基于改进BP神经网络的机床温度预警*

李泽阳，郑飂默，李备备，刘信君

(1. 中国科学院大学，北京 100049；2.中国科学院沈阳计算技术研究所，沈阳 110168；3.沈阳中科数控技术股份有限公司自动化装备事业部，沈阳 110168)

0 引言

随着运动控制工艺的发展与进步，在加工过程中，由于部件切削热、移动和旋转部件发热或由于机床结构设计不合理等原因，会造成机床局部发热而膨胀，进而影响加工零件精度。实际生产环境中，通常在机床加工发热位置安装温度传感器进行实时采集数据至工控机分析来避免温度产生的影响。但传统的过热保护仅是在发生过热时通过数控系统通知过热报警，无法达到温度预测的效果。因此，研究并设计一种基于实验数据建立的数学模型使之实现温度预警的方法十分必要。

近年来，BP神经网络由于其强大的非线性映照功能，出色的自组织和容错能力[1]，在网络安全[2]，故障诊断[3]，股票预测[4]，情境推荐[5]等不同专业领域得到充分运用，是目前最为成功的神经网络学习算法之一。但由于应用领域技术的快速发展，BP网络算法也出现了一些弊端，其中最为突出的是在学习过程中误差收敛速度过慢以及算法收敛效果不能将局部最优和全局最优区分开来等问题。国内外研究人员对此也提出了不同的改进方法和研究，袁圃等针对BP算法运算过程中隐含层节点数的选择问题，在最佳隐含层节点数下通过遗传算法优化BP网络模型的初始权重及阈值，进而解决了BP网络易陷入局部最优的缺欠[6]。……