附件B：
畢業(yè)設計（論文）開題報告

1、課題的目的及意義（含國內外的研究現(xiàn)狀分析或設計方案比較、選型分析等）
課題的目的及意義
在機械加工中，加工參數的選擇對機床設備的利用率以及制造成本都有著很大的影響。在傳統(tǒng)加工過程中，一般是將有經驗的機械師的選擇經驗記錄下來，并且編纂成機械加工數據手冊、數據單表、列線圖和計算尺。但這種方法在追求效率的大規(guī)模自動化加工中已經不能滿足要求。切削參數的選擇是制定機械零件加工工藝中的一個重要方面，選擇的恰當與否，將直接影響到成品的的質量、生產率、加工成本等，然而由于影響切削用量的因素繁多，影響因素之間又相互交叉，相互制約，因而確定最佳切削用量較為困難。根據經驗來確定金屬切削用量的方法所確定的切削用量因人因廠而異，實際效益相差很大，而且由于各種新加工材料不斷涌現(xiàn)，以及數控加工機床、加工中心和柔性制造系統(tǒng)的應用，依靠經驗來確定切削參數已遠不能適應時代的發(fā)展。本文以機械加工中經常出現(xiàn)的誤差復映現(xiàn)象為例，利用人工神經網絡實現(xiàn)對機械加工工程中加工參數的自動選擇。
根據誤差復映理論，誤差復映系數反映了加工前毛坯誤差對加工后工件誤差的影響程度，而誤差復映系數與工藝系統(tǒng)剛度、切削條件、進給量、工件材料的硬度等多個因素有關，且呈復雜的非線形關系，難以通過公式精確算出。人工神經網絡（Artificial Neural Network，簡稱ANN）是在人類對其大腦神經網絡認識理解的基礎上人工構造的能夠實現(xiàn)某種功能的神經網絡。它是理論化的人腦神經網絡的數學模型，是基于模仿大腦神經網絡結構和功能而建立的一種信息處理系統(tǒng)，它實際上是由大量簡單元件相互連接而成的復雜網絡，具有高度的非線形性，能夠進行復雜的邏輯操作和非線形關系實現(xiàn)的系統(tǒng)。人工神經網絡可以通過訓練學習來獲得網絡的權值與結構，呈現(xiàn)出很強的自學能力。
通過用實驗得到的樣本集對ANN反復進行訓練，直到網絡的實際輸出和目標輸出之間的誤差減小到規(guī)定的要求。當對訓練好的網絡輸入加工的各種條件后可以得到加工的次數及各次的加工余量。按照輸出的加工次數及各次加工余量可以基本滿足加工要求。這不僅可以對傳統(tǒng)的機械加工方式中的加工參數選擇提供指導和參照，更重要的意義在于在CIMS（計算機集成制造系統(tǒng)）中能實現(xiàn)參數自動選擇來解決誤差復映問題。雖然神經網絡的訓練過程需要較長的時間，但是由于