[发明专利]基于PSO-BP神经网络和NSGA-II的激光切割加工建模及参数优化选择方法

说明书

本发明公开了基于PSO‑BP神经网络和NSGA‑II的激光切割加工建模及参数优化选择方法，通过已有的激光切割加工数据，利用经过PSO‑BP优化后的BP神经网络建立神经网络模型，并通过NSGA‑II多目标优化算法优化选择激光加工参数。将构建的建模样本集进行归一化处理，获得归一化样本集；根据归一化样本集，利用粒子群优化算法(PSO)优化BP神经网络的初始权重、误差，隐含层节点数和激活函数。本发明通过自动化建模和智能优化方法，对于难以抉择的加工参数选择问题给出最为合适的加工参数组合建议，能在提高加工质量的同时降低加工成本，能源消耗等，提高了模型和优化为稳定性。

技术领域

本发明涉及神经网络及神经网络的优化、多目标优化算法、参数选择方法，更为具体地，涉及一种基于PSO-BP神经网络和NSGA-II的激光切割加工建模及参数优化选择方法。

背景技术

激光切割参数的选择往往依靠激光切割设备生产厂家的技术指导、加工人员的经验积累、以及多次反复试验才能获得较好的加工质量。但是依靠人工的参数选择，往往只能单一考虑加工质量，或者简单的同时考虑加工质量和加工成本，往往难以获得最优的加工参数组合。

建立激光切割质量、加工成本和加工参数之间的加工模型，并利用一些多目标优化算法和加工参数选择方法，能够帮助加工人员更加容易的找到最为合适的加工参数组合，在达到多个加工目标的同时，尽可能的降低加工成本。

面对复杂的激光切割加工过程、引入建模功能强大的BP神经网络，和应用最为广泛的NSGA-II多目标优化算法，对激光切割加工参数进行优化，在优化获得的非支配最优解集中选择最为合适的加工参数组合，用以指导激光切割加工的加工参数组合最优化选择，将在满足加工质量的要求下，有效的降低加工成本，提升产业的竞争力。

针对BP神经网络的稳定性和预测准确性受初始权重、偏差以及神经网络的结构，激活函数党的影响明显，为了提高BP神经网络的而稳定性和预测的准确性，粒子群优化算法等智能优化算法被广泛的应用于对BP神经网络的优化。发明内容

本发明的目的在于提出一种集激光切割加工过程建模、多目标加工参数优化和选择的方法。本方法能够通过历史加工数据，建立准确稳定的加工模型，用于对激光切割加工质量和加工成本的预测，并采用多目标优化算法获取最优的加工参数组合集，并根据给定的加工目标选出最为合适的加工参数组合。

为实现以上目的，本发明的采用的方法如下：

(1)：获取已有的激光加工数据，确定需要优化的加工参数和加工响应，构建建模样本集；

(2)：将构建的建模样本集进行归一化处理，获得归一化样本集；

(3)：根据归一化样本集，利用粒子群优化算法(PSO)优化BP神经网络的初始权重、误差，隐含层节点数和激活函数；

(4)：利用归一化样本集训练PSO优化后的BP神经网络；

(5)：利用NSGA-II多目标优化算法优化加工参数，获取非支配最优解集；

(6)：根据加工目标，在非支配最优解集中选择最合适的加工参数组合。

进一步的，

在所述(1)中，获取已有的激光加工数据，确定需要优化的加工参数和加工响应，构建建模样本集，包含以下三个部分：

第一：确定要优化的激光切割加工参数，激光功率x₁，焦点位置x₂，喷嘴直径x₃，辅助气体压力x₄，扫描速度x₅；

构建加工参数输入矩阵X如下：