网络模型是有价值的，沿选定叶片外形的预测精度误差可小于8。关键字:精度预测,电解加工、BP神经网络、航空发
2、动机叶片。 引言随着航空发动机性能的快速提高，航空发动机叶片的加工质量和尺寸精度变得越来越重要。此外，由于优异的强度，高温稳定性，和耐腐蚀性硬盘被动合金，如镍基超合金，钛和钼合金，被广泛地用作航空发动机的叶片材料。目前，已开发的电化学加工（ECM）作为主要方法用于加工难切削材料和复杂的轮廓和档案中的整形。依据一个非机械的金属去除过程中，ECM是能够加工任何导电性材料，具有高的库存的去除率，而不管它们的机械性能，如硬度，弹性和脆性。它已被应用在不同的行业，如航空航天，汽车和电子产品制造航空发动机叶片，模具，炮弹，外科植入物及义肢等1-3。.ECM过程中涉及的各种电场和呈交的电解质流体的参数，例如
3、，施加电压，电流密度，初始间隙，工具阴极进给速率，加工间隙，电解质组合物的浓度和电解液的状态等，这些工艺参数是能够影响ECM的加工精度。因此，需要进行一些加工实验，以找到最优化的工艺参数的匹配，从而导致制造成本过高。为了减少实验次数，缩短试制周期，可以采用BP神经网络来评估主要工艺参数，在本研究中找到最优化的参数匹配。以航空发动机叶片为研究对象，BP神经网络应用于预测ECM过程中，其中五个主要工艺参数涉及的加工精度。预测结果表明，BP神经网络模型的建议是有价值的，可用的，并且可以沿所选择的航空发动机叶片轮廓的预测精度误差小于8。图1是本文的研究对象航空发动机叶片的三维实体模型。图1航空发动机叶
4、片的实体模型.ECM原则 图2为ECM的原理的原理图。 ECM过程连接工件(阳极)和工具(阴极)靠的是电解槽，电解液通过它被抽离的。当施加电位差时，电流作为电化学反应的结果发生在两电极的表面上。金属原子的氧化反应在工件(阳极)表面去除材料，而在工具(阴极)表面通常发生氢还原反应在那施加影响。随着工具的连续进料在工件中产生的形状几乎是工具电极的镜像4。图2 电化学加工原理工具(阴极)工件(阳极)电源电解液-+抽水泵过滤器进给速率。为叶片在ECM过程中准确预测的人工神经网络的发展1. 人工神经网络理论 (ANN)人工神经网络（ANN）是一类并行处理架构，它可以通过许多称为神经元的非线性处理单元的应
5、用模仿许多复杂的非线性关系来。通过足够的实验数据培训,这种关系可以被掌握。它不仅可以使决策基于不完整和无序的信息,而且能够从以前被培训过的案例中概括出概括出规则并把他们应用到新案例中。一般，与神经元的输入层，隐含层和输出层设计为在不同的层分组的人工神经网络的结构是分层次的，如图所示。3。信号被提供给输入层的神经元，然后在此层中的每个神经元产生一个输出信号，它被转移到隐藏层的神经元。所产生的输出信号的最后一层（输出层）。当然，也有隐藏层的数量，但没有理论限制，通常只有一个或两个。四层（最多三个隐藏层加一个输出层），足以解决任何复杂的问题。123i123j123kx1x2x3xiz1z2z3zK输
6、入层输入层输出层图3 反向传播神经网络的图解结构y1y2y3yj多层前馈网络反向传播(BP)的学习是所有的ANN模型中最受欢迎的。前馈BP神经网络实际上是由两个神经网络算法：（一）正向输送及（b）反向传播组成的。没有必要总是使用“前馈”和“反向传播”在一起，但是这是通常的情况。术语“前馈”，是指一个神经网络处理模式，回忆模式，术语“反向传播”描述这种类型的神经网络进行训练的方法。反向传播是监督训练一种形式。使用监督的训练方法时，网络必须提供与样本输入和预期的输出（目标），如图所示。3。这些预期的输出进行比较，从神经网络的预测输出。然后，在反向传播训练算法需要计算的误差，调整各层的权重，从输出层
7、向后所有的方式回到输入层，直到达到一个很好的匹配，即之间的误差的预测值和测量的加工精度航空发动机叶片的ECM被最小化，以低于预定义的收敛极限。为了验证新训练过的人工神经网络，一组测试数据的泛化能力，即不使用在训练阶段的数据，被作为输入提供。如果产量预测值和预期值之间的误差足够小，网络是很好的训练。在这里，网络的收敛准则确定的平均根均方（RMS）误差的期望和预测的输出值之间的RMS可以计算如下，（1） (1)RMS 的平均是，N 是训练或测试数据的数量，P 是在输出变量的数目， 和 是目标输出和网络输出神经元。 ECM中的航空发动机叶片的加工精度预测的人工神经网络模型的收敛标准已定为百分之一的误
8、差。神经网络需要两个输入数据和输出数据的范围内取值范围为0到1，因而应该是，数据必须统一。被广泛使用的统一方法 (2)其中 x 为原始数据（通常是实验数据）是 x 的最小值，是 x 最大值，为x的相应的统一的数据。在神经网络中，所有原本应该在0到1的范围内统一.2 在ECM中BP神经网络模型预测精度的应用在这项研究中，BP神经网络预测的加工精度和评估那些重要的工艺参数。 BP神经网络模型的输入端施加电压，初始加工间隙，进给速度，刀具阴极，电解液入口和出口之间的压力差，电解液的温度。我们选择模型叶片轮廓上6个检查点，并利用这四个检查点之间的理想的精度值和实验精度值作为BP神经网络的输出精度误差，
9、从而在BP模型有六个输出。图4显示了我们所选的6个检查点的位置。图4检查站的位置模型叶片 Point 1 Point 2 Point 3 Point 4 Point 5 Point 6正如上面所提到的，BP神经网络，需要学习和培训。在这里的学习是基于梯度下降算法，因此需要激活函数可微的，物流的S形函数被用作激活功能和图5-1所示。图5 s形逻辑函数的形状图6显示了我们的BP神经网络结构，并有3层，包括输入层（神经元），一个隐含层和输出层（6个神经元）。1234512345612315电压初始间隙进给速率温度压差在6个检查点的精度图6 BP网络对叶片电解加工过程的原理结构为了训练如图6所示的BP
10、神经网络模型，一些采样输入数据和预期的输出（目标）应该提供的BP神经网络模型。因此，为了获得ECM过程中的参数和叶片的加工精度之间的关系的一组加工实验已经在JAPAX-300B型ECM机床上进行了在工业规模上的分析。叶片的材料为2Cr13钢，电解质的成分是NaNO3。图7是在ECM加工模型叶片的示意图。图8向我们展示了在ECM中模航空发动机叶片模型加工的夹具结构和位置模式。 Tool电解质入口电解质出口叶片夹具图7 电解加工模型叶片的原理图(b)(a)图8夹具结构 (a)内部结构 (b)外结构表1列出了实验结果数据。所有的数据集（施加电压，初始间隙，进给速度，刀具阴极，电解液的温度和电解质的入
11、口和出口之间的压力差）已被统一在0和1之间。在这些数据集，这些数据集的75都选择训练BP神经网络，同时保持25的数据集用来测试新训练过的BP神经网络的可预见性，也就是，以验证开发的BP神经网络预测在ECM模型叶片的加工精度的能力。 3 BP神经网络预测结果经过反复试验，通过在425之间改变在隐藏层神经元的数目，发现具有一个包括15个隐含神经元的隐藏层的网络给出了一个最低的RMS误差，从而认为是用于预测加工航空发动机叶片ECM过程中的准确性最佳的配置。整个BP神经网络模型图五所示。迭代的数量是12000。12000年以后的迭代, BP神经网络RMS的可以少于1%,而网络结构具有良好的收敛性,而动
12、态扰动因子相当于0.01,学习速率相当于0.85。 训练结束后，BP神经网络需要进行测试的有效性。正如上面提到的，我们保留25的实验数据集作为测试样本。表2列出了试验结果，包括实验误差（EE），预测误差（PE）和相对误差（RE）。从表2中，我们可以观察到，所有的实验和预测结果之间的加工精度误差小于8的所有5个测试数据集，这表明，本文提出的BP神经网络在ECM中加工航空发动机叶片具有理想的预测精度和还具有良好的收敛性（迭代次数12,000）。.成熟的的 BP神经网络的应用利用发达的BP神经网络，在ECM中和航空发动机模型叶片匹配的数以百计的加工参数，已经被断定和评估。根据预测结果，最佳的加工过程
13、中的参数匹配是：施加电压14.5V，工具阴极进料速率为0.4mm/min，初始加工间隙0.45毫米的，电解液0.23MPa，电解液温度30的入口和出口之间的压力差下，同时加工叶片的ECM过程中的预测精度误差小于0.06毫米（所要求的精度，应该是小于0.12毫米）。为了验证预测结果，在工业规模的ECM机床，JAPAX-300模型上进行加工实验。图9是ECM加工系统的概略图，图10是加工现场的照片. 表1训练发达BP神经网络的实验数据集(15训练数据集)顺序号外加电压(V)最初的差距(毫米)加料速度(毫米/分钟)电解液的温度(C)压差(MPa)检查点的加工精度误差 (毫米)Point 1Point 2Point 3Point 4Point 5Point 6113.50.350.3025.00.230.080.100.040.040.080.08213.50.350.3530.00.230.110.120.050.050.060.10313.50.350.4035.00.230.120.110.070.060.060.09414.00.350.4525.00.250.070.070.050.030.090.09514.00.350.5030.00.250.100.090.050.070.090.08614.00.400.3035.00.250.110.120.020.
