一种基于BP神经网络的微米木纤维切削加工方法

本发明属于木纤维加工领域，尤其涉及一种基于bp神经网络的微米木纤维切削加工方法。背景技术：1、木纤维是最具有代表性且应用最为广泛的木材碎料。微米木纤维由小薪材通过切削制成，是一种纯天然可再生的材料。以木纤维为原料生产的新型纺织材料，其性能较之棉、毛、丝等更加优异。2、传统的木纤维加工方法主要分为爆破法和化学法。尽管这两种方法都能够提取出木纤维，但都具有不足之处。3、其中，使用爆破法制得的木纤维颜色较深，不但成品率较低，且对生产设备要求较高，增加了初期投资费用。4、使用化学法则需要水洗木片，然后经蒸煮、高温高压热磨、蒸汽干燥后制得，其能耗约占纤维板生产线总能耗的70％以上。5、此外，化学处理过程中遗留的酸碱残液不仅会大幅度降低其工业价值，而且会增加废液回收处理的额外开销，生产成本较大。相较于上述两种传统方法，使用物理方法加工优势明显，能够很好地解决多种问题。6、现有的物理方法的加工方式以切削加工发展成为木材加工的主流方式，这种方法可以直接得到符合要求的微米木纤维。但现有的木材切削加工方法中面临需要调节的参数非常多，面对不同种类的木材，只能依赖人工经验进行调节这些参数，不仅不能保证切削精度，而且切削加工的效率较低。7、因此现有的木纤维加工中存在依赖人工经验调节木材切削加工参数，导致无法保障切削精度的问题。技术实现思路1、本发明目的是解决现有木纤维加工中存在依赖人工经验调节木材切削加工参数，导致无法保障切削精度的问题。我们提出了一种基于bp神经网络的微米木纤维切削加工方法。2、s1：构建基于bp神经网络的微米木纤维切削加工参数优化模型；获得训练好的基于bp神经网络的微米木纤维切削加工参数优化模型；3、s2：将待加工的木材参数输入训练好的基于bp神经网络的微米木纤维切削加工参数优化模型，输出微米木纤维切削加工参数；4、s3：根据s2输出微米木纤维切削加工参数对待加工的木材进行切削加工。5、本发明的有益效果为：6、将微米木纤维加工过程及相关参数抽象为数学模型，使用智能算法选择切削参数，只要提供其木材气干密度、顺纹抗压强度、抗弯强度、顺纹剪切强度、端面硬度、切削深度和刀具刃口圆角半径等参数，即可根据这些参数使用本章提出的bp神经网络优化算法计算该木料的最优切削速度、进给速度和切削角度。通过优化参数降低错误率，提高生产效率，从而解决了以往木材加工相关参数主要依靠人工经验设定的问题。技术特征：1.一种基于bp神经网络的微米木纤维切削加工方法，其特征在于，包括以下步骤：2.根据权利要求1所述的一种基于bp神经网络的微米木纤维切削加工方法，其特征在于，所述s1中构建基于bp神经网络的微米木纤维切削加工参数优化模型；获得训练好的基于bp神经网络的微米木纤维切削加工参数优化模型；具体过程为：3.根据权利要求2所述的一种基于bp神经网络的微米木纤维切削加工方法，其特征在于，所述s1.2中构建基于的微米木纤维切削加工参数优化模型；获得训练好的基于bp神经网络的微米木纤维切削加工参数优化模型；具体过程为：4.根据权利要求3所述的一种基于bp神经网络的微米木纤维切削加工方法，其特征在于，所述s1.2.1中bp神经网络模型的输入层节点个数为7个，隐含层节点个数为15个，输出层节点数为3个，5.根据权利要求4所述的一种基于bp神经网络的微米木纤维切削加工方法，其特征在于，所述s1.2.2中基于pso优化算法包括：qpso-算法和psfla算法。6.根据权利要求5所述的一种基于bp神经网络的微米木纤维切削加工方法，其特征在于，所述s1.2.2中采用qpso算法和训练集对bp神经网络中的初始权值和阈值进行优化，得到最优初始权值和阈值，具体过程为：7.根据权利要求6所述的一种基于bp神经网络的微米木纤维切削加工方法，其特征在于，所述s1.2.2.3中评价第t代粒子群的适应度公式如下：8.根据权利要求5所述的一种基于bp神经网络的微米木纤维切削加工方法，其特征在于，所述s1.2.2中采用psfla算法和训练集对bp神经网络中的初始权值和阈值进行优化，得到最优初始权值和阈值具体过程为：9.根据权利要求8所述的一种基于bp神经网络的微米木纤维切削加工方法，其特征在于，10.根据权利要求9所述的一种基于bp神经网络的微米木纤维切削加工方法，其特征在于，所述s1.2.2.2.1中计算得到每只青蛙的适应度值，具体过程为：技术总结本发明涉及领域，尤其涉及一种基于BP神经网络的微米木纤维切削加工方法。本发明提出了一种基于BP神经网络的微米木纤维切削加工方法，针对现有木纤维加工中存在依赖人工经验调节木材切削加工参数，导致无法保障切削精度的问题，将微米木纤维加工过程及相关参数抽象为数学模型，使用智能算法选择切削参数，只要提供其木材气干密度、顺纹抗压强度、抗弯强度、顺纹剪切强度、端面硬度、切削深度和刀具刃口圆角半径等参数，即可根据这些参数使用本章提出的BP神经网络优化算法计算该木料的最优切削速度、进给速度和切削角度。通过优化参数降低错误率，提高生产效率，从而解决了以往木材加工相关参数主要依靠人工经验设定的问题。技术研发人员：齐红,张光磊,张新越受保护的技术使用者：东北林业大学技术研发日：技术公布日：2024/6/18