一种交错沟槽电解加工参数优化方法、存储介质和计算机系统技术方案

本发明专利技术公开了一种交错沟槽电解加工参数优化方法、存储介质和计算机系统，其中方法包括以下步骤：S1，选取电解加工参数进行试验，得到交错沟槽的入口平均宽度，并根据实验结果确定样本集；S2，以电解加工参数作为输入，以沟槽的加工精度作为输出，构建一个含有多个隐含层的BP神经网络模型；S3，对BP神经网络进行训练；S4，建立交错沟槽电解加工多目标优化模型；S5，基于交错沟槽电解加工多目标优化模型和训练好的BP神经网络，使用遗传算法在约束条件下对加工工艺参数进行全局组合寻优。本发明专利技术能够在较大的参数范围内获得较优工艺参数组合，有效克服传统试验工作量大、试制周期长、生产成本高等不足，有效提高交错沟槽的加工精度和电解加工水平。加工水平。加工水平。

【技术实现步骤摘要】
一种交错沟槽电解加工参数优化方法、存储介质和计算机系统


[0001]本专利技术涉及交错沟槽电解加工
，特别涉及一种交错沟槽电解加工参数优化方法、存储介质和计算机系统。

技术介绍

[0002]如何控制和提高加工精度并尽可能提高加工效率和加工稳定性一直是电解加工研究的热点问题。加工中的电场、流场和电化学特性等方面都会影响加工精度。一般可以从加工工艺参数优化、阴极优化、工装结构优化和流场优化等方面进行电解加工工艺优化来提高加工精度。电解加工工艺参数优化是提高加工精度的主要措施之一。

技术实现思路

[0003]为了解决现有问题，本专利技术提供了一种交错沟槽电解加工参数优化方法、存储介质和计算机系统，具体方案如下：
[0004]一种交错沟槽电解加工参数优化方法，包括以下步骤：
[0005]S1，选取电解加工参数进行试验，得到交错沟槽的入口平均宽度，并根据实验结果确定样本集；
[0006]S2，以所述电解加工参数作为输入，以沟槽的加工精度作为输出，构建一个含有多个隐含层的BP神经网络模型；
[0007]S3，利用步骤1的样本对步骤2搭建的所述BP神经网络进行训练；
[0008]S4，以包括加工精度和加工效率为目标建立交错沟槽电解加工多目标优化模型；
[0009]S5，基于步骤4建立的交错沟槽电解加工多目标优化模型和步骤3已训练好的BP神经网络，使用遗传算法在约束条件下对加工工艺参数进行全局组合寻优。
[0010]优选的，步骤1中选取的所述电解加工参数包括电压U、加工速度v
a
、入口压力P、初始间隙Δ0、占空比δ、通液孔径连通槽高h
a
、侧壁绝缘系数k以及加工深度d
a
，工件的入口平均宽度w与影响交错沟槽加工精度的所述电解加工参数之间的关系表示为：w＝f(U,v
a
,P,Δ0,δ,φ
a
,h
a
,k,d
a
)，其中，k＝1为绝缘，k＝0为不绝缘。
[0011]优选的，步骤1中所述样本集按照比例分为训练样本和测试样本，并将所述训练样本和所述测试样本中的数据进行归一化处理，得到处理后的训练集和测试集，其中归一化公式为：y
i
为归一化后数据，x
i
为原始数据，x
min
为数据序列的最小数，x
max
为数据序列的最大数。
[0012]优选的，步骤2中构建一个含有2个隐含层的BP神经网络模型，具体包括以下步骤：
[0013]S2.1，步骤1中选取的所述电解加工参数作为输入，选取包括入口平均宽度的沟槽加工精度作为输出；
[0014]S2.2，根据输入层节点个数确定隐含层节点个数范围，隐含层节点个数与输入层
节点个数之间的关系为n≤2m+1，其中n为各隐含层节点个数，m为输入层节点个数；
[0015]S2.3，在步骤2.2中确定的所述隐含层节点个数范围内，选择不同隐含层节点数进行预测；
[0016]S2.4，将步骤2.3预测数据与实测数据进行对比，通过计算两者之间的均方误差，确定最佳隐含层节点个数；所述均方误差公式为：式中，a为数据个数，y
i
为实测值，为预测值。
[0017]优选的，步骤3采用批量方式训练样本和LM算法对应的训练函数trainlm对所述BP神经网络进行训练；学习函数采用梯度下降动量学习函数learngdm；均方误差用性能函数mse进行计算；各隐含层的激励函数均选择logsig函数输出层的激励函数选择purelin线性传递函数g(x)＝x；对所述BP神经网络进行训练的具体步骤包括：
[0018]S3.1，将所述BP神经网络初始权值和阈值赋为(0，1)随机数；
[0019]S3.2，计算所述BP神经网络各层节点输入和输出值，计算公式如下：
[0020]各层节点的输入输出为：
[0021]net
i
＝w
i
×
y
i
‑1+b
i
[0022]y
i
＝f
i
(net
i
)
[0023]其中，net
i
是第i层网络的输入，w
i
是本层和下一层之间的网络权值，b
i
是第i层阈值，f(
·
)为激励函数，y
i
为第i层的神经元输出，y
i
‑1为第i
‑
1层神经元输出；
[0024]S3.3，假设所述BP神经网络的预测输出为s
k
，总共有N个输出，则输出层误差e为：
[0025]S3.4，根据梯度下降算法，使权值的调整量和误差的梯度下降成正比，即：
[0026][0027][0028]式中Δw
ij
和Δw
j
分别为输入层与隐含层，隐含层与输出层神经元权值的调整量，η为学习速率，e为BP神经网络的输出均方误差，w
ij
为输入层第i个输入信号与隐含层第j个神经元之间的权值，w
j
为隐含层第j个神经元与输出层神经元之间的权值；则调整后的权值w
ij
′
和w
j
′
为：
[0029]w
ij
′
＝w
ij
+Δw
ij
[0030]w
j
′
＝w
j
+Δw
j
[0031]式中w
ij
为输入层第i个输入信号与隐含层第j个神经元之间的权值，w
j
为隐含层第j个神经元与输出层神经元之间的权值，Δw
ij
和Δw
j
分别为输入层与隐含层、隐含层与输出层神经元权值的调整量；
[0032]S3.5，使用未经使用过的多组测试样本集对前文训练过的BP神经网络进行验证，采用计算平均百分误差方法计算预测相对误差；
[0033]S3.6，多次重复S3.1
‑
S3.5的训练步骤，得到高精度的所述BP神经网络模型，用来预测和分析特征参数和目标参数之间的关系。
[0034]S4，以包括加工精度和加工效率为目标建立交错沟槽电解加工多目标优化模型；
[0035]S5，基于步骤4建立的交错沟槽电解加工多目标优化模型和步骤3已训练好的BP神经网络，使用遗传算法在约束条件下对加工工艺参数进行全局组合寻优。
[0036]优选的，步骤4中所述交错沟槽电解加工多目标优化模型属于组合优化模型，构建交错沟槽电解加工多目标优化模型的步骤包括：
[0037]S4.1，优化参数的选择，即选取的所述电解加工参数；
[0038]S4.2，确定目标函数；
[0039]S本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种交错沟槽电解加工参数优化方法，其特征在于，包括以下步骤：S1，选取电解加工参数进行试验，得到交错沟槽的入口平均宽度，并根据实验结果确定样本集；S2，以所述电解加工参数作为输入，以沟槽的加工精度作为输出，构建一个含有多个隐含层的BP神经网络模型；S3，利用步骤1的样本对步骤2搭建的所述BP神经网络进行训练；S4，以包括加工精度和加工效率为目标建立交错沟槽电解加工多目标优化模型；S5，基于步骤4建立的交错沟槽电解加工多目标优化模型和步骤3已训练好的BP神经网络，使用遗传算法在约束条件下对加工工艺参数进行全局组合寻优。2.根据权利要求1所述的交错沟槽电解加工参数优化方法，其特征在于：步骤1中选取的所述电解加工参数包括电压U、加工速度v
a
、入口压力P、初始间隙Δ0、占空比δ、通液孔径连通槽高h
a
、侧壁绝缘系数k以及加工深度d
a
，工件的入口平均宽度w与影响交错沟槽加工精度的所述电解加工参数之间的关系表示为：w＝f(U,v
a
,P,Δ0,δ,φ
a
,h
a
,k,d
a
)，其中，k＝1为绝缘，k＝0为不绝缘。3.根据权利要求1所述的交错沟槽电解加工参数优化方法，其特征在于：步骤1中所述样本集按照比例分为训练样本和测试样本，并将所述训练样本和所述测试样本中的数据进行归一化处理，得到处理后的训练集和测试集，其中归一化公式为：y
i
为归一化后数据，x
i
为原始数据，x
min
为数据序列的最小数，x
max
为数据序列的最大数。根据权利要求1所述的交错沟槽电解加工参数优化方法，其特征在于，步骤2中构建一个含有2个隐含层的BP神经网络模型，具体包括以下步骤：S2.1，步骤1中选取的所述电解加工参数作为输入，选取包括入口平均宽度的沟槽加工精度作为输出；S2.2，根据输入层节点个数确定隐含层节点个数范围，隐含层节点个数与输入层节点个数之间的关系为n≤2m+1，其中n为各隐含层节点个数，m为输入层节点个数；S2.3，在步骤2.2中确定的所述隐含层节点个数范围内，选择不同隐含层节点数进行预测；S2.4，将步骤2.3预测数据与实测数据进行对比，通过计算两者之间的均方误差，确定最佳隐含层节点个数；所述均方误差公式为：式中，a为数据个数，y
i
为实测值，为预测值。4.根据权利要求3所述的交错沟槽电解加工参数优化方法，其特征在于，步骤3采用批量方式和LM算法对应的训练函数trainlm对所述BP神经网络进行训练；学习函数采用梯度下降动量学习函数learngdm；均方误差用性能函数mse进行计算；各隐含层的激励函数均选择logsig函数输出层的激励函数选择purelin线性传递函数g(x)＝x；对所述BP神经网络进行训练的具体步骤包括：S3.1，将所述BP神经网络初始权值和阈值赋为(0，1)随机数；
S3.2，计算所述BP神经网络各层节点输入和输出值，计算公式如下：各层节点的输入输出为：net
i
＝w
i
×
y
i
‑1+b
i
y
i
＝f
i
(net
i
)其中，net
i
是第i层网络的输入，w
i
是本层和下一层之间的网络权值，b
i
是第i层阈值，f(
·
)为激励函数，y
i
为第i层的神经元输出，y
i
‑1为第i
‑
1层神经元输出；S3.3，假设所述BP神经网络的预测输出为s
k
，总共有N个输出，则输出层误差e为：S3.4，根据梯度下降算法，使权值的调整量和误差的梯度下降成正比，即：即：式中Δw
ij
和Δw
j
分别为输入层与隐含层，隐含层与输出层神经元权值的调整量，η为学习速率，e为BP神经网络的输出均方误差，w
ij
为输入层第i个输入信号与隐含层第j个神经元之间的权值，w
j
为隐含层第j个神经元与输出层神经元之间的权值；则调整后的权值w
ij
′
和w
j
′
为：w
ij
′
＝w
ij
+Δw
ij
w
j
′
＝w
j
+Δw
j
式中w
ij
为输入层第i个输入信号与隐含层第j个神经元之间的权值，w
j
为隐含层第j个神经元与输出层神经元之间的权值，Δw
ij
和Δw
j
分别为输入层与隐含层、隐含层与输出层神经元权值的调整量；S3.5，使用未经使用过的多组测试样本集对前文训练过的BP神经网络进行验证，采用计算平均百分误差方法...

【专利技术属性】
技术研发人员：陈远龙，朱嘉晨，江伟，王玉青，
申请(专利权)人：合肥工业大学，
类型：发明
国别省市：