基于机器学习算法的切削加工最终稿

北京理工大学珠海学院2020届本科生毕业设计基于机器学习算法的切削加工摘要近几年来，诸如“中国制造2025”，“工业4.0”概念已逐渐成为制造业未来的导向，又伴随着人工智能这几年的火热兴起，智能与制造行业的关系不断的紧密了起来。在保证产品质量的前提下，如何使得生产效率提高，切削参数如何合理的选择，许多研究者已经开始运用机器学习来寻找答案。机器学习包含的一些重要的算法对于提高生产效率，减少制造成本是一种极优的途径。所以基于机器学习算法的切削加工过程的研究对于制造智能化有着巨大的意义。本文对目前常用的切削参数优化的算法进行了详细的介绍，其中包括人工神经网络构成及其原理进行了阐述，并对其实现过程进行说明。遗传算法的原理以及步骤也给出详尽的介绍。最后针对两种算法的优缺点进行比较，选择神经网络算法作为本文的算法对象。其次，在了解了目前的切削加工原理后，对它进行了探讨，其中包括探讨加工变形的主要原因，以及探究了影响切削力的主要因素，对本文的研究内容建立起到了良好的参考作用。学习了工件数值的取值规律，并利用该规律进行模拟数据的生成。最后选取了输入输出层数和节点数，包括设置合适训练函数，学习速率，目标精度等等网络参数，利用MATLAB进行神经网络模型的建立，并将训练样本放入模型训练，分析训练结果。关键词：机器学习；切削加工；神经网络；钛合金车削MachiningbasedonmachinelearningalgorithmAbstractInrecentyears,suchas"madeinChina2025",theconceptof"industry4.0"hasgraduallybecomethefuturedirectionofmanufacturingindustry,andwiththehotriseofartificialintelligenceinrecentyears,therelationshipbetweenintelligenceandmanufacturingindustryhasbecomeincreasinglyclose.Underthepremiseofensuringproductquality,manyresearchershavebeguntousemachinelearningtofindouthowtoimproveproductionefficiencyandhowtochoosecuttingparametersreasonably.Machinelearningcontainssomeimportantalgorithmsforimprovingproductionefficiencyandreducingmanufacturingcostsisanexcellentway.Inthispaper,thecommonlyusedalgorithmofcuttingparameteroptimizationisintroducedindetail,includingthestructureandprincipleofartificialneuralnetwork,anditsimplementationprocessisdescribed.Theprincipleandstepsofgeneticalgorithmarealsointroducedindetail.Secondly,afterunderstandingthecurrentcuttingprinciple,thispaperdiscussesit,includingthemaincausesofmachiningdeformation,aswellasthemainfactorsaffectingthecuttingforce,whichhasagoodreferencefortheestablishmentoftheresearchcontentofthispaper.Finally,theinputandoutputlayersandnodesareselected,includingsettingappropriatetrainingfunction,learningrate,targetaccuracyandothernetworkparameters.Keywords:Keywords:machinelearning;cutting;neuralnetwork;titaniumalloyturning目录1绪论 61.1研究背景及意义 61.2国内外研究现状 71.2.1关于切削加工过程优化技术的研究 71.2.2切削加工关于神经网络的研究 71.2.3在切削加工工程优化中其他算法的研究 81.2.4利用专家系统对切削加工过程优化的相关研究 91.3本文研究内容和章节安排 92机器学习算法理论概述 102.1神经网络模型（ANN，BPNN）概述 102.1.1神经网络及类型介绍 102.1.2神经元的介绍 112.1.3神经网络 122.2BPNN算法及原理 132.2.1BPNN算法流程 142.3遗传算法原理 182.3.1遗传算法的执行过程 182.3.2程序实行主要内容 192.4人工神经网络和遗传算法分析 192.5总结 203加工过程基本问题以及模拟数据生成 213.1加工工程问题探讨 213.1.1切削加工基本原理 213.1.2切削的变形 213.1.3影响切削力因素 233.2模拟数据生成 233.2.1工件材料模拟数据生成 233.2.2刀具模拟数据产生 243.2.3样本数据生成 253.3本章小结 264基于神经网络切削加工过程仿真验证 274.1神经网络算法处理 274.1.1算法处理 274.1.2神经网络一般的训练顺序 294.2基于神经网络算法对切削加工工程仿真验证 294.3训练神经网络模型 324.3.1样本数据挑选 324.3.2对起始值进行归一化 334.4本章小节 365总结与展望 375.1总结 375.2展望 37参考文献 38谢辞 40附录 411绪论1.1研究背景及意义《工业4.0》和《中国制造2025》指出，现代工业以制造智慧和智能为特征，其中机械化和智能数字化是重要的组成部分。在当下的机械制造行业中，最复杂的过程是高度非线性的加工。作为一个既满足非线性系统特征又满足时变系统特征的系统，如果想要完成计算机对加工过程进行控制的结果，那么就得对加工过程进行建模和仿真，展示出它的动态特性和它的变化规则。设立一开始的优化目标，我们会选择机床、刀具和加工条件这些加工过程中的主要加工资源。研究者一般来说依赖于物理理论，也凭借着实验中所创建的切削资源和目标构成的模型，再对它们进行优化处理，就能完成这一目标。不过值得注意的是，高度非线性，极高的材料变形量和切削区域温度这些特征始终伴随着切削过程。单单就只使用这两种方法一般来说不容易创建加工资源与加工目标之间的全局模型。所以，研究人员把每种加工资源进行一定的分解，划分成了自然数个小单元来对其进行研究，这样做方便了模型的建立。分析建模在加工过程建模领域起着主导地位。因为分析模型在理论研究和公式推演上一般来说会比经验模型更加繁杂，不过它能更好的从机理层面理解切削过程，并能够研究每一种工艺参数对切削过程关联物理量的影响规律，对理解切削过程非常有帮助。在机械制造领域，其主要的加工方式是切削加工，巨量重复的相同工作一直伴随着加工的过程中。机器学习从最本质来说就是一组算法，为了能更准确的预测结果，算法可以控制软件和程序像人一样在过去的经验中学习。算法和生物一样能够不断的进化自己而且还能适应自己，不需要编程手段，。因此，将机器学习算法应用到切削过程中，对加工过程中的加工资源进行一定的优化，就能完成切削过程的优化。本文研究如何利用机器学习算法对切削加工过程的切削参数进行一定的优化，为基于机器学习算法在切削加工过程中进行优化操作的更深的探讨提供一定的帮助。1.2国内外研究现状本小节针对国内和国外的研究员对优化切削加工技术的探讨进行一定量的阐述，也包含了如何运用神经网络来结合切削加工，中外研究员也有许多有趣的尝试。还扩展介绍了另外的一些机器学习算法与切削加工结合的研究和以过往的经验模型与数学模型构成的专家系统，用它来对切削加工进行改善。1.2.1关于切削加工过程优化技术的研究从上个世纪90年代末尾开始按照数学建模的方法对切削过程的优化研究流行了起来。Chua等人提出了关于切削条件优化的数学公式，这些数学公式的目标是想要缩短加工时间。如果想要计算出最优经济的公差和尺寸，HE提出的最小加工成本目标函数就能实现。Yeo等人提出了对每次的车削的切削深度进行优化，这样便可以降低加工成本。，这是一种对数控车床较能够使用的优化方法。Akturk等人提出的方法是创建了系统表示的数学模型，用该模型来对总的生产成本进行计算和改善，这种方法属于数控机床的分层优化方法。Kayacan等人提出了一个旋转零件的工艺规划系统也很有想法，它是由Kayacan等人提出的。这个系统利用知识库和加工拓扑结构来对加工工艺和刀具进行设置。Lazoglu和Liang等人建立了刀具-工件相互作用的数学表示模型，调整设置了加工过程，优化了切削参数。汪朝军等发表了变搜索域遗传算法，虽然这个算法过于复杂，但是它容易计算，速度迅速且能保持很高的精度，这样就解决了制造系统对优化切削数值要求迅速做出响应的问题。潘永智等人通过使用了遗传算法，创建了切削力的准备模型，把模型设置为目标函数，使得各参数得到了优化。1.2.2切削加工关于神经网络的研究神经网络通过大量的并行计算结构解决了传感器信号。它还能够对复杂工况下的加工状态进行归类，过滤掉加工过程中时常出现的状态信号噪声。barschorff通过使用神经网络这些优点创建了具有代表性的BP网络监测模型。在此模型的基础上，Monostori为了增强网络的泛化能力，便将过程参数汇集到网络的训练中，便于对漂移进行滤波。Jammu使用了SCBC无监督神经网络目的是保证分辨率，和实现在线监测，tarng的学习模型由一个由自回归滑动平均模型和ART2网络所构成。倪其民等依照加工过程原理创建了人工神经网络模型，为了对平面铣削加工切削参数的完成我适应的改善优化，借助了遗传算法对神经网络节点优化了权重。这样优化在一般加工条件下，能够获得到最大材料去除率，不过优化效率不是很高这个缺点也很突出。李小忠等为了构造了切削加工参数优化模型便借助了人工神经网络和遗传算法。张玉周和刘菊东则运用了不同于其他人的方法对切削参数进行优化，就是添加了模糊分析方法来实现这一过程。沈为了弥补位置误差，采用了BP网络学习预行程误差与位置坐标的关系映射。一般来说机床温度场与热变形之间的关系是非线性的，杨为了研究这一关系使用了cm-AC网络对上述实行热补偿。雷克构造了三层的BP网络，其主要作用是对数控立铣液压冷却系统的工作状态进行确认。1.2.3在切削加工工程优化中其他算法的研究为了寻求问题解的答案，通过借助计算机的高性能，可以在问题的解空间中提出一些或所有可能的情况，这种算法就叫做搜索算法。对加工过程优化问题视为是一个源于搜索算法的搜索问题，国内外研究者普遍是这样做的，其中禁忌搜索是普遍使用的一种搜索算法。Rai等人确认了箱体零件的加工工艺，是来源于约束的TS算法优化加工资源的挑选。为了提高优化效果，许多“遗传基础”算法在切削过程优化中得到了宽广的采用，在“遗传基础”算法中普遍采用的是遗传算法。遗传算法的问世离不开JohnHolland这个Michigan大学的著名学者。八十年代后期的开拓性工作的初衷是在人工自适应系统中设计查询机制，达尔文的自然进化原理诞生了这一方法。大自然的生物有着相当复杂且强大的适应周围环境的能力，为了能解释这一现象，研究员对生物进化机制进行了模拟因而创建了人工系统模型。遗传算法挑选的对象是群体中的每一个个体，并且采用了随机化技术来控制编码参数空间进行有效搜索。Chen和Tseng在加工条件的挑选中使用了浮点编码算法。由于实际加工过程的局限性，单目标优化往往不能解决所有的目标优化问题，研究者为了能够对许多因素进行优化改善，利用了多目标优化的方法。Sardinas等人为了得到车削加工过程中所产生的最佳切削参数，创建了采用遗传算法的多目标优化方法来进行试验。Solimanpur和ranjdoostfard创建的基于遗传算法的多目标优化改善方法顾及到了生产所需要的时间和成本还有粗糙度等因素，并利用该方法确定了最优切削参数。刘春静等创建了一个灰色关联度和主成分分析的车削优化模型，该模型将评价指标设置为表面粗糙度、切削力和刀具磨损，这个模型还依赖于田口法。1.2.4利用专家系统对切削加工过程优化的相关研究Elsawy和Abdalla为了优化加工过程，创建了一种基于专家系统的混合层次分析法（AHP）。以工程技术人员的实际经验和数学分析模型的输出相融合，可以得到更加准确以及确定权重的知识，能够帮助工人对刀具和机床进行挑选，这就是该系统显著的特点。Ribeiro和coppini[56]开发了用与对比，研究，和改进各种刀具程序的一个加工数据库系统。加工数据库系统会依照工厂能够完成的最大生产条件来进行查找适合当前生产条件的最佳加工带。上述研究方法优化了切削过程中的许多个局部目标，如常见的切削参数、切削路径等。1.3本文研究内容和章节安排本研究课题主要目的是探究如何利用机器学习算法来对切削加工参数进行改善优化。实际生产是最好的例子，本文基于实际生产，参考相关工件和刀具特性进行模拟数据生成,并建立了预测模型，分析了结果。第一章绪论对研究背景进行了阐述，包括国内外研究者对本课题的研究状况以及他们的主要研究内容等，同时最后说明了了本文研究的内容和章节布置。第二章介绍了研究内容涉及的机器学习算法各类型的理论，分析了它们的实现过程，并阐述了选择神经网络进行研究的原因。第三章介绍切削加工的基本原理，分析了包括加工变形，切削力影响因素等等。另外分析了工件和刀具的特性，进行了模拟数据的生成。第四章对神经网络的公式，构造，训练方法进行了探讨和介绍，并且分析和选择了参数，构建了神经网络模型。针对样本进行了训练，再探讨了训练结果。第五章针对了本文所探讨内容进行了总结，并对本文所欠缺的部分进行了展望。

2机器学习算法理论概述本章的主要内容是介绍切削加工过程优化可能所涉及的学习算法，为了挑选适合的算法进行研究，需要对不同的机器学习算法和模型进行探讨学习，使各算法进行一定程度的结合。2.1神经网络模型（ANN，BPNN）概述从上个实际80年代初，人工神经网络（即ANN）就一直是作为人工智能研究领域关注度最高的算法。它是每一种神经网络模型的根基。本节除了对神经网络模型进行详尽的说明，也重点介绍神经网络的BPNN模型。2.1.1神经网络及类型介绍相互连接的节点（或神经元）组成的一种操作模型被叫做神经网络。激活函数（activationfunction）是指任一个节点所能表示的指定输出函数。任意两个节点之间存在着一个连接，信号在通过时连接只有满足相应的权值才能通过，这个权值大多数人又叫它权重。权重和人工神经网络就好比与计算机和它的内存的关系。网络的输出由很多因素决定，通常比较熟悉的因素是激励函数、权等。目前已经存在数十种神经网络模型，主要有以下几种类型：前向型、反馈型、随机型和竞争型。前反馈神经网络的特征是逐层排列的，它里面包含了输入输出层和隐形层。其中输出输入层有确定的层数而隐形层可以任意设置层数。该类型的神经网络各层神经元不会对前层进行信号反馈，只是接受前层的输入。各层在得到前层的输入后将其转换所得的输出结果又作为后一层的输入，一直行进到最终输出结果。值得一提的是，本文所要仔细探究运用的BPNN就属于这种网络类型。回归网络一般来说也被叫做反馈网络。反馈系统的初始状态一般来说取决于输入信号。系统如果想要达到平衡状态，就需要网络系统不断的经过一系列的状态转换。因此，稳定性是反馈网络的重要指标之一，比较熟知的是Hopfield神经网络就是该种类型。随机型是指具有随机性的模拟退火算法解决了优化过程中的局部极小问题，并成功地应用于神经网络的学习和优化中竞争型比如自我组织神经网络，它是一种没有老师的学习网络，它一般模拟人脑的行为动作，按照以往的结论自我适应不能够观测的环境变化。由于没有监督，这种网络通常采用竞争的原则进行网络学习和自动聚类。目前，它广泛应用于自动控制、故障诊断和其它类型的模式识别中2.1.2神经元的介绍为了更好理解所谓的神经网络，见图2-1最基本的神经网络开始介绍。图2-1的神经网络只有一个“神经元”。图2-1神经元结构这个神经元是由x1，x2，x3和一个偏置b=+1作为输入，w1，w2，w3是他们的权重，节点输入后，经过激活函数F，得到输出：现在，我们用sigmoid函数作为激活函数f(x):其函数图像见图3-2所示：图2-2sigmoid函数图像其值范围大于等于0小于等于1（[0,1]）。因此，当一个数据输入来到神经元，我们的激活函数会对其采取转换，转换出来的就是输出结果，这就是神经元的一个过程。2.1.3神经网络所谓神经网络就是把有限个独立的“神经元”互相链接，值得一提的是在这个神经网络中，一个“神经元”的输出等于另一个“神经元”的输入。如图2-3展示了一个神经网络，方便我们去理解这一过程。x1x1+1x3x2x1+1x3x2LayerL1LayerL2a1a3a2LayerL3h(x)图2-3神经网络示意图最左边第一层是输入层，其次是隐形层，最后一层是输出层。在神经网络中节点就表示为神经元，而图中的输入层和隐藏层就分别有三个节点，输入层有三个输入节点，x1、X2、X3和一个偏移节点（用+1圈起来）。在每一层和下一层之间还有一个权重矩阵w。这样一个的简单神经网络，从输入x开始与所属权值矩阵W相结合，以Wx+b的形式以输入层开始输出传递到到隐形层L2到结束，它同样是隐藏层的输入。经过激活函数f（x）的转换后，a1，a2，a3这三个输出将会得到，把这3个输出与相应的权值还有偏移量相结合，它们就是输出层L3的输入，它们再通过激活函数，最终输出结果便获得了。2.2BPNN算法及原理BPNN也被叫做后向传播神经网络。在上面的小节已经提到过它，BPNN属于向前反馈型神经网络的一种。前馈型网络的结构加上朝后传播算法就成为了BP神经网络。图2-4BPNN示意前馈型神经网络，就像百米赛跑一样，从起点一直奔跑到终点，不会向后跑。信号往前面传递就称为前馈。BPNN的前馈表现的意思是假如现在有个输入信号，这个输入信号来到了输入层，他会从输入层出发，它所走过的各层，神经元会把本层的输出计算出来后把输出传递到下一层，这样一直到最后，神经网络的结果就会被输出层计算出来。。前馈一般来说只计算网络的输出，不会调试网络的参数。我们需要对一些在训练过程中利用反向传播来调整网络的权值和阈值的网络进行监督。当你的网络没有得到很好的训练时，输出的结果必须与你所想的不同。然后我们会得到一个偏差，并逐级传递偏差，然后逐层得到反馈偏导数可以使得梯度下降，但依赖于反馈去寻找。想要最大可能的减少期望值和输出值之间的误差，可以使用梯度下降法求出成本函数的最小值来处理。2.2.1BPNN算法流程BPNN的算法流程如图2-5所示。图2-5BPNN流程总共分为五个步骤：将网络权重和偏置进行开始设置。不同神经元有不同的网络权值。所以当在开始阶段，如果给各个网络连接权重一个相当小的随机数，那么神经元的偏置也会被设置为一个随机的数。正向传播。把样本进行输入后会自动算出神经元的输出。另外说一下神经元的计算方法是相同的。它是由其输入的线性组合得到的，如图2-6所示x1x1+1x3x2x1+1x3x2LayerL1LayerL2a1a3a2LayerL3h(x)图2-6神经网络演示我们用Wijl表示第l层的第i个节点与第l+1层的第j个节点之间的权重，其中我们将第l层记为L1，本图中L1与L2层之间的权重即为Wij1，L2与我们用bil代表第l+1层第i个节点的偏置项。我们用sjl表示第l+1层第j个节点的输入值。当l=1时，  我们用θ(sjl)代表第l那我们可以得到如下公式：s一次训练这样就算实现了，我们得到了输出结果hW,b计算误差并进行反馈回应。这正是和人类一样的学习过程，算法也能这么做。不用怀疑的是，我们在学习过程种希望我们的学习结果和最终测试成绩达成一种一致，算法也是这样，它的输出要尽可能和实际值相同。如果两个值之间不一致时，就会存在误差。显然的是随着误差越小，算法的预测效果就会越优秀。整个工程的变量只有权重，它们会影响输出。

如果权重变化出现在在输入层的第i个节点和隐形层的第j个节点之间，变化为Δwij，那么这个Δwij将对Sj产生影响，导致一个变化Δsj，然后生成Δθ(sjL(e)=有了误差，为了最小化它们，使用梯度下降法。也就是说，每一个样本的权重都会沿着其负梯度的方向变化。也可以这样说，误差l到权重W的梯度，对于从输入层到隐藏层的权重，我们有∂L∂W由于sj1=所以∂sj1带入（1）中为∂L∂Wij1= 然后我们需要求∂L∂sj1，因为所有的si2=j=1n 我们可以将∂L∂∂L∂sj又根据（5），我们得到：∂si2带入（6）可以得到：∂L∂现在，我们记δil我们有：δj1因为：δ在这个阶段，可以看到反向传播在哪里了，也就是ei。在反向传播的情况下，我们可以将输出层视为输入层，因此这里每个输出层节点的ei实际上是我们的输入。通过激活函数θ'(si2得到反向输出后我们就可以计算第一层的权重梯度了：∂以及第二层的权重梯度∂可以看到一个规律：每一层的权重梯度都等于这一层权重所连的前一层的输入乘以所连的后一层的反向输出。比如输入层与隐藏层之间所连的权重梯度就等于输出层的输入Xi乘以隐藏层的反向输出δj1，网络权值和神经网络元件的偏差调整。使用权重梯度，我们可以轻松更新权重

W结束网络的判别。每个样本的差异值小于我们设置的阈值，或者达到迭代次数。训练就完成了，或者返回到第二步继续训练。以上就是BPNN的整个训练过程，训练结束了就可以使用该神经网络.2.3遗传算法原理模拟了达尔文生物进化的自然选择，和他最主要的遗传机制后，按照它们所创建的数学模型，就是常说的遗传算法。遗传算法寻求最佳解的手段是通过模拟自然进化而得到的。通常来说求导和函数连续性会对算法进行一定的阻碍，但遗传算法不会受到这些阻碍，遗传算法能够对结构对象直接操作。遗传算法也具有自身内部的隐式并行性，和对大局有比较好的优化能力。遗传算法使用随机处理技术来控制编码参数空间以个体为目标的搜索。遗传算法的初始化种群设置，设计适应度函数为它的关键函数。2.3.1遗传算法的执行过程遗传算法按照问题默认解集的种群开始进行处理，个体在被基因编码后形成了种群。个体其实都是一个具有特殊性能的染色体实体。染色体可以作为遗传物质的汽车，它包含了多种基因。它的内部表达决定着个体外形，内部表达（即基因型）是一种基因组合。例如，之所以能长出黑发，离不开其控制黑发这一特性的染色体的一种基因组合。因此，从表型到基因型的初步定位，即编码必须实现。，我们之常常对模拟基因编码进行简化，是由于其复杂性，如二进制编码就需要简化。第一代种群出现后，依照达尔文的适者生存的原则，后代进化会比前代更佳的近似解。在后代中，挑选个体要按照所在问题的适应度，利用自然遗传学中的遗传算子将交叉和变异相结合，产生一个代表新解集的种群。如同自然进化一样，一代比一代更适合环境。问题的相似最优解就是在最后一代种的最佳个体。图2-7展示了遗传算法过程。图2-7遗传算法过程图2.3.2程序实行主要内容根据遗传算法思想来对其进行程序实现所需要的主要内容：设置参数：对遗传算法的基本参数进行设置，如规模和代数等。处理数据：一般来说，我们用二进制数来表示候选解，所以这一步我们需要对对随机生成的十进制种群转变，使得种群个体的数据类型是二进制。适应度计算：对种群中每个个体的适应度进行计算并作为遗传的初始条件。进化过程：在这个步骤中，将对生成的种群进行遗传操作并产生下一代全新种群。重复这一过程直到循环到我们所设定的设定值，将最后一代的最优个体进行转化，使得它成为十进制数。2.4人工神经网络和遗传算法分析

通过上面的算法介绍，我们可以了解到神经网络和遗传算法的原理和过程。事实上，两种算法从提出到现在，人们早已开始了对它们和切削工程优化的结合进行研究。神经网络的映射优化对象中输入与输出的关系可以被用来替换一直以来的有限元计算。通常来说训练样本保证了神经网络结果的精度。遗传算法目前在切削优化领域被更多人使用，因为它很擅长解决那些复杂的非线性问题，且不依赖关于问题所涉及的领域。但是遗传算法通常在计算时需要巨量的初始个体组成的集合，并且需要进行大规模的迭代和循环次数，计算量过大会让研究者对于数据的处理变得复杂，容易出现错误。故本文选择神经网络进行加工过程优化的研究。2.5总结这一章对可能要涉及的算法进行介绍和实现，完成对原理的探讨，并结合两种算法的比较，选择神经网络进行研究。介绍了人工神经网络及其类型，包括算法流程，原理，结构，适用于本文所探讨的方法。对遗传算法GA原理和执行过程进行介绍。比价了两种算法的优缺点，结合实际情况选择神经网络进行本文的研究。

3加工过程基本问题以及模拟数据生成

本章主要内容探讨所涉及的切削加工过程的问题和原理。以及基于实际加工过程的可能所面对的问题和工件参数所涉及的物理几何信息，以此来生成模拟数据，为下一章节的神经网络模拟做数据准备。3.1加工工程问题探讨3.1.1切削加工基本原理切削加工是指在确保消耗较少成本和维持高生产率的情况下，用刀具相对与工件运动，工件部分会产生应力引起内部断裂，没有使用的工件部分会成为切屑脱离出来，最后让工件达到设计要求的精度，和形状。而车削相对简单的确保工件所有的加工面的位置精度，切削过程比较稳定，许可使用稍微大一点的切削用量，这些对生产率的上升很有用。3.1.2切削的变形切削的过程中，塑性变形是加工过程中的一种重要现象。由于遭受刀具的挤压，通常会造成变形，变形是切削过程常见的物理现象。许多因素都与切削过程的工件材料变形有着重要的关联，例如切削力和热，刀具的磨损等等。在切削加工过程中，一个塑性变形过程，就是除去多余的工件材料。滑移出现在刀具前刀面压靠切削层，在高速和高温的处境下，就很容易出现滑移。如图3-1加工材料的滑移线，由图可知道，在加工过程中，金属材料变形可分为3个区域图3-1切削加工材料的滑移线第一变形区

 切削刃附近切削层，会有一个变形区这个变形区就是第一变形区。它是金属的剪切滑移变形。切削层在到受刀具的影响后，在第一变形区塑性变形后形成切屑。受到刀具正面和切削刃的挤压的切削层，会使得切削刃附近的金属先产生弹性变形，紧接着塑性变形，金属晶格会出现滑动现象。第一变形区是切屑的变形区，其特征是切削层的剪切滑移变形。第二变形区切屑层与前刀面相接所产生的变形区，许多人也称它为第二变形区，其内部的金属因为挤压摩擦而产生了变形。经过第一变形区后，克服了前刀面切屑挤压产生的摩擦力，成形的切屑将沿前刀面方向排出。值得留意的是，第一变形区和第二变形区是互相联系的。前刀面摩擦力大时，排屑不顺畅，挤压变形加剧，使第一变形区的剪切滑移变形增大。第三变形区

 切削刃附近加工表面产生的变形区，又被叫做第三变形区，里面的金属是受到挤压和摩擦变形。加工表面受到刃口钝部和背面的挤压和摩擦，导致纤维化和一定程度的加工硬化。上述三个变形区域在刀具刃口附近聚集，因此此处的应力相对集中且复杂，待切割的切割层与共建材料分散在一起。切削速度方向和剪切面之间的角度称为剪切角。一般来说，剪切角与切削力有相当大的关系。所以，通常剪切角是作为判断切削过程的一个信号。相同的工件材料，在其他相关条件相同的情况下，随着切削速度越高，剪切角就会越大，切削面积就会变小，切削力也随之变小。通过以上探讨，切削过程的工件材料塑性变形主要形式是剪切滑移。3.1.3影响切削力因素切削力会受到不同的因素带来的影响，并且因素之间的影响规律都部相同，常见的影响因素如工件材料，切削参数等。工件材料对切削力的影响

工件材料有许多原因会导致切削力的大小受到影响，一般来说其化学成分，物理性能，加工前状态都是影响切削力的主要原因。值得注意的是，所产生的切削力的大小会随着工件材料的硬度和强度的增大而增大。另外容易被忽视的一点就是工件的化学成分多少，它也会对切削力造成不小的影响，比如碳素钢的碳元素和合金元素比例就对材料的强度和硬度有着影响，会对切削力造成影响。背吃刀量对切削力的影响

背吃刀量增加，相应的切削面积也会增加，而单位切削力并不会出现变化，因而切削力会上升。通常来说，背吃刀量和切削力是正相关的关系，背吃刀量扩大一倍，切削力也会扩大一倍。进给量对切削力的影响

如果进给量增大，那么切削力也会增大。切小面积会上升，进一步造成变形系数和摩擦系数下降，变形状态下降，导致切削力下降。而此时它的切削功率会上升，切削力也就增大了。以上两种作用结合造成的结果就是进给量增大切削力也会增大，但是不构成正比关系。3.2模拟数据生成我们知道切削加工过程是有一定规章律令的物理过程，这些规律就体现在数据中。模拟数据所具有的规律性远远大于真实数据。所以，本文所实验的方法如果能在模拟数据身上能够进行工作，那么不言而喻也可以对真实数据实现相同功能。按照上述理论观点，我们将对具体的加工实例进行模拟数据产生。本文用钛合金的车削加工作为实际的加工例子，根据以此来产生各种加工资源的模拟数据。本文中的数据包括参数。包含在工件、加工要求和机床中的数据称为参数数据。这种数据是在我们根据理论得到的数据范围内任意生成的。3.2.1工件材料模拟数据生成材料物理性能直接对金属材料的切削性能起着重大的影响。举个例子来说，我们所关心的材料的硬度、强度、导热系数、线膨胀系数、摩擦系数和断面收缩率等物理性能都会或多或少的影响着材料的切削性能。材料可以被那些常常用来测量金属材料热处理后的物理性能的测量设备所得的测量值来表示。显而易见的是，这些可以直接用数来表示的物理性质可以很非常简单地从不同种金属材料手册中得到。可以在几何层次上表示工件的参数，就是加工特征。然而，只是对加工特征的探讨很难对切削过程进行全面的标定。一般来说，与切削层的6种刀具路径联合，一种工件可以被分成一组对应的加工特征，进一步的每一种加工特征又分解成一组刀具路径。本文所使用的材料TC4钛合金，具有优异的综合性能，它的切削加工性比高温合金优秀，切削变形系数小于等于1,根据文献资料汇总，具体数值以钛合金TC4为参考，切削层类型为12种；工件体积根据实际情况来确定；密度和硬度为4.45e-9和37，具体的数据参数如表3-2所示，表3-2TC4数据属性切削层类型加工特征密度（tonne/mm^2）硬度(HRC)弹性模量（Mpa）12164.45e-93711200泊松比导热系数（W/m.k）热膨胀系数（e6/C）断面收缩率0.348.89.625%

3.2.2刀具模拟数据产生钛合金虽拥有非常棒的综合性能，但钛合金的弹性模量太小了，按照一般的加工过程来说，切削部分温度会变得过高，使得工件很容易变形，切削加工十分艰难。用于对钛合金加工的刀具一般来说可以划分为两个种类：一种使用在钛合金粗加工中的刀具，比如YG8这类刀具，另外一类是用在对钛合金车削精加工的刀具类型，比较熟悉的是硬质合金刀具。一般来说，金属切削刀具凭借几何形状和材料两个角度就能够对它们进行数值化。刀具几何参数能够决定刀具切削的几何形状，比如前后角等等。一般几何形状会让两类参数受到干扰：刀具自己身上的有关参数和切削部分有关的参数。以所选择的刀具用它的参数数据范围作为边界，在边界内生成相关数据。本文选用的是硬质合金YG8，数据参数如表3-2表3-3YG8数据属性刀具直径D刀具长度L密度（tonne/mm^2）硬度(HRC)前角15-50mm45-90mm1.46e-8893-5°泊松比导热系数（W/m.k）热膨胀系数（x10^6/C）后角切入角0.2279.64.78-10°8-203.2.3样本数据生成3.2.1和3.2.2与我们需要生成的样本数据有着紧密的联系，前者是自变量，而后者为因变量。本文为减小数据量，只选用切削力来成为优化目标的代表，其他加工参数也可用同样的方法进行论证。本文全部的样本数据是根据现有的切削理论基础，规律来建立数据关系函数，利用De-form来进行仿真推演，产生了20条样本数据，如表3-4所示的部分数据，进给量为0.2mm/r，背吃刀量2mm,切削应力1690N为一组模拟分析的样本数据。表3-4部分样本数据进给量（mm/r）背吃刀量mm等效切削应力N0.2216900.3316800.4516803525321690170016801810170016903.3本章小结本章节对本文所涉及的问题和原理进行了阐述，以及模拟数据生成，涵盖内容如下：（1）阐述和学习金属切削的原理，其中包含了加工过程中的变形过程，切削力的影响因素（2）针对本文所要进行模拟的内容进行数据生成，为接下来的神经网络提供数据支持。

4基于神经网络切削加工过程仿真验证我们都知道切削加工是物理过程，并且它具有相对的规则性，我们常常用数据来对这些规则进行体现。因而，本文所使用的的方法如果都能在模拟数据的基础上成功实现，那么对于那些没那么具有规则性的真实数据也是相同的效果。基于以上的推论，本章将与前章所提出的神经网络模型结合，对其算法进行仿真验证。另外，本文用钛合金的车削加工作为实例。4.1神经网络算法处理4.1.1算法处理前面的章节已经介绍了神经网络算法及其原理，在这一小节将选择所需要的函数和训练步骤。BP神经网络所运用的学习算法是带有指导的。通常一个训练样本进入到神经网络模型后，激活值从输入层出发开始传递模型里面，途中会进过隐形层，通过它再传递到输出层，最终一系列传递后处于输入层的神经元会得到网络响应。得到输出值后，按照误差和目标输入下降的倾向，对输出层返回到前面的层更改的每一个的连接值来判别，一直回到输入层。误差信号的不断逆向传送，神经网络的输入数据正确率就会越高，使得模型合理性不断上升。在神经网络中，最常用到的误差函数由公式4.1所示。Ep=1(该函数中：tpl为第pOpl激活函数在神经网络的规则中必然是可以微分的，经常使用的激活函数有三种类型，分别是偏置型，S函数型，双曲正切函数类型。在前面的章节已经介绍了S型函数，也因为其平滑性和渐进性比较良好，更能保持确定的单调性，所以在本文选用的是S型函数，如公式3.2所示：f(x)=11+e-x因为神经网路的激活函数是每一处都可以微分的，这就会引出它所具有的两个特点。第一个特点，非线性的地区将被区分出来，这些地区还是由同样非线性的超平面所构成。它们是曲面，而且足够光滑，这会让神经网络的归类比线性划分更加准确合理，它的容错率也相对较优秀。第二个特点，我们的神经网络学习所使用的是梯度下降法，因而它修订权值的解析式是比较明确的。误差的反向传送及其重要，所以我们需要误差的反向传送来调试每一层的权值和偏置。如果神经网络的层数为3层的话，设定它的输入节点为Xj，输出节点为Oi，隐形层节点为yi，输入层与隐形层节点之间的网络权重为ωij，输入层与隐形层之间的偏置为θi，隐形层与输出层之间的网络权重为T节点输出计算公式隐形层节点yi=f(jwi公式中：ne输出层节点

oi=f(jTiiy公式中：ne修订公式输出层

误差公式：δl=tl-ol⋅ol⋅1-o修订偏置的修订值：θbk+1=θh隐形层

误差公式：δi'=yi1-yiiδiTii修订偏置的修订值：θik+1=θi输出层节点误差修订公式

E=12(it4.1.2神经网络一般的训练顺序

神经网络的训练流程的顺序如下：（1）需要设置训练样本，学习速率，激励函数，权重等神经网络的参数。（2）对神经网络进行初始化设置，按照一开始所设置的输出或输入步骤来规定这个神经网络每一层的节点数，把每层之间相连接的权重和偏置进行初始化设置，意思是把权重和偏置的值取随机值，归一化处理输入输出值。（3）设置神经网络的训练样本数值，设定输入值和期望输出值。（4）工作信息的正向传播，输入层与隐形层之间的权重和偏置计算出来的结果，就是输出层的输入。然后按照同样的方法计算出输出层的输出值，神经网络的实际输出值就是这么得来的。（5）对实际输出和期望输出之间会存在数值的差异，我们要计算出这个差异。（6）误差信号的逆向传播反馈，将计算出来的误差结果判断是否达到所需要的精度要求，假如没有达到精度所需要的结果，那就要根据误差逆向传播方向来调试每一层的权重和偏置。（7）把下一个需要训练的样本输入到这个神经网络模型中，又跳回第三个步骤进行循环，直到所有的样本训练完毕。（8）一次训练结束后，循环往复的需要再一次随机挑选一个样本，返回到第三步骤进行相同的工作，直到所有的样本误差都小于开始设定的误差需要或者练习次数达到所需要的最大训练次数后神经网络会自动停止该模型的训练。4.2基于神经网络算法对切削加工工程仿真验证采用加工资源的刀具，机床，工件和加工条件的数值为神经网络模型的输入值，用已经加工表面的加工效率和表面粗糙度成为神经网络模型的输出。接下来开始设置参数和结构。4.2.1构建神经网络总体结构对于神经网络的结构设计时，神经网络的层数的设置是必不可少的，必不可少的还有每一层的神经元数量，激活函数，起始值设置以及学习速率这些关键要素。设置神经网络的层次数量通常情况，神经网络的输入输出层是按照需要分析的问题和要求来进行设计和确定的。神经网络所包括的隐形层决定着这个神经网络有多少层，如果样本数据较少的时候，我们可以选择取消隐形层的设置，显然，如果样本数据多的话我们就需要添加一个隐形层。就神经网络而言，想要提高选择精度我们可以通过添加隐形层的数目来实现，相对而言创建的神经网络结构就会繁琐，消耗的训练时间会上升。通过理论分析，所有的函数都是靠隐形层投射出来的，通俗的讲，可以实现所有从n维到m维的函数投射。因而，本文将采用输入层，隐形层和输出层各一个的3层神经网络。每一层的节点数的设置输入层的节点数

确定了想要输入的变量后，对应的输入层节点数也确定下来了。本文以刀具，工件，和加工条件的数值3个输入变量，因此输入层节点数为3。输出层的节点数

神经网络的输出层就是训练目标层，就是输出变量。本文设置已经加工表面的加工效率和表面粗糙度，他们都是输出变量，所以输出层节点数设置为2。3）隐形层的节点数

隐形层节点数一般来说它的选取是最复杂的。需要多次试验来确定，不能用一个明确的公式来表示，在确定隐形层节点数时，要把输入输出层节点数涵盖在里面。隐形层节点数太多，我们的训练时间就会长，产生的误差不一定缩小；如果节点数过少，我们的训练样本就得不到充分的训练，层与层之间权重质量下降，神经网络的容错性和识别效率也会变得低效。

我们可以根据实际情况有针对的选择指导原则和经验公式来确立隐形层的节点数。选择规矩是如果能正确合理的反映输入输出变量关系的前提条件下，尽最大可能减少隐形层的节点数，使神经网络结构简单化。由所查询的其他资料可知，在神经网络的训练语句中添加相应的循环语句，根据节点数不相同的隐形层进行训练，得到如表4-1的数据

表4-1不同隐形层节点数量对训练误差的影响隐形层节点数逼近误差训练误差30.0010.462660.0010.242690.0010.8846190.0011.0101就上表而言，隐形层节点数为6时神经网络模型的训练误差最小，但是由于我们的数据样本数量不足，故改变隐形层节点数为3。（3）确定神经网络的传递函数神经网络每一层之间不管输入还是输出都是需要传递函数来映射的。互不相同的映射是能够由与其对应的传递函数来完成，例如任何一个输入的对应绝对值处于0~1这个范围的输出映射都可由S型函数来完成，值得一提的是关于S型的输入值可以是随机的，不过它的输出范围必须在0~1之间；另外双曲正切S型函数输入值也可以是随机的，不过不同的是它的输出值是在-1~+1范围内。输入值和输出值都可以是随机指定的函数是线性传递函数，它可以对数据进行扩大和缩小。

通过一定的比照和分析，本文的神经网络模型，隐形层使用双曲正切S型函数来作为它的传递函数，使用线性函数来成为输出层的传递函数。隐形层接收来自输入层的信号以及自身所发出的反馈信号，输出层的输入数据由隐形层来提供，因此我们的神经网络不管是输入还是输出都可以取任何一个值。(4)神经网络学习速率的选择学习速率的选择很重要它往往决定着循环训练时的权重变化量，如果我们将学习速率设置得很大的话会得到一个不太稳定的系统，而设置得过于小的话尽管训练的误差值会达到最小状态，然而相应的所消耗的训练时间就会增加，收敛速度会变慢。为使得系统变得稳定会决定设置小一点的学习速率，范围为0.01~0.8，这里我们将学习速率设置为0.2.（5）初始权重设置神经网络并不是线性的，所以初始权重对于神经网络能否收敛，所消耗的训练时间长短以及还有可能存在局部最小值都有巨大的波及。输入值在由初始权重累加后尽力让每个输出值的状态值趋向于零是挑选初始权重的一个确定要求。（6）期望误差的相关设置通过神经网络的训练情况我们可以用来确定期望误差。相应的隐形层节点数也被用来确定期望误差。在同等的条件下可以设定不同的误差，根据训练来对比设置一个比较好的期望误差。4.3训练神经网络模型4.3.1样本数据挑选

通过浏览参看文献，神经网络学习训练的时候，样本数据不断增加，神经网络的训练结果就越能不断的合理映射出数据的规律，也就是说，我们的网络规模设置得越大，反映的关系就呈现出越复杂的趋势，我们所需要的数据样本就要增加。误差不是随着我们的样本数据的上升而减少，如果我们的样本数达到一个定量值时，误差就很难再下降了，趋于稳定了。数据样本和误差的关系如图4-2所示图4-2误差与样本数的关系我们在挑选样本一般会挑选有代表性的。根据第三章生成的模拟数据，将切削参数和对应的切削应力作为我们网络的样本数据，数据见表4-3所示。表4-3不同的切削参数和与之对应的等效切削应力进给量（mm/r）背吃刀量mm等效切削应力N0.2216900.3316800.4516803525321690170016801810170016904.3.2对起始值进行归一化一般来说，通过实验获得的数据样本不能够立刻在神经网络训练中使用的，我们要把数据通过处理来让他们存在一个确定的范围之内。通常使用归一化的方法来进行设置的。采用归一化处理有这么几个理由：1）数据输入的量纲与它的数量等级有一定的差值，我们把数据处理后转变到0-1这个范围内，能够减轻由于量级的误差而导致对神经网络识别精度的影响。

2）如果我们所输入的数据都是大于0的值，那样隐形层相连的权重就必须同时的上升和下降，会造成网络模型的学习速度降低，时间成本便会增加。将这种类型的数据样本进行归一处理，让它们的所有数据平均值接近到0，便能够让神经网络的收敛精度得到上升。

一般将数据归一处理的公式有三种：

1）最值公式：（4.12）2）和值公式：

（4.13）

3）峰值公式：

（4.14）在本文所使用的是（4.12）所示的最值公式，下面列出其在Matlab中的语句：（4.15）其中：x———归一处理之前的数值：y———归一处理之后的数值；MaxValue————样本最大值；MinValue————样本最小值。由于进给量已经处于0-1范围内，我们将其他数据进行处理，归一化处理后数据如表4-4所示。表4-4归一化处理部分数据项目数据等效切削应力（N）16901700168018101720归一化结果0.14290.21430.071410.3571（3）网络仿真训练

神经网络训练实质是使用实际输出和期望输出之间的差异值来进行不断的修改它的权重，使得修改后的权重和误差都与网络的误差有着正相关的关系，并且使用误差信号逆向传递到所有层，最终目的是让实际输出近似到期望输出。

查阅网络资料和对网络模型每一个参数都分析比对后，参数如下：1)输入层，隐形层以及输出层都设置为1个，输入输出层节点数设置为2，隐形层节点数为3，输出层节点数为12）隐形层传播函数设置为S型函数，输出层为线性传递函数。3）学习方法采用原始设置方式4）选取trainlm作为模型的训练函数，mse为性能函数神经网络的程序部分见附录，使用maltab构造的的神经网络示意图4-5如下：图4-5构造的神经网络预览图最后使用Maltab对神经网络模型训练后，到经过了61步达到了我们设定的性能要求，得到的结果如图4-6：图4-6神经网络训练结果

得到了的训练结果需要去验证钛合金车削模型的准确性，我们使用SIM仿真函数对创立的神经网络来预测，再将预测数据来和归一化后的切削应力输出进行对比分析，通常来说，两者的模型如果误差值不大于3%就是合理的，所以我们对该神经网络进行了测试，结果比对发现它们的差值小于3%，结果比较如表4-7所示，可以发现所构造的神经网络模型是正确的，使用神经网络可以很好的对切削加工参数优化进行很好的预测。表4-7神经网络输出数据与归一化处理的切削应力输出比较进给量（mm/r）背吃刀量（mm）归一化处理的切削应力神经网络输出误差4290.14641.9%7140.08032.8%0.410.21430.21631.4%4.4本章小节（1）对神经网络的公式，构造，训练方法进行了探讨和介绍，构建了神经网络模型，确立了每一层节点的选取，每一层函数的选取，包括训练函数，目标精度等参数（2）对钛合金切削模拟进程中的不同参数状态下的切削应力为样本数据，对其进行训练，对比原来的模拟数据分析网络的正确性。

5总结与展望5.1总结我们都知道切削加工是机械制造领域不可或缺的一环，如果想要提高生产效率，降低资源的浪费和消耗成本的减少那么切削加工过程的优化是非常重要的方法，主要得出以下总结：研究了加工过程优化的现状，对于基于机器学习算法的参数优化和原理展开学习，对比挑选了了神经网络算法对切削参数进行了优化和预测。通过学习了切削原理以及工件材料的数据属性，根据它们的数值规律来模拟生成相关切削数据。基于神经网络模型对相应的切削参数进行了练习，直到理想精度达到，还创建了预测模型，为切削参数优化提供了基础探讨。5.2展望

基于机器学习算法的切削加工过程优化远不止本文所呈现的这一点，本文研究只是基础探讨，由于本人能力有限且经验不足，本文内容依然有许多不足之处，还可以从下面几个方向进行深入研究：（1）本文没有进行优化算法对切削加工过程的对比研究，各算法的优缺点并没有很好的呈现出来，各算法对切削加工过程的优化效果没有得到比较。（2）本文进行神经网络训练的数据样本不足，在训练结果分析中可能会存在误差，导致结果准确性降低。参考文献[1]尹树彬.基于大数据分析的切削加工过程优化方法[D].哈尔滨理工大学,2019.[2]董雪娇.基于BP和GA的叶片加工切削用量优化选择方法[D].西安工业大学,2014.[3]刘忠和,钟建琳.基于人工神经网络的铣削参数优化[J].机械设计与制造,2007(07):103-104.[4]谷强,汪叔淳.智能制造系统中机器学习的研究[J].计算机工程与科学,2000(01):61-64+77.[5]唐柏清.钛合金车削加工刀具磨损建模技术研究及预测分析[D].2019.[6]王倩.钛合金TC4铣削加工物理仿真模型的研究[D].哈尔滨理工大学,2013.[7]冯国勇.基于遗传算法的金属切削过程中最优切削用量方法研究[J].世界有色金属,2018.[8]冯锦春.基于遗传算法的最大生产率的车削用量优化[D].西南交通大学,2006.[9]刘春景,唐敦兵,何华,etal.基于Kriging插值和遗传算法钛合金车削加工参数优化%TheOptimizationfortheTitaniumAlloysTurningBasedontheKrigingInterpolationandGeneticAlgorithm[J].机械科学与技术,2013,032(004):469-474.[10]秦国华,谢文斌,王华敏.基于神经网络与遗传算法的刀具磨损检测与控制[J].光学精密工程,2015,23(5):1314-1321.[11]徐宏海,吴晚云,张超英.ModelingandSimulatingbyMATLABonTurningProcess%车削加工过程建模与MATLAB仿真分析[J].机床与液压,2006,000(006):229-230.[12]闻霞,吴龙,晋芳伟.基于多目标优化遗传搜索算法的切削条件合理选择的研究[J].三明学院学报,2013(02):48-54.[13]闻霞,吴龙,晋芳伟.基于多目标优化遗传搜索算法的切削条件合理选择的研究[J].三明学院学报,2013(02):48-54.

谢辞为时一个学期的毕业设计即将结束了，这也意味者我在北京理工大学珠海学院的大学生涯也即将结束。在毕业设计这段时间里，我得到了很大的自身提高，其中包含了对切削加工过程的理解、以及机器学习算法基本人认识，这些都得益于老师和同学的大力帮助。从论文的研究方向，研究内容的确立，到选题，开题论证，从具体理论研究方法到模型的实现，再到论文的撰写修改，我自己在每一个环节都倾注了自己的汗水和心血。感谢李老师的指导，对于我完成这篇论文给了相当大的帮助，还有我的队友给了我的数据支持和鼓励！这篇论文的完成需要去感谢这些默默帮助我的人，在此表达浓重的谢意！附录附录1程序源代码 [p1,ps]=mapminmax(p);[t1,ts]=mapminmax(t);dividerand(Q,trainRatio,valRatio,testRatio)[trainsample.p,valsample.p,testsample.p]=dividerand(p,0.7,0.15,0.15);[trainsample.t,valsample.t,testsample.t]=dividerand(t,0.7,0.15,0.15);TF1='tansig';TF2='purelin';net=newff(minmax(p),[10,1],{TF1TF2},'traingdm');net.trainParam.epochs=10000;net.trainParam.goal=1e-7;net.trainParam.lr=0.01;net.trainParam.mc=0.9;net.trainParam.show=25;net.trainFcn='trainlm';[net,tr]=train(net,trainsample.p,trainsample.t)[normtrainoutput,trainPerf]=sim(net,trainsample.p,[],[],trainsample.t);[normvalidateoutput,validatePerf]=sim(net,valsample.p,[],[],valsample.t);[normtestoutput,testPerf]=sim(net,testsample.p,[],[],testsample.t);trainoutput=mapminmax('reverse',normtrainoutput,ts);validateoutput=mapminmax('reverse',normvalidateoutput,ts);testoutput=mapminmax('reverse',normtestoutput,ts);trainvalue=mapminmax('reverse',trainsample.t,ts);validatevalue=mapminmax('reverse',valsample.t,ts);testvalue=mapminmax('reverse',testsample.t,ts);R2=corrcoef(testsample.t,testvalue);R2=R2(1,2)^2;figureplot(1:length(testvalue),testsample.t,'-or',1:length(testvalue),testvalue,'-*b');legend('真实值','预测值')xlabel('预测样本')ylabel('strength')string={'BP网络预测结果对比';['R^2='num2str(R2)]};title(string)pnew=[313,256,239]';pnewn=mapminmax(pnew);anewn=sim(net,pnewn);anew=mapminmax('reverse',anewn,ts);errors=trainvalue-trainoutput;figure,plotregression(trainvalue,trainoutput)figure,plot(1:length(errors),errors,'-b')title('误差变化图')figure,hist(errors);figure,normplot(errors);[muhat,sigmahat,muci,sigmaci]=normfit(errors);[h1,sig,ci]=ttest(errors,muhat);figure,ploterrcorr(errors);figure,parcorr(errors);

HYPERLINK电脑文件整理懒招从来都是不会经常整理文件的，不过时间一长，众多的文档分布在硬盘的各个角落，用目录进行整理保存，工作量大、查看起来也不方便且还会浪费不少的磁盘空闻；用压缩工具打包，尽管可以节约空间但是却无法直接编辑修改或查看压缩包中的文件。这些招，懒人怎么会用，他们自有妙招!再多再乱的文件也能整理得井井有条，关键是不费力哦!

懒招1，自动提取乱中取胜

小张起初将照片、Office文档、电影、音乐等文件一股脑地存放在某一个磁盘分区，刚开始文件少使用起来倒也方便，但随着时间的推移，文件数量剧增，每次找所需的文件都要瞪大眼睛，不过有了MY文档管理器(下载地址：)就不用担心了。

第一步，下载MY文档管理器，解压到任意目录，直接双击其中的可执行性文件即可使用。依次单击“节点操作→添加节点”，分别添加多个节点，如“办公文档”、“电影”等分类，这样做的目的是方便归类。

第二步，在小张的F盘中的TEST目录下有众多的RM、MP3、JPG、DOC、TXT格式的文件，现在他要把JPG格式的文件提取到“照片”类别中。依次单击“系统配置→文件过滤”选项，打开Dialog对话框，输入“*.doc”，单击“添加”按钮，意思是过滤掉所有类型为“.DOC”的文件。然后按照同样的方法，将“*.txt”、“*.rm”、“*.MP3”一一添加进来。

第三步，双击左侧窗格中的“照片”节点，然后依次单击“记录操作→导入记录树”命令，在打开的对话框中单击浏览按钮，打开“F:\test”目录，单击“确定”按钮之后就可以将格式为JPG的文件提取出来并添加到“照片”节点中了。

懒招2，不同的电脑统一的管理

小张是电爱的Fans，工作之余常常为杂志写稿，他写完的和正在处理的稿件一般都存在一个稿件文件夹里。不过时间一长，家里的电脑(PC1)和单位的电脑(PC2)上都有这个文件夹。时常需要通过移动硬盘(U盘)在两台电脑之间传递，使用和管理都很不方便。不过他现在用优盘就可以统一管理了。

第一步，将上文提到的那个MY文档管理器解压后直接拷贝到优盘上。把优盘插到PC1上，并运行软件，依次单击“记录操作→导入记录树”命令，在随后弹出的对话框中设置好“稿件”文件夹的根目录，将“导入深度”设置为“5”，单击“确定”后，稍等片刻，软件就把PC1上的“稿件”导入到MY文档管理器中。

小提示：通过这种方式导入到程序中的仅仅是文件的路径、文件名等属性信息，并不是文件本身。

第二步，把优盘插到PC2上，按照同样的方法导入PC2上的“稿件”文件。以后要编辑“稿件”里的文件，你自己根本不用记住哪台电脑的哪个路径，只要把优盘插入到电脑，运行MY文档管理器，就可以直接编辑了。

第三步，为方便在异地使用，小张决定为当前正在处理的稿件增加一个副本。在需要异地处理的稿件上右键单击，选择“复制文件到(自动添加副本)”命令，在弹出的对话框中将保存目录设置为优盘上的某个目录即可。这样，就可以在优盘上编辑PC1或PC2的稿件了。

小提示：对于PC1、PC2上的同名文件，MY文档管理器以不同的磁盘号+文件路径来标识文件记录，因此，对于不同电脑上的同名文件，甚至是路径和文件名完全相同的文件，程序也可以准确识别哪个是哪个。

懒招3多种文件批量移动

要将文件管理得井然有序，就免不了要进行复制、删除、移动等等操作，如果一个个进行操作，工作量是非常巨大的。这时我们就需要借助于BelvedereAutomated(下载地址：.com/assets/resources/2008/03/Belvedere%200.3.exe)进行批量操作了。例如我们想把“F:\test”目录中的所有照片移动到F盘中的“北京游照片”目录中，可以按以下方法进行。

第一步，建立“F:\test”目录后在“rule”一栏中，单击“+”按钮，建立一个规则。在“Descriptior”文本框中为当前规则起一个名字如“批量整理移动”。单击第一个下拉列表，在这里可以选择Name(文件名)、Extension(扩展名)、Size(大小)等进行操作，这里选择扩展名“Extension”。单击第二个下拉列表，在这里设置的是操作条件，有is(是)、isnot(不是)、contains(包含)等操作可供选择，这里选择的是“is”。接下来，在最后的文本框中输入图片文件的扩展名，示例中是“JPG”。定义的规则合起来的意思就是“扩展名是JPG”。

第二步，在“Dothefollowing”区域设置操作动作，单击第一个下拉列表进行操作动作的选择，有“Movefile(移动)、Renamefile(重命名)、Deletefile(删除)”等动作可供选择，我们要批量移动，那就选择重命名“Movefile(移动文件)”。接下来，单击后面的按钮选择“F:\北京游照片”目录。

第三步，规则设置完毕，单击“Test”按钮应用规则，程序即可一次性地将所有扩展名为“JPG”的图片文件移动到“F:\北京游照片”目录中了。

懒招4提纲挈领一点即得

在前面几大懒招的帮助下，你电脑里的文件应该已经有点类别了吧。如果从此想告别懒人的生活，那就要养成管理文件的好习惯了。

第一步，在你保存资料的电脑分区中，要接类别建立多个文件夹，可以按用途分为：学习、娱乐、暂存、工作、下载，在娱乐下又可以建立二级目录：电影、歌曲、动画等。也可以按照常见的文件性质进行分类，例如分为：图片、电影、电子书、安装文件等，当然也可以按照你的需要再建立二级目录，以后每有文件需要保存就按这个类别保存到相应的目录。

第二步，虽然现在已经把文件分门别类存放了，但时间长了，目录太深，一层一层查找也很麻烦的，在EXCEL里建一个目录就可以统一管理了。运行EXCEL后，新建一个表格，然后按照我们的分类方式隔行输入：图片、电影、电子书，在图片分类下再建立二级目录名，例如明星、汽车、壁纸等。

第三步，右键单击“图片文字”，选择“超链接”，在弹出的对话框中选择电脑里图片目录文件夹，单击“确定”后EXCEL里的“图片”文字就变成彩色。用同样的方法为一级目录的“电影、电子书”和二级目录的“明星、汽车、壁纸”等添加超链接。然后将这个EXCEL文件命名为文件目录，保存到桌面上，以后打开这个文档，直接单击相应的文字，比如单击“壁纸”，就可以切换到壁纸文件夹了。

小提示：如果要更改某个超链接，直接右键单击该文字，选择“编辑超链接”就可以了。本人的电脑分类原则简述如下。

硬盘的第一层(请在自己的件夹中右键“按组排列”查看)

第一位字母表示A生活娱乐B教学C工作D安装程序

第二位字母表示只是流水号

AA影视

AB音乐

AC阅读

AD图片

AE相册

生活娱乐

BA计算机

BB英语

BC运动

BD游戏攻略

BE衣食住行

BF文艺

教学

CA管理制度

CB流程图

CC程序文件

工作

DA娱乐

DB其它

安装程序

硬盘的第二层(进入“AA影视”的文件夹举例)

第一位字母表示只是流水号

第二位字母表示只是流水号

AA电影

BA电视剧

CAMTV

硬盘的第三级(进入“AA电影”的文件夹举例)

第一位字母表示A动作片B剧情片C动画片

第二位字母表示A未看过B已看过

AA导火线

AB尖峰时刻

动作片

BA独自等待

剧情片

CB机器猫

CB狮子王

动画片

利用“字母排序”和“按组排列查看”可以使文件查看和存放简洁明了，结合