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

    CAPP 系统是计算机辅助工艺规程设计系统的简称，它是机械加工工艺规程发展的必然趋势，是使机械制造业实现计算机集成化的桥梁和纽带。本文将概率神经网络运用到 CAPP 系统中，解决系统中知识获取、知识表示和并行推理等问题。
   
    零件表面加工方法的选择是工艺规程设计系统的重要组成部分。零件表面加工方法的选择实际上就是先将零件表面分解为一些基本表面，诸如外圆、内孔等，每一类基本表面都有几种相对固定的加工方法，再根据零件表面形状、材料、粗糙度、加工精度等条件具体确定加工该表面需要哪种加工方法。所以零件表面加工方法的选择本质上属于分类问题，即先将零件表面分解为一些基本表面类型再根据其它条件确定这些基本表面的加工方法。而概率神经网络主要用于解决分类问题。
   
    1 零件表面加工方法的选择
   
    基于概率神经网络的零件表面加工方法的选择是一个大规模神经网络的组织和学习问题。为了减小工作复杂性，减少网络组织和学习时间，本文将采用逐步分解的方式来组织和构造网络。
   
    1.1 零件表面加工方法选择网络的结构
   
    按照逐步分解的方法首先将组成零件的各个表面分类，根据零件表面的分类将加工方法选择网络分解为9个特征网络，这些网络由一个控制模块控制，分别包括外圆特征网络、内孔特征网络、锥面特征网络、平面特征网络、螺纹特征网络、辅助平面特征网络、辅助槽特征网络、倒角圆弧特征网络、辅助孔特征网络。每个特征网络再被继续细化，形成子网络，例如外圆特征网络由车削类和车磨类子网络组成，内孔特征网络由车（镗）削类、车（镗）磨类、钻扩铰类三个子网络组成。由这些子网络给出该表面的加工方法。一个零件由若干种表面组成，控制模块根据零件表面的分类，判断输入表面属于哪个特征网络并将其送到该网络中，通过概率神经网络的分类将输入表面具体分到所属的子网络中，子网络根据零件表面形状、材料、粗糙度、加工精度等条件对输入表面再运用概率神经网络分类，最后给出该表面的加工方法。
   
    1.2 训练样本的组织
   
    零件表面被划分成基本表面后，选择这些基本表面的加工方法还需要考虑许多因素，诸如工件材料、表面形状、尺寸、加工精度、表面粗糙度等。在一定的生产条件下，如果以上这些因素确定，则零件表面的加工方法也就确定了。例如表 1总结了某厂加工外圆的方法。表中L＜1500表示零件总长小于机床的最大加工长度1500mm，D＜615表示零件的最大外径小于机床的最大加工回转直径165mm。训练样本数据包括输入数据和目标输出数据，根据这个加工方法表就可以组织外圆特征网络的训练样本数据，输入数据集是由不同材料、加工精度、表面粗糙度、中间热处理条件下的外圆表面组成的，输出数据集是由与之相对应的加工方法组成的。其它基本表面特征网络训练数据的组织情况和外圆特征网络的相似，这里不再赘述。
   

    1.3 零件表面加工方法选择网络的训练
   
    零件表面加工方法选择网络是由上述 9种特征网络组织在一起的，为了缩短训练时间，提高学习的准确率，本文对各个特征网络先分别进行训练使它们具有一定的权值和阈值，训练好的各个特征网络再在控制模块的作用下连成一个整体。由于各个特征网络的组织结构大致相同，因而它们的训练方法也基本一致，以外圆特征网络为例，训练的流程图如图 1所示。
   

    2 数值算例
   
    以外圆特征网络为例进行网络的组织和训练，本文采用Matlab 6.0神经网络工具箱中提供的概论神经网络函数进行计算。概率神经网络的设计函数为newpnn记为：
   
    net=newpnn(P、T、spread)
   
    式中：p-输入矩阵；
    t-输出矩阵；
    spread-扩展常数，缺省值为 0.1。