[发明专利]一种基于改进BPNN-DE算法的硅铝合金车削工艺参数优化方法

权利要求书

1.一种基于改进BPNN-DE算法的硅铝合金车削工艺参数优化方法，其特征在于，包括以下步骤：

(1)将数控车床车削硅铝合金的切削三要素及车削后硅铝合金表面粗糙度信息统称为数据集R,按K折交叉验证方法将数据划分为训练集C_t与验证集C_v,具体方法如下：

(1.1)将数据集R划分为K(K＞1)份大小最大为的互斥子集R₁,R₂…R_K，记R_c＝[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；

(1.2)取互斥子集R_c中K-1个子集的并集作为训练集C_t,剩余的子集作为验证集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个验证集，记C_v＝[C_v1,C_v2…C_vK]；

(2)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，具体方法如下：

(2.1)从K个训练集C_t1,C_t2…C_tK中任意选取一个训练集，如C_t1，训练BPNN模型M₁；

(2.2)设训练集C_t1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；

(2.3)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；

(2.4)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)；

(2.5)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；

(2.6)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)；

(2.7)设置隐藏层激活函数为

(2.8)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；

(2.9)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；

(2.10)计算损失函数

其中，y_i表示第i个输出层神经元输出值Out_oi对应的标签值；

(2.11)计算输出层与隐藏层间误差因子δ₀；

(2.12)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；

(2.13)计算输入层与隐藏层间误差因子δ_i

(2.14)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；

(2.15)重复n(n＞0)次(2.6)到(2.12)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；

(2.16)重复K(K＞1)次(2.1)至(2.13)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]；

(3)通过验证集C_v＝[C_v1,C_v2…C_vK]验证BPNN模型集合M＝[M₁,M₂…M_K]的拟合准确率A_c＝[A_c1,A_c2…A_cK]，具体方法如下：

(3.1)模型拟合准确率的计算公式为：

y_i表示神经网络第i个输出值Out_oi对应的标签值；

(4)取步骤(3)中拟合准确率最高的模型M_K作为改进DE算法的适应度函数M(x)，并使用改进DE算法对车削后硅铝合金表面粗糙度进行优化，得到在最优车削质量时，模型对应的车削三要素，从而实现对车削工艺参数的优化，具体方法如下：

(4.1)初始化改进差分进化模型参数如下：

N_p＝s

Ch＝r

XOVR＝q

MAXGEN＝k

F＝t

Encoding＝RI

其中，

N_p＝s表示种群规模为s(s＞0)；

Ch＝r表示种群中每个个体的基因位数为r(r＞0)；

表示变异概率为

XOVR＝q表示重组概率为q(0＜q＜1)；

MAXGEN＝k表示最大进化代数为k(k＞0)；

F＝t表示差分缩放比例因子为t(0＜t＜1)；

Encoding＝RI表示编码方式采用RI(实整数)；

(4.2)定义父代种群

z＝[z₁,z₂…z_p…z_s]

其中，

z表示父代种群；

z_p表示父代种群中第p(1≤p≤s)个个体；

z_s表示父代种群中最后第s个个体；

(4.3)引入高斯混沌映射方法实例化父代种群

其中，

表示

表示经过高斯混沌映射后的父代种群中第p(1≤p≤s)个个体；

表示经过高斯混沌映射后的父代种群中最后第s个个体；

z⁺表示经过高斯混沌映射后的父代种群；

(4.4)根据精英复制选择策略从父代种群挑选精英个体直接传入子代种群，其余个体进行选择交叉变异操作，具体方法如下：

(4.4.1)计算父代适应度值

其中，

表示父代个体适应度值集合；

表示以最优至劣的个体适应度值降序排序，最优；

(4.4.2)选取对应个体直接传入子代种群z_c

(4.5)引入高斯变异过程

其中，

rand表示在(0,1)间服从均匀分布的随机数；

N(0，1)表示均值为0，方差为1的标准高斯分布；

表示经过高斯变异后的种群中第p(1≤p≤s)个个体；

表示经过高斯变异后的种群中最后第s个个体；

表示经过高斯变异后的种群；

F表示差分缩放比例因子；

表示从中随机选择的个体互不相等；

表示经过差分后的种群中第p(1≤p≤s)个个体；

表示经过差分后的种群中最后第s个个体；

表示经过差分后的种群；

(4.6)结合高斯变异种群与父代种群进行二项式分布交叉

其中，

表示经过交叉后的种群中第p(1≤p≤s)个个体；

表示经过交叉后的种群；

(4.7)实行一对一生存选择策略，得到新一代子种群z_c

z_c＝[z_c1,z_c2…z_cp…z_cs]

其中，

表示经过交叉后种群第p(1≤p≤s)个个体的适应度值；

表示经过高斯混沌后父代种群第p(1≤p≤s)个个体的适应度值；

z_c表示子代种群；

z_cp表示子代种群中第p(1≤p≤s)个个体；

z_cs表示子代种群中最后第s个个体；

(4.8)以子代种群z_c作为父代种群重复步骤(4.4)至(4.7)直到设定的代数n(n＞0)次，将n代所有个体中适应度值最小的个体作为最优工艺参数个体。