用声发射信号和改进的BP神经网络预测磨削表面粗糙度

摘要

针对磨削表面粗糙度传统BP(Back Propagation)神经网络模型在线预测时存在预测精度低、误差大等问题,以磨削声发射信号的RMS值、FFT值、标准差、方差和偏斜度5参量为输入单元,建立了三层BP神经网络来预测磨削表面粗糙度,并应用附加动量法和自适应学习速率法对其进行了改进.通过仿真优化了隐层单元数,利用模型对磨削加工10个频段的声发射信号样本进行优选,确定将300～400 kHz的声发射(Acoustic Emission,AE)信号作为表面粗糙度预测模型学习样本频段.实验结果显示:改进后的BP预测模型与传统BP模型相比,具有收敛速度快、预测精度高的特点,相对误差可控制在8.66%以内.