（广东润星科技有限公司 523000）
摘要：利用MATLAB函数语言进行编程，开发出直观的、符合个性化的GUI用户界面，即操作方便又可以有效的预测。通过借助MATLAB软件可直观的对实验数据进行分析，为磨削力的预测提供了一个简单可行的方法，从而提高了预测效果。
关键词：MATLAB；用户界面；磨削力
一、磨削力预测的研究现状
在磨削加工过程中，磨削力评价材料科磨削性的一个重要指标。磨削力的大小是随磨削时间的增长而增长，这将会使磨削质量指标的变化，不能保证加工要求[1]。在以往传统的磨削力预测中，我们多是根据多元回归分析来建立经验公式，进行繁琐的运算，造成巨大的工作量，而且对于准确度也难以保证。
二、MATLAB对于磨削力预测的应用
现在运用MATLAB实现的人工神经网络已渐成趋势，主要用于模式识别与分类、数据压缩、预报和函数逼近等[ 2]。MATLAB提供了功能强大的模块集和神经网络工具箱，其强大的计算数据处理能力和出色的图形处理功能，在理论研究和工程应用方面得到了成熟的运用。通过MATLAB这款软件进行数据的处理，通过此界面可以对磨削参数数据的输入进行预测，并可以和实际数据进行对比，查看误差，对于磨削力的预测是一种有效和方便的方法。
三、GUI（面向用户的界面）的设计
3.1图形用户界面设计GUI
GUI是图形用户界面的意思，像很多高级编程语言一样，Matlab也有图形用户界面开发环境，随着计算机技术的飞速发展，人与计算机的通信方式也发生的很大的变化，现在绝大多数的应用程序都是在图形化用户界面下运行的[3]。利用GUI Design中直观的控件，可以自己合理规划自己想要的用户界面，而且它占用资源少、使用方便、简化了工作的性能，方便了用户。
3.2界面设计要求
1.首先控制训练样本和预测样本的导入，寻找需要的EXCEL数据的位置。
2．建立BP网络模型的主要参数，输入层的传递函数、输出层传递函数、训练函数、隐含层神经元个数，通过控件的下拉菜单鼠标选择用户所需的函数类型。
3．设定训练网络参数配置，有迭代次数，训练目标、学习率、显示间隔、限制时间，参数可通过键盘输入数字，由于需要合理的参数在callback函数中我们加入了可输入区间限制提醒。
4.开始训练网络，界面上会显示主程序所要求的切向和法向磨削力的预测图、输出误差图和预测平均误差执行结果
5.通过Slider ActiveX Control控件调节在Numberic LED ActiveX Control显示数字，调节砂轮速度、进给速度、磨削深度的参数。让用户通过自己设的输入参数，再加载最佳的网络模型进行预测，会在LED显示预测出输出值。
总体设计可分为六大部分：数据的导入、网络模型参数设置、训练网络参数设置、图形的显示、预测运算结果的显示和辅助功能。
3.3 界面设计
3.3.1GUI用户界面的结构布局
1.Panel控件：单层网络模型参数设置，网络训练参数设置
2.Push Button控件：输入训练，输入预测，训练网络，保存网络，加载网络，进行预测，退出。
3.Pop-up menu控件：输入-隐层传递函数，隐层-输出传递函数，训练函数，隐层神经元个数。
4.Edit txt控件：迭代次数，训练目标，学习率，显示间隔，时间限制，预测切向磨削力平均误差，预测法向磨削力平均误差。
5. ActiveX Control（Numberic LED ActiveX Control，Slider ActiveX Control）：砂轮速度，进给速度，磨削深度，预测切向磨削力，预测法向磨削力。
6. Axes：切向磨削力预测图，法向磨削力预测图，切向磨削力输出误差图，法向磨削力输出误差图。
3.3.2 程序设计
1.训练数据和测试数据的输入[3]
变量：【输入训练】pushbutton1；【输入预测】pushbutton2
程序：%训练数据输入
if get（handles.pushbutton1，'value'）==1 %使用回调函数，激活【输入训练】按钮
[filename，pathname，filterindex]=uigetfile（{'*.xls'；}，'select data-file'）；%读取Excel文件
str=[pathname filename]；%将路径及文件名赋值到结构变量str
data=xlsread（str）；%读入结构变量str，并传递到data
end
whether1=1；%给定判断是否输入训练样本
input_train=data（：，1：3）'；%读取训练样本的输入参数
output_train=data（：，4：5）'；%读取训练样本的输出参数
%预测数据输入
if get（handles.pushbutton2，'value'）==1%
[filename，pathname，filterindex]=uigetfile（{'*.xls'；}，'select data-file'）；
str=[pathname filename]；
date=xlsread（str）；
end
whether2=2；
input_test=date（：，1：3）'；
output_test=date（：，4：5）'；
2.网络训练参数设置
变量：【迭代次数】epochs；【训练目标】goal；【学习率】lr；【显示间隔】show；【限制时间】time
程序：
Epochs=str2num（get（handles.epochs，'string'））；%读取迭代次数参数
Show=str2num（get（handles.show，'string'））；
Goal=str2num（get（handles.goal，'string'））；
Lr=str2num（get（handles.lr，'string'））；
Time=str2num（get（handles.time，'string'））；
3.训练网络
变量：【训练网络】pushbutton3
程序：tap=1；%设置网络训练标志
cla（handles.axes1）； %清空仿真预测图
cla（handles.axes3）； %清空误差温度百分比
cla（handles.axes4）； %清空温度误差图
[pn，minp，maxp，tn，mint，maxt]=premnmx（input_train，output_train）；%训练样本归一化
net=newff（minmax（pn），[Nsize（output_train，2）]，{fcn_hidden，fcn_output}，fcn_learn）；
net.trainParam.epochs=Epochs；%迭代次数
net.trainParam.show=Show；%显示间隔
net.trainParam.lr=Lr；%学习率
net.trainParam.goal=Goal；%训练精度
net.trainParam.time=Time；%限定时间
net=train（net，pn，tn）；%进行训练，并生成网络
p3n=tramnmx（input_test，minp，maxp）；%预测样本进行归一化范围到[-1，1]
a3n=sim（net，p3n）；%运用生成的网络对预测样本进行预测
BPoutput=postmnmx（a3n，mint，maxt）；%输出结果反归一化，显示预测结果
4.输出磨削力预测图
变量：【切向磨削力预测图】axes1
程序：axes（handles.axes1）；
plot（BPoutput（1，：））
plot（BPoutput（1，：），'：or'）
hold on
plot（output_test（1，：），'-* '）；
ylabel（'切向磨削力'，'fontsize'，12）；
xlabel（'样本'，'fontsize'，12）；
legend（'预测值'，'期望值'）；
grid on
5.输出磨削力误差图
变量：【切向磨削力输出误差图】axes3
程序：axes（handles.axes3）；%切向磨削力输出误差图
plot（（output_test（1，：）- BPoutput（1，：）），'：*r'）；%描绘出切向磨削力误差线框
grid on%打x、y轴框格线
6.保存网络模型
变量：【保存网络】pushbutton4
程序：[filename，pathname]=uiputfile（'*.mat'，'save data as'）；%保存*.mat文件
file=strcat（pathname，filename）；%将路径及文件名赋值到结构变量file
save（file，'net'）；%保存训练好的网络模型
7.载入模型
变量：【加载模型】pushbutton5
程序：tap = 2；%判断是否有新的网络输入
[filename，pathname，filterindex]=uigetfile（'*.mat'，'select net-file'）；%读取*.mat文件
file=strcat（pathname，filename）；%将路径及文件名赋值到结构变量file
load（file，'net'）；%载入已经训练好的模型网络
8.预测单个样本
变量：【预测样本】pushbutton6
程序：[pn，minp，maxp，tn，mint，maxt]=premnmx（input_train，output_train）；%训练样本归一化
val1=get（handles.activex1，’value’）；%输入调整好的砂轮速度参数
val2=get（handles.activex3，’value’）；%输入调整好的工件速度参数
val3=get（handles.activex4，’value’）；%输入调整好的切削深度参数
input_test=[val1，val2，val3；]；%将输入的磨削参数转置成矩阵
p3n=tramnmx（input_test，minp，maxp）；%预测样本集输入数据归一化
a3n=sim（net，p3n）；%输出结果反归一化，显示预测结果
Sigleoutput=postmnmx（a3n，mint，maxt）；%BP网络预测输出
p=Sigleoutput；%赋值
Ployval（p，0）；% 拟合后的函数计算拟合值用的
Set（handles.activesx7，’value’，ans）；%将单个样本预测输出到LED
3.4 辅助功能设计
在网络训练参数设置中，我们需要输入合适的区间范围，避免出现输入的错误，所以我们可以编程输入范围限制，进行人性化的提醒。例如：训练目标、学习率。还设计了退出键，使更人性化[4]。
1.变量【迭代次数】epochs
程序：global Epochs
epochs=get（handles.epochs，'string'）；
Epochs=str2num（epochs）；
flag=~isequal（Epochs，round（Epochs））；
if Epochs<=0 || flag
warndlg（'最大训练次数必须是正整数'，'Input Error'）；
else
if Epochs<=50
warndlg（'训练次数太小'，'Input Warning'）；
end
end
2.变量：【训练目标】goal
程序：global Goal
goal=get（handles.goal，'string'）；
Goal=str2num（goal）；
if Goal <0
warndlg（'必须是正数'，'Input Error'）；
else
if Goal >1
warndlg（'训练目标设置太大'，'Input Warning'）；
elseif Goal <1e-6
warndlg（'训练目标设置太大'，'Input Warning'）；
end
end
2.变量：【学习率】Lr
程序：global Lr
lr=get（handles.lr，'string'）；
Lr=str2num（lr）；
if Lr<0 || Lr>1
warndlg（'建议在0-1之间'，'Input Warning'）；
end
3．变量：【退出】pushbutton8
程序：ss=questdlg（'你真的要退出吗？'，'系统提示！'，'不，我还想看看！'，'是的，我要退出！'，'是的，我要退出！'）；
switch ss
case '是的，我要退出！'
delete（handles.figure1）；
end
3.5 ActiveX Control的使用
利用Slider ActiveX Control 滑动条来调节Numberic LED ActiveX Control的砂轮速度、进给速度、磨削深度的参数。例如：砂轮速度。
变量：【砂轮速度】activex1
程序：function activex11_MouseDown（hObject，eventdata，handles）
global flag
flag = 1；
function activex1_MouseMove（hObject，eventdata，handles）
global flag
if flag
val = get（hObject，'value'）；
set（handles.activex10，'value'，val）；
end
function activex1_MouseUp（hObject，eventdata，handles）
global flag
flag = 0；
3.6界面设计生成
四、总结与展望
在通过人工神经网络预测磨削力，改变了传统的预测方式，利用MATLAB的GUI界面设计，设计出方便操作的预测磨削力界面，通过控件完成输入、参数选择、训练网络，保存和单个样本预测等命令这种可操作界面操作方便及人性化，实现对磨削力的实时预测。当然，这个设计还是有不断改进的空间，我们还可以将它更优化，做到误差范围更小，精度更高。因此，在后继的工作中，应进一步完善、加强其功能，使之更实用化、科学化。
参考文献：
[1]黄伟，谢红梅，BP神经网络在其磨削力序列预测中的应用。博士论文，2000，北京航空航天大学
[2]高 隽. 人工神经网络原理及仿真实例[M]. 机械工业出版社，2007：43-54.
[3]陈垚光，毛涛涛，王正林. 精通MATLAB GUI设计[M]. 北京：电子工业出版社，2011.
[4]韩力群. 人工神经网络理论、设计及应用[M]. 北京：化学工业出版社，2007：47-66.
论文作者:李虹,宁煜茂,胡啓晏
论文发表刊物:《河南电力》2018年4期
论文发表时间:2018/8/20
标签：磨削论文; 变量论文; 误差论文; 网络论文; 样本论文; 参数论文; 函数论文; 《河南电力》2018年4期论文;