一种基于PSO-BP神经网络的大型高速回转装备同轴度预测方法技术

本发明专利技术公开了一种基于PSO‑BP神经网络的大型高速回转装备同轴度预测方法。步骤1：数据处理；步骤2：将步骤1归一化处理后的各级大型高速回转装备的数据进行整合，作为输入量；步骤3：构建PSO‑BP神经网络模型；步骤4：利用神经网络的隐含层神经元个数、学习率以及L2正则化系数；步骤5：将隐含层神经元个数、学习率以及L2正则化系数代入BP神经网络中，获得最优BP网络结构；步骤6：输入测试集数据得到测试集所对应的装配后多级装备同轴度预测值。本发明专利技术借助PSO‑BP神经网络，综合考虑拧紧力矩对大型高速回转装备装配结合面影响以及多级装备间几何误差传递效果，对装配后多级装备同轴度预测效果较理想。

A prediction method for coaxiality of large-scale high-speed rotating equipment based on PSO-BP neural network

【技术实现步骤摘要】
一种基于PSO-BP神经网络的大型高速回转装备同轴度预测方法
本专利技术属于大型高速回转装备装配预测
；具体涉及一种基于PSO-BP神经网络的大型高速回转装备同轴度预测方法。
技术介绍
在先进航空发动机制造领域，多级装备装配质量对整机性能有着重要的影响。同轴度是评价多级装备装配质量的关键参数，不仅影响径向和轴向的接触摩擦特性，还会影响大型高速回转装备高速旋转时振动特性。单级大型高速回转装备的同心度偏差在装配中传播和积累，可能导致装配后多级装备同轴度超过限定值，甚至导致机器故障。因此，建立多级装备同轴度预测模型，可用于指导装配，提高一次装配合格率。针对多级装备同轴度预测，现有的预测技术为矢量投影预测方法，即从单级大型高速回转装备加工误差传递机理出发，利用矩阵描述定位误差以及定向误差传递过程，从而实现多级装备装配后同轴度预测。然而，该预测模型建立时将单级大型高速回转装备假设为圆柱形刚体部件，未考虑到各级大型高速回转装备通过螺栓连接时发生不规则变形，导致通过该模型获得的预测同轴度与实际同轴度之间具有较大偏差。由于螺栓组的预紧力与装配后大型高速回转装备变形间的机理极为复杂，目前尚未得到预紧力与大型高速回转装备变形间的关系，因此无法建立兼顾拧紧力矩与几何误差传递的多级装备同轴度预测方法。
技术实现思路
本专利技术提出了一种基于PSO-BP神经网络的大型高速回转装备同轴度预测方法用以解决上述问题。本专利技术通过以下技术方案实现：一种基于PSO-BP神经网络的大型高速回转装备同轴度预测方法，所述预测方法包括以下步骤：步骤1：数据处理，将各级大型高速回转装备同心度误差、垂直度误差、装配相位、各级装备间拧紧力矩的数据以及多级装备装配后同轴度进行归一化处理；步骤2：将归一化处理后的各级大型高速回转装备同心度误差、垂直度误差、装配相位、各级装备间拧紧力矩的数据进行整合，作为输入量；步骤3：构建PSO-BP神经网络模型；步骤4：利用PSO算法优化神经网络的隐含层神经元个数、学习率以及L2正则化系数；步骤5：将经过PSO算法优化神经网络的隐含层神经元个数、学习率以及L2正则化系数代入BP神经网络中，获得最优BP网络结构；步骤6：输入测试集数据到该网络，得到测试集所对应的装配后多级装备同轴度预测值。进一步的，所述步骤1对数据进行归一化处理的公式如(1)所示：其中，是经归一化处理的样本，xi是样本数据，xmin和xmax分别为样本数据中的最小值和最大值。进一步的，首先定义PSO算法中粒子对应着BP神经网络中待优化的隐含层神经元个数、学习率以及L2正则化系数；即将上述超参数按统一次序排列为一个向量的元素，通过该向量确定BP神经网络结构，并将该网络结构下验证集的误差作为PSO算法的适应度函数；由BP神经网络和PSO算法的循环迭代找到BP神经网络最优超参数，获得最优BP网络结构。进一步的，所述步骤4利用PSO算法优化BP神经网络超参数的具体方法为：步骤4.1：确定隐含层神经元个数、学习率以及L2正则化系数的解空间；步骤4.2：按照解空间范围初始化粒子群，从神经网络实际情况出发，保证隐含层神经元个数对应的空间位置为整数；步骤4.3：将粒子群中每个粒子包含的超参数代入BP神经网络结构中，确定网络结构；步骤4.4：通过训练集训练网络，确定网络的权值和阈值；步骤4.5：将验证集代入训练集所得的网络中，计算验证集的均方误差MSE，并将MSE作为粒子的适应度；步骤4.6：根据适应度更新粒子群的全局最优解pbest和个体最优解gbest；步骤4.7：判断是否达到最大迭代次数；步骤4.8：如果没有达到最大迭代次数，则更新粒子的速度和位置；步骤4.9：由于粒子更新速度、方向不确定，为保证所获得的粒子位置可以用来确定BP神经网络超参数，应保证粒子的位置符合寻优范围，重复步骤4.3-4.7；步骤4.10：如果达到最大迭代次数，则输出全局最优解pbest，获得网络最优超参数。进一步的，所述步骤4.5中，中MSE表达式如式(2)所示：其中，yi为第i个数据的真实值，y′i为神经网络的预测值，n为样本数量。本专利技术的有益效果是：本专利技术借助PSO-BP神经网络，综合考虑拧紧力矩对大型高速回转装备装配结合面影响以及多级装备间几何误差传递效果，对装配后多级装备同轴度预测效果较理想。相比于传统矢量投影预测方法，本专利技术的预测精度更高，同时，本专利技术为大型高速回转装备同轴度预测提供了一种新思路。附图说明图1本专利技术的预测流程图。图2本专利技术利用PSO算法优化BP神经网络超参数的流程。图3本专利技术预测效果与矢量投影预测方法预测效果。具体实施方式下面将结合本专利技术实施例中的附图对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。一种基于PSO-BP神经网络的大型高速回转装备同轴度预测方法，所述预测方法包括以下步骤：步骤1：数据处理，将各级大型高速回转装备同心度误差、垂直度误差、装配相位、各级装备间拧紧力矩的数据以及多级装备装配后同轴度进行归一化处理；分析多级装备装配后同轴度的影响因素，发现各级大型高速回转装备同心度误差、垂直度误差、装配相位、各级装备间拧紧力矩与其相关。因此，对上述数据进行整理；步骤2：将归一化处理后的各级大型高速回转装备同心度误差、垂直度误差、装配相位、各级装备间拧紧力矩的数据进行整合，作为输入量；装配后多级装备同轴度作为输出量，按照一定比例将数据分为训练集，验证集，测试集；为预测四级装备装配后同轴度和垂直度误差，将300组数据样本按照8：1：1分为训练集、验证集和测试集；步骤3：构建PSO-BP神经网络模型；该步骤所构建的PSO-BP模型是利用PSO优化算法的全局搜索特征优化BP神经网络中的超参数，从而获得最优BP网络结构；IBP神经网络BP神经网络包括前向传播和反向修正的过程，利用最速下降法，通过反向修正来不断调整网络的权值和阈值，使得网络的均方误差最小。所建立的同轴度预测模型采用的是三层网络结构，即输入层、隐含层和输出层，且实施例中取输入层神经元个数为22。隐含层激活函数选用非线性的Sigmoid函数，输出层激活函数选用Identity线性函数，函数表达式分别如式(3)(4)所示：Identity(x)＝x(4)其中，x为函数自变量。代价函数C0选用MSE均方误差。为了避免过拟合问题，采用L2正则化优化神经网络；L2正则化的实质是在原代价函数上增加一个正则化项，如式(5)所示：其中C代表带有L2正则化的代价函数，w为网络本文档来自技高网...

【技术保护点】
1.一种基于PSO-BP神经网络的大型高速回转装备同轴度预测方法，其特征在于，所述预测方法包括以下步骤：/n步骤1：数据处理，将各级大型高速回转装备同心度误差、垂直度误差、装配相位、各级装备间拧紧力矩的数据以及多级装备装配后同轴度进行归一化处理；/n步骤2：将归一化处理后的各级大型高速回转装备同心度误差、垂直度误差、装配相位、各级装备间拧紧力矩的数据进行整合，作为输入量；/n步骤3：构建PSO-BP神经网络模型；/n步骤4：利用PSO算法优化神经网络的隐含层神经元个数、学习率以及L2正则化系数；/n步骤5：将经过PSO算法优化神经网络的隐含层神经元个数、学习率以及L2正则化系数代入BP神经网络中，获得最优BP网络结构；/n步骤6：输入测试集数据到该网络，得到测试集所对应的装配后多级装备同轴度预测值。/n

【技术特征摘要】
1.一种基于PSO-BP神经网络的大型高速回转装备同轴度预测方法，其特征在于，所述预测方法包括以下步骤：
步骤1：数据处理，将各级大型高速回转装备同心度误差、垂直度误差、装配相位、各级装备间拧紧力矩的数据以及多级装备装配后同轴度进行归一化处理；
步骤2：将归一化处理后的各级大型高速回转装备同心度误差、垂直度误差、装配相位、各级装备间拧紧力矩的数据进行整合，作为输入量；
步骤3：构建PSO-BP神经网络模型；
步骤4：利用PSO算法优化神经网络的隐含层神经元个数、学习率以及L2正则化系数；
步骤5：将经过PSO算法优化神经网络的隐含层神经元个数、学习率以及L2正则化系数代入BP神经网络中，获得最优BP网络结构；
步骤6：输入测试集数据到该网络，得到测试集所对应的装配后多级装备同轴度预测值。


2.根据权利要求1所述的预测方法，其特征在于，所述步骤1对数据进行归一化处理的公式如(1)所示：



其中，是经归一化处理的样本，xi是样本数据，xmin和xmax分别为样本数据中的最小值和最大值。


3.根据权利要求1所述的预测方法，其特征在于，所述步骤3构建PSO-BP神经网络模型的方法为：首先定义PSO算法中粒子对应着BP神经网络中待优化的隐含层神经元个数、学习率以及L2正则化系数；即将上述超参数按统一次序排列为一个向量的元素，通过该向量确定BP神经网络结构，并将该网络结构下验证集的误差作为PSO算法的适应度函数；由B...

【专利技术属性】
技术研发人员：孙传智，谭久彬，刘永猛，王晓明，李成钿，
申请(专利权)人：哈尔滨工业大学，
类型：发明
国别省市：黑龙;23