基于PSO神经网络钻削数据库系统的研究与开发

论文摘要

钻削加工是最复杂的机械加工方法之一。钻削加工参数的确定受机床、刀具、工件材料、加工质量、产品的允许生产时间、生产成本等诸多因素的影响,如果采用常规的工艺设计方法,不仅难于得出合理的结果,而且在新材料、新工艺、新设备实施中可能无从着手。因而,在钻削加工工艺设计中,需要采用快速、合理地确定钻削加工切削参数的新方法。通过建立钻削数据库管理系统可快速查询钻刀的各种加工信息,如切削用量,刀具几何参数等,给现场人员提供必要的咨询,有利于提高生产率,节约生产成本,也可使数据库的信息管理更加科学化。本文分析了BP神经网络和微粒群算法的特点,针对BP网络具有收敛速度慢、易于陷入局部极小的缺点,提出用具有全局收敛性的微粒群算法优化BP神经网络;将该方法应用到钻削数据库系统中,实现钻削参数的合理选择并使钻削参数的选择具有一定的智力水平。该方法能够改善BP算法性能,使其不易陷入局部极小,增强泛化性能;有利于提高系统的运行速度和运算效率。本文还使用该方法设计并实现了钻削数据库系统,其特点是:系统从已有的实验数据中获得学习样本,并且通过用户向系统提供的刀具、材料、加工质量等参数,能够快捷且比较合理地制订出钻削加工的切削速度、进给量、切削深度的大小。而且伴随着加工信息的反馈,系统能够通过自学习,不断完善数据库,提高自身决策能力,从而使决策结果更趋合理。实验表明,本文的方法能够快速合理的制定钻削参数,应用本系统大大缩短了刀具选择的时间,减少了工人劳动,同时降低了加工成本,不但克服了刀具选择过程中人为因素的影响,还有效控制了加工质量。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 课题来源
• 1.2 课题背景及意义
• 1.3 相关技术的研究现状
• 1.3.1 微粒群算法的研究进展
• 1.3.2 人工神经网络在机械工程中的应用
• 1.3.3 国内外切削数据库的发展现状
• 1.4 本课题的主要研究工作
• 第2章 微粒群算法和神经网络的基本原理
• 2.1 微粒群算法
• 2.1.1 标准微粒群算法的基本原理
• 2.1.2 微粒群算法的特点
• 2.1.3 参数分析
• 2.1.4 对微粒群算法的改进
• 2.2 人工神经网络理论
• 2.2.1 人工神经元
• 2.2.2 人工神经网络结构
• 2.2.3 神经网络模型
• 2.3 BP 神经网络
• 2.3.1 BP 神经网络的原理
• 2.3.2 BP 神经网络的不足
• 2.3.3 BP 算法的改进算法
• 2.4 本章小结
• 第3章 基于微粒群神经网络的钻削参数模型
• 3.1 微粒群与BP 神经网络相结合的理论依据
• 3.2 微粒群算法和神经网络的结合算法
• 3.2.1 PSO 优化BP 神经网络的原理分析
• 3.2.2 PSO-BP 神经网络的算法
• 3.2.3 系统学习算法流程
• 3.3 基于微粒群-BP 神经网络的钻削参数的模型
• 3.3.1 系统网络结构及各层节点数目的确定
• 3.3.2 系统数据的处理
• 3.3.3 实验结果分析
• 3.3.4 加工实例验证
• 3.4 本章小结
• 第4章 钻削数据库系统的设计
• 4.1 系统总体设计
• 4.2 系统各功能模块的设计
• 4.2.1 用户登录模块
• 4.2.2 数据库查询模块
• 4.2.3 数据库维护模块
• 4.2.4 学习样本维护模块
• 4.2.5 用户人员管理模块
• 4.3 系统工作原理
• 4.4 本章小结
• 第5章 钻削数据库系统实现
• 5.1 开发环境和开发工具的选择
• 5.2 应用程序与数据库的链接
• 5.3 系统主要界面说明
• 5.4 本章小结
• 结论
• 参考文献
• 攻读硕士学位期间发表的学术论文
• 致谢