一种基于BP神经网络的校直行程预测方法技术

本发明专利技术公开了一种基于BP神经网络的校直行程预测方法，用于在轴杆类零部件校直前进行校直行程的预测，所述基于BP神经网络的校直行程预测方法，包括：利用所采集的校直参数构建训练样本和测试样本；构建BP神经网络，初始化BP神经网络的权值和阈值；结合训练样本，利用粒子群优化算法优化BP神经网络的权值和阈值，得到最优的权值和阈值；将最优的权值和阈值写入BP神经网络，建立优化后的校直行程预测模型，向所述校直行程预测模型中输入测试样本，输出校直行程预测结果。本发明专利技术校直预测结果的准确性高，可有效提高校直效率。

A prediction method of straightening stroke based on BP neural network

【技术实现步骤摘要】
一种基于BP神经网络的校直行程预测方法
本申请属于轴杆类零部件校直领域，具体涉及一种基于BP神经网络的校直行程预测方法。
技术介绍
轴杆类零部件是机械装置中的重要组成部分，但此类零部件在锻造过程中，受外力作用、热处理等因素的影响，其弯曲或扭曲变形的情况普遍存在。为了减小其在后续加工和使用过程中的影响，需要对轴杆类零部件进行精密校直。传统的校直方法仅凭工人经验，采用逼近法校直，先在简易设备上用百分表目测出转轴的最大跳动度和相位，再在简易支架上人工加力实施校直，这种校直方法对操作工人的技术要求很高，而且校直效率低，质量也难以保证。随着企业对产品精度和生产自动化要求的逐渐提高，人工校直方法的精度和效率已经不能满足自动化程度日益提高的设备生产过程。在自动校直系统领域，传统的通用性校直系统有其不可克服的局限性，例如校直结果不稳定、通用性不强、精度难以控制等。在校直领域，对轴杆类零部件进行校直前，通常会对校直行程进行预测，以便于提高校直精度和速率，但现有的校直行程预测方法同样存在稳定性不足、精度不高等缺陷。
技术实现思路
<br>本申请的目的在本文档来自技高网...

【技术保护点】
1.一种基于BP神经网络的校直行程预测方法，用于在轴杆类零部件校直前进行校直行程的预测，其特征在于，所述基于BP神经网络的校直行程预测方法，包括：/n步骤1、利用所采集的校直参数构建训练样本和测试样本，所述轴杆类零部件在采集校直参数时对应有多个工件支撑点和检测点，所述校直参数包括最大弯曲检测点的弯曲幅度Δd、最大弯曲检测点处的工件直径d、最大弯曲检测点与其左侧最近的工件支撑点的距离l

【技术特征摘要】
1.一种基于BP神经网络的校直行程预测方法，用于在轴杆类零部件校直前进行校直行程的预测，其特征在于，所述基于BP神经网络的校直行程预测方法，包括：
步骤1、利用所采集的校直参数构建训练样本和测试样本，所述轴杆类零部件在采集校直参数时对应有多个工件支撑点和检测点，所述校直参数包括最大弯曲检测点的弯曲幅度Δd、最大弯曲检测点处的工件直径d、最大弯曲检测点与其左侧最近的工件支撑点的距离l1、最大弯曲检测点与其右侧最近的工件支撑点距离l2、工件材质C；
步骤2、构建BP神经网络，初始化BP神经网络的权值和阈值；
步骤3、结合训练样本，利用粒子群优化算法优化BP神经网络的权值和阈值，得到最优的权值和阈值；
步骤4、将最优的权值和阈值写入BP神经网络，建立优化后的校直行程预测模型，向所述校直行程预测模型中输入测试样本，输出校直行程预测结果；
其中，所述BP神经网络的拓扑结构包括输入层、隐层和输出层；
所述输入层的节点数为5，输入层的输入量为校直参数，即输入层的节点的输入量分别为最大弯曲检测点的弯曲幅度Δd、最大弯曲检测点处的工件直径d、最大弯曲检测点与其左侧最近的工件支撑点的距离l1、最大弯曲检测点与其右侧最近的工件支撑点距离l2、工件材质C；
所述输出层的节点数为1，输出层的输出量为校直下压行程；
所述隐层的节点数根据以下公式确定：



其中，m为隐层的节点数，n为输入层的节点数，l为输出层节点数，α为1～10之间的常数。


2.如权利要求1所述的基于BP神经网络的校直行程预测方法，其特征在于，所述结合训练样本，利用粒子群优化算法优化BP神经网络的权值和阈值，得到最优的权值和阈值，包括：
步骤3.1、建立粒子的自适应度函数：



其中，E为自适应度，N为训练样本的数量，M为输出层的节点数，为期望输出值，yij为实际输出值；
步骤3.2、更新粒子的速度和位置：在D维空间中，由A个粒子构成的搜索集合中，第i个粒子在D维空间中的位置表示为xi＝(xi1,xi2,…,xiD)，第i个粒子的飞行速度表示为vi＝(vi1,vi2,…,viD)，第i个粒子经过的最好...

【专利技术属性】
技术研发人员：董辉，彭宣聪，付建伟，唐旺山，田叮，张成祥，吴祥，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：浙江;33