电火花线切割加工工艺参数智能优化研宄bookmark0中山市中等专业学校（广东中山528400）吴流发后的参数用于实际加工，将加工结果与传统的非线性回归模型和人工神经网络模型的预测值进行比较，发现人工神经网络模型预测效果较好。
电工火花线切割加工是一个多输入多输出的难以用精确的数学关系式表示其加工条件与加工结果之间关系的复杂过程，传统方法所获取的拟合曲线是对真实情况的简化后而得出的，不可能很准确；事实上到现在为止人们对线切割加工的机理也没有完全了解，所以很难用数学语言来加以表述，而对于这种难以用数学语言表达的隐性知识，人工神经网络则正可以发挥它的优势。
的输出不符，则转入误差的反向传播阶段。误差反传是将输出误差以某种形式通过隐层向输入层逐层反传，并将误差分摊给各层的所有单元，从而获得各层单元的误差信号，此误差信号即作为修正各单元权值的依据。权值不断调整的过程，也就是网络的学习训练过程。此过程一直进行到网络输出的误差减少到可以接受的程度，或进行到预先设定的学习次数为止。
2BP网络模型非线性连续转移函数的多层前馈网络的误差反向传播（BP）算法进行了详尽的分析，系统地解决了多层神经网络中隐单元层连接权的问题，并且在数学上给出了完整的推导，BP多层神经网络模型的拓扑结构如所示。它由输入层、隐层（中间层）和输出层组成。
2.1BP网络的基本思想学习过程由信号的正向传播与误差的反向传播两个过程组成。正向传播时，输入样本从输入层传入，经各隐层逐层处理后，传向输出层。若输出层与期望在此用BP神经网络建立完善的电火花线切割加工过程工艺参数的预测和优化系统模型，其BP网络模型如所示。
4莫具制造技术*bookmark3表面粗糙度Aa加工速度V工艺效果层隐含层4隐含处理层权值矩阵用表示为W=（WbW2，…，Wk，…，Wl），其中列向量Wk为输出层第k个神经元对应的权向量。
下面分析各层信号之间的数学关系。
对于输出层，有：输人参数层工件厚度好脉冲宽度脉冲间脉冲商度厶工艺参数预测和优化的BP网络棋型。2BP网络的学习规则BP网络中采用有一定阀值特性的连续可微的单极性Sigmoid作为神经元的激发函数，如式（1）。
在BP神经网络训练中引入了！规则，该规则也称为连续感知器学习规则，5规则的学习信号规定见对于隐层，有：-期望输出信号-输出信号一第j个节点的权值向量矩阵的转置矩阵-输入向量一第j个节点的输出层的网络输入值-隐藏层输出向量的个数w隐层到输出层间第i个输出向量到第j个神经元对应的权值yi隐藏层第i个节点的输出值（x）激发函数f（x）的导数，f' r*学习信号2.3BP算法推导采用BP算法的多层前馈网络是至今为止应用*广泛的神经网络，在实际应用中又以的网络结构*为普遍。
三层前馈网中，输入向量为X=（xhx2，…，xj，…，x）T；隐层输出向量为Y=（yby2，…，y，…，ym）T；输出层输出向量为：O=（obo2，为：d=（dbd2，…，dk，…，dL）T；输入层到隐层之间的权值矩阵V=（Vi，V2，…，Vj，…，Vm），其中列向量又为隐层第j个神经元对应的权向量；隐层到输出层之间的当网络输出与期望输出不等时，存在输出误差E，定义如下：将上式定义展开至隐层，有：以上的误差定义也可以展开至输入层，可以看出：网络输入误差是各层权值Wk、Vj的函数，因此调整权值可改变误差E，调整权值的原则是使误差不断减小，一般用*速下降法求E的*小极点。
对输出层和隐层各定义一个误差信号对于输出层，有：对于隐层，有：耐斯合模机飞模好帮手bookmark5经过推导，输出层和隐层的误差信号和权值调整计算公式分别如下对于输出层，有：对于隐层，有：容易看出，BP学习算法中，各层权值调整的计算**层和第二层的传递函数采用正切S形函数（tansig），第三层的传递函数采用线性函数（purelin），训练函数采用动量批梯度下降函数（traingdm），网络权值和阀值学习规则采用误差反向传播学习规则（learnbp），网络的学习结果与实际值的误差分析如表1.表1神经网络学习结果与实际值的误差分析表项目注：v―，两模型的预测值与实际值之间的误差分析如表3所示。
从表中的结果可见，Ra、V的预测值与实际值的相对误差在实际允许的范围内，其中：人工神经网络模型的*大误差值为9.95%和5.06%；非线性回归模型的*大误差值为36.27%和13.01%.从总体误差分布的对比分析表中，可以看出：反映总体预测值与实际值偏离程度的方差和正态分布函数的重要参数标准偏差s值都获得比较满意的结果。其中：人工神经网络模型的的值比非线性回归模型值要小，精度要高。
表2ANN模型和NR模型预测结果对比表序号实际值预测值预测误差实际值预测值预测误差表3ANN和NR预测值与实际值之间的误差分析表项目注：v―实验值V―网络预测值n-实验样本数5结束语采用人工神经网络的BP算法技术，通过网络训练能获得较好的效果；利用优化后的参数进行实际加工。比较后发现：人工神经网络模型（ANN）比非线性回归模型（NR）预测效果好，优化后的参数能较好地提高加工效率。
