[发明专利]基于遗传算法优化BP神经网络的喷丸成形工艺参数预测方法

摘要

本发明公开了一种基于遗传算法优化BP神经网络的喷丸成形工艺参数预测方法，用于解决现有喷丸成形方法实用性差的技术问题。技术方案是首先采用BP神经网络建立零件外形特征、材料力学性能与喷丸工艺参数之间复杂的非线性映射关系，再采用遗传算法对BP神经网络的结构和参数进行优化，可用于喷丸成形工艺参数的辅助设计。由于采用BP神经网络构建零件外形特征、材料力学性能与喷丸成形工艺参数之间复杂的非线性映射关系，在不需要充分了解喷丸内部机理的情况下即可建立喷丸成形工艺参数预测模型，并利用遗传算法对BP神经网络的结构和参数进行优化，降低了预测时间，提高了预测精度，有效提升了喷丸成形工艺参数设计的效率，实用性好。

主权项

1.一种基于遗传算法优化BP神经网络的喷丸成形工艺参数预测方法，其特征在于包括以下步骤：步骤一、选取包括零件的厚度、长宽比、材料的屈服强度、弹性模量、泊松比以及喷嘴移动速度进行试验，得到相应的零件曲率半径；零件曲率半径与影响喷丸成形因素之间的关系表示为：R＝f(h,r,E,σs,ν,V)式中，R为零件曲率半径，h为目标零件的厚度，r为长宽比，E为材料的弹性模量，σs为屈服强度，ν为泊松比，V为喷嘴移动速度；根据试验结果确定数据样本集，并按照4:1的比例将该数据样本集分为训练样本集与测试样本集两部分；步骤二、采用最大最小法对步骤一中获取到的数据样本集按照不同参数类别分别进行归一化处理，得到经处理后的训练样本集和测试样本集，所述最大最小法公式为：式中，yi为归一化后的数据，xi为原始数据，xmin为数据序列的最小数，xmax为数据序列的最大数；步骤三、选择目标零件的厚度、曲率半径和长宽比，零件材料的弹性模量、屈服强度以及泊松比作为BP神经网络的输入，选择喷嘴移动速度作为BP神经网络的输出，使预测所用的人工神经网络从多对多模型简化为多对一模型；使用含有一个隐含层的BP神经网络建立预测模型，且隐含层神经元个数与输入层神经元个数之间遵循如下关系：n≤2m+1式中，m为输入层神经元个数，n为隐含层神经元个数，根据输入层神经元个数确定隐含层神经元个数的范围，并在这个范围内选择不同隐含层神经元个数进行预测，将预测结果与实测数据进行对比，通过计算二者之间的均方根误差，确定最佳隐含层神经元个数；所述均方根误差公式为：式中，n为数据的个数，Vp为速度预测值，Ve为速度期望值，即实测速度；步骤四、利用遗传算法优化BP神经网络初始权值及阈值，具体步骤如下：给各个权值阈值赋予(‑1,1)内的随机值，并采用实数编码方式对神经网络的权值和阈值进行编码操作，初始化种群；编码时，染色体基因的长度等于网络中所有权值和阈值个数的总和；利用网络预测均方误差的倒数来建立种群个体的适应度函数：式中，F为适应度，V为预测所得喷嘴移动速度，为喷嘴移动速度期望值；通过计算种群中所有个体的适应度大小，并根据优胜劣汰的规则，从当前种群中挑选出优秀的个体作为父代以产生下一代个体，利用如下方法确定每一个个体被选中的概率：式中，pk为第k个个体被选择的概率，Fk为第k个个体的适应度，N为种群中个体的总数；两父代个体进行交叉操作时，在交叉操作点上进行基因链码互换，形成两个新的个体；假设两个父代个体为X＝(x1,...,xi...,xl)和Y＝(y1,...,yi...,yl)，则两个子代个体X′＝(x′1,...,x′i...,x′l)和Y′＝(y′1,...,y′i...,y′l)表示为：其中，r为随机数；从种群中随机选择一个个体，按概率变异得到新个体；假设一个个体为X＝(x1,...,xi..,xl)，且xi∈[ai,bi]，则变异后个体基因x′i为：式中，ai、bi为每一个变量的上下限，G、Gmax为当前种群的数目与最大种群数目，r1、r2为0到1之间的随机数，b为和迭代次数相关的参数；反复进行选择、交叉以及变异操作生成新种群，并对新种群的个体适应度进行计算，寻找出最优个体；步骤五、利用BP神经网络模型进行预测，具体步骤如下：将步骤四计算所得最优解作为BP神经网络各神经元初始权值及阈值；假设i为输入层神经元个数，j为隐含层神经元个数，整个神经网络的输出V为：式中，xj为隐含层第j个神经元的总输入，xi为输入层第i个输入信号，wij为输入层第i个输入信号与隐含层第j个神经元之间的权值，bj为隐含层第j个神经元的阈值，yj为隐含层第j个神经元的输出，wj为隐含层第j个神经元与输出层神经元之间的权值，b为输出层神经元阈值，m为输入层神经元个数，n为隐含层神经元个数；将步骤二中经归一化后的训练样本输入到BP神经网络模型中进行计算，并根据误差分别对网络各层权值及阈值进行修正，实现误差的逆向传播，直到达到迭代次数或均方误差小于给定值为止，至此，训练过程结束；将步骤二中经归一化后的测试样本输入到BP神经网络模型中进行计算，并将预测结果与实测结果进行对比分析，通过计算均方根误差来检测网络预测精度，均方根误差越小，网络预测精度越高。