一种基于改进的粒子群优化算法的刀具磨损预测方法技术

本发明专利技术公开了一种基于改进的粒子群优化算法的刀具磨损预测方法，属于刀具磨损检测技术领域；本发明专利技术将改进后的粒子群优化算法应用于神经网络权值和阈值的优化上，利用建立好的神经网络对加工后刀具的磨损量进行预测。首先将切削速度、切削深度、进给量、时间的设定及不同铣削条件下刀具磨损值数据采集。数据归一化处理并建立神经网络：通过改进的粒子群优化算法确定神经网络的权值和阈值。给定相应的预测数据，即切削速度、切削深度、进给量、时间，通过神经网络模型计算后，输出层的值即为预测结果。

【技术实现步骤摘要】
一种基于改进的粒子群优化算法的刀具磨损预测方法
本专利技术属于刀具磨损检测
，具体涉及一种基于改进的粒子群优化算法的刀具磨损预测方法。
技术介绍
刀具磨损后，使工件加工精度降低，表面粗糙度增大，并导致切削力加大、切削温度升高，甚至产生振动，不能继续正常切削。因此，刀具磨损直接影响加工效率、质量和成本。如能很好地预测刀具加工后的磨损状态，则能大大提高切削质量，避免了刀具在加工过程中报废，对保证加工质量和提高生产率具有重要意义。粒子群优化算法或鸟群觅食算法(ParticleSwarmOptimization)，缩写为PSO，是近年来由J.Kennedy和R.C.Eberhart等开发的一种新的进化算法(Evolutionary.Algorithm-EA)。PSO算法属于进化算法的一种，和模拟退火算法相似，它也是从随机解出发，通过迭代寻找最优解，它也是通过适应度来评价解的品质，但它比遗传算法规则更为简单，它没有遗传算法的"交叉"(Crossover)和"变异"(Mutation)操作，它通过追随当前搜索到的最优值来寻找全局最优。这种算法以其实现容易、精度高、收敛快等优点引起了学术界的重视，并且在解决实际问题中展示了其优越性。粒子群算法是一种并行算法。而将粒子群优化算法改进后应用到BP神经网络对于权值和阈值的优化中，用于在刀具检测
，不仅能使神经网络预测结果更准确，还保证加工质量，提升加工效率。
技术实现思路
本专利技术提供了一种基于改进的粒子群优化算法的刀具磨损预测方法，将改进后的粒子群优化算法应用于神经网络权值和阈值的优化上，利用建立好的神经网络对加工后刀具的磨损量进行预测。为了达到上述目的，本专利技术是通过以下技术方案实现的：一种基于改进的粒子群优化算法的刀具磨损预测方法，包括步骤如下：步骤一、切削速度、切削深度、进给量、时间的设定及不同铣削条件下刀具磨损值数据采集。步骤二、数据归一化处理：归一化处理是将数据的值转换到[0，1]区间内，使用的归一化函数S(t)为：t为输入数据，e为自然底数；步骤三、神经网络的建立：BP神经网络模型包括输入层、隐藏层及输出层的三层BP神经网络，在此模型中，设定输入层单元为4，输出层单元为1，输入层单元分别表示刀具的切削速度、切削深度、进给量以及时间的信息，输出层单元表示单元数是刀具的磨损值，隐藏层单元数是经公式推算和试凑调整确定，通过以下经验公式其中，n为输入层神经元个数，m为输出层神经元个数，a为[1，10]之间的常数，由此设定隐藏层单元数为5。步骤四、通过改进的粒子群优化算法确定神经网络的权值和阈值：(1)初始化一群粒子，每个粒子都代表神经网络权值和阈值优化问题的一个潜在最优解，用位置、速度和适应度三项指标表示该粒子特征。设置适应度函数：程序实现：loss_mse＝tf.reduce_mean(tf.square(y--y))其中y表示预测值，y-表示实际输出值，n表示样本数。(2)粒子在解空间中运动，通过跟踪个体极值Pbest和群体极值Gbest更新个体位置，个体极值Pbest是指个体所经历位置中计算得到的适应度值最优位置，群体极值Gbest是指种群中的所有粒子搜索到的适应度最优位置。粒子每更新一次位置，就计算一次适应度值，并且通过比较新粒子的适应度值和个体极值、群体极值的适应度值更新个体极值Pbest和群体极值Gbest的位置。更新方式如下:其中，V代表当前速度，X代表当前位置，c1、c2是系数，r1、2是随机数，i＝1,2,3,…,N；N是粒子群规模，是粒子i个体最优位置Pbest的第d维分量，是粒子群中最优值Gbest的第d维分量。表示个体极值和当前位置的关系，有可能向着个体极值的方向寻找。一式表示速度更新，二式表示位置更新。(3)惯性权重的选择惯性权重w体现的是粒子继承先前的速度的能力，一个较大的权值有利于全局搜索，而一个较小的惯性权值则更有利于局部搜索，为了更好的平衡全局搜索与局部搜索能力，采用线性递减惯性权重LDIW(LinearDecreasingInertiaWeiht)ω(k)＝ωstart-(ωstart-ωend)(Tmax-k)/Tmax其中ωstart为初始惯性权重，ωend为迭代最大次数时的惯性权重，k为当前迭代代数，Tmax为最大迭代代数。惯性权值取值为ωend＝0.9、ωend＝0.4时算法性能最好。这样随着迭代的进行，惯性权重由0.9线性递减至0.4，迭代初期较大的惯性权重使算法保持了较强的全局搜索能力，而迭代后期小的惯性权重有利于算法进行更精确的局部搜索。线性惯性权重只是一种经验做法，惯性权重选择还包括如下几种：方法一：ω(k)＝ωstart-(ωstart-ωend)(k/Tmax)2方法二：ω(k)＝ωstart+(ωstart-ωend)(2k/Tmmax-(k/Tmax)2)方法三：通过matlab将四种惯性权重选择方法应用到刀具磨损预测中，如图，选择在较小的迭代次数中速度更新权重最快的，因此选择方法三作为惯性权重的迭代方法。(4)将惯性权重选择的方法三用于粒子群优化算法中得到全局最优解，将其映射到BP神经网络的权值和阈值中进行神经网络的训练：根据BP神经网络的设计原则及实验，训练中隐藏层神经元的传递函数为双曲正弦函数，可实现不同样本的空间分割，而输出层神经元的传递函数为线性函数Purelin函数，用于输出网络的识别结果，训练函数采用梯度下降算法traingd。随机选取m组经过归一化处理的函数进行训练，已建立的BP神经网络通过利用改进后的PSO算法确定最优权值和阈值，迭代循环的调整权值和阈值，直到收敛，即完成训练。所述步骤四中对训练完成的神经网络模型进行预测的方法是：给定相应的预测数据，即切削速度、切削深度、进给量、时间，通过神经网络模型计算后，输出层的值即为预测结果。附图说明图1为本专利技术的BP神经网络模型图2为本专利技术的四种惯性权重选择方法的表现图3为本专利技术的改进的粒子群优化算法流程框图图4为本专利技术的改进前的刀具磨损量预测对比图5为本专利技术的改进后的刀具磨损量预测对比具体实施方式下面对本专利技术的实例进行详细说明，S1、切削速度、切削深度、进给量、时间的设定及不同铣削条件下刀具磨损值数据采集。S2、数据归一化处理：归一化处理是将数据的值转换到[0，1]区间内，使用的函数为：t为输入数据，e为自然底数；S3、神经网络的建立：BP神经网络模型包括输入层、隐藏层及输出层的三层BP神经网络，在此模型中，设定输入层单元为4，输出层单元为1，输入层单元分别表示刀具的切削速度、切削深度、进给量以及时间的信息，输出层单元表示单元数是刀具的磨损值，隐藏层单元数是经公式推算和试凑调整确定，通过以下经验公式其中，n为输入层神经元个数，m为输出层神经元个数，a为[1，10]之间的常数，由此设定隐藏层单元数为5。S4、通过改进的粒子群优化算法确定神经网络的权值和阈值：(1)初始化一群粒子，每个粒子都代表神经网络权值和阈值优化问题的一个潜在最优解，用位置、速度和适应度三项指标来表示该粒子特征。设置适应度函数：程序实现：loss_mse＝tf.reduce_mean(tf.square(y--y))其中y表示预测值，y-表示实际输出值，n表示样本数本文档来自技高网...

【技术保护点】
1.一种基于改进的粒子群优化算法的刀具磨损预测方法，其特征在于：该方法包括步骤如下：步骤一、切削速度、切削深度、进给量、时间的设定及不同铣削条件下刀具磨损值数据采集；步骤二、数据归一化处理：归一化处理是将数据的值转换到[0，1]区间内，使用的归一化函数S(t)为：

【技术特征摘要】
1.一种基于改进的粒子群优化算法的刀具磨损预测方法，其特征在于：该方法包括步骤如下：步骤一、切削速度、切削深度、进给量、时间的设定及不同铣削条件下刀具磨损值数据采集；步骤二、数据归一化处理：归一化处理是将数据的值转换到[0，1]区间内，使用的归一化函数S(t)为：t为输入数据，e为自然底数；步骤三、神经网络的建立：BP神经网络模型包括输入层、隐藏层及输出层的三层BP神经网络，在此模型中，设定输入层单元为4，输出层单元为1，输入层单元分别表示刀具的切削速度、切削深度、进给量以及时间的信息，输出层单元表示单元数是刀具的磨损值，隐藏层单元数是经公式推算和试凑调整确定，通过以下经验公式其中，n为输入层神经元个数，m为输出层神经元个数，a为[1，10]之间的常数，由此设定隐藏层单元数为5；步骤四、通过改进的粒子群优化算法确定神经网络的权值和阈值：(1)初始化一群粒子，每个粒子都代表神经网络权值和阈值优化问题的一个潜在最优解，用位置、速度和适应度三项指标表示该粒子特征；设置适应度函数：程序实现：loss_mse＝tf.reduce_mean(tf.square(y--y))其中y表示预测值，y-表示实际输出值，n表示样本数；(2)粒子在解空间中运动，通过跟踪个体极值Pbest和群体极值Gbest更新个体位置，个体极值Pbest是指个体所经历位置中计算得到的适应度值最优位置，群体极值Gbest是指种群中的所有粒子搜索到的适应度最优位置；粒子每更新一次位置，就计算一次适应度值，并且通过比较新粒子的适应度值和个体极值、群体极值的适应度值更新个体极值Pbest和群体极值Gbest的位置；更新方式如下:其中，V代表当前速度，X代表当前位置，c1、c2是系数，r1、2是随机数，i＝1,2,3,…,N；N是粒子群规模，是粒子i个体最优位置Pbest的第d维分量，是粒子群中最优值Gbest的第d维分量；表示个体极值和当前位置的关系，有可能向着个体极值的方向寻找；一式表示速度更新，二式表示位置更新；(3)惯性权重的...

【专利技术属性】
技术研发人员：蔡力钢，焦雪岩，杨聪彬，刘志峰，程强，赵永胜，
申请(专利权)人：北京工业大学，
类型：发明
国别省市：北京,11