表面粗糙度的预测在端铣过程中使用智能系统:一个比较研究

文摘

一项研究提出了模型在端铣过程中表面粗糙度。三种类型的智能网络被认为是。它们是(我)径向基函数神经网络(RBFNs),(2)自适应neurofuzzy推理系统(简称anfis),和(3)基因进化模糊推理系统(G-FISs)。加工参数,即主轴转速,进给速率和深度削减被用作输入模型工件表面粗糙度。我们的目标是得到最好的预测精度。程序使用实验数据说明了端铣6061铝合金。三个网络实验训练数据训练使用。培训之后,他们已经检查了使用另一组数据,验证数据。结果与先前发表的结果。得出简称ANFIS网络可能遭受局部最小值的问题,和遗传优化的模糊网络无法保证完美的最优性,除非合适的参数设置(一代又一代的人口规模、数量等)和FIS的调谐范围,参数可以使用不满意。显示,RBFN模型具有最佳性能预测精度在这种特定的情况下。

1。介绍

端铣是最常见的一种金属切削operation-encountered工业流程。广泛应用于各种制造行业包括航空航天和汽车行业,质量也是一个重要因素在生产槽、口袋、精密模具、和死亡。表面的质量起着非常重要的作用作为一个高质量的磨铣表面性能的显著提高疲劳强度,耐腐蚀、和蠕变寿命。表面粗糙度也会影响几个功能部件的属性,如接触导致表面摩擦,穿,光反射,传热,分发和持有的润滑剂,涂层,抗疲劳。

一般来说,设置参数端铣操作通常选择借助试验切削实验,都需要耗费大量的时间和成本。表面光洁度的形成背后的机制非常复杂,过程相关,因此很难通过解析公式计算它的值。此外,产品的表面光洁度取决于经营者的经验和加工环境。因此,有必要开发的仿真系统能够预测工件的表面光洁度和优化切割条件。

对表面粗糙度的预测建模技术可以分为三组实验模型,分析模型和基于人工智能的模型。实验和分析模型可以由使用传统的方法(如统计回归技术通常被称为响应面法(RSM) [1- - - - - -3]。另一方面,artificial-intelligence-based模型开发利用非传统方法如人工神经网络(4- - - - - -8)、模糊逻辑、遗传算法(9),和混合动力系统10- - - - - -13]。参考文献(8,14]目前评论的各种方法和实践被用于表面粗糙度的预测。

函数近似为一组输入输出对有许多科学和工程应用,如信号处理、图像重建、模式识别、控制系统和系统识别(15,16]。函数逼近的意思是模型所需的函数或一个输入输出关系从一组输入输出样例数据。最近,artificial-intelligence-based模型已成为首选的趋势,这些都是适用于大多数研究人员开发一个模型在加工附近的最优条件。模糊推理系统(费斯)和神经网络是通用函数近似者。他们可以得到性能良好的非线性函数,只要有足够的规则在费斯或隐藏的神经元在神经网络(17]。

Karayel [6)实现了人工神经网络(ANN)在表面粗糙度的预测和控制数控车床。一个前馈多层神经网络开发和使用共轭梯度算法扩展训练,这是一种反向传播。迭代的数量是停在8000年经过反复试验过程。使用一些选择实验的数据结果,预测的平均绝对误差为0.0229。Topal [7]研究了平端铣削表面粗糙度的预测。他使用了一个3 - layer前馈多层感知器网络与反向传播训练(BP)技术。输入切割速度,进给速率,减少深度,使用比例。隐藏层神经元有10个。实现平均预测均方误差(RMSE)是0.04 65000年之后迭代。Oktem et al。11)提出了一个ANN模型结合遗传算法(GA)。预测误差小于0.0534。然而,安获得的成功模式,它完全取决于反复试验的过程与一些因素需要考虑。直到现在,没有明确的规则,可以作为基础是生产完美的安。

罗伊(10)设计了一个专家系统使用模糊推理系统(FIS)和遗传算法(GA),这样在超精密车削表面粗糙度的金属基复合材料可以建模为一组给定的切削参数,即主轴转速,进给速率和深度。最大的几个案例研究预测误差的绝对值小于0.053。Colak et al。9)提出了基因表达式编程方法预测铣削表面的表面粗糙度与切削参数数控铣床。切削速度、进给速率和降低端铣操作收集深度预测表面粗糙度。在他们的研究中,没有量化的预测误差,不过有一些数据呈现。

一些研究已经完成相关的使用径向基函数网络(RBFNs)在端铣表面粗糙度的预测。路[8)RBFN用于表面粗糙度的预测将操作。最小均方误差达到0.0439在训练阶段。然而,预测误差不清楚的贡献。

径向基函数网络(RBFNs),作为一种特殊的单隐层前馈神经网络,已经被证明是普遍接近者(18- - - - - -20.]。RBFNs与多层感知器的一个优点是线性加权RBFNs结构,参数在隐藏层的单位通常可以是前缀,可以很容易地训练与一个没有涉及非线性优化的速度快。RBFNs的另一个优点,与其他基函数网络相比,是隐藏的单位,每个基函数是一个非线性映射,将一个多变量输入映射到一个标量值,因此候选基函数的总人数参与RBFNs模型不是很大,不增加当输入变量的数量增加。这些吸引人的属性,RBFNs函数逼近的一个重要和流行的网络模型(21]。

否则,各种neurofuzzy推理系统(费斯)也被用来确定表面粗糙度的加工操作。费斯在预测中的应用问题的一个重要问题是提取模糊if - then规则的结构和类型,从可用的输入-输出数据。给定一个FIS的数量和结构的模糊规则,在安和遗传规划优化技术可以用来优化模糊变量的隶属度函数的形状和其他参数的模糊规则库。

罗[12]研究adaptive-network-based模糊推理系统的实现(简称ANFIS)来预测后的工件表面粗糙度端铣过程。两个不同的隶属度函数,采用三角形和梯形,简称anfis训练过程中为了比较表面粗糙度的预测精度的两个网络。当一个三角形隶属函数是改编,简称anfis预测精度达到高达96.5%。不过,他只研究了一阶(FO) Sugeno模糊推理系统,并在他的作品中使用的学习机制还不清楚。

最近,何鸿燊et al。13)提出了一种遗传模糊推理系统(G-FIS)。的前提和顺向参数模糊系统已经使用遗传算法优化确定。他们用根均方误差最优性准则。他们在网络中,使用高斯会员代表网络的输入变量。训练有素的模糊系统可以被认为是一阶(FO) Sugeno模糊推理系统(FIS)。实现了预测精度RMSE(均方根误差)为3.32%。

有各种加工参数会影响表面粗糙度。旁边加料速度、主轴转速和深度,还有许多其他几何参数如工具,振动、工件硬度、表面温度、材料处理、切割,切割力,芯片宽度和厚度,甚至实验的机器。可以找到更多的细节在14]。在目前的工作,已经尝试设计近似网络,以便在端铣表面光洁度可以建模为一组输入切割参数,即主轴转速,进给速率和深度。他们是列在表中1。几个神经,neurofuzzy,和遗传模糊网络发达和比较彼此为了确定最有效的方法预测端铣过程中表面粗糙度。目的是确定网络可以最佳捕获切削参数之间的非线性映射和由此产生的表面粗糙度。在这篇文章中,均方根误差(RMSE)作为衡量预测的准确性。

摘要收益如下。节2,RBFNs用于这项工作。部分3介绍了简称ANFIS结构及其实现构建四个不同的模糊网络。部分4说明了使用遗传算法来建立两个优化模糊系统。这和之前的研究中使用的实验数据集给出了部分5。部分6演示的结果比较七网络的性能和以前公布的结果。部分7提供我们的结束语。

2。径向基函数网络(RBFN)的方法

不同类型的人工神经网络,在实践中反向传播神经网络(摘要),反向传播神经网络(CPNNs)和径向基函数神经网络(RBFNs),等等。尽管摘要广泛用于各种系统,尤其是表面粗糙度预测领域,因为它出现在最近的文章(22- - - - - -26),它存在很多缺陷。首先,它是非常缓慢的收敛,因为乙状结肠非线性变换函数的使用。第二,它并不总是简单或直接设计网络的拓扑结构,以准确代表系统建模。

RBFN选择在这工作,因为它已经证明,这是一个非常高效的网络函数逼近时需要5]。人工神经网络具有以下优点:(一)它是很快与反向传播;(b)它有能力代表非线性函数;(c)它没有经历局部最小值反向传播的问题。

以下四个点为主要特征。(我)安RBFN是它使用径向基函数作为激活函数代替s形的函数。(2)径向基函数是一个函数,其价值只取决于一个中心点的距离 (3)安的输出是一个径向基函数的线性组合。(iv)RBFNs被用在许多应用程序时间序列预测和函数近似。

的理论多变量插值在高维空间中有着悠久的历史(19]。的插值(近似)严格的意义上说,可能说明如下给定一组的 不同的点 和一个相应的组 实数 ,找一个函数 满足插值条件:

如前所述,三端铣主轴转速参数被认为是在这个研究、饲料率()和深度()。他们是包含在向量,也就是说,。输出是表面粗糙度包含在,也就是说,。这里,指定为严格的插值插值曲面(即。,函数)是限制通过数据点的所有训练。

RBFN是一个多维非线性函数映射这取决于输入向量和中心之间的距离向量。一个RBFN的维输入和一个输出可以表示,如图1的加权求和,径向基函数的有限数量如下(20.]。

径向基函数(RBFNs)技术包括选择一个函数有以下形式: 在哪里是一组(一般非线性)称为任意函数径向基函数,代表一个规范这通常是欧几里得。已知的数据点了是吗中心 径向基函数的和是一个重量参数向量待定。

插入的插值条件(2)(3),我们得到以下的一组联立方程的未知系数(权重)扩张: 在哪里 让 的1的向量和代表了期望的响应向量和线性权向量,分别在哪里训练样本的大小。让表示一个——- - - - - -矩阵的元素: 这个矩阵被称为插值矩阵(19]。我们可能会改写(4在紧凑的形式

假设矩阵是满秩,因此吗存在,我们可能去解决(8权向量)如图所示,

重要的问题是我们如何可以确定插值矩阵是满秩。幸运的是,之前的结果由于Micchelli [19,20.)显示不同的点,一个大的径向基函数可以保证非单一性。径向基函数是一词来源于这些函数是径向对称;也就是说,每个节点产生相同的输出输入,躺在一个固定的径向距离中心。其中高斯径向基函数,multiquadratic,逆multiquadratic,薄板样条函数,立方样条函数和线性样条函数。后来被用于这项工作。

在这项研究中,使用的RBFN之上,并不是唯一的。在文献中可以找到其他几个RBFNs如正则化网络(19]和广义RBFN [19,27]。然而,随着上述RBFN,不需要试错过程,计算方面的简单和直接。也更适合本研究由于数据的数量对参与培训的阶段并不是很大。此外,在训练阶段,一个可以期待零训练误差,通常很难(如果不是不可能的话)来实现,至少在这讨论的其他网络工作;也就是说,简称ANFIS和G-FIS。

3所示。ANFIS-Based模糊网络

模糊推理系统(费斯)通常用作近似模糊非线性数学工具的功能。他们可以导入人类知识和推理过程的定性方面的数据集,而无需使用精确定量分析使用以下五个功能组件,如图2(28]。(我)一个包含大量的模糊规则库if - then规则。(2)数据库定义模糊集的隶属度函数。(3)一个决策单元作为推理引擎。(iv)模糊化接口,转换的输入语言变量。(v)去模糊化接口将模糊输出转化为清晰的输出。

正如上面提到的,模糊推理系统(费斯)是由一组组成if - then规则。一个典型的一阶(FO) Sugeno模糊模型考虑的问题有以下规则集: 在哪里表示th规则数,,,是语言的输入,,是随之而来的参数。类似的工作12,13(为了比较),我们选择,这样的规则数量是27日。

整体输出这一阶(FO) Sugeno模糊系统(10)是 在哪里的发射强度吗,它被定义为 在哪里。

一个零(佐薇)Sugeno模糊模型具有以下形式 在哪里是恒定的。这个零模型的整体输出

在这和未来的部分,使用高斯隶属度函数定义输入变量的隶属度。一个高斯隶属函数的定义 在哪里,输入变量,也就是说,,,,分别是中心和传播(宽度)的隶属函数,。

FO-FIS的上述结构,参数的个数的前提是18,随之而来的是一部分,所以参数的总数是126。ZO-FIS,参数的个数在前提部分也是18和随之而来的一部分,所以参数的数量是45。在这部作品中,两个费斯是由两个学习算法调整和优化;简称ANFIS的讨论在这一节和部分的遗传算法4。

从根本上,简称ANFIS是一个初始的模糊推理系统(FIS)和调优与反向传播算法基于输入-输出数据的收集。与调优,我们指的是最优的选择输入隶属度函数的参数和参数的顺向FIS的一部分。简称ANFIS可以使用反向传播(BP)或混合学习算法(HL)来识别FIS的参数。在混合学习方法(HL),结合最小二乘法和反向传播梯度下降方法用于训练FIS隶属函数参数模型给定的输入/输出数据。接下来的两个部分讨论简称ANFIS的体系结构和学习算法。

3.1。简称ANFIS架构

为简单起见,我们假设考虑模糊推理系统有两个输入和和一个输出。一阶(FO) Sugeno模糊模型(17),一个共同的规则集和两个模糊if - then规则如下

图3说明了这种Sugeno推理机制模型;相应的等效简称ANFIS体系结构是如图4,同一层的节点也有类似的功能,所述下一个。在这里,我们表示的输出节点层作为。

图层1
每个节点在这一层是一个自适应节点与节点的功能 在哪里(或)的输入节点和(或)是一个语言标签(如“小”或“大”)与该节点相关联。换句话说,是一个模糊集的隶属度(或),它指定给定的输入的程度(或)满足量词(或)。在这里,隶属函数的输入和可以是任何适当的参数化隶属函数如高斯、三角形、梯形或任何其他适当的函数。参数在这一层被称为前提参数。

层2
每个节点在这一层是固定节点标记的输出是所有未来的产品的信号: 每个节点代表一个规则的发射强度。一般来说,任何其他T-norm运营商执行模糊,可以用作节点功能在这一层。

第三层
每个节点在这一层是固定节点标记。的节点计算的比值th规则的发射强度的总和规则”发射的优势:
这一层被称为规范化的输出发射的优势。

第四层
每个节点在这一层是一个自适应节点与节点函数: 在哪里从第三层是一个规范化的发射强度,是这个节点的参数集。参数在这一层被称为随之而来的参数。

5层
这一层是固定的单一节点节点标记,计算总体产出的总和所有传入的信号:

上面的语句总结简称ANFIS架构相当于Sugeno FO模糊模型。如果只包含的部分(和设置为0),,然后我们得到佐薇Sugeno模糊模型。作为比较,研究分析了两个模型。

3.2。简称ANFIS学习算法

学习算法的任务是修改的所有修改的参数自适应层。在这项研究中,两种学习算法被认为是;反向传播(BP)和混合学习算法(HL)。在这两种情况下,生成初始FIS的训练数据集,使用网格分区上的数据(没有集群)。BP的中心部分关注如何递归获得梯度向量中每个元素被定义为一个错误的导数测量参数。这样做是通过链式法则,区分复合函数的基本公式,这是覆盖在每一个初等微积分教材。一旦获得梯度,许多衍生的优化和回归的技术可用于更新参数,如梯度方法,最陡下降,牛顿方法,共轭梯度方法和非线性最小二乘。特别是,如果我们使用梯度向量在一个简单的最陡下降法,由此产生的学习范式被称为BP学习规则(17]。BP是用来修改的参数与训练方法向前传球。训练方法优化的参数与前提参数固定的。最佳调制的估算方法是使用以下公式: 在哪里是预期的表面粗糙度,简称ANFIS的输出,均方误差值。当达到收敛条件时,它会产生推理的结果。否则,随之而来的参数是固定的,BP的前提参数修改方法。

第二个训练方法被认为是在这个研究是基于混合学习(HL)算法已经提出的张成泽(29日]。该算法由一个组合的最小二乘估计(LSE)和梯度下降法(GD)方法。更具体地说,传球前进的混合学习算法,节点输出前进直到第四层的参数由最小二乘法识别。向后传递,误差信号反向传播和GD的前提参数更新方法。伦敦证交所是用来修改的参数与训练方法向前传球。训练方法优化的参数与前提参数固定的。当在(23)达到收敛条件,它将产生推理的结果。否则,随之而来的参数固定和GD的前提参数修改方法。GD方法是一种反向通过训练方法调整最优的前提参数。这些优化前提参数修改对应的模糊集的输入域。新的参数后的前提下得到了一部分,简称ANFIS的输出计算再次采用顺向参数发现前进传球训练方法。表2总结每一次的活动。

混合学习算法(HL)会导致错误收敛收敛条件。读者被称为(29日]为进一步的数学推导HL算法。以前的结果证明,这种混合学习(HL)算法是高效的最佳调优Sugeno费斯(12,17,29日]。

在这里,我们检查了四个简称ANFIS网络。佛和佐薇Sugeno费斯中定义(11)和(14),分别;每个人都被英国石油公司和HL训练算法。四个简称ANFIS网络已经开始使用网格分区输入变量,也就是说,在前期部分,隶属度函数是等距的每个输入变量的范围内。随之而来的参数与零开始。接下来的部分讨论调优佛和佐薇Sugeno费斯使用另一种方法,遗传算法(气)。

4所示。基因进化模糊推理系统(G-FISs)

遗传算法(气)松散derivative-free随机优化方法基于自然选择和进化过程的概念。他们的受欢迎程度可以归因于他们的自由从依赖功能衍生品,他们不太可能陷入局部最小值,这不可避免地出现在任何实际优化应用程序(包括简称ANFIS)。最终,气体可用于确定最优参数的模糊系统给出一些最优critera。

优化问题的解决方案与气体始于一组可能的解决方案(费斯)或染色体的形式(通常是一些字符串)是随机选择的。整个组这些染色体由人口。在若干次迭代或代染色体进化。新一代(后代)是利用交叉生成的突变,精英主义技巧。交叉涉及分裂两条染色体,然后结合每一对染色体与其他的一半。突变包括翻转一个染色体。精英主义的政策总是最好保持一定数量的成员当每个生成新的人口。染色体然后评估采用一定的健康标准,和最好的保存,而其他人则丢弃。重复这个过程,直到一条染色体有最好的健身和被认为是问题的最优解。图5是一个示意图说明模糊系统可以被训练如何使用天然气。关于气体可以在[全面审查30.]。

在本节中,佛的前提和结果参数的值和莫宁费斯是学会通过最小化均方误差(RMSE)定义的 在哪里表示训练数据的数量,是实际的实验表面粗糙度(训练数据集),然后呢表示表面粗糙度预测,这是一个金融中间人的输出。这种性能指标也适应(13]。

因为GA努力最大化适应度函数,每个基因(染色体)的适应度函数计算如下: 在哪里中定义的性能指标(24)和1介绍分母防止适应度函数变得无限大。

基于上述概念,一个最大化问题的遗传算法可以描述如下17]。

步骤1。初始化一个人口与随机生成的个人和评估每个使用的健身价值(25)。

步骤2。(一)选择两个成员从人口概率与健身价值成正比。(b)应用交叉概率等于交叉率。(c)应用突变概率等于突变率。(d)重复(a)和(c),直到足够的成员产生下一代。

步骤3。评估每个成员的新一代使用适应度函数(25)。

步骤4。重复步骤2和3直到满足停止条件。

在这里,GA只执行模糊模型的参数学习。遗传模糊推理系统的结构(G-FIS)是完全决定提前通过确定会员每个输入变量的数量和选择的功能随之佐薇还是FO一部分。即是产品的规则数量的会员输入变量(全层2和3之间的互连,图4)。高斯隶属度函数(15)已被用于输入变量。简称ANFIS的情况,参数的数量待定(经过调优)是126 FO-FIS ZO-FIS和45。类似的工作Ho et al。13),前提和结论的数据库参数随机启动。

遗传算法用于调整隶属度函数的模糊规则的一部分,随之而来的先例(佐薇还是FO)一部分在预定的范围内。这些范围确定优化问题的搜索空间。选择范围大,增加了搜索空间,并且最优解可能不是可及。选择低范围,限制搜索空间,可能会导致一个欠定的优化问题。妥协了。

否则,GA的关键参数是人口的规模,交叉率、变异率,迭代次数,这是几代人的数量(这项工作中所使用的停止准则),等等。这些参数依赖问题[31日]。参数研究中引入部分6.3确定这些参数的最佳数值。获得的值是根据试验和错误。

5。实验数据集

在这项研究中,我们使用实验数据发表在12,13]。高速钢(HSS) four-flute端铣刀直径3/4′′6061铝合金用于机器。主轴转速、进给速率和深度削减被选为加工参数来分析它们对表面粗糙度的影响。共有48集是利用上述算法的训练数据。其中,主轴转速的设置包括750年,1000年,1250年和1500转;的进给速率包括6、12、18、24 ipm;和削减的深度设置为0.01,0.03和0.05。他们是列在表中3。测试数据集表中列出(验证)4。他们是24集,实现不同的进给速率之后的9日15日和21 ipm。其他参数的设置是相同的训练集。

实验训练和测试数据规范化,使它们适合训练和验证过程(5]。这是由每个术语映射到一个值在0和1之间,只要把每一列在表中2和3通过相应的最大价值。这种方法避免了其他的并发症规范化标准,可以发现在4),预测表面粗糙度值可以很容易地转换回它的真正价值。

6。结果与讨论

在本节中,结果展示和讨论。七个检查网络的训练和测试RMSE表进行了总结5。研究结果表明,RBFN取得至少训练误差(RMSE = 0.0)和最小测试错误(RMSE = 0.0295)。简称ANFIS网络类型的佐薇Sugeno模糊模型与BP训练表现出最坏的预测结果(RMSE = 0.1069)。两个G-FIS网络给混合信号的预测精度。

表6提供更多细节关于三个选择网络的预测精度;RBFN FO Sugeno模糊模型由使用HL算法,简称ANFIS训练和佐薇Sugeno由遗传算法训练模糊模型。接下来的部分展示的表演三种类型的网络中实现这个研究。

6.1。RBFN的性能

描述的RBFN部分2被训练使用实验数据集表中列出3。正如前面所提到的,我们使用线性样条函数径向基函数,数字6。这种类型的径向基函数不需要任何试错过程,必要在高斯RBFN确定合适的斜坡上的高斯函数(19,20.]。由于训练数据集的数量是48,由此产生的插值矩阵中定义的(5)是对称正定。主对角线上的元素是零。权向量的计算使用(9)。的值,表中列出7。

当我们检查了逆问题,即

我们得到了。之后,网络已经检查使用的测试数据表4。新的插值矩阵已经计算使用测试数据作为输入向量。训练输入数据集作为中心。由此产生的是。这个矩阵和权向量在表7被用来计算预测的表面粗糙度,然后与测试。我们获得RMSE = 0.0295。错误的24集培训后测试数据绘制在图7,图中给出了散点图8。后来表明,预测数据是分布在一个狭窄的范围在45°线。这意味着该RBFN可以捕获实验数据的性质和精度接近97%。

指表5和6,结果表明,RBFN的预测误差小于的两个G-FIS网络(FO和佐薇),尽管遗传算法往往被视为全球优化。这可能是解释如下。G-FISs优化条件下使用某些参数设置(代人口规模、数量等),在指定的范围内模糊系统参数(高斯隶属度函数的斜率,宽度,和随之而来的部分参数)。其他参数设置和调整范围,其他费斯,可能获得更好的结果可能会实现。然而,试错过程应遵循选择他们。例如,确定每个参数的合适范围的金融中间人(126参数为佐薇佛和45参数)是一种乏味而耗时的任务。

同时,RBFN显示更好的结果比佛Sugeno调谐用HL算法,简称ANFIS模糊模型,尽管这个算法的有力正如前面讨论的作品(12,17,29日]。一般来说,这可能是指局部最小值的问题衍生的优化方案。

6.2。简称ANFIS网络的性能

在本节,我们将讨论四个简称ANFIS网络的性能。他们是佛和莫宁Sugeno模糊模型与BP和HL算法训练。就像前面提到的3,他们已经开始使用网格分区的输入变量,也就是说,前期部分等距的隶属函数。随之而来的参数与零开始。在训练四个简称ANFIS网络,训练数据集表3被用来进行500次的学习。训练和测试的预测RMSE表所示5。佐薇Sugeno模糊模型与BP算法训练演示了最糟糕的表现;RMSE = 0.1067。更好的结果与BP算法时发生了FO Sugeno模糊模型被使用;RMSE = 0.0449。

在这里,为了节省空间,我们只有现在的学习结果简称ANFIS网络取得了最好的预测性能。这个网络是FO Sugeno模型和训练使用HL算法;RMSE = 0.0339。RMSE在学习阶段的演变图所示9(一个)。可以注意到,这个错误已经达到稳态值的0.0016经过近300年的时代。图9 (b)显示了生成的测试数据的误差。前期部分中给出的数值表8和9给后续部分的参数的值。

图10显示了隶属度函数之前和之后的训练。在这个图中,最初的和最后的隶属度函数的主轴转速和进给速率经历了相对较大的变化相比,削减的深度的隶属度函数。这句话表明削减的深度的表面粗糙度的影响也最小端铣过程。

在罗的工作12),同样的实验数据表3和4已经被用于训练和测试两个简称ANFIS网络。这两个网络与HL FO Sugeno模型训练算法,和类似的工作,规则的数量是27。在他第一网络,利用三角隶属度函数和梯形隶属度函数在第二网络。平均误差被用来比较两个网络的预测精度。网络使用三角形隶属度函数表现更好。本文的作者用表3在罗的工作12)计算预测RMSE三角形隶属函数时使用。RMSE有0.0347,非常接近高斯隶属函数时FO Sugeno模型由HL训练我们做这项工作。这意味着高斯和三角形隶属度函数可以同样捕捉实验数据的性质。

上面的结论,可以退出的结果是FO Sugeno模型用HL简称ANFIS训练算法可以实现约96.6%的准确性是否三角形或高斯隶属度函数使用。

然而,这个结论不能通用。的作者文献[32)使用简称ANFIS预测车削过程中表面粗糙度和比较结果提出了响应面法(RSM)。类似于这个工作,输入参数是主轴转速,联合,削减的深度。简称ANFIS网络的实现了预测精度优于RSM求婚。他研究了两种隶属函数,三角和高斯隶属度函数。根据他的结果,与三角形隶属度函数取得更好的结果。

最近的一篇文章中提出了(33]。这个引用使用相同的实验数据(训练和测试数据),是工作。作者使用高斯隶属函数实现一个简称ANFIS网络的输入,也就是说,主轴转速,联合,削减的深度。训练算法,然而,这里介绍的是不同的。它被称为分析交叉验证算法和用于获得一个最优的简称ANFIS网络。然后,他们使用一种“自上而下”的规则还原的方法来减少规则从27岁到20。虽然在训练取得RMSE = 0.0040和0.0319在测试中表现的工作罗(12],提出的RBFN这项工作仍然表现更好;见表5。

6.3。性能的遗传模糊推理系统(G-FIS)

作为遗传算法的性能取决于它的参数,进行了参数的研究来确定最优遗传算法参数集。这些参数是人口规模,一代又一代的数量,每个变量的比特数,交叉概率和变异概率。他们依赖问题,应该仔细选择为了实现好结果。我们已经开始使用的参数集的参数研究(13];人口规模是200,一代的数量是200,交叉率是0.9,变异率是0.1。位代表每个变量的数量是没有提到。这里的参数研究包括五个阶段,只有在执行佐薇Sugeno模糊模型。在第一阶段,交叉概率是不同的从0.8到0.99,保持其他参数,即变异概率,人口规模,数量,和最大数量的代固定至0.1,200年,16日和200年,分别。喜欢的工作10,13),最好的结果是观察到的交叉概率为0.90。在第二阶段,变异概率是0.001至0.1的范围内变化,使交叉概率,人口规模,数量,和最大代固定至0.90,200年,16日和200年,分别。最好的结果是发现突变概率为0.016。在第三阶段,交叉概率、变异概率,的比特数,和人口规模保持固定的0.90,0.016,16日和200年,分别生成的最大数量是不同的从200年到600年。最好的结果发生在一代的数目是500。这个数代后,没有注意到改进适应度函数(25)。在第四阶段,一直在改变的比特数的范围16 - 64。的交叉概率、变异概率、人口规模和一代的最大数量为0.90,0.016,200年和500年,分别。已经注意到的比特数有很少或没有影响的结果。所以,我们选择的比特数是32。参数研究的最后阶段,人口规模已经从50到200年,在保持其他参数,即交叉概率、变异概率,,的比特数和最大数量的代固定到0.90,0.016,32岁,和500年,分别。最好的结果是观察当人口规模是80。因此,发现以下GA参数给最好的结果在遗传训练佐薇Sugeno模糊推理系统:(我)单点交叉概率为0.90,(2)位变异概率为0.016,(3)最大数量的一代是500,(iv)的比特数,代表每个变量FIS的染色体是32岁(v)人口规模是80。

在这个工作中,佐薇和FO Sugeno模糊模型训练使用这些GA参数。因此,构成染色体的比特数(基因或一个可能的解决方案)位的FO Sugeno模糊模型。对佐薇Sugeno模糊模型,染色体的长度位。两个模型,检测解决方案的数量是一代又一代的数量乘以人口的数量,这是40000年可能的解决方案。当然,这40000的最佳解决方案是最好的解决方案。

为了完成GA优化问题的定义,一系列的变化应该为每个参数指定的金融中间人。范围的变化表中列出的FO Sugeno模糊模型10。他们类似于用于(13)以优化FO Sugeno模型。对佐薇Sugeno模型,参数范围已经使用相同的前提。随之而来的参数佐薇Sugeno模糊模型,,,也训练在−1和1之间。这些范围选择故意为了模拟类似的优化问题中发现的(13),作者使用了相同的实验数据列在表中3和4分别进行训练和测试。然而,使用不同的遗传算法参数设置。

因为它可以注意到从表5(RMSE = 0.0395),佐薇Sugeno模型取得了更好的性能比佛Sugeno模型(RMSE = 0.0488)。令人惊讶的是,佐薇G-FIS取得了减少测试误差(RMSE = 0.0395)比训练(RMSE = 0.0485)。这句话已经注意到从几个仿真实验对佛和佐薇(但不总是)。这句话,应该注意的是,同样的仿真实验,几次运行并不总是导致相同的(精确的)结果。这可以归因于气的随机性质。这里给出的结果是最好的结果。

经过调优的佐薇Sugeno模糊模型的参数如表所示11。为了节省空间,经过调优的FO Sugeno模糊模型的参数没有列在这里。

隶属度函数的两个调谐Sugeno模糊优化后模型图11。他们显示出较大的变化在所有三个端铣的隶属函数参数。这句话是FO显著模型相对于相应的一个已经用HL简称ANFIS训练算法,图10。这可能是指的调优过程气体的性质。derivative-free算法和,更重要的是,优化隶属度函数是随机完成的。然而,指图11,至少发生了变化的深度削减的隶属度函数。这句话给人的印象,削减的深度对表面粗糙度的影响。它也是一种工作的总结评论(12,13]。

如前所述,何鸿燊的工作等。(13),作者利用天然气最佳优化FO-FIS,类似于这个工作,使用高斯隶属度函数的三个输入框。规则(规则)27日,适应度函数(24(表),调谐范围10)也类似于这项工作。最优金融中间人有生产预测均方根误差为0.0332(计算工作的作者从表5 (13])。这个工作的唯一区别和Ho等的工作。13)是我们这里使用不同的参数设置。因此,不同的预测误差相同的数据已经导致RMSE = 0.0488。这些发现揭示了GA的参数设置(代,人口数量,等等)有相当大的影响力产生的最优解和预测精度。

7所示。结论

的能力预测端铣过程的表面粗糙度没有携带实际实验将有助于开发自动制造系统。在这个工作,三个算法已被确认。目标是确定最有效的方法,表面粗糙度的预测。从这项工作获得的结果,一些结论可以概括如下。(我)RBFN被发现是最成功的技术进行表面粗糙度预测均方根误差为2.95%。与其他预测算法的比较研究在这个工作,这是最简单和最快的方法,在考虑的问题。这种人工神经网络已被证明是最有效的在获取训练数据的性质意味着,取得最好的结果,当检查与测试数据。与其他类型的RBFN正规化和广义RBFN,实现RBFN的这项工作不需要一个试错的过程。(2)实现预测误差的RBFN优于以前的结果通过以前的作品。在[12),三角形隶属度函数的RMSE使用简称ANFIS是3.47%,而在(13),由G-FIS FO Sugeno模型调优,RMSE是3.32%。小成就已经完成的训练算法(33),RMSE是3.19%。(3)最好的知识,作者的工作,提出RBFN之前没有检查与表面粗糙度预测的问题。这里给出的结果可能对其他应用程序打开门。(iv)简称ANFIS网络,这项工作的结果和以前的结果表明,该类型的成员函数预测精度起着重要的作用。三角和高斯隶属度函数导致类似的预测性能。使用不同的实验数据(32导致不同的结果;即三角形隶属度函数表现的更好。较低的预测精度发生当使用梯形隶属度函数(12]。这揭示了模糊系统的同谋普遍函数近似者和需要更多的数学严格确定模糊系统的接近大自然。然而,这种优化的网络存在局部最小值的问题。(v)结果G-FIS(会模糊推理系统)表明,由HL简称ANFIS网络训练算法表现更好。这执行我们的结论是,在优化不能确保获得使用天然气完美的最优解,尤其是复杂系统,除非合适的参数设置和调优范围事先已经知道,这是困难的,如果不是不可能的话,来满足。确定的合适范围的所有参数FIS使用试错过程是一项乏味且非常耗时的任务。这是尽管获得的解决方案是最好的检查解决方案;即代乘以数量的基因数量的人口。这意味着一些预定义的条件下获得解决方案是最优的,但不一定是最有效的解决方案。

引用

1. k . Bouacha m·a . Yallese t . Mabrouki和肯尼迪。Rigal”,统计分析表面粗糙度和削减部队使用响应面方法在困难将符合美国钢铁协会的52100轴承钢的CBN工具,”国际期刊的难熔金属和硬质材料,28卷,不。3、349 - 361年,2010页。视图:出版商的网站|谷歌学术搜索
2. d·辛格和p . v . Rao硬车削过程的表面粗糙度预测模型,”国际先进制造技术杂志》上,32卷,不。11 - 12,1115 - 1124年,2007页。视图:出版商的网站|谷歌学术搜索
3. 阿加瓦尔和p . Venkateswara饶”,建模和预测陶瓷磨削表面粗糙度的”国际机床制造杂志》上,50卷,不。12日,第1076 - 1065页,2010年。视图:出版商的网站|谷歌学术搜索
4. a . m . Zain h . Haron,谢里夫,“端铣加工表面粗糙度的预测使用人工神经网络,”专家系统与应用程序,37卷,不。2、1755 - 1768年,2010页。视图:出版商的网站|谷歌学术搜索
5. j . f ., h . El-Mounayri, s . Mukhopadhyay,“选择高效的人工神经网络建模和铣削过程的精确模拟,”国际机床制造杂志》上,42卷,不。6,663 - 674年,2002页。视图:出版商的网站|谷歌学术搜索
6. d . Karayel”,表面粗糙度的预测和控制数控车床使用人工神经网络,”材料加工技术杂志》上,卷209,不。7,3125 - 3137年,2009页。视图:出版商的网站|谷歌学术搜索
7. 使用e . s . Topal”的作用比在平端铣削表面粗糙度的预测中,“国际机械科学杂志》上,51卷,不。11 - 12,782 - 789年,2009页。视图:出版商的网站|谷歌学术搜索
8. c . Lu”研究的预测在加工过程中表面质量,”材料加工技术杂志》上,卷205,不。1 - 3、439 - 450年,2008页。视图:出版商的网站|谷歌学术搜索
9. o . Colak、c . Kurbanoǧlu和m . c . Kayacan“铣削表面粗糙度预测使用进化编程方法,”材料和设计,28卷,不。2、657 - 666年,2007页。视图:出版商的网站|谷歌学术搜索
10. 罗伊,”genetic-fuzzy设计专家系统预测表面光洁度在金属基复合材料的超精密金刚石车削,”材料加工技术杂志》上,卷173,不。3、337 - 344年,2006页。视图:出版商的网站|谷歌学术搜索
11. h . Oktem t Erzurumlu, f . Erzincanli”的最低表面粗糙度预测端铣模具零件使用神经网络和遗传算法,”材料和设计,27卷,不。9日,第744 - 735页,2006年。视图:出版商的网站|谷歌学术搜索
12. s . p . Lo”adaptive-network建立模糊推理系统预测工件表面粗糙度在端铣,”材料加工技术杂志》上,卷142,不。3、665 - 675年,2003页。视图:出版商的网站|谷歌学术搜索
13. W.-H。Ho J.-T。蔡,俊男。林,黄永发。周”,表面粗糙度预测的自适应基于网络的模糊推理系统在端铣过程中使用混合Taguchi-genetic学习算法,”专家系统与应用程序,36卷,不。2,第2部分,3216 - 3222年,2009页。视图:出版商的网站|谷歌学术搜索
14. p·g . Benardos G.-C。Vosniakos”,预测加工表面粗糙度:回顾”,国际机床制造杂志》上,43卷,不。8,833 - 844年,2003页。视图:出版商的网站|谷歌学术搜索
15. h·l . Shieh y . k .杨p l . Chang和j·t·刘正“健壮的模糊函数逼近的方法,”专家系统与应用程序,36卷,不。3,第2部分,6903 - 6913年,2009页。视图:出版商的网站|谷歌学术搜索
16. a . b . Sharkawy”遗传模糊自调整PID控制器对于防抱死制动系统,”人工智能技术的工程应用,23卷,不。7,1041 - 1052年,2010页。视图:出版商的网站|谷歌学术搜索
17. js。罗杰张成泽和C.-T。Sunand弘水谷,二去噪和软计算:计算方法学习和机器智能,普伦蒂斯霍尔出版社,1997。
18. s a·比林斯·h·l·魏,m . a . Balikhin“广义多尺度径向基函数网络,”神经网络,20卷,不。10日,1081 - 1094年,2007页。视图:出版商的网站|谷歌学术搜索
19. 微积分,神经网络:一个全面的基础普伦蒂斯霍尔,第二版,1999年版。
20. m·m·古普塔l·金和n的丑行,静态和动态神经网络:从先进理论的基础新泽西州霍博肯市约翰·威利& Sons,美国,2003年。
21. 陈,x, c·j·哈里斯和p . m .萨基,“稀疏的建模使用正交回归新闻统计和正规化,”IEEE系统,人,和控制论,B部分,34卷,不。2、898 - 911年,2004页。视图:出版商的网站|谷歌学术搜索
22. 即Asilturk和m . Cunkaş建模和预测的表面粗糙度将操作使用人工神经网络和多元回归方法,”专家系统与应用程序,38卷,不。5,5826 - 5832年,2011页。视图:出版商的网站|谷歌学术搜索
23. m·r·Razfar r . Farshbaf Zinati, m . Haghshenas“最佳在端面铣削表面粗糙度的预测和和声搜索算法,利用神经网络”国际先进制造技术杂志》上,52卷,不。5 - 8,487 - 495年,2011页。视图:出版商的网站|谷歌学术搜索
24. m·f·f·阿瑟。拉希德和m·r·阿卜杜勒·Lani”表面粗糙度预测数控铣削过程使用人工神经网络,”世界大会在工程学报》(WCE 10),3卷,伦敦,英国,2010年7月。视图:谷歌学术搜索
25. 美国z Chavoshi和m . Tajdari表面粗糙度造型的硬车削操作符合美国钢铁协会的4140使用CBN刀具,”国际期刊的材料形成,3卷,不。4、233 - 239年,2010页。视图:出版商的网站|谷歌学术搜索
26. g·k . MohanaRao g . Rangajanardhaa d . HanumanthaRao和m . SreenivasaRao”发展的混合模型和优化电火花加工的表面粗糙度使用人工神经网络和遗传算法,”材料加工技术杂志》上,卷209,不。3、1512 - 1520年,2009页。视图:出版商的网站|谷歌学术搜索
27. p·d·沃瑟曼先进的神经计算的方法Van Nostrand,纽约,纽约,美国,1993年。
28. m . Zanaganeh s·j·穆萨维,A·f·艾特马Shahidi,“混合遗传algorithm-adaptive波参数,基于网络的模糊推理系统在预测”人工智能技术的工程应用,22卷,不。8,1194 - 1202年,2009页。视图:出版商的网站|谷歌学术搜索
29. j·s·r·张成泽“简称ANFIS: adaptive-network-based模糊推理系统,”IEEE系统,人与控制论,23卷,不。3、665 - 685年,1993页。视图:出版商的网站|谷歌学术搜索
30. m·米切尔介绍了遗传算法美国剑桥,麻省理工学院出版社,质量,1999年。
31. a . k .南帝和d . k . Pratihar“自动设计模糊逻辑控制器利用遗传算法来预测电力需求和在磨削表面光洁度,”材料加工技术杂志》上,卷148,不。3、288 - 300年,2004页。视图:出版商的网站|谷歌学术搜索
32. n . c . Tsourveloudis”Ti6A14V合金表面粗糙度的预测建模,”智能机器人系统杂志》上,60卷,第530 - 513页,2010年。视图:谷歌学术搜索
33. m .董和n .王”自适应基于网络的模糊推理系统与表面粗糙度的预测,分析交叉验证方法”应用数学建模,35卷,不。3、1024 - 1035年,2011页。视图:出版商的网站|谷歌学术搜索

版权

版权©2011 Abdel Badie Sharkawy。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。