1 引言
金属切削加工参数的选择对加工生产率和经济效益具有重要的影响。在常规计算机数控加工系统中，加工参数在加工之前根据编程人员的经验、加工手册或通过离线优化确定。然而，在实际加工过程中，加工工况是不断变化的，编程时预先指定的加工参数不能使加工目标总是维持最优。解决该问题的一个办法是给CNC加工系统提供一个能够根据加工条件的变化实时优化加工参数的最优控制系统。这样的系统称为自适应控制系统，可分为约束自适应控制(ACC)和最优自适应控制(ACO)［1］。
约束自适应控制实际上是通过使切削力或加工功率维持在极限值而使生产率最大化，它的主要缺点在于缺乏对工件质量的反馈，仅考虑单一约束得到的加工参数可能会因违反其它约束而成为不可行的［2］。
尽管人们已对最优自适应控制进行了大量的研究［3～7］，但达到实用的系统不多。主要困难在于加工过程模型的建立和实时优化策略的制定。针对这两个问题，本文提出了基于人工神经网络建模和遗传算法优化的平面铣削自适应优化方法。
2 加工过程人工神经网络建模
恰当合理的加工模型是进行加工优化的前提。加工模型应该能够在较宽的工况范围内准确地反映加工参数(切削速度、进给率、切深等)和加工输出(切削力、切削功率、表面质量等)的关系。此外，加工过程模型还必须具备对加工环境变化、特别是刀具磨损状况的自适应能力。由于加工过程的复杂性和非线性特性，准确建立一个解析形式的加工过程模型是非常困难的。最近的研究显示［8，9］，具有自适应能力和非线性处理能力的人工神经网络，特别是多层感知器网络，适于制造过程建模，并且通常优越于其它建模技术。
基于以上分析，本文采用人工神经网络来映射过程输入变量和过程输出变量的关系。为使过程模型能够适应加工过程中刀具磨损状况的变化，过程输入变量中除加工参数外，还包括刀具磨损长度变量。在使用时，需要首先对加工过程中的刀具磨损进行在线测量。
2.1 刀具磨损的神经网络测量
刀具磨损状况对切削力和工件表面质量具有重要影响，因此，为了准确预测切削力和加工质量，必须首先测量刀具磨损长度。
测量刀具磨损状况的方法有直接法和间接法，直接法又可分为接触测量法和非接触测量法。接触测量法一般只能用于事后测量，难以实现在线估计。非接触直接测量法多采用激光和图象处理技术，由于受到处理速度或精度的限制以及成本相对较高的原因，也很难用于实时测量。目前实际采用的大多为间接测量法，如切削力检测法、振动检测法、AE法等。研究显示［10，11］，由于加工过程的复杂性，仅仅根据单一传感器的检测信息估计刀具磨损状况，会出现很高的误测、误报，因而一般都采用多传感器信息融合的方法进行检测，但计算量较大。
本文基于神经网络的大规模并行计算能力和信息融合能力，提出了刀具磨损长度的人工神经网络测量方法。网络类型选择为多层感知器，所融合的信息(即网络输入)包括切削速度、进给率和切削力能谱的四个特征参数。网络输出节点只有一个，即刀具磨损长度的估计值。多层感知器隐层的数量和各隐层的节点数对网络的性能有很大影响。对多种网络结构进行尝试，并比较其学习速度和精度，最后确定网络结构为6-4-1。
2.2 过程预测器
过程预测器神经网络根据已估计的刀具磨损长度和加工参数来预测过程输出变量。网络类型也选择为多层感知器。输入节点共5个，分别为刀具磨损长度、切削速度、进给率、切深和切宽；输出节点为3个，分别对应切削力F、切削功率P和表面粗糙度Ra。隐层结构采用尝试法确定，使用两个隐层，隐层节点数分别为15 个和7个。
2.3 训练算法
上述两个神经网络在使用之前都必须进行离线训练。多层感知器型神经网络最常用的训练算法为BP算法，但该算法具有容易陷入局部最小的缺点。而模拟退火算法［12］则可以跳出局部最优的陷阱，找到全局(或近似)最优解。将两种算法结合起来，可充分发挥两者的优点。其训练步骤如下：
①随机产生网络参数初始状态R，令T＝T0
②根据BP算法产生R的下一候选状态R′
③令E＝［Ep（R′）－Ep（R）］／Ep（R），Ep为训练样本的误差平方和函数
④若E≤0，则令R＝R′；否则以概率EXP(－E／KBT）接受R＝R′
⑤重复②～④M次
⑥降低温度T
⑦重复②～⑥直到温度很低或已达到精度要求
经过训练后的神经网络便可用于在线优化。
