祁翔 张心光 吕泽正

摘 要：由于蚁群算法具有很好的多样性、兼容性和正反馈，故十分适合用于BP神经网络学习率的优化，从而建立蚁群-BP神经网络。训练样本对是以实验1、实验3、实验5、实验7、实验9、实验11、实验13和实验15下的高速铣削试验数据组成的，并用高速铣削实验中的工件表面粗糙度来建模。使用创建的高速铣削工件表面粗糙度预测模型来对实验2和实验6状态中的高速铣削工件表面粗糙度进行预测，通过对比预测结果和试验结果，可发现蚁群-BP神经网络能够十分有效地对高速铣削工件表面粗糙度进行建模预测。

关键词： 高速铣削;表面粗糙度;预测;蚁群-BP人工神经网络

文章编号： 2095-2163（2021）01-0130-04 中图分类号：U491.1 文献标志码：A

【Abstract】Because ant colony algorithm has good robustness， compatibility and positive feedback， it is very suitable for optimizing the learning rate of BP neural network， so as to establish ant colony-BP neural network. The training sample pair is composed of high-speed milling test data under experiment 1， experiment 3， experiment 5， experiment 7， experiment 9， experiment 11， experiment 13 and experiment 15， and the surface roughness of workpiece in high-speed milling experiments is used to model. The surface roughness prediction model of high-speed milling workpiece is established to predict the surface roughness of high-speed milling workpiece in experiment 2 and experiment 6. By comparing the prediction results with the experimental results， it is found that ant colony-BP neural network can effectively model and predict the surface roughness of high-speed milling workpiece.

【Key words】high speed milling; surface roughness; prediction; ant colony algorithm-BP artificial neural network

0 引 言

高速铣削工件表面质量的重要指标之一是高速铣削工件表面粗糙度[1]。高速铣削工件表面粗糙度预测模型可为解决高速铣削过程中存在一些无法解释且极易导致加工质量不稳定的问题提供参考[2]。高速铣削工件表面粗糙度预测建模常采用曲线拟合[3]、人工神经网络[4]等方法。预测建模通常使用曲线拟合方法，但是这种模型会存在假定数学模型和实际数学模型匹配度低致使预测误差偏大。人工神经网络克服了曲线拟合的固有缺陷，具有结构简单、算法易实现等优点，在分类、预测、控制中都得到了广泛的应用。张思思等人[5]就在聚类和人工神经网络的基础上研发出了遥感信息提取的方法。阮羚等人[6]为了让电力系统可以满足变压器风险评估与资产管理的需求，研究提出了一种将人工神经网络和信息融合技术应用于评估方法中的变压器状态评估方法。……