[发明专利]一种基于改进的粒子群优化算法的刀具磨损预测方法

摘要

本发明公开了一种基于改进的粒子群优化算法的刀具磨损预测方法，属于刀具磨损检测技术领域；本发明将改进后的粒子群优化算法应用于神经网络权值和阈值的优化上，利用建立好的神经网络对加工后刀具的磨损量进行预测。首先将切削速度、切削深度、进给量、时间的设定及不同铣削条件下刀具磨损值数据采集。数据归一化处理并建立神经网络：通过改进的粒子群优化算法确定神经网络的权值和阈值。给定相应的预测数据，即切削速度、切削深度、进给量、时间，通过神经网络模型计算后，输出层的值即为预测结果。

主权项

1.一种基于改进的粒子群优化算法的刀具磨损预测方法，其特征在于：该方法包括步骤如下：步骤一、切削速度、切削深度、进给量、时间的设定及不同铣削条件下刀具磨损值数据采集；步骤二、数据归一化处理：归一化处理是将数据的值转换到[0，1]区间内，使用的归一化函数S(t)为：t为输入数据，e为自然底数；步骤三、神经网络的建立：BP神经网络模型包括输入层、隐藏层及输出层的三层BP神经网络，在此模型中，设定输入层单元为4，输出层单元为1，输入层单元分别表示刀具的切削速度、切削深度、进给量以及时间的信息，输出层单元表示单元数是刀具的磨损值，隐藏层单元数是经公式推算和试凑调整确定，通过以下经验公式其中，n为输入层神经元个数，m为输出层神经元个数，a为[1，10]之间的常数，由此设定隐藏层单元数为5；步骤四、通过改进的粒子群优化算法确定神经网络的权值和阈值：(1)初始化一群粒子，每个粒子都代表神经网络权值和阈值优化问题的一个潜在最优解，用位置、速度和适应度三项指标表示该粒子特征；设置适应度函数：程序实现：loss_mse＝tf.reduce_mean(tf.square(y‑‑y))其中y表示预测值，y‑表示实际输出值，n表示样本数；(2)粒子在解空间中运动，通过跟踪个体极值Pbest和群体极值Gbest更新个体位置，个体极值Pbest是指个体所经历位置中计算得到的适应度值最优位置，群体极值Gbest是指种群中的所有粒子搜索到的适应度最优位置；粒子每更新一次位置，就计算一次适应度值，并且通过比较新粒子的适应度值和个体极值、群体极值的适应度值更新个体极值Pbest和群体极值Gbest的位置；更新方式如下:其中，V代表当前速度，X代表当前位置，c1、c2是系数，r1、2是随机数，i＝1,2,3,…,N；N是粒子群规模，是粒子i个体最优位置Pbest的第d维分量，是粒子群中最优值Gbest的第d维分量；表示个体极值和当前位置的关系，有可能向着个体极值的方向寻找；一式表示速度更新，二式表示位置更新；(3)惯性权重的选择惯性权重w体现的是粒子继承先前的速度的能力，一个较大的权值有利于全局搜索，而一个较小的惯性权值则更有利于局部搜索，为了更好的平衡全局搜索与局部搜索能力，采用线性递减惯性权重LDIWω(k)＝ωstart‑(ωstart‑ωend)(Tmax‑k)/Tmax其中ωstart为初始惯性权重，ωend为迭代最大次数时的惯性权重，k为当前迭代代数，Tmax为最大迭代代数；惯性权值取值为ωend＝0.9、ωend＝0.4时算法性能最好；这样随着迭代的进行，惯性权重由0.9线性递减至0.4，迭代初期较大的惯性权重使算法保持了较强的全局搜索能力，而迭代后期小的惯性权重有利于算法进行更精确的局部搜索；线性惯性权重只是一种经验做法，惯性权重选择还包括如下几种：方法一：ω(k)＝ωstart‑(ωstart‑ωend)(k/Tmax)2方法二：ω(k)＝ωstart+(ωstart‑ωend)(2k/Tmax‑(k/Tmax)2)方法三：通过matlab将四种惯性权重选择方法应用到刀具磨损预测中，选择在较小的迭代次数中速度更新权重最快的，因此选择方法三作为惯性权重的迭代方法；(4)将惯性权重选择的方法三用于粒子群优化算法中得到全局最优解，将其映射到BP神经网络的权值和阈值中进行神经网络的训练：根据BP神经网络的设计原则及实验，训练中隐藏层神经元的传递函数为双曲正弦函数，可实现不同样本的空间分割，而输出层神经元的传递函数为线性函数Purelin函数，用于输出网络的识别结果，训练函数采用梯度下降算法traingd；随机选取m组经过归一化处理的函数进行训练，已建立的BP神经网络通过利用改进后的PSO算法确定最优权值和阈值，迭代循环的调整权值和阈值，直到收敛，即完成训练。