基于BP神经网络数控机床切削能耗的研究
基于BP神经网络的数控机床刀具磨损状态识别方法
基于BP神经网络的数控机床刀具磨损状态识别方法何一千，黄民，孙巍伟（北京信息科技大学机电工程学院，北京100192）摘要：为了提高三相电流信号监测刀具磨损状态的可靠性，提出了一种基于BP神经网络的数控机床刀具磨损状态识别方法。
首先对采集得到的三相电流信号进行时域、频域和小波分析，从中提取出与刀具磨损程度相关性较好的多个特征量，组合成敏感特征向量，然后搭建BP神经网络，建立三相电流信号特征向量与刀具磨损状态之间的联系。
最后，用经过训练后的BP神经网络识别多组未知样本的刀具磨损状态。
实验结果表明，该方法能够准确判定刀具的磨损状态。
关键词：三相电流信号；BP神经网络；刀具磨损；状态识别中图分类号：TG71文献标识码：B DOI：10.16621/ki.issn1001-0599.2019.09.150引言在数控机床切削加工的过程中，刀具的磨损是不可避免的。
刀具的磨损直接导致切削力的增大、切削温度的上升、工件表面粗糙度增大，严重时甚至会影响整个加工系统的正常运行，造成不可估量的损失[1]。
目前，刀具的磨损状态主要通过停机卸刀后，依靠工人的观察和经验来判断刀具的磨损程度，这严重影响了数控加工的整个自动化过程，且大大降低了生产效率。
因此对刀具的磨损状态进行在线监测，及时有效地识别刀具的磨损状态十分重要。
目前，在刀具状态监测这一领域经过各国学者的研究和探索总结出很多方法。
例如通过测量切削力、主机电流、光学图像、振动分析等多种方法都可以有效地监测刀具的磨损状态，总结起来可以分为直接监测和间接监测两大类[2]。
直接监测不能在线监测，如光学法、电阻法等直接检测方法需要停机获取刀具的磨损参数，所以在自动化系统中一般不予采用[3]。
间接监测虽然能够在线监测，但是如切削力信号检测法、振动检测法等大多数监测方法的传感器安装会影响到加工进程。
综合考虑多种原因，通过电流信号在线监测是一种比较好的监测方法，目前有很多研究均是监测机床主轴或者进给电机的电流信号。
基于BP神经网络的数控机床误差辨识方法研究(精)
2009年第30卷第6期中北大学学报(自然科学版).30No.62009Vol(总第128期)(SumNo.128)JOURNALOFNORTHUNIVERSITYOFCHINA(NATURALSCIENC EEDITION)文章编号:167323193(2009)0620574205基于BP神经网络的数控机床误差辨识方法研究李耀明1,沈兴全1,孟庆义2,王爱玲1(1.中北大学机械工程与自动化学院,山西太原030051;2.北京卫星制造厂,北京100190)Ξ摘要:数控机床误差辨识是进行误差补偿的关键技术,一般很难通过建立准确的数学模型对误差进行辨识.而神经网络具有良好的非线性函数逼近能力,.BP神经网络的数控机床测头测量误差参数的辨识方法.,测量误差参数的模型,.提供了可靠的依据.关键词16文献标识码:AStudyonNCMachineErrorIdentificationBasedonBPNeuralNetwork1121LIYao2ming,SHENXing2quan,MENGQing2yi,WANGAi2ling(1.SchoolofMechanicalEngineeringandAutomatization,NorthUniversityofChina,Taiyua n030051,China;2.BeijingSateliteManufacturingFactory,Beijing100190,China)Abstract:NCmachine’serroridentificationisakeytechnologyforerrorcompensation.It’sdiff icultto.Theneuralnetworkhasagoodidentifytheerrorbyestablishinganaccuratemathematicalmode lnonlinearfunctionapproximationcapability,whichcanbeusedinNCmachineerroridentificat ion.ParameteridentificationmethodofNCmachine’stoolprobemeasurementerrorwasproposedbasedonBPneuralnetwork.Throughtheoreticalanalysisandexperimentalresearch,them odelsoftheprobe’sinstallationandmeasurementerrorparameters,andtheconditiontoelimina teuncertaintyofprobesystemerrortermcanbedetermined. detectionmethodandplanningtestpath.Keywords:BPneuralnetwork;NCmachine;identificationTheresearchcanprovidereliableba sisfordeterminingthe0引言数控机床误差辨识是实现高精度误差补偿的关键技术之一,只有通过误差参数辨识,为误差模型提供准确的误差参数,才能计算出系统各部件的定位误差,从而达到高精度误差补偿的目的[1].由于数控机床机构复杂,难以建立精确模型,并且加工误差随加工环境的变化而变化,因此很难通过建立精确数学模型Ξ收稿日期:2009202219基金项目:山西省青年自然科学基金资助项目(200902102222);山西省研究生创新基金资助项目作者简介:李耀明(19772),男,讲师,博士生.主要从事先进制造技术研究.(总第128期)基于BP神经网络的数控机床误差辨识方法研究(李耀明等)575对误差进行辨识.BP神经网络有很强的映射能力,主要用于模式识别和函数逼近.而BP 神经网络强大的函数逼近能力可用来求解复杂函数,因此可以将其应用于数控机床误差参数辨识[223].数控机床测头系统各误差参数是由测量误差作用或测头系统安装误差形成的,测头系统的测量误差包括测头重复误差、测头死区误差、测头动态随机误差项、测头动态误差.当测头进行在线检测时,这些误差综合作用产生测量误差.因此,对测头系统误差参数进行辨识极其重要.测头误差测量一般采用高精度的双频激光干涉仪[425].数控机床测头系统的测量误差参数受到测头结构和测量条件的综合影响,不仅依赖于测量方向、速度,而且与测杆长度以及碰触方式等诸多因素有关[6].这些影响因素对测头误差参数有非线性作用,因此本文利用神经网络的非线性影射性质,采用BP网络模型实现测头误差参数辨识.1BP神经网络原理及算法改进1.1BP网络模型原理.采用BP算法的多层前馈神经网络简称BP网络.、输出层和中间隐含层构成,nn层上的每个节点形成全联结,wkk=2,…,m)个神经元与隐含层第j个神经元间的联结强度为[729]wjk,wij表示.BP神经网络可以看作是一个从输入到输出的高度非线性映射,即F:RN→Rm,f(X)=Y.对于样本集合:输入xi(∈Rn)和输出yi(∈Rm),可认为存在某一映射f使得f(Xi)=yi(i=1,2,∧,n)成立.输入层的神经元接受外界输入给网络的数据,输入层神经元的输出(1)ok=ik,隐含层和输出层所有神经元都对其本身的所有输入量加权求和得到净输入net(激活值),然后再通过激活函数f(net)的变换作用,才能得到神经元的输出值.因此,隐含层的输入、输出值netj=图1三层前馈神经网络示意图Fig.1Diagrammaticsketchthree2layeredfeed2forwardneuralnetwork6mwjk×ik-Ηj,(2)k=1输出层的输入输出值neti=6nwij×ij-Ηi,(3)j=1式中:Η为神经元的偏置值(阈值),其物理意义相当于激活函数曲线在X轴上的平移,神经网络处理单元常用的传递函数如图2所示.图2(a)中,x<0,y=-1;x≥0,y=1.图2(b)中,x<0,y=0;0≤x≤1,y=;x<0,y=-1+x;x>1,y=1.图2(c)中,y=-x图2(d)中,x≥0,y=1-1+x1-x1+e其中,应用最多的是图2(c)所示的S型函数。
面向能耗的数控铣削过程建模与参数优化
面向能耗的数控铣削过程建模与参数优化黄拯滔;杨杰;张超勇;周志恒;谢阳;林文文【摘要】为了选择合理的切削参数以达到降低能耗的目的，对稳定的数控铣削过程面向能耗进行建模并优化。
首先，在分析输入功率去向构成的基础上，建立数控铣床系统输入功率模型。
然后，建立数控铣床系统能耗测试平台。
通过对实验数据的多元回归建立数控铣床输入功率与切削参数的函数，对比分析证实函数的精确性。
随后，由该函数得出数控铣床稳定切削阶段的单位体积能耗函数，以此为优化目标，以铣床性能和表面质量为约束，通过引力搜索算法(GSA)进行切削参数的能效优化。
最后，与经验的切削参数进行对比，结果表明优化后切削参数显著提高了铣床能量效率，大幅节省了电能。
%In order to select the appropriate cutting parameters to reduce energy consumption,a stable CNC milling process was modeled and optimized based on energy consumption function.Firstof all,the input power model of CNC milling system was built by characterizing its components.Then an energy consumption test platform was set up.The function between the input power of CNC milling system and cutting parameters was established through multiple regression,andits accuracy was con-firmed by a comparative analysis.After that the specific energy consumption function during stable CNC milling process was figured out from the input power function.GSA was used to optimize the cutting parameters by a model,which regarded the ESEC as goal and the performance of milling ma-chine and surface quality as pared with empirical data,it is shown that the optimizedcutting parameters will improve the energy efficiency of milling machine significantly and drastically.【期刊名称】《中国机械工程》【年(卷),期】2016(027)018【总页数】9页(P2524-2531,2532)【关键词】数控铣床;节能;功率模型;切削参数优化;引力搜索算法【作者】黄拯滔;杨杰;张超勇;周志恒;谢阳;林文文【作者单位】华中科技大学数字制造装备与技术国家重点实验室，武汉，430074;中国地质大学武汉，武汉，430074;华中科技大学数字制造装备与技术国家重点实验室，武汉，430074;华中科技大学数字制造装备与技术国家重点实验室，武汉，430074;华中科技大学数字制造装备与技术国家重点实验室，武汉，430074;华中科技大学数字制造装备与技术国家重点实验室，武汉，430074【正文语种】中文【中图分类】TH18数控机床系统能耗建模一直以来都是学术界研究的热点，近年来一系列数控机床系统能耗的间接建模方法逐渐发展起来。
基于BP神经网络的数控机床主轴性能评估模型
轴动力学 分析精度的关键 问题 ， 还处 于空 白研 究领域 。本文
通过对 主轴部件动态特性进行分析 研究 ， 采用人 工智 能技术 建立传感 器信号与加工性 能之 间的非线性 映射关 系 ， 可丰富
胡跃 强 ， ： 于 Ｂ 等 基 Ｐ神 经 网络 的数控 机床 主 轴性 能评 估模 型
２ ）赋 （一１ １ ， ）之 间的随机参数作为权值初值 。 ３ ）将样本 的数据 赋给输 入层 相应 的节 点 ， 照权 值 和 依 激励 函数 的作用 ， 在输 出节 点算 出网络输 出值 。 ４ ）计算 网络输 出与样本点真实输 出之 间的相对误 差 。
— ～ 、 、、
隐 层
输 出 层
— 、、 、
１ Ｂ Ｐ神 经 网络 介 绍
神经网络 （ ｅｒｌ ｅｗ ｋ ， Ｎ） 由大量 的、 ｎｕａ ｎｔｏｓ Ｎ 是 简单 的处理
单元 （ 简称神 经元 ） 广泛互 相连接而形成 的复杂 网络 系统 ， 他
反映了人脑功能 的许 多基 本特征 ， 是一个 高度复杂 的非线 性
终止 ， 即可得到 收敛 的网络和相应稳 定的权值 。 网络 学 习过 程实 际就 是建立输入模式到输 出模 式 的一 个 映射 ， 就是建 也 立一个 输入与输 出关 系的数学模 型 。
、
动态特性评估 的理论 知识 ， 实现性 能 的在线 评估 。这 对于解
决机 床主轴的主动维护具 有重要的经济及 战略意 义。
立 了基 于 Ｂ Ｐ神经网络 的数控机床 主轴 性能评估系统 ， 对于解决机床 主轴 的主动维护具有重要 的经 济及战略意义 。
基于神经网络的机械加工工序能耗预测
ｃ ｒ ｔ ｌ ｙ ｍａ ｈ ｍａ ｉａ ｅｈ ｄ ｔ ｅ ｅ ｔ ｔ ｎ ｍｅｈ ｄ ｏ ｎ ｒ ｙ ｃ ｎ ｕ ｔ ｎ ｉ ｃ ｉ ｉ ｇ ｐ ｏ ｅ ｕ ｅ ｌｙ ｒ ａ ｅ ｕ ａ ｅｙ ｂ ｔ ｅ ｔ ｌ ｔ ｏ ， ｈ ｓｉ ｉ ｔ ｏ ｆｅ ｅ ｇ ｏ ｓ ｍｐ ｉ ｍａ ｈｎ ｎ ｒ ｃ ｄ ｒ ａ ｅ ｓ ｄ ｃ ｍ ｍａ ｏ ｏ ｎ ｂ
ｎ ｄ ｕ ｅ ｆｌｔ ｎ ｙ ｒａ ｄ ｔ ｎ ｆ ｒｆ ｎ ｔ ｎ ａ ｅ ｓ ｌｃ ｅ ． ｈ ｏ ｉ ａｉ ｎ ｏ ｕ ｔ ｇ ｐ ｒ ｍｅ ｅ ｎ ｅ ｃ ｒｅ ｏ ｅ ｎ ｍｂ ｒｏ ｅ ｔｌ ｅ ｎ ａ ｓ ｅ ｃｉ ｒ ｅｅ ｔｄ Ｔ ｅｃ ｍｂ ｎ ｔ ｆｃ ｔ ｎ ａ ａ ｔｒａ ｄ ｔ ｏ ｒ － ａ ａ ｒ ｕ ｏ ｏ ｉ ｈ ｓ ｏ ｄｎ ｉｔ ｒ ａ ａ ｏ ｎ ｒ ｙ ｃ ｎ ｕ ｔ ｎ ａ ｅ ｓ ｒ ｅ ｓ ｔ ｉ ｉ ｇ ｄ ｔ ｅ ， ｎ ｅｎ ｎ ｉ ｅ ｒｍａ ｐ ｎ ｅａ ｉ ｎ ｏ ｐ ｎ ｉ ｇ ｈ ｓｏ ｙ ｄ ｔ ｆｅ ｅｇ ｏ ｓ ｍｐ ｉ ｒ ｅ ｖ ｄ ａ ａｎ ｎ ａａ ｓ ｔ ａ ｄ ｔ ｏ ｌ ａ ｐ ｉ ｇ ｒ ｌ ｔ ｆ ｏ ｒ ｈ ｎ ｏ
能源消耗输 出间的非缌 ｝关系， 而对新的切 削用量参数组合进行能耗值的预测。以某企业导叶 片的粗铣加 生 从
工为例 ， 验证 了该 能耗预 测方 法 的有 效性 。
关键 词 ： 能耗预 测 ； 械加 工 工序 ； 经 网络 机 神 文 章编 号 ：０ ２８３ （０２２ ．２ ５０ 文献 标识 码 ： 中图分 类号 ：Ｈ１６Ｔ ３ １ １０ ．３ １２ １） １ ３—５ ０ Ａ Ｔ ６ ；Ｐ ９
Ｅｎ ｉｅｒ ｇａ ｄ ｐｉ ｔ ｎ ， ０ ２ ４ （１ ：３ －３ ． ｇｎ ｅｉ ｎ ｌ ｏ
一种基于BP神经网络的数控机床伺服系统控制器
和高可靠性决定了整台数控机床的性能和可靠性 。 围绕伺服系统动 态与静态性 能的提高 ， 近年来发展 了多种伺服驱 动技术。 无论是 从 使用灵活 ， 只需设定三个参数 （ ， ｉ ｄ 即可 。 制方法 比较简 Ｋｐ Ｔ 和Ｔ ） 控 数控机床本体 ， 还是从数控机床 的控 制系 统的改进 、 控制策 略的选 单 。
文章 编号 ：０ ７９ １ （０ ２０ —０ ５０ １ ０ ．４ ６２ １）９０ １．２
从第一 台数控机 床诞 生至今 ， 数控机床 的发展 可谓 日新 月异 。 随着 科学 技 术 和 国 民经 济 的发 展 ， 数 控 机 床 的要 求 也 越 来 越 高 ， 对 要 求数 控机床具有高精度 ， 高可靠性 ， 为数控 机床的重要组成部 作 分， 由于伺服系统包含 了众多 的 电子 电力 器件 ， 并应用反馈控 制原 理将它们有机地 组织起来 ， 因此在一 定意义上 ， 伺服 系统的高性能
基于BP神经网络的数控加工铣削参数优化
数控加工参数的选取是复杂的多输入、多输出
非 线性 问题 ， 以用 常规数学 方法 进行处 理 。目前 ， 难
应用基于专家系统、 模糊技术及人工神经 网络等智 能 技术 已成 为研 究数 控 加 工 参 数优 化选 取 的重 要
ｎｔ ｒ ｄｌ ｅｗｏ ｋ ｍｏ ｅ ｗｅ ｅ ｎ ｒ ａ ｄ． Ｆｎ ｌ ｒ ｉｃ ｅ ｓ ｅ ｉａｌ ｔｅ ｐ ｏ ｏ ｔ ｎ ｏ ｅ ｔ ｄ ｔ ｗａ ｖ ｓｉ ａ ｄ． ｙ． ｈ ｒ ｐ ｒ ｏ ｆ ｔ ｓ ａａ ｉ ｓｉ ｅｔ ｔ ｎ ｇｅ Ｋｅ ｒ ｓ： Ｂ ｎ ｕ ａ ｅｗｏ ｋ： ｍｉ ｉｇ； ｓ ｍ ｐｅ； ｔ ｓ ｄ ｔ ｙ ｗｏ ｄ Ｐ ｅ ｒ ｌｎ ｔ ｒ ｌｎ ｌ ａ ｌ ｅ ｔ ａａ
Ｃ Ｉ Ａ －ａ ｇ Ａ ａ ，ＧＵ ｈ ｈ ｎ ，Ｄ Ｕ ｉａ Ａ ｎｊ ｎ ，Ｙ ０ Ｙ ｎ ｉ Ｏ Ｓ ｂ ｏ ｇ Ｏ Ｗｅ ｔｏ －
（ ｅ ａｔ ｎ ｆＥｅ ｔ ｃ ｌａ ｄ Ｍｅ ｈ ｎｃ ｌＥ ｇｎ ｅｉｇ Ｄｐｒ ｍｅ ｔｏ ｌｃｒ ａ ｎ ｃ ａ ｉ ｎ ｉｅ ｒ ，Ｘ ’Ｄ Ｕ ｉｅｓ ｙ ｏ ｒｈｔｃｕｅ ｉ ａ ｎ ｉａ ｎｖｒｉ ｆＡ ｃ ｉ ｔｒ ｔ ｅ
优化 ， 实现 高效低 成 本加 工具 有 重要 意 义 。
关键词 ：Ｐ神经网络 ； Ｂ 铣削加工； 样本； 验证数据 中图分类号 ： ７ ； ３１ 文献标识码 ： 文章编号 ：０ １ １８ ２１）９ ０６ ４ ＂ ６＂ ９ Ｉ Ｇ Ｉ Ｐ Ｂ １０ —２６（０００ —０２ —０
Ｏｐ ｉ ｉａ ｉｎ ｏ ｔｍ ｚ ｔｏ ｆ ＣＮＣ ｉ ｉ ｇ ｐ ｒ ｍ ｅｅ ｓ ｂ ｓ ｄ ｏ ｍ ｌ ｎ ａ ａ ｔｒ ａ ｅ ｎ ＢＰ ｅ ｒ ｌ ｎ ｔ ｒ ｌ ｎ ｕ ａ ｅｗｏ ｋ
基于BP-Adaboost算法的数控机床材料切削能耗预测研究
*Green Manufacturing2020年第12期基于BP-Adaboost算法的数控机床材料切削能耗预测研究**国家自然科学基金(51705055)陈世平谢俊罗小陈伟(重庆理工大学机械工程学院，重庆400054)摘要:针对数控机床能耗组成成分复杂，理论分析很难以较高精准度预测能耗的问题，提出了一种基于数据驱动的BP-Adaboost数控机床能耗预测模型。
该模型引入Adaboost算法集成强预测器的能力，对BP神经网络进行改进,通过反复调整BP弱预测器权重和样本权重,得到强预测器，从而提高预测精准度。
实验结果表明,BP-Adaboost预测模型与独立的BP神经网络预测模型相比能够更精确地对材料切削能耗进行预测，均方根误差和绝对误差均有所降低。
由此可见,该预测模型在数控机床材料切削能耗预测方面，具有切实的可行性，为机床加工总能耗预测研究提供一种新的工具支持。
关键词:数控机床；Adaboost算法;BP神经网络;预测模型中图分类号:TG65文献标识码:ADOI：10.19287/j・cnki・1005-2402.2020.12.002Study on material cutting energy consumption prediction of CNCmachine tool based on BP-Adaboost algorithmCHEN Shiping,XIE Jun,LUO Xiao,CHEN Wei(School of Mechanical Engineering,Chongqing University of Technology,Chongqing400054,CHN)Abstract:In view of the complex composition of energy consumption of CNC machine tools,it is difficult to predict energy consumption with high accuracy in theoretical analysis.A data-driven BP-Adaboost CNC machine tool consumption prediction model is proposed・This model introduces the ability of the Adaboost algorithm to integrate strong predictors,and improves the BP neural network.By repeatedly adjusting the weight of the BP weak predictor and the sample weight,a strong predictor is obtained,thereby improving the prediction accuracy・Experimental results show that the BP-Adaboost prediction model can predict the energy consumption of material cutting more accurately than the independent BP neural network prediction model,and the root mean square error and absolute error are reduced.It can be seen that the prediction model has practical feasibility in predicting the energy consumption of CNC machine tools,and provides a new tool support for the prediction of the total energy consumption of machine tools. Keywords:CNC machine;Adaboost algorithm；BP neural network；prediction model制造业能量消耗巨大，因此降低能耗、减少对环境的影响已经成为现代绿色制造领域研究的重点问题。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
2012年1月第40卷第1期机床与液压MACHINE TOOL ＆HYDRAULICS Jan.2012Vol.40No.1DOI ：10．3969/j.issn.1001－3881.2012.01.015收稿日期：2011－01－04基金项目：重庆市科委自然科学基金项目（CSTC2010BB4295）作者简介：谢东（1967—），副教授，现从事数控技术应用教学科研工作。
E －mail ：xiedongcq@ 。
基于BP 神经网络数控机床切削能耗的研究谢东，陈国荣，施金良，许弟建，王锋（重庆科技学院，重庆401331）摘要：数控机床的能耗来源于工作时的电动机空载和切削过程中的负载消耗。
分析切削过程中的切削速度、进给速度、切削深度等切削参数对数控机床能耗的影响；基于BP 神经网络搭建数控机床能耗与切削参数的模型，简化了经验公式繁琐的计算过程；利用遗传算法对切削参数进行优化。
对比试验表明：用优化后的参数进行加工，能明显地降低能耗，为加工过程能耗控制提供了一个良好的方案。
关键词：数控机床；切削参数；节能；BP 神经网络中图分类号：TG501文献标识码：A 文章编号：1001－3881（2012）1－054－4Research on CNC Machine Tool Cutting EnergyConsumption Based on BP Neural NetworkXIE Dong ，CHEN Guorong ，SHI Jinliang ，XU Dijian ，WANG Feng （Chongqing University of Science ＆Technology ，Chongqing 401331，China ）Abstract ：The numerical control machine tool energy consumption is originated from the electric motor idle racing and the cutting process．The influences of cutting speed ，feed speed ，cutting depth on CNC machine tool energy consumption were analyzed．The model of CNC machine tool energy consumption and cutting parameters was established based on BP neural network ，and calculating process of empirical formula was simplified．The cutting parameters were optimized by genetic algorithm．Experimental comparison shows energy consumption in cutting process can be significantly reduced by using optimized parameters．This method provides a good energy control scheme for machining process．Keywords ：CNC machine tool ；Cutting parameter ；Energy conservation ；BP neural network提高资源效率是现代制造业的发展趋势。
对于制造业基础的机床制造行业而言，开发研制节能环保的机床是2l 世纪机床制造技术发展的重要趋势之一。
随着数控机床逐渐广泛使用，其能耗问题成为当今研究的热门。
数控机床的节能可从数控机床的机械结构、控制系统结构和方式、加工工艺优化等各个方面进行综合考虑［1］。
数控机床作为一个系统，伴随着复杂的物料信息、能量流程以及工艺流程等系统集合、系统相关等特性，使机床节能问题的分析和建模变得非常复杂［1］。
许多学者从不同角度进行了研究分析，文献［2］通过连续检测机床主电动机输入功率和通过主传动系统功率平衡方程算出能量消耗曲线，提出统计不同进度、不同功率的机床在加工相同工件时所造成的能量损耗情况，合理地安排加工机床和生产计划进度，使产品的综合加工成本达到最低［2］。
文献［3］通过动态调节机床空载运行转速，使得能量消耗最低，提出通过缩短变速时间、减少换刀时间和工件装夹时间、减少辅助时间等方法来降低能耗。
文献［4］通过对切削参数的优化选择和切除率的预测，合理选择切削参数来发挥机床的效能。
实际中采用变频技术减小电机启动电流，以及通过恒功率、恒线速度等切削加工方式来降低能耗。
文中主要是从切削过程中的工艺参数对能耗的影响进行分析和建模。
由于不同的切削深度、切削速度使得机床的负荷不同，其能耗大小不同，因此要提高切削负荷，减少能量损耗。
加工过程中工艺参数对机床能耗的影响由于非线性以及涉及因素太多，模型难以建立，本文提出对加工过程的切削参数与数控机床能耗关系利用神经网络的非线性函数逼近性能来建立模型，通过获取的切削实验数据进行训练，最后得到目标函数，然后用遗传算法寻找最优的方案，为加工过程能耗控制提供一个良好的方案。
1数控机床切削过程能耗分析数控机床在实际运行过程中，主要能耗来源是以下几个方面：（1）主轴转动时能耗，它占到机床能耗的大部分。
当转速越高，切削力越大时，其功率需求越大，能耗越高。
（2）进给控制轴能耗，主要是由于切削力、进给抗力反作用和克服工作台运动摩擦力等引起伺服电机的能耗。
进给速度越快，进给抗力反作用越大，伺服电机功率需求较高，能耗大。
但进给速度快可以得到较大的切除率，缩短切削时间。
（3）切削深度对能耗也有较大影响，较大的切削深度需要较大的切削力，使功率要求也更大，能耗增加。
但大的切削深度也可以得到较大的切除率，缩短切削时间，从而缩短机床运动时间。
（4）机床辅助电器的能耗，如换刀动作、冷却泵运行、排屑系统运行等。
一般来说，相对于整个加工过程，换刀动作和排屑系统的运行时间较短，这里暂不考虑。
机床辅助电气相对于加工过程来说，由于不同加工工艺，其能耗情况不同。
文中基于同一工艺路线，将机床辅助电器的能耗看成常值，只与加工时间长短有关。
从以上分析可以看出：选用高转速，其能耗是较高的；选用较大的切削深度和切削速度，虽然功率需求较大，但切削时间短，能耗大小难以评价，但大的切削深度和切削速度对刀具的磨损很大，所以如何选择切削参数，是一个值得研究的问题。
2数控机床能耗BP神经网络模型建立BP神经网络（Back Propagation Neural Networks）是一种误差反向传播神经网络，其结构是一种单向传播的多层前向网络，也称之为多层感知器，被广泛应用在工程领域中来处理非线性和复杂系统［5］。
Kolmogorov定理保证含有一个隐含层的三层前向网络可以逼近任何多变量函数，因此，BP神经网络通常采用三层结构，一般由输入层、隐含层和输出层组成。
隐含层和输出层都有激活函数，一般选取标准Sigmoid型函数。
当对函数拟合精度有更进一步要求时，可以用增加各层的神经元数来提高。
在进行数控机床能耗BP神经网络建模设计时，从输入层、隐含层、输出层的设计，网络的初始化，训练算法的选择，训练样本数的选择，学习速率的选择等几个方面来进行考虑。
以切削速度、进给速度、切削深度为神经网络的输入变量，输入层神经元个数取3；机床能耗为输出变量，输出层神经元个数取1。
由于理论上已经证明：具有至少一个S型隐含层加上一个线性输出层的网络，能够逼近任何有理函数，所以设立1个带S型的隐含层。
由于BP网络隐含层单元的输入输出之间是单调上升的非线性函数，要求隐含层单元数必须是一个合理的数目，实际中应用经验公式来确定，由于此设计中输入输出点数不多，所以隐含层的元素个数图1数控机床能耗BP神经网络模型由样品对数来确定。
该网络模型的隐含层节点设定为20个。
建立的数控机床BP神经网络模型如图1所示。
其中：x1、x2、x3为神经网络的输入，分别表示切削速度、进给速度和切削深度；y为神经网络的输出，用测试的电流值通过计算得到，下文讨论。
那么有：yk=f（∑q－1j=0νkjzj－ψk）（1）zj=f（∑n－1i=0ωjixi－θj）（2）f（u）=11－e－u（3）其中：zj为隐含层输出，ωji和θj分别为输入层到隐含层连接的权值和阈值，νkj和ψk分别为隐含层到输出层的权值和阈值，f（u）为单元所采用的Sigmoid型传递函数，u为各层输出加权求和的值。
上式即利用神经网络建立的数控机床的能耗与切削参数的数学模型。
为了获得权值和阈值，必须用已知的“样板”数据对神经网络进行训练，通过神经网络所在环境的刺激作用调整它的自由参数，使之以一种新的方式对外部环境做出反应。
通过“样板”的“学习和培训”，神经网络可记忆客观事物在空间、时间方面比较复杂的关系，建立起与实际相似的模型。
3实验方案及数据获取图2试验零件图为了获取数控机床能耗与切削参数数据，实验方案设计要简洁同时便于操作，选择数控车床为测试对象，加工形式采用外圆纵车粗加工，工件选用 40棒料，走矩形路径，加工部分长度为15mm，加工零件图样如图2所示。
机床选用CK6136数控机床，其参数为：主轴电机功率5.5kW，效率η=0.75，伺服电机x轴取1kW，z轴取1kW，刀具材料：硬质合金YT15，工件材料为低碳钢，切削时加冷却液。
在数控机床上设定主轴转速和进给速度，通过机床倍率参数的调整来改变实际主轴转速和实际进给速度，切削深度在0.5 1.5mm之间逐级变化，通过数控加工程序循环执行。
因为切削过程用到的对象是直径为40mm的棒料，每次进刀都会减少一定直径值，这个直径值的变化将影响切削速度，所以切削速度是利用实际工件直径与主轴转速的乘积来换算。
进·55·第1期谢东等：基于BP神经网络数控机床切削能耗的研究给速度通过数控程序和机床面板倍率值进行调节。
在机床总进线端口测量其三相交流电中的某一相电流值，来计算数控机床在工作过程中功率大小，记录完成相同工序所需时间，通过计算得到能量消耗情况。
即便是一次简单切除加工过程，都应包含空载和负载两种情况。
空载是刀具没有切削到工件的情况，如前所述设计一个简单的矩形路径，以便记录空载和负载时间，则机床切削过程的总的能耗为：E=PC·tC+PN·tN（4）式中：E是完成此次工序切削的总能耗，PC为切削时的功率，tC是切削时间，PN是空转功率，tN是空转时间。
切削实验方案如表1所示。