基于概率神经网络的 CAPP系统中零件表面加工方法选择的研究

    外圆特征网络又被分为车削类子网络和车磨类子网络。根据表 1选用下列20 个数据作为训练样本数据。这些外圆表面的直径和长度都在加工能力范围内，即它们的外圆直径小与615，工件总长小与1500mm。
   
    （1）如果材料为黑色金属、加工精度 、表面粗糙度 、中间热处理要求调质、加工批量是单件；则该外圆的加工方法是粗车-半精车-精车。
   
    （2）如果材料为黑色金属、加工精度 、表面粗糙度 、中间热处理要求淬火、加工批量是单件；则该外圆的加工方法是粗车-半精车-磨。
   
    （3）如果材料为黑色金属、加工精度 、表面粗糙度 、中间热处理要求调质、加工批量是小批；则该外圆的加工方法是粗车-半精车。
   
    （4）如果材料为黑色金属、加工精度 、表面粗糙度 、中间热处理要求淬火、加工批量是小批；则该外圆的加工方法是粗车-半精车-粗磨-精磨。
   
    （5）如果材料为有色金属、加工精度 、表面粗糙度 、无中间热处理、加工批量是中批；则该外圆的加工方法是粗车-半精车-精车。
   
    （6）如果材料为有色金属、加工精度 、表面粗糙度 、无中间热处理、加工批量是小批；则该外圆的加工方法是粗车-半精车。
   
    （7）如果材料为黑色金属、加工精度 、表面粗糙度 、中间热处理要求正火或退火、加工批量是中批；则该外圆的加工方法是粗车。
   
    （8）如果材料为黑色金属、加工精度 、表面粗糙度 、中间热处理要求调质、加工批量是单件；则该外圆的加工方法是粗车-半精车-粗磨-精磨-研磨。
   
    （9）如果材料为有色金属、加工精度 、表面粗糙度 、无中间热处理、加工批量是单件；则该外圆的加工方法是粗车。
   
    （10）如果材料为黑色金属、加工精度 、表面粗糙度 、无热处理、加工批量是单件；则该外圆的加工方法是粗车-半精车-粗磨-精磨-研磨。
   
    （11）如果材料为非金属、加工精度 、表面粗糙度 、无中间热处理、加工批量是中批；则该外圆的加工方法是粗车-半精车-精车。
   
    （12）如果材料为黑色金属、加工精度 、表面粗糙度 、中间热处理要求正火或退火、加工批量是小批；则该外圆的加工方法是粗车。
   
    （13）如果材料为黑色金属、加工精度 、表面粗糙度 、中间热处理要求正火或退火、加工批量是中批；则该外圆的加工方法是粗车-半精车-精车。
   
    （14）如果材料为非金属、加工精度 、表面粗糙度 、无中间热处理、加工批量是单件；则该外圆的加工方法是粗车-半精车。
   
    （15）如果材料为黑色金属、加工精度 、表面粗糙度 、中间热处理要求调质、加工批量是小批；则该外圆的加工方法是粗车-半精车-磨。
   
    （16）如果材料为黑色金属、加工精度 、表面粗糙度 、中间热处理要求正火或退火、加工批量是中批；则该外圆的加工方法是粗车-半精车-粗磨-精磨。
   
    （17）如果材料为黑色金属、加工精度 、表面粗糙度 、无中间热处理、加工批量是中批；则该外圆的加工方法是粗车-半精车-磨。
   
    （18）如果材料为黑色金属、加工精度 、表面粗糙度 、中间热处理要求正火或退火、加工批量是中批；则该外圆的加工方法是粗车-半精车。
   
    （19）如果材料为非金属、加工精度 、表面粗糙度 、无中间热处理、加工批量是小批；则该外圆的加工方法是粗车。
   
    （20）如果材料为黑色金属、加工精度 、表面粗糙度 、无中间热处理、加工批量是单件；则姑外圆的加工方法是粗车-半精车-粗磨-精磨。
   
    为了将以上数据转换成概率神经网络的输入模式，可把这些训练数据转换为二进制代码串并形成外圆特征网络的输入矩阵P。例如外圆面用四位二进制代码0001表示，材料用二位二进制数字表示，黑色金属为 01，有色金属为 10，非金属为 11等。这样得到一个20列19行的输入样本矢量矩阵 P，每一列代表一个数据。由于在外圆特征网络中，首先将输入样本矢量分成两大类，即车削类和车磨类。所以输出矩阵：
   
    T=[1 2 1 2 1 1 1 2 1 2 1 1 1 1 2 2 2 1 1 2]
   
    式中：1-代表车削类；
    2-代表车磨类。
   
    这种表示类别的下标矢量矩阵不能直接作为函数newpnn的目标输出矩阵，还需利用Matlab 6.0神经网络工具箱提供的函数ind2vec 将其转化为稀疏矩阵。将 P和 T代入外圆特征网络net1 的设计函数中，令 spread=0.3则得到net1的隐层权矢量矩阵为 W1且 W1=PT，即 W1是输入矩阵 P 的转置。经过概率神经网络的第一次分类后，将属于车削类的 12 个输入矢量组织在一起形成车削类子网络的输入矩阵 P1。为了去掉冗余，减小矩阵尺寸需将下级训练过程中不起作用数据去掉，使 P1 成为一个 12 列 12 行的矩阵，每一列代表一个数据。目标输出矩阵
   
    T1=[3 2 3 2 1 1 3 1 3 2 2 1]
   
    式中：1-代表车削类的第一种加工方法即粗车；
    2-代表车削类的第二种加工方法即粗车-半粗车；
    3-代表车削类的第三种加工方法即粗车-半精车-精车。
   
    将 P1和 T1 代入车削类概率网络 的设计函数中，令 spread=0.1，则得到net1的隐层权矢量矩阵为W111且 W111=PT1,即W111是输入矩阵 P1 的转置。 同理车磨类子网络的组织和训练与车削类子网络的一样这里不再赘述。 网络训练结束后，需要输入一定的数据测试网络的分类能力，例如某个零件的最大外径为100mm总长为300mm，其上某一外圆直径为60mm、长30mm、加工精度为、表面粗糙度 、中间热处理要求调质、加工批量是中批。将其转化为概率神经网络的输入模式
   
    PT=[0 0 0 1 1 1 1 0 1 1 1 0 1 1 0 0 1 1 1 1]
   
    代入上述外圆特征网络得到的输出结果为加工方法：粗车-半精车-磨。该加工方法与实际加工时所采取的工艺一致，说明概率神经网络对输入矩阵的分类能力达到了要求，网络训练结果良好。其它特征网络的训练与外圆特征网络相同，将它们分别训练好后，用 Matlab 6.0 编程形成控制模块，由控制模块把这些特征网络组织在一起形成一个完整的零件表面加工方法选择网络。
   
    3 结论
   
    利用概率神经网络实现了零件表面加工方法的选择，通过神经网络的前向计算，快速生成零件表面的加工方法。
    （1）首次提出了采用逐步分解的方法构造和训练加工方法选择网络。
    （2）给出了组织训练加工方法选择网络数据的方法，并用具体实例对网络进行了验证。
    实践证明，通过人工神经网络的计算很好地解决了零件表面加工方法的选择问题，从而克服了其它CAPP系统在推理过程中出现的"匹配冲突"和"组合爆炸"以及知识获取的瓶颈问题。