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

本发明专利技术提出一种基于改进BPNN

【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不同的加工条件与环境中是不同的,因此使用该方法进行参数优化不准确。二是基于实验的方法，通过大量的车削实验总结出优化目标与车削工艺参数间的变化规律，之后以人工给出建议或者极差分析、方差分析等方法进行工艺参数优化，该类方法的缺点是较难学习到切削过程中参数变化对优化目标的影响。第三是基于群智能优化的方法，该方法是通过对数据建立数学模型从而自动学习到实验数据中的空间分布，并结合智能优化算法来得出空间分布中最优解，该方法不仅避开了车削中复杂的底层机理，并且能够在学习到数据的分布情况后在其解空间中找出最优结果，具有实现简单，优化效果好等优点。
[0006]目前基于群智能优化算法进行硅铝合金车削工艺参数优化的方法占比逐渐变大，但目前方法中主要存在以下不足：
[0007]一、大多数硅铝合金车削工艺参数优化方法只考虑了单个优化目标，如表面粗糙度，材料去除率等单一目标，很少方法在考虑优化工件表面粗糙度的同时，保证效率与能源消耗达到最优。
[0008]二、大多数硅铝合金车削工艺参数多目标优化问题建立适应度函数的方法为理想点法、加权法或乘除法，这些综合指标的方法可以在一定程度下表示综合指标的好坏，但都不够全面，都没有克服当某一指标差但综合指标仍然表现为优秀的情况。
[0009]三、在硅铝合金车削工艺参数优化的方法中，大多数群智能优化方法的目标函数都是采用切削参数与优化目标间非线性关系拟合性不强的回归模型，但在真实加工中，切削参数与优化目标存在着普遍的非线性关系，因此已有的方法对数据拟合效果较差，并且已有的群智能优化方法大多未改进，存在着种群多样性差和寻优能力弱等缺点。

技术实现思路

[0010]有鉴于以上现有技术方案的不足，本专利技术的目的在于提供一种基于改进BPNN
‑
DE算法的硅铝合金车削工艺参数多目标优化方法，该方法提供一种以后向传播神经网络(Back Propagation Neural Network，BPNN)结合改进差分进化算法(Differential Evolution，DE)的改进BPNN
‑
DE算法进行车削数据拟合与多目标优化，多目标优化采用几何平均法综合考虑工件表面粗糙度、材料去除率以及能源消耗，优化后的车削工艺参数能够保证表面粗糙度、材料去除率、能源消耗三者的综合指标达到最优。
[0011]该方法首先搭建以切削速度、进给速度、切削深度作为输入，表面粗糙度、材料去除率、能耗作为输出的BPNN模型，并对DE算法做出改进，提高原生DE算法的种群多样性与寻优能力，之后将BPNN模型的输出结合几何平均法作为改进DE算法适应度值，最后利用改进后BPNN
‑
DE算法对车削工艺参数进行优化，并对比未改进BPNN
‑
DE算法，改进后BPNN
‑
DE算法优化效果好。
[0012]本专利技术解决其技术问题采用的技术方案是：
[0013]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：
[0014]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。
[0015]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。
[0016]进一步地，步骤S1具体包括以下步骤：
[0017]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,；
[0018]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C
v
，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
]。
[0019]进一步地，步骤S2具体包括以下步骤：
[0020]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
；
[0021]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；
[0022]步骤S23：设选取的训练集中数据为x＝[x1,x2…
x
本文档来自技高网...

【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...

【专利技术属性】
技术研发人员：黄彬，阳旭，
申请(专利权)人：福州大学，
类型：发明
国别省市：