【摘要】：電火花線切割加工原理是利用移動的細金屬絲線(銅絲或鉬絲)作電極,對工件與金屬絲線進行脈沖電火花放電、切割成型。在電火花線切割加工中,各項加工參數相互關聯(lián)、制約,甚至互相矛盾,耦合性極強,難以用數學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生電火花,但接通階段往往出現斷流現象,本文重點研究加工時火花面積量的變化規(guī)律,對所采集數據進行分析、訓練及預測,預測系統(tǒng)可作為加工控制策略制定的專家系統(tǒng)。數據聚類分析,能夠研究數據的相似程度以發(fā)現隱含的、未知的、有潛在應用價值的信息或模式,是作為數據處理的基礎或分析的起點。機器學習中,傳統(tǒng)數據按有無確定性可劃分為監(jiān)督學習和無監(jiān)督學習；聚類分析是一個無監(jiān)督的學習過程。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,利用部分標記數據和屬性矩陣提高聚類中心搜索能力。測試數據選用UCI機器學習數據集與現有聚類算法進行比較分析,結果表明本算法在低維度數據中聚合能力更優(yōu)。聚類中心搜索目的是優(yōu)化徑向基(RBF)神經網絡中心向量的選取,RBF神經網絡對于復雜的函數關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。徑向基神經網絡學習缺陷在于中心向量選取困難,傳統(tǒng)選取方式是以輸出結果為導向,采用梯度下降法調整學習,輸出模型具有較高的擬合精度,但預測精度不高。本文采用電火花線切割火花面積與加工影響參數建立神經網絡二步預測學習模型,提出了半監(jiān)督聚類優(yōu)化RBF神經網絡預測算法,利用數據半監(jiān)督聚類分析系統(tǒng)參數影響程度,聚類結果優(yōu)化徑向基神經網絡中心向量和寬度選擇,對火花面積和加工效率進行預測學習。實驗結果表明算法無論是擬合能力還是預測能力均優(yōu)于傳統(tǒng)神經網絡,預測相對誤差較小,整體預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.
【學位授予單位】：廣東工業(yè)大學
【學位級別】：碩士
【學位授予年份】：2015
【分類號】：TG484

【相似文獻】

相關期刊論文 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優(yōu)化[J];機械工程師;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影響因素的實驗研究[J];寧夏工程技術;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用與實現[J];中國機械工程;2006年22期

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

7 楊曉偉;;啟發(fā)式教學在《電火花線切割》教學中的應用[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床的研究及實現[J];制造技術與機床;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];新技術新工藝;2009年05期

相關會議論文 前10條

1 張孝椿;;前言[A];低速走絲線切割機加工機理使用維修技術研討會論文集[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計[A];第15屆全國特種加工學術會議論文集（上）[C];2013年

3 王至堯;;我國電火花線切割的現狀及其發(fā)展[A];第六屆全國電加工學術年會論文集[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術年會論文集[C];1997年

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

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

7 趙星;云乃彰;陳建寧;;電火花線切割微細加工的實踐[A];2005年中國機械工程學會年會第11屆全國特種加工學術會議專輯[C];2005年

8 趙星;云乃彰;陳建寧;;電火花線切割微細加工的實踐[A];2005年中國機械工程學會年會論文集第11屆全國特種加工學術會議專輯[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控制技術的研究[A];第13屆全國特種加工學術會議論文集[C];2009年

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

相關博士學位論文 前1條

1 張志航;基于小波分析的微細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;2012年

相關碩士學位論文 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;2011年

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

3 肖任勤;電火花電解復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;2009年

4 李建軍;基于復合工作液的低速走絲電火花線切割技術研究[D];南京航空航天大學;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;2010年

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

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

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

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

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

，

本文編號：2424066