| 主权项 |
一种切削加工中切削用量的预测方法，其特征在于：包括以下步骤，步骤一、选择切削加工中的控制参数作为模型的输入；测定实际切削样本数据用于模型训练和测试；在步骤一中，所述的控制参数为切削速度<i>v</i>或机床主轴转速<i>n</i>、进给速度<i>f</i>及切削深度<i>α</i><i><sub>p</sub></i>；切削速度<i>v</i>与机床主转速<i>n</i>之间的关系为：<i>n=v/(</i><i>π</i><i>d<sub>w</sub></i><i>)</i>，<i>d<sub>w</sub></i>为工件直径；步骤二、建立RBF神经网络模型，利用相应的样本数据对模型进行学习训练；使模型在一个预设的分布密度范围内，选择出使模型对测试样本的拟合误差平均幅值最小的分布密度；在步骤二中，所述的建立RBF神经网络模型是，根据模型的训练样本容量<i>α</i>大小，设定一个RBF神经网络模型隐含层神经元数量的变化范围，即Mat lab软件中用于建立一个RBF神经网络的函数的分布密度值的区间[1,1.5<i>α～</i><i>2</i><i>α</i>]；在Mat lab软件中，通过<i>newrb</i>函数或<i>newrbe</i>函数设计一个RBF神经网络，且使得设计误差为0，调用方式为：<i>net=newrb(P,T,g,srd),net=newrbe (P,T,srd)</i>；<i> P</i><i>、</i><i>T</i>分别表示训练样本输入和目标输出；<i>g</i>表示RBF网络输出的总平均误差方差；<i>srd</i>表示其分布密度常数；使RBF网络在不同分布密度值下进行学习训练；然后用训练后的网络模型分别对测试样本进行预测；根据计算结果，选择出使网络精度最优的分布密度值；对于网络的精度通过网络的误差平均幅值来衡量，对RBF神经网络的拟合值与真实值之间的关系进行评价，进而反映出RBF神经网络的精度；误差平均幅值：<img file="dest_path_image001.GIF" wi="144" he="48" /><i>m</i>为测试样本的样本容量，<i>n</i>为测试样本的维数，<i>x<sub>ij</sub></i>为神经网络的拟合值，<img file="315869dest_path_image002.GIF" wi="20" he="18" />为相应的真实值；步骤三、训练后的模型对测试样本的切削用量进行预测。 |
