【摘要】：電火花線切割加工原理是利用移動的細(xì)金屬絲線(銅絲或鉬絲)作電極,對工件與金屬絲線進(jìn)行脈沖電火花放電、切割成型。在電火花線切割加工中,各項加工參數(shù)相互關(guān)聯(lián)、制約,甚至互相矛盾,耦合性極強(qiáng),難以用數(shù)學(xué)公式描述其加工模型。電火花線切割主要加工階段是脈沖電源接通時電極絲與工件之間產(chǎn)生電火花,但接通階段往往出現(xiàn)斷流現(xiàn)象,本文重點研究加工時火花面積量的變化規(guī)律,對所采集數(shù)據(jù)進(jìn)行分析、訓(xùn)練及預(yù)測,預(yù)測系統(tǒng)可作為加工控制策略制定的專家系統(tǒng)。數(shù)據(jù)聚類分析,能夠研究數(shù)據(jù)的相似程度以發(fā)現(xiàn)隱含的、未知的、有潛在應(yīng)用價值的信息或模式,是作為數(shù)據(jù)處理的基礎(chǔ)或分析的起點。機(jī)器學(xué)習(xí)中,傳統(tǒng)數(shù)據(jù)按有無確定性可劃分為監(jiān)督學(xué)習(xí)和無監(jiān)督學(xué)習(xí)；聚類分析是一個無監(jiān)督的學(xué)習(xí)過程。半監(jiān)督聚類是通過引入成對約束解決無監(jiān)督聚類容易陷入局部最優(yōu)值問題。本文采用矩陣成對約束優(yōu)化K均值聚類算法,利用部分標(biāo)記數(shù)據(jù)和屬性矩陣提高聚類中心搜索能力。測試數(shù)據(jù)選用UCI機(jī)器學(xué)習(xí)數(shù)據(jù)集與現(xiàn)有聚類算法進(jìn)行比較分析,結(jié)果表明本算法在低維度數(shù)據(jù)中聚合能力更優(yōu)。聚類中心搜索目的是優(yōu)化徑向基(RBF)神經(jīng)網(wǎng)絡(luò)中心向量的選取,RBF神經(jīng)網(wǎng)絡(luò)對于復(fù)雜的函數(shù)關(guān)系或模型難以確定具有較高的逼近效果,理論上能以任意精度逼近連續(xù)函數(shù)。徑向基神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)缺陷在于中心向量選取困難,傳統(tǒng)選取方式是以輸出結(jié)果為導(dǎo)向,采用梯度下降法調(diào)整學(xué)習(xí),輸出模型具有較高的擬合精度,但預(yù)測精度不高。本文采用電火花線切割火花面積與加工影響參數(shù)建立神經(jīng)網(wǎng)絡(luò)二步預(yù)測學(xué)習(xí)模型,提出了半監(jiān)督聚類優(yōu)化RBF神經(jīng)網(wǎng)絡(luò)預(yù)測算法,利用數(shù)據(jù)半監(jiān)督聚類分析系統(tǒng)參數(shù)影響程度,聚類結(jié)果優(yōu)化徑向基神經(jīng)網(wǎng)絡(luò)中心向量和寬度選擇,對火花面積和加工效率進(jìn)行預(yù)測學(xué)習(xí)。實驗結(jié)果表明算法無論是擬合能力還是預(yù)測能力均優(yōu)于傳統(tǒng)神經(jīng)網(wǎng)絡(luò),預(yù)測相對誤差較小,整體預(yù)判火花量成功率較高。
[Abstract]:The principle of WEDM is to use moving thin wire (copper wire or molybdenum wire) as electrode to cut the workpiece and metal wire by pulse spark discharge. In WEDM, the machining parameters are interrelated, restricted, even contradictory, and the coupling is very strong, so it is difficult to describe the machining model by mathematical formula. The main stage of WEDM is the generation of EDM between electrode wire and workpiece when the pulse power supply is on, but the phenomenon of breakage often occurs in the turn-on stage. This paper focuses on the variation law of spark area during machining. The data collected are analyzed, trained and predicted. The prediction system can be used as an expert system for manufacturing control strategy. Data clustering analysis, which can study the similarity of data to find hidden, unknown and potentially valuable information or patterns, is the basis of data processing or the starting point of analysis. In machine learning, traditional data can be divided into supervised learning and unsupervised learning according to the determinacy, and clustering analysis is an unsupervised learning process. Semi-supervised clustering is to solve the problem that unsupervised clustering is prone to fall into local optimal value by introducing pairwise constraints. In this paper, the K-means clustering algorithm with matrix pairwise constraints is used to improve the ability of clustering center searching by using partial marking data and attribute matrix. The test data is compared with the existing clustering algorithms using UCI machine learning data set. The results show that the algorithm has better aggregation ability in low dimensional data. The purpose of clustering center search is to optimize the selection of center vector of radial basis function (RBF) neural network. RBF neural network has high approximation effect for complex function relation or model, and can approach continuous function with arbitrary precision theoretically. The learning defect of radial basis function neural network is that it is difficult to select the center vector. The traditional selection method is based on the output result and the gradient descent method is used to adjust the learning. The output model has high fitting accuracy but the prediction accuracy is not high. In this paper, the neural network two-step prediction learning model is established by using EDM spark area and machining parameters, and a semi-supervised clustering optimization RBF neural network prediction algorithm is proposed, and the influence degree of system parameters is analyzed by using data semi-supervised clustering. The selection of center vector and width of radial basis function neural network is optimized by clustering results, and the prediction of spark area and machining efficiency is carried out. The experimental results show that the algorithm is superior to the traditional neural network in both fitting ability and prediction ability, the relative error of prediction is small, and the success rate of predicting sparks is higher as a whole.
【學(xué)位授予單位】：廣東工業(yè)大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2015
【分類號】：TG484

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 程新江,王彤,陳玉全,甄中鋒;高速走絲氣中電火花線切割模具鋼的研究[J];機(jī)械工程師;2003年04期

2 程新江,王彤,陳玉全,甄中鋒;干式電火花線切割的參數(shù)優(yōu)化[J];機(jī)械工程師;2004年01期

3 劉豐華,劉永吉;電火花線切割淺析[J];機(jī)械工人.冷加工;2004年01期

4 吳流發(fā);鄧志平;;電火花線切割評價指標(biāo)影響因素的實驗研究[J];寧夏工程技術(shù);2006年01期

5 李桂琴;袁慶豐;王克勝;方明倫;;電火花線切割中計算智能集成方法的應(yīng)用與實現(xiàn)[J];中國機(jī)械工程;2006年22期

6 周大農(nóng);;淺談我國電火花線切割發(fā)展方向[J];機(jī)械工人(冷加工);2007年04期

7 楊曉偉;;啟發(fā)式教學(xué)在《電火花線切割》教學(xué)中的應(yīng)用[J];職業(yè)教育研究;2008年01期

8 張明;韓榮娟;張振苓;;電火花線切割車削機(jī)床的研究及實現(xiàn)[J];制造技術(shù)與機(jī)床;2008年11期

9 趙文鳳;郭鐘寧;萬自堯;;超大厚度電火花線切割工藝優(yōu)化研究[J];電加工與模具;2009年02期

10 劉瑞已;龍華;;電火花線切割加工工藝研究[J];新技術(shù)新工藝;2009年05期

相關(guān)會議論文 前10條

1 張孝椿;;前言[A];低速走絲線切割機(jī)加工機(jī)理使用維修技術(shù)研討會論文集[C];1990年

2 張旭東;李明明;;新型熱“泵”散熱電火花線切割電控柜設(shè)計[A];第15屆全國特種加工學(xué)術(shù)會議論文集（上）[C];2013年

3 王至堯;;我國電火花線切割的現(xiàn)狀及其發(fā)展[A];第六屆全國電加工學(xué)術(shù)年會論文集[C];1989年

4 李明輝;步豐林;楊曉欣;;超大厚度電火花線切割理論研究[A];第八屆全國電加工學(xué)術(shù)年會論文集[C];1997年

5 劉紹瓊;安魯陵;;電火花線切割實體仿真技術(shù)研究[A];全國先進(jìn)制造技術(shù)高層論壇暨制造業(yè)自動化、信息化技術(shù)研討會論文集[C];2005年

6 趙星;云乃彰;陳建寧;;電火花線切割微細(xì)加工的實踐[A];2005年中國機(jī)械工程學(xué)會年會論文集[C];2005年

7 趙星;云乃彰;陳建寧;;電火花線切割微細(xì)加工的實踐[A];2005年中國機(jī)械工程學(xué)會年會第11屆全國特種加工學(xué)術(shù)會議專輯[C];2005年

8 趙星;云乃彰;陳建寧;;電火花線切割微細(xì)加工的實踐[A];2005年中國機(jī)械工程學(xué)會年會論文集第11屆全國特種加工學(xué)術(shù)會議專輯[C];2005年

9 黃河;白基成;宗福來;郭永豐;;電火花線切割變厚度加工自適應(yīng)控制技術(shù)的研究[A];第13屆全國特種加工學(xué)術(shù)會議論文集[C];2009年

10 解樹強(qiáng);王彤;;基于均勻設(shè)計的氣中電火花線切割實驗研究[A];第13屆全國特種加工學(xué)術(shù)會議論文集[C];2009年

相關(guān)博士學(xué)位論文 前1條

1 張志航;基于小波分析的微細(xì)電火花線切割表面三維粗糙度評定研究[D];哈爾濱工程大學(xué);2012年

相關(guān)碩士學(xué)位論文 前10條

1 高連;單晶硅電火花線切割表面損傷層研究[D];南京航空航天大學(xué);2011年

2 程新江;高速走絲氣中電火花線切割精加工機(jī)理研究[D];哈爾濱理工大學(xué);2004年

3 肖任勤;電火花電解復(fù)合切割硅片的表面形貌及反射特性研究[D];南京航空航天大學(xué);2009年

4 李建軍;基于復(fù)合工作液的低速走絲電火花線切割技術(shù)研究[D];南京航空航天大學(xué);2009年

5 王振興;高低雙速走絲電火花線切割工藝研究[D];南京航空航天大學(xué);2010年

6 張新服;低速走絲氣中電火花線切割精加工機(jī)理研究[D];哈爾濱理工大學(xué);2005年

7 高銘江;電火花線切割數(shù)控編程及三維加工的控制方法研究[D];北京郵電大學(xué);2012年

8 王立志;基于超聲調(diào)制的微細(xì)電火花線切割脈沖電源研究[D];哈爾濱工業(yè)大學(xué);2013年

9 麥毅成;電火花線切割火花參數(shù)分析研究[D];廣東工業(yè)大學(xué);2015年

10 畢慧;低速走絲電火花線切割微機(jī)編程軟件的開發(fā)[D];哈爾濱工業(yè)大學(xué);2007年

，

本文編號：2424066