１ 引言电火花加工由于适用于高硬度、难加工材料及复杂型腔的加工，在机械制造领域中起着不可 或缺的作用［１］。９０年代以来，电火花加工机床除继续向高精度、高效率的方向发展外，更要 求高度的自动化和操作的简单化［２］。这需要在工艺机理和先进控制理论两个方面进行深入的研 究。众所周知，电火花加工过程是一种受多参数影响的复杂随机过程，无法用精确的数学模型来表 示，而且它的加工机理异常复杂，至今尚未全部认清，这促使人们在认识过程中不断引入新的研究 方法和手段。其中，人工神经网络作为一种新兴技术，用计算机对人类大脑的功能进行某种抽象、 简化和模拟，构成一个具有高度非线性的超大规模连续时间动力系统，为电火花加工的深入研究提 供了有效的途径。它具有如下特点［３］：（１）能够逼近任意Ｌ２上的非线性函数；（２）采用 并行分布式信息处理，具有很强的容错性；收稿日期：１９９９－０６－０９（３）便于用ＶＬＳ Ｉ或计算机技术实现；（４）适用于多信息融合和多媒体技术，可同时综合定量和定性信息，对Ｍ ＩＭＯ系统较为方便；（５）可在线或离线计算，满足一定的控制要求，灵活性较大。２ 人工神 经网络模型神经元是构成人工神经网络的基本单元，它是一个ＭＩＳＯ的非线性器件，结构模型如 图１所示。数学模型可表达为：ｙｉ＝ｆ∑ｎｊ＝１ωｉｊｘｊ－θｉ其中，ｆ［·］为激发函数 ，可以有多种形式，多取ｓｉｇｍｏｉｄ函数。即：ｆ（ｕｉ）＝１１＋ｅ－ｕｉ图１ 神经元结 构模型自从４０年代由美国心理学家ＭｃＣｕｌｌｏｃｈ和数学家Ｐｉｔｔｓ共同提出的ＭＰ神 经元模型到现在，已有近４０多种神经网络模型，而在电火花加工领域中最常用的是多层前馈网络 （ｍｕｌｔｉｌａｙｅｒｆｅｅｄｆｏｒｗａｒｄ）。它由输入层ＬＡ，中间层ＬＢ和输出层Ｌ Ｃ构成（如图２）。输入输出层节点数目由输入输出参数的数目决定，中间层可以是单层，也可以 是多层，节点数目一般由经验而定。多层前馈网络是一类强有力的学习系统，通过适当的训练，在 理论上可以任意精度逼近一个从输入空间Ｒｍ到输出空间Ｒｎ的一个非线性连续映射函数φ：φ（ Ｘ）Ｙ。图２ 多层前馈网络结构模型Ｄ．Ｅ．Ｒｕｍｅｌｈａｒｔ和Ｊ．Ｌ．ＭｃＣｌｅｌｌ ａｎｄ等在１９８５年提出的误差反向传播学习算法［４］，即ＢＰ（ｂａｃｋｐｒｏｐａｇａｔ ｉｏｎ）算法，是用于多层前馈网络的经典算法。对于一个三层前馈ＢＰ网络（结构模型图同图２ ），学习算法如下［５］：设ＬＡ层节点ａｉ到ＬＢ层节点ｂｒ间的连接权值为ｗｉｒ，设ＬＢ层 节点ｂｒ到ＬＣ层节点ｃｊ间的连接权值为ｖｒｊ，Ｔｒ为ＬＢ层节点的阈值，θｊ为ＬＣ层节点 的阈值，则：（１）对输入Ａ（ｋ）的值（ａ（ｋ）ｉ），根据输入层节点激发值ａｉ，依次正向 计算： ｂｒ＝ｆ∑ｍｉ＝１ｗｉｒ·ａｉ＋Ｔｒ（ｒ＝１，…，ｕ） ｃｊ＝ｆ∑ｕｒ＝１ｖｒ ｊ·ｂｒ＋θｊ（ｊ＝１，…，ｎ）（２）计算输出节点输出ｃｊ与期望输出值ｃ（ｋ）ｊ的误差 ：ｄｊ＝ｃｊ·（１－ｃｊ）·（ｃ（ｋ）ｊ－ｃｊ）（３）向中间层节点反向分配误差：ｅｒ＝ ｂｒ·（１－ｂｒ）·∑ｎｊ＝１ｖｒｊ·ｄｊ（４）调整各层节点间连接权值和节点阀值：ｖｒ ｊ＝ｖｒｊ＋α·ｂｒ·ｄｊθｊ＝θｊ＋α·ｄｊ（０＜α＜１）ｗｉｊ＝ｗｉｊ＋β·ａｊ· ｅｒＴｒ＝Ｔｒ＋β·ｅｒ（０＜β＜１）当误差ｄｊ变得足够小或等于０时，学习结束。对于三 层前馈ＢＰ网络，已经从理论上证明，当隐层节点足够多时，可达到所需的精度。但是，ＢＰ算法 存在学习效率低、收敛速度慢、易于陷入局部极小点等缺点，因此，人们又研究了许多新的算法， 如通过引入学习率η，调整动量因子α和阈值θ来提高收敛速度的改进型误差反向传播算法［６， ７］，共轭梯度算法［８］，以及基于信息熵优化的算法［９］等，在一定程度上克服了这些问题 。３ 人工神经网络在电火花加工中的应用３．１ 加工条件优化电火花加工中，对于不同的加工 要求，最优加工条件的选择也完全不同。而且由于影响因素多，加工过程中存在不确定因素，导致 最优加工条件不断变化，使加工效果的好坏在很大程度上依赖于操作者知识和经验。现代机床要求 高度的自动化和操作简单化，甚至是无人加工。因此，能否实现最优加工条件的自动选择，降低对 操作人员的依赖性，是电火花加工走向“易用化”的关键一步。电火花加工条件优化通常是指加工 前最优加工条件的离线选择和加工过程中工艺参数的在线调整。文献［１０］介结了包括人工神经 网络在内的基于智能技术的电火花加工条件优化方法，优化的过程可用图３表示。另外，Ｙ．Ｓ． Ｔａｒｎｇ采用三层前馈ＢＰ网图３ 加工条件优化示意图络，构成ＭＩＭＯ系统，实现从加工参 数空间到加工效果空间的非线性映射。通过建立可调整的目标函数，利用模拟退火算法，寻找全局 最优切割参数。实验表明，该系统的切削性能可获得较大的提高［１１］。３．２ 计算机仿真放 电机理的研究是基础理论和控制技术的研究基础，但近１０年来并未取得突破性进展［１２］。主 要原因是：电火花加工需要在工作液中进行，放电间隙小，脉冲放电时间短（从几微秒到几百微秒 ），而且放电状态瞬息万变，使得传统的高速摄影对于重复脉冲放电很难获得完全信息，常规的检 测装置只能得到一些平均意义上的数据。考虑到计算机仿真在众多领域已有成功的经验，或许可应 用在电火花加工过程的模拟上。计算机仿真是通过建立仿真模型，用计算机模拟实际系统的运动状 态及其随时间的变化。然而，由于电火花加工的自身特点，无法建立精确的数学模型。于是，一些 学者尝试用神经网络构建仿真模型，架起计算机仿真与电火花加工之间的桥梁。上海交通大学针对 电火花线切割加工过程建立了神经网络预测模型（图４），具有较高的预测精度，可作为计算机仿 真的参考模型［１３］。它采用拓朴结构为４９２的ＢＰ网络，输入层的４个单元为工件厚度 、脉冲宽度、脉冲间隔和脉冲峰值电流，输出层单元为切割速度、表面粗糙度，利用改进的δ学习 规则算法，对切割速度和表面粗踩的平均预测误差分别为３．２％和３．４％。另外，华南理工大 学建立的加工间隙状态检测的神经网络预报模型，对电火花加工的放电率和相对短路率的预测精度 达到了±０．０１～±０．０６［１４］。图４ 神经网络预测模型３．３ 加工过程的智能控制 电火花加工过程具有复杂性、随机性和不确定性，使传统的经典控制和现代控制理论都很难达到预 期的效果。智能控制的兴起使人们转向模糊控制、专家系统和神经网络等方向寻求新的解决途径。 模糊控制首先得到了应用，并取得了较好的效果，但同时也存在着非线性系统控制的共有问题，即 精度较低，自适应能力有限和易产生振荡［１５］。而人工神经网络的非线性映射能力、对任意函 数的逼近能力和高速并行运算能力，为解决这方面的问题提供了工具。神经网络技术与模糊控制相 结合，一方面能弥补神经网络在知识获取和知识表达方面的不足，另一方面可发挥神经网络的自学 习功能和模糊熵低的优点。瑞士的ＭａｒｃｏＢｏｃｃａｄｏｒｏ和德国的ＡｒｎｏＢｅｈｒｅｎ ｓ在论文中指出，人工神经网络的引入，将赋于模糊控制器自学习能力及更好地自调整能力和实时 控制能力［１６，１７］。日本Ｓｏｄｉｃｋ公司在其新型ＮＦ（ＮｅｕｒｏＦｕｚｚｙ）电源中 引入了神经网络模糊控制技术，在保证可靠的加工稳定性的前提下，极大地简化了操作过程，同时 增加了系统的自学习功能，对操作人员的要求大为降低。４ 结束语神经网络在电火花加工中的应 用还只是刚刚开始，但已展示出无法比拟的优势。未来的电火花加工技术将是多学科的交叉技术， 人们面临的问题会越来越复杂。以神经网络为代表的智能技术已成为解决复杂问题的有力工具。笔 者认为，神经网络在电火花加工中的应用将在以下几个方面继续展开：（１）在加工条件优化方面 与专家系统和模糊理论相结合，取长补短。在已有的研究成果上，做到功能的模块化、标准化，形 成通用平台。（２）与模糊理论相结合，利用神经网络生成隶属函数、分配模糊规则、动态改变隶 属函数等，构成具有自适应和自学习功能的智能系统，使加工过程的实时控制效果进一步增强。（ ３）多种类型神经网络相结合，提高对放电状态、加工效果和放电位置等的预测精度，为进一步的 计算机仿真工作做好准备。（４）神经网络与预测控制理论相结合，构成预测控制系统，用于电火 花加工过程的控制。通过建立高精度、多模态的信息预测模型，使电火花加工过程控制向更高层次 发展。人工神经网络技术在电火花加工中的应用$哈尔滨工业大学@罗元丰$哈尔滨工业大学@赵 万生$哈尔滨工业大学@曹光宇电火花加工;;神经网络;;BP算法;;智能控制简要论述了多层前馈网络模型和ＢＰ算法，分析了神经网络技术在电火花加工领域中的应用前景，对国内外的研究状况进行了综述和展望，并讨论了今后的发展趋势。1 刘晋春,赵家齐.特种加工.北京:机械工业出版社,1994.
2 沈洪.90 年代的电火花加工技术和电火花加工机床.电加工,1997(1)
3 焦李成.神经网络的应用与实现.西安:西安电子科技大学出版社,1995.
4 Rumelhatr D Eand McClelland JL.Parallel DistributedProcessing Explorations in the Microstructure of Cognition.MITPress.Cambridge MA.1986 .
5 刘增良,刘有才.模糊逻辑与神经网络.北京:北京航天航空大学出版社,1996 .
6 Hong Qin & Zhenya He.Variable Step BP Algorithmwhich Prunes Away RedundantConnections Dynamically.IJCNN92 .Beijing,1992 .
7 Ph
More abstracts about the 人工神经网络技术在电火花加工中的应用