随着数控（NC）技术的普及和发展，磨料水射流切割在材料切割中占据着越来越重要的位置，应用范围也不断扩大。智能化和高精度是目前磨料水射流产品的发展方向。
磨料水射流切割技术与其他切割技术相比，影响因素多，并且在切割过程中还存在着许多不确定因素。为了得到预期的切割效果，目前工艺参数的确定还主要依赖于操作者的知识和经验，但由于操作者经验的不足，往往使磨料水射流机床的性能和功能得不到充分的发挥。能否选择合理的加工条件，降低操作者的介入，理应成为衡量磨料水射流切割机床性能的一项重要指标。
1磨料水射流切割工艺参数的选择方法根据切割条件和切割要求来确定工艺参数，根据工艺参数来预测切割效果己逐渐成为磨料水射流切割系统开发者和机床厂家的追求。通常确定两者之间关系的方法有经验公式法、工艺曲线法等。以上方法都建立在一定数量的经验数据基础上，对切割工艺参数的选取或切割效果的预测起到了一定的作用，但都有不足。目前还缺少类似金属切削手册一样的切割工艺参数选择的资料，经验数据有限，不可能覆盖所有不同切割条件或工艺参数的组合，也不能随新技术和新工艺的出现而更新，而且不同种类机床的数据也有很大的局限性。
从工艺参数的选择来看，取得一定切割条件下的工艺参数，很大程度上依赖于熟练操作者的经验和工艺知识，熟练操作者通过对工艺参数一切割效果之间关系的分析，通过多次的尝试和调整，推理出应该采用的较合理的工艺参数。
人工智能技术的发展弥补了上述选择方法的不足，并从传统的基于知识符号向计算智能方向发展。
计算智能具有学习能力、优化能力及实时性等特点，其中较为成功的研究是人工神经网络。
2人工神经网络概述在研究生物神经网络系统的学习能力和并行机制的基础上提出的一门新兴交叉学科。人工神经网络系统是指利用工程技术手段模拟人脑神经网结构和功能的一种技术系统，它是一种大规模并行的非线性动力学系统。
人工神经网络由于神经元之间的连接方式不同，可以组成不同结构形态的神经网络系统。到目前为止，己有30多种人工神经网络模型被开发和应用。反相传播（BP）网是一种反向传递并能修正误差的多层映射网络，当参数适当时，此网络能够收敛到较小的均方差，是目前应用*广的网络之一。
运用神经网络建立磨料水射流切割加工模型具有很多优点：利用神经网络并行结构和并行处理的特征，通过适当选择工艺参数，可以准确地反映多参数作用下磨料水射流切割加工的规律特征；利用神经网络知识存储和自适应特征，通过适当补充学习样本可以实现历史经验与新知识*佳结合动态地反映磨料水射流切割加工的规律特征；利用神经网络理论的容错特征，通过选取适当的数据结构，可以处理各种非数值性指标，实现对切割系统性能的模糊评价。
3磨料水射流切割网络的建立及训练分析31BP神经网络结构设计与参数选择为实现对磨料水射流切割工艺参数的智能选择首先需设计一个神经网络。确定选用BP网络后，就需选择网络的层数、每层的神经元数、初始权值和阈值、学习方法、数值修改频度、神经元变换函数及参数和学习率等。这里有些项的选择有一些指导原则，但更多的是靠经验和试凑。
根据对人工神经网络结构与参数的研究与讨元。取学习率1=0.02误差0.002. 3.2学习样本对BP神经网络采用的是有教师学习方法，这就要求给网络提供学习样本对，该样本对应包含影响磨料水射流切割深度工艺参数的特征量信息。由于磨料水射流切割的特殊性，使影响磨料水射流切割深度的参数多达18个。如果考虑所有的参数，将使模型变得极为复杂，也使网络以后的再学习存在困难，实际上也无法同时获得所有这些参数的。
再学习的目的是产生一组新的网络参数，即执行修正权值的算法，产生新的权值分布和阈值。方法是把实际输入/期望输出作为一个新的样本，重新训练相应的BP子网络，仍采用BP算法，进行再学习，直到网络学会为止，由此知识库中的知识得到了充实。
在本网络中，输入是磨料水射流的预期加工指标即*大切割深度，输出是磨料水射流切割工艺参数。操作者在使用过程中，根据输入可得到网络的输出。如果输出不满意，可舍弃。即：当通过网络的计算和推理，得出的工艺参数实验结果不能满足用户要求时，则弃之不用。假如输出值满足要求，并经过实际切割效果良好，可以将其存入到工艺数据库中，丰富样本库。操作人员在实际切割中得到满意的输出可作为新样本，让网络进行再学习，以不断地丰富网络知识和经验。
当机床型号或控制系统变化时，原来的拓扑结构将不能满足要求，因此需要重新构建神经网络拓扑结构，重新对神经网络进行训练，获得新权值和阈值。将针对不同磨料水射流机床的神经网络集成在一起，把每个神经网络模型作为一个子网络，如果隐含层数和隐含单元数足够的话，再假定某种机床仿真系统的输出为N则网络的结构是输出层加了N个神经元。输入模各单元也可能依据一定的方法重新划分，输入神经元数目也因此发生变化，隐含层神经元数目相应地进行调整，从而可确定扩充后的神经网络结构。输入、输出模式的改变决定了学习样本向量的改变，因此应重新生成新的样本向量，再对新的神经网络进行训练，从而得到新的网络权值和阈值数据。
此外，材料的力学、物理性能也影响磨料水射流的切割深度，所以对每一种常见的切割材料都需要建立并训练一个神经网络，然后再集成在一起。
4结语为降低磨料水射流切割对工人的技术水平要求，充分发挥机床的潜力，本文提出了磨料水射流切割工艺参数智能选择的思想，并运用人工神经网络工具予以实现。通过大量的实验获取了磨料水射流切割的4个主要工艺参数（射流压力、切割速度、磨料流量及磨料粒径）与*大切割深度之间关系的数据，以此作为神经网络的学习样本实现了对切割参数的智能选择，为磨料水射流切割智能化系统的研究奠定了一定的基础。
