一种铣削工件表面粗糙度的预测方法技术

本发明专利技术涉及一种铣削工件表面粗糙度的预测方法，步骤为：确定BP神经网络的拓扑结构；对输入数据及输出数据通归一化处理；确定BP神经网络所需寻优的权值和阈值的数目；设定北方苍鹰规模和迭代次数，形成北方苍鹰种群位置矩阵，将预测值与实测值之间的误差函数作为适应度函数来计算北方苍鹰位置的适应度值；最小适应度值的北方苍鹰位置为猎物所在位置；通过猎物识别模型更新北方苍鹰位置并重新确定猎物位置；通过追逐猎物及猎物逃生模型更新猎物位置，得到优化后的权值与阈值；优化后的权值与阈值代入BP神经网络结构进行训练，根据训练结果最终预测出不同工况下工件的表面粗糙度。本发明专利技术增强神经网络的预测能力和预测精度，并提到运算速度。到运算速度。到运算速度。

【技术实现步骤摘要】
一种铣削工件表面粗糙度的预测方法


[0001]本专利技术涉及铣削加工领域，具体涉及一种铣削工件的表面粗糙度预测方法。

技术介绍

[0002]随着制造业快速发展，在现代化生产加工过程中，针对铣削任一工件的加工标准不断提高，而工件的表面粗糙度是决定工件使用性能的关键因素。故对任一工件的表面粗糙度进行预测是当前迫切任务。为了增强表面粗糙度的预测能力，国内外大多数研究人员致力于相关方面的研究。近几年来，机器学习预测越来越受到广大学者的青睐，主要由于其在预测数据方面能力较强，而机器学习中用的最多的为人工神经网络预测方法。
[0003]然而，BP神经网络进行运算时，存在收敛性差、易陷入局部极小化等不足之处，虽然也有人采用一些算法优化BP神经网络对表面粗糙度进行预测，但运算时间较长，降低了运算速度，故需采用新型算法对表面粗糙度进行预测，提高预测精度和运算时间。

技术实现思路

[0004]专利技术目的：
[0005]本专利技术提出一种改进的铣削工件表面粗糙度的预测方法，其目的主要是提出一种可以使工件的表面粗糙度在已知前提条件下进行快速预测的方法。利用 Iterative混沌映射改进的北方苍鹰搜索算法对神经网络结构的初始权值和阈值进行全局寻优,克服神经网络的自身的不足之处,增强其预测能力和预测精度，并提到运算速度。
[0006]技术方案：
[0007]一种铣削工件表面粗糙度的预测方法，步骤为：
[0008]1)确定BP神经网络的拓扑结构，将数控机床铣削工件获得的实验数据以矩阵形式进行存储，在实验数据中，工艺参数作为BP神经网络的输入数据，表面粗糙度值作为输出数据；
[0009]2)对输入数据及输出数据通过归一化模型进行归一化处理；
[0010]3)根据参数数目模型确定BP神经网络所需寻优的权值和阈值的数目，并将权值和阈值数目映射成北方苍鹰位置，北方苍鹰所在的位置是一个向量；
[0011]4)设定北方苍鹰规模和迭代次数T，通过Iterative混沌映射策略的初始位置变换模型生成北方苍鹰的初始种群位置，形成北方苍鹰种群位置矩阵X；
[0012]5)将步骤1)中的实验数据输入到BP神经网络模型中，计算初始权值与阈值下的神经网络预测值，将预测值与实测值之间的误差函数作为适应度函数F来计算北方苍鹰位置的适应度值；根据适应度值按升序排列，最小适应度值的北方苍鹰位置为猎物所在位置P
i
；
[0013]6)在步骤5)中确定当前猎物所在位置P
i
后，北方苍鹰向猎物靠近，并在靠近的过程中，通过猎物识别模型更新北方苍鹰位置并重新确定猎物位置；
[0014]7)猎物位置重新确定后，猎物位置适应度值发生改变，通过追逐猎物及猎物逃生模型更新猎物位置，更新后的北方苍鹰适应度值按升序排列，北方苍鹰适应度值最小的为
最终的猎物位置，同时满足迭代次数终止时，这时位于最终的猎物位置的北方苍鹰位置为优化后的权值与阈值；
[0015]8)利用步骤7)中优化后的权值与阈值代入BP神经网络结构进行训练，根据训练结果最终预测出不同工况下工件的表面粗糙度。
[0016]进一步的，步骤4)中Iterative混沌映射的初始位置变换模型为：
[0017][0018]式中，b为控制参数，取b为0.05，X
i
代表随机生成的[0,1]内j维向量的第i个初始个体。
[0019]进一步的，步骤4)中北方苍鹰种群位置矩阵X为：
[0020][0021]式中，X为北方苍鹰种群矩阵，X
i
为第i个北方苍鹰的位置，x
i,j
为第i个北方苍鹰的第j维的位置，N为北方苍鹰的种群数量，m为求解问题的维度。
[0022]进一步的，步骤5)中北方苍鹰位置的适应度函数可以表示为：
[0023][0024]式中，F为北方苍鹰种群的目标函数向量，F
i
为第i个北方苍鹰的目标函数值。进一步的，步骤5)中猎物所在位置P
i
为：
[0025][0026]式中，P
i
为第i个北方苍鹰的猎物位置；k1是[1,N]范围内的随机整数；N为北方苍鹰的种群数量。
[0027]进一步的，步骤6)中猎物识别模型：
[0028][0029][0030]式中，P
i
为第i个北方苍鹰的猎物位置；为第i个北方苍鹰的猎物位置的适应度值；为猎物识别阶段更新后第i个北方苍鹰的新位置；为猎物识别阶段更新后第i个北方苍鹰的第j维的新位置；为基于猎物识别阶段更新后第i个北方苍鹰的适应度值；r
’1和r
’2是[0,1]范围内的随机数；I为1 或2的随机整数；
[0031]其中，两种非线性因子表达式为：
[0032]r
’1＝d
·
(1
‑
(t/T)
η
)
1/η
[0033][0034]式中，η是调节系数，t是当前迭代次数，T是最大迭代次数，本文取η＝1.5， d＝0.05。
[0035]进一步的，步骤7)中追逐猎物及猎物逃生模型为：
[0036][0037][0038]式中，t为当前迭代次数，T为最大迭代次数。为追逐猎物及猎物逃生阶段更新后第i个北方苍鹰的新位置；为追逐猎物及猎物逃生阶段更新后第 i个北方苍鹰的第j维的新位置；为基于追逐猎物及猎物逃生阶段更新后第i个北方苍鹰的适应度值。
[0039]优点效果：
[0040]本方法通过对北方苍鹰算法进行改进，并采用改进后的北方苍鹰算法优化 BP神经网络。能够有效避免BP神经网络预测中存在的易陷入局部最优、收敛性差、易发生过拟合等缺点，并提高了在已知条件下预测出工件表面粗糙度的时间。将BP神经网络、INGO
‑
BP以及SSA
‑
BP预测方法得出的训练预测结果进行对比，利用平均误差率和运算时间作为衡量预测性能的评价指标，得出改进后的 NGO
‑
BP训练结果的平均误差要小于SSA
‑
BP和传统BP，预测精度更高并且运算时间更短。
附图说明
[0041]图1(a)为NGO算法适应度曲线图；(b)为INGO算法适应度曲线图；
[0042]图2为INGO
‑
BP算法流程图；
[0043]图3为训练结果对比图；
[0044]图4为测试数据训练结果对比图。
具体实施方式
[0045]以下结合说明书附图更好的说明本专利技术。
[0046]本专利技术为预测铣削加工后的工件表面粗糙度，意义在于通过表面质量预测研究，
预判出铣削工件时不同工艺参数组合所对应的表面粗糙度值，从而为选择合适的加工参数，得到理想工件表面粗糙度值提供保证。
[0047]针对BP神经网络预测中存在的易陷入局部最优、收敛性差、易发生过拟合等缺点，并相对于采用一些本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种铣削工件表面粗糙度的预测方法，其特征在于：步骤为：1)确定BP神经网络的拓扑结构，将数控机床铣削工件获得的实验数据以矩阵形式进行存储，在实验数据中，工艺参数作为BP神经网络的输入数据，表面粗糙度值作为输出数据；2)对输入数据及输出数据通过归一化模型进行归一化处理；3)根据参数数目模型确定BP神经网络所需寻优的权值和阈值的数目，并将权值和阈值数目映射成北方苍鹰位置，北方苍鹰所在的位置是一个向量；4)设定北方苍鹰规模和迭代次数T，通过Iterative混沌映射策略的初始位置变换模型生成北方苍鹰的初始种群位置，形成北方苍鹰种群位置矩阵X；5)将步骤1)中的实验数据输入到BP神经网络模型中，计算初始权值与阈值下的神经网络预测值，将预测值与实测值之间的误差函数作为适应度函数F来计算北方苍鹰位置的适应度值；根据适应度值按升序排列，最小适应度值的北方苍鹰位置为猎物所在位置P
i
；6)在步骤5)中确定当前猎物所在位置P
i
后，北方苍鹰向猎物靠近，并在靠近的过程中，通过猎物识别模型更新北方苍鹰位置并重新确定猎物位置；7)猎物位置重新确定后，猎物位置适应度值发生改变，通过追逐猎物及猎物逃生模型更新猎物位置，更新后的北方苍鹰适应度值按升序排列，北方苍鹰适应度值最小的为最终的猎物位置，同时满足迭代次数终止时，这时位于最终的猎物位置的北方苍鹰位置为优化后的权值与阈值；8)利用步骤7)中优化后的权值与阈值代入BP神经网络结构进行训练，根据训练结果最终预测出不同工况下工件的表面粗糙度。2.根据权利要求1所述的一种铣削工件表面粗糙度的预测方法，其特征在于：步骤4)中Iterative混沌映射的初始位置变换模型为：式中，b为控制参数，取b为0.05，X
i
代表随机生成的[0,1]内j维向量的第i个初始个体。3.根据权利要求1所述的一种铣削工件表面粗糙度的预测方法，其特征在于：步骤4)中北方苍鹰种群位置矩阵X为：式中，X为北方苍鹰种群矩阵...

【专利技术属性】
技术研发人员：孙兴伟，辛明泽，张维锋，杨赫然，刘寅，董祉序，潘飞，
申请(专利权)人：沈阳工业大学，
类型：发明
国别省市：