【技术实现步骤摘要】
基于改进BPNN
‑
DE算法的硅铝合金车削工艺参数多目标优化方法
[0001]本专利技术属于生产制造,硅铝合金车削的工艺参数优化方法
,尤其涉及一种基于改进BPNN
‑
DE算法的硅铝合金车削工艺参数多目标优化方法。
技术介绍
[0002]得益于硅铝合金的强度高,耐磨性好,成本低等诸多优点,硅铝合金在当今航天航空以及汽车零部件制造中应用广泛,如:汽车活塞、缸套以及刹车盘等场景。但在加工硅铝合金的过程中,由于硅铝合金中硅颗粒的存在,加工硅铝合金的刀具会发生较大的磨损导致工件表面粗糙度降低、生产效率降低。
[0003]随着“碳达峰,碳中和”绿色建设目标的提出,在保证工件表面粗糙度的同时,保证效率与能源消耗达到最小已成为当今制造业关注的主要问题。在生产加工过程中,切削参数是影响工件切削效率、生产总能耗以及表面粗糙度的重要因素。因此,为提高硅铝合金车削粗糙度、生产效率以及降低生产过程中的能源消耗,探究以硅铝合金表面粗糙度、材料去除率、能耗损耗为目标的车削工艺参数多目标优化,对硅铝合金产品的制造推广与实际应用具有重大意义。
[0004]目前,在硅铝合金车削的工艺参数优化方法中,大多方法仍以单一目标(表面粗糙度)作为优化目标,很少方法在优化表面粗糙度的同时,保证材料去除率与能耗达到最优。
[0005]硅铝合金车削工艺参数优化的方法主要有以下三种:一是使用有限元分析软件对切削过程进行仿真模拟后进行参数优化,该类方法需要考虑工件车削过程中复杂的底层机理且材料的力学性能在 ...
【技术保护点】
【技术特征摘要】
1.一种基于改进BPNN
‑
DE算法的硅铝合金车削工艺参数多目标优化方法,其特征在于,包括以下步骤:步骤S1:以车削三要素:切削速度、切削深度、进给量作为因素,对硅铝合金棒材进行车削全因子实验,测量各组实验对应的表面粗糙度、材料去除率、能源消耗,并将其作为数据集R供步骤S2建立BPNN模型使用;步骤S2:将车削三要素作为输入特征,以车削后测量得表面粗糙度、计算得材料去除率、采集得能源消耗作为输出,搭建硅铝合金车削工艺参数多目标优化BPNN模型。步骤S3:对表面粗糙度、材料去除率、能源消耗三个目标使用DE算法单独进行优化,找出各目标的最优值与最劣值,之后结合步骤S2所训练的BPNN模型输出值,以几何平均法综合目标来建立适应度函数,最终利用改进后的DE算法得到适应度值最优时,模型所对应的切削参数。2.根据权利要求1所述的基于改进BPNN
‑
DE算法的硅铝合金车削工艺参数多目标优化方法,其特征在于:步骤S1具体包括以下步骤:步骤S11:将数据集R划分为K,K>1份大小,最大为的互斥子集R
K
,记R
K
=[R1,R2…
R
K
],len(R)表示数据集R的数据条数,表示向上取整符号,;步骤S12:取K
‑
1个互斥子集R
K
的并集作为训练集C
t
,剩余的子集作为测试集,重复K次上述过程,得到K个训练集,记C
t
=[C
t1
,C
t2
…
C
tK
],得到K个测试集,记C
v
=[C
v1
,C
v2
…
C
vK
]。3.根据权利要求2所述的基于改进BPNN
‑
DE算法的硅铝合金车削工艺参数多目标优化方法,其特征在于,步骤S2具体包括以下步骤:步骤S21:将K个训练集C
t1
,C
t2
…
C
tK
分别训练BPNN模型,得到K个BPNN模型M1,M2…
M
K
;步骤S22:从K个训练集C
t1
,C
t2
…
C
tK
中任意选取一个训练集,训练BPNN模型M1;步骤S23:设选取的训练集中数据为x=[x1,x2…
x
t
],y=[y1,y2…
y
t
],t表示训练集数据数量,y
t
表示对应x
t
的标签值;步骤S24:随机初始化输入层神经元连接隐藏层神经元的初始权重矩阵w
(ih)
:其中,n表示输入层神经元个数;m表示隐藏层神经元个数;表示第n个输入层神经元到第m个隐藏层神经元间的连接权重;步骤S25:随机初始化输入层神经元连接隐藏层神经元的偏置值b
(ih)
;步骤S26:随机初始化隐藏层神经元连接输出层神经元的初始权重矩阵w
(ho)
:
其中,l表示输出层神经元个数;表示第m个隐藏层神经元到第l个输出层神经元间的连接权重;步骤S27:随机初始化隐藏层神经元连接输出层神经元的偏置值b
(ho)
;步骤S28:设置隐藏层激活函数为步骤S29:计算隐藏层输出:Out
h
=f(w
(ih)
·
x+b
(ih)
)其中,Out
hm
表示第m个隐藏层神经元的输出值;步骤S210:计算输出层输出:Out
o
=f(w
(ho)
·
Out
h
+b
(ho)
)其中,Out
ol
表示第l个输出层神经元输出值;步骤S211:计算损失函数:其中,y
i
表示第i个标签值;步骤S212:计算输出层与隐藏层间误差因子δ0:步骤S213:更新隐藏层与输出层间权重w
(ho)
与偏置b
(ho)
:
其中,表示更新后的隐藏层与输出层间权重;表示更新后的隐藏层与输出层间偏置;η表示学习率,η>0;步骤S214:计算输入层与隐藏层间误差因子δ
i
:步骤S215:更新输入层与隐藏层间权重w
(ih)
与偏置b
(ih)
::其中,表示更新后的输入层与隐藏层间权重;表示更新后的输入层与隐藏层间偏置;η表示学习率,η>0;步骤S216:重复n,n>0次步骤S26到步骤S212过程直至训练误差Loss值小于指定误差阈值E,最终得到BPNN模型M1;步骤S217:重复K,K>1次步骤S21至步骤S213过程,直到K个训练集都训练一轮,得到BPNN模型集合M=[M1,M2…
M
K
];步骤S218:以测试集C
v
=[C
v1
,C
v2
…
C
vK
]测试BP...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。