基于进化BP神经网络的磨削温度预测研究∗

孙为钊 周 俊

（上海工程技术大学机械与汽车工程学院 上海 201620）

1 引言

磨削加工是现代机械制造中的一种重要工艺技术。由磨削加工可以得到比较满意的尺寸精度、形状精度、表面质量等。由于磨削加工的时间较短以及加工的金属层较薄，在磨削加工过程中产生的热量很大一部分会集中在磨削区内，在工件表面形成局部高温。特别是当温度在超过某一临界值，就会引起表面热损伤，从而降低零件的使用性能和可靠性。因此，研究磨削温度场分布对控制磨削温度具有重要意义。

国内对磨削温度的预测有了一定的研究。马占龙［1］、宋慧东［2］等利用BP算法对磨削温度进行了预测，所得结果与实验结果比较接近。蒋天一［3］等利用改进型BP神经网络对球面磨削的最高温度进行了预测，所得结果较传统的单一BP神经网络有了较大提升。马生彪［4］利用RBF和BP神经网络分别对磨削温度进行了预测并进行了比较，结果表明，RBF神经网络的误差和训练次数均低于BP神经网络，证明了RBF网络比BP神经网络更具优越性。

一系列研究表明，虽然使用神经网络预测所得到的结果与实验值比较接近，但是仍然存在一些不足。单一的神经网络预测模型存在预测时间长，模型不易收敛，容易陷入局部极小值等缺点。引入遗传算法是为BP神经网络的选择较优的初始权值和阈值，避免BP神经网络在训练时陷入局部极小值并且提高网络的收敛速度。本文采用遗传算法优化BP神经网络可以解决这些缺点并在预测时更加接近仿真温度值。……