买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：福州大学

摘要：本发明提高了一种基于改进BPNN‑DE算法的硅铝合金车削工艺参数优化方法（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（以下统称数据集）按折交叉验证方法将数据划分为训练集与验证集；（2）将个训练集分别训练BPNN模型，得到个BPNN模型；（3）通过验证集验证BPNN模型集合的拟合准确率；（4）取步骤（3）中拟合准确率最高的模型作为改进DE的适应度函数，并使用改进DE算法对工艺参数进行优化，得到最优硅铝合金质量时对应的车削三要素，从而实现对硅铝合金车削工艺参数的优化。

主权项：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Ct与验证集Cv,具体方法如下：1.1将数据集R划分为K份大小最大为的互斥子集R1,R2…RK，记Rc＝[R1,R2…RK]，lenR表示数据集R的数据条数，K＞1，表示向上取整符号；1.2取互斥子集Rc中K-1个子集的并集作为训练集Ct,剩余的子集作为验证集Cv，重复K次上述过程，得到K个训练集，记Ct＝[Ct1,Ct2…CtK]，得到K个验证集，记Cv＝[Cv1,Cv2…CvK]；2将K个训练集Ct1,Ct2…CtK分别训练BPNN模型，得到K个BPNN模型M1,M2…MK，具体方法如下：2.1从K个训练集Ct1,Ct2…CtK中任意选取一个训练集，选取Ct1，即训练BPNN模型M1；2.2设训练集Ct1中数据为x＝[x1,x2…xt]，y＝[y1,y2…yt]，t表示训练集数据数量，yt表示对应xt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wih 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bih；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who； 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bho；2.7设置隐藏层激活函数为2.8计算隐藏层输出Outh＝fwih·x+bih其中， Outhm表示第m个隐藏层神经元的输出值；2.9计算输出层输出Outo＝fwho·Outh+bho其中， Outol表示第l个输出层神经元输出值；2.10计算损失函数 其中，yi表示第i个输出层神经元输出值Outoi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who与偏置bho 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δi 2.14更新输入层与隐藏层间权重wih与偏置bih 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；2.15重复n次，n＞0，2.6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…MK]，K＞1，3通过验证集Cv＝[Cv1,Cv2…CvK]验证BPNN模型集合M＝[M1,M2…MK]的拟合准确率Ac＝[Ac1,Ac2…AcK]，具体方法如下：3.1模型拟合准确率的计算公式为： yi表示神经网络第i个输出值Outoi对应的标签值；4取步骤3中拟合准确率最高的模型MK作为改进DE算法的适应度函数Mx，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：Np＝sCh＝r XOVR＝qMAXGEN＝kF＝tEncoding＝RI其中，Np＝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；4.2定义父代种群z＝[z1,z2…zp…zs]其中，z表示父代种群；zp表示父代种群中第p个个体，1≤p≤s；zs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个个体，1≤p≤s； 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zc4.5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；N0,1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个个体，1≤p≤s； 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个个体，1≤p≤s； 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个个体，1≤p≤s； 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zc zc＝[zc1,zc2…zcp…zcs]其中， 表示经过交叉后种群第p个个体，1≤p≤s的适应度值； 表示经过高斯混沌后父代种群第p个个体，1≤p≤s的适应度值；zc表示子代种群；zcp表示子代种群中第p个个体，1≤p≤s；zcs表示子代种群中最后第s个个体；4.8以子代种群zc作为父代种群重复步骤4.4至4.7直到设定的代数n次,n＞0，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。

全文数据：

权利要求：

百度查询： 福州大学 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