本發(fā)明涉及一種硬質(zhì)合金刀片化學(xué)機(jī)械拋光表面粗糙度的預(yù)測方法，屬于機(jī)械加工工藝技術(shù)領(lǐng)域。

背景技術(shù)：

化學(xué)機(jī)械拋光因其能避免機(jī)械表面損傷、提高刀片平整度和減少熱影響等優(yōu)點(diǎn)，成為硬質(zhì)合金刀片重要的精密加工方法之一。但目前化學(xué)機(jī)械拋光硬質(zhì)合金刀片實(shí)際加工中多通過反復(fù)實(shí)驗(yàn)確定拋光工藝參數(shù)，依靠經(jīng)驗(yàn)、半經(jīng)驗(yàn)手段控制拋光質(zhì)量，以上問題造成了加工過程不穩(wěn)定，生產(chǎn)效率低。而在機(jī)械加工中，刀片表面粗糙度是衡量刀片產(chǎn)品質(zhì)量的重要指標(biāo)，因此，建立精確的表面粗糙度預(yù)測模型對提高化學(xué)機(jī)械拋光效率、提高化學(xué)機(jī)械拋光精度與降低生產(chǎn)成本具有重大的現(xiàn)實(shí)意義。

化學(xué)機(jī)械拋光硬質(zhì)合金刀片過程中，影響表面粗糙度的因素很多，且這些因素彼此又相互耦合，因此在各化學(xué)機(jī)械拋光工藝參數(shù)和表面粗糙度之間存在著復(fù)雜的非線性關(guān)系，神經(jīng)網(wǎng)絡(luò)的智能化特征與能力使其能有效的處理復(fù)雜非線性系統(tǒng)控制、特征提取及識別等信息處理問題。

技術(shù)實(shí)現(xiàn)要素：

針對上述問題，本發(fā)明提出一種硬質(zhì)合金刀片化學(xué)機(jī)械拋光表面粗糙度的預(yù)測方法，該方法采用基于高斯函數(shù)的異常檢測算法進(jìn)行實(shí)驗(yàn)樣本數(shù)據(jù)的預(yù)處理，淘汰掉異常數(shù)據(jù)組，利用遺傳算法優(yōu)化bp人工神經(jīng)網(wǎng)絡(luò)模型的非線性函數(shù)逼近特性，可快速高精確地預(yù)測硬質(zhì)合金刀片表面粗糙度。

本發(fā)明采用的技術(shù)方案如下：一種硬質(zhì)合金刀片化學(xué)機(jī)械拋光表面粗糙度的預(yù)測方法，包括以下步驟：

步驟一、設(shè)計(jì)化學(xué)機(jī)械拋光硬質(zhì)合金刀片實(shí)驗(yàn)參數(shù)與實(shí)驗(yàn)方案，以及實(shí)驗(yàn)數(shù)據(jù)的采集；

步驟二、采用基于高斯函數(shù)的異常檢測算法進(jìn)行實(shí)驗(yàn)樣本數(shù)據(jù)的預(yù)處理；

步驟三、建立遺傳算法優(yōu)化bp神經(jīng)網(wǎng)絡(luò)的預(yù)測模型,利用預(yù)處理后的實(shí)驗(yàn)樣本數(shù)據(jù)對預(yù)測模型進(jìn)行學(xué)習(xí)訓(xùn)練，從而獲得不同條件下硬質(zhì)合金刀片的表面粗糙度預(yù)測模型。

在步驟一中，所述的化學(xué)機(jī)械拋光硬質(zhì)合金刀片實(shí)驗(yàn)為拋光前表面粗糙度、拋光時間、拋光速度、拋光壓力、磨粒大小和拋光液濃度六個因素間的對表面粗糙度的影響實(shí)驗(yàn)。

在步驟二中，所述的基于高斯函數(shù)的異常檢測算法具體為：

1)構(gòu)建仿真數(shù)據(jù)

確定訓(xùn)練樣本數(shù)據(jù)其中xij表示第i組第j個因素的實(shí)驗(yàn)數(shù)據(jù)；

2)確定高斯分布參數(shù)

高斯分布的概率密度函數(shù)：式中，p(xij；μi,σi²)表示正常數(shù)據(jù)的概率；μi表示第i組實(shí)驗(yàn)數(shù)據(jù)的均值，由公式確定；σi表示第i組實(shí)驗(yàn)數(shù)據(jù)的方差，由公式確定，式中n表示數(shù)據(jù)所包含的因素?cái)?shù)量；

3)確定閾值

高斯參數(shù)確立后可得到高斯分布輪廓，而確立訓(xùn)練樣本點(diǎn)是否異常的方法之一就是以交叉驗(yàn)證集為基礎(chǔ)設(shè)立一個閾值ε，概率低于閾值的點(diǎn)可以被認(rèn)為是異常點(diǎn)；

4)得出結(jié)果

將檢測出的異常點(diǎn)數(shù)據(jù)組淘汰掉，得到可進(jìn)行預(yù)測的實(shí)驗(yàn)樣本數(shù)據(jù)。

在步驟三中，所述的遺傳算法優(yōu)化bp神經(jīng)網(wǎng)絡(luò)的預(yù)測模型是利用遺傳算法替代bp神經(jīng)網(wǎng)絡(luò)的梯度下降法來優(yōu)化預(yù)測誤差，具體步驟如下：

1)數(shù)據(jù)歸一化

將預(yù)處理后的實(shí)驗(yàn)樣本數(shù)據(jù)中的隨機(jī)70％的數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)組，另30％的數(shù)據(jù)作為測試數(shù)據(jù)組；為消除各維數(shù)據(jù)間數(shù)量級差別，將訓(xùn)練數(shù)據(jù)組和測試數(shù)據(jù)組歸一處理化得到訓(xùn)練集和測試集，其中數(shù)據(jù)歸一化處理采用最大最小法，即xmin為數(shù)據(jù)序列中的最小值，xmax為數(shù)據(jù)序列中的最大值；

2)bp人工神經(jīng)網(wǎng)絡(luò)的構(gòu)建

a)輸入層節(jié)點(diǎn)數(shù)n：根據(jù)預(yù)測模型，輸入層節(jié)點(diǎn)數(shù)為影響硬質(zhì)合金刀片表面粗糙度的因素的個數(shù)；

b)輸出層節(jié)點(diǎn)數(shù)m：根據(jù)預(yù)測模型，輸出層節(jié)點(diǎn)數(shù)為化學(xué)機(jī)械拋光實(shí)驗(yàn)的因變量的個數(shù)；

c)隱含層節(jié)點(diǎn)數(shù)l：根據(jù)公式式中n為輸入層節(jié)點(diǎn)數(shù)，m為輸出層節(jié)點(diǎn)數(shù)，a為0～10間的常數(shù)；

d)輸入層和隱含層間連接權(quán)值矩陣wij[n×l]，隱含層和輸入層間連接權(quán)值矩陣wjk[l×m]；

e)隱含層閾值矩陣aj[l×1]，輸出層閾值矩陣bk[m×1]；

f)隱含層激勵函數(shù)f(x)：

g)隱含層輸出hj：

h)隱含層輸出ok：

i)誤差ek：根據(jù)網(wǎng)絡(luò)預(yù)測輸出ok和實(shí)際期望輸出yk差值計(jì)算得出ek＝ok-yk；

3)遺傳算法的構(gòu)建

a)種群初始化：隨機(jī)生成規(guī)模為n的初始種群，n一般設(shè)置為20-50，種群的每個個體由輸入層和隱含層間連接權(quán)值矩陣wij[n×l]、隱含層和輸入層間連接權(quán)值矩陣wjk[l×m]、隱含層閾值矩陣aj[l×1]和輸出層閾值矩陣bk[m×1]組成，其基因序列的長度l根據(jù)公式計(jì)算如下：l＝longwij+longaj+longwjk+longbk；

b)適應(yīng)度函數(shù)f：將bp網(wǎng)絡(luò)預(yù)測誤差ek的平方和作為遺傳算法的個體適應(yīng)值，式中n表示輸入層節(jié)點(diǎn)數(shù)；

c)選擇操作：即基于適應(yīng)度比例的選擇策略，每個個體的選擇概率式中pi表示第i個個體的選擇概率，fi表示第i個個體的適應(yīng)度，n表示種群個體數(shù)目；

d)交叉操作：即染色體個體交叉，式中art表示第r個個體在t位上的基因，ast表示第s個個體在t位上的基因，b表示交叉算子，b一般取0.4-0.9；

e)變異操作：選取第i個個體的第j個基因aij進(jìn)行變異，式中amax表示基因aij的上界，amin表示基因aij的下界，f(g)＝1-g/g，g表示當(dāng)前進(jìn)化代數(shù)，g表示終止進(jìn)化代數(shù)，r表示變異算子，r一般取0.001-0.1；

f)終止進(jìn)化代數(shù)g：g一般設(shè)置為100-500；

4)表面粗糙度預(yù)測

將訓(xùn)練集對模型進(jìn)行學(xué)習(xí)訓(xùn)練，從而即可獲得不同條件下刀片的表面粗糙度預(yù)測模型；利用測試集對訓(xùn)練后的網(wǎng)絡(luò)模型進(jìn)行測試,得出預(yù)測模型的精度，進(jìn)而利用精度滿足要求的模型對化學(xué)機(jī)械拋光硬質(zhì)合金刀片的表面粗糙度進(jìn)行預(yù)測。

本發(fā)明的有益效果是：

一、本發(fā)明采用基于高斯函數(shù)的異常檢測算法進(jìn)行實(shí)驗(yàn)樣本數(shù)據(jù)的預(yù)處理，高斯過程方法對于高維非線性的小樣本數(shù)據(jù)具有非常強(qiáng)的適用性和泛化能力，基于高斯函數(shù)的異常檢測算法可檢測數(shù)據(jù)中的異常數(shù)據(jù)，預(yù)測模型對數(shù)據(jù)的依賴性很大，當(dāng)遇到異常數(shù)據(jù)時，預(yù)測模型的預(yù)測精度會極大降低，采用基于高斯函數(shù)的異常檢測算法進(jìn)行實(shí)驗(yàn)樣本數(shù)據(jù)的預(yù)處理可提高預(yù)測模型的精度；

二、本發(fā)明采用遺傳算法尋優(yōu)bp神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值，相對bp神經(jīng)網(wǎng)絡(luò)的梯度下降法尋優(yōu)，遺傳算法具有內(nèi)在的隱并行性和更好的全局尋優(yōu)能力，可在全局范圍內(nèi)尋得一個近優(yōu)解，避免了陷于局部最優(yōu)解，從而使硬質(zhì)合金刀片化學(xué)機(jī)械拋光表面粗糙度預(yù)測精度提高，收斂速度快，穩(wěn)定性增強(qiáng)；

三、本發(fā)明建立精確的表面粗糙度預(yù)測模型，對提高化學(xué)機(jī)械拋光效率、提高化學(xué)機(jī)械拋光精度與降低生產(chǎn)成本具有重大的現(xiàn)實(shí)意義。

附圖說明

圖1是化學(xué)機(jī)械拋光硬質(zhì)合金刀片表面粗糙度預(yù)測模型的流程圖。

圖2是基于高斯函數(shù)的異常檢測算法檢測的流程圖。

圖3是實(shí)施例中遺傳算法優(yōu)化bp神經(jīng)網(wǎng)絡(luò)的流程圖。

圖4是實(shí)施例中預(yù)測模型對訓(xùn)練數(shù)據(jù)集的表面粗糙度擬合結(jié)果圖。

圖5是實(shí)施例中預(yù)測模型對測試數(shù)據(jù)集的表面粗糙度預(yù)測結(jié)果圖。

圖6是bp神經(jīng)網(wǎng)絡(luò)與本專利優(yōu)化算法的預(yù)測誤差對比圖。

具體實(shí)施方式

下面結(jié)合附圖和實(shí)施例對本發(fā)明做進(jìn)一步詳細(xì)說明，但本發(fā)明的保護(hù)范圍不限于下述的實(shí)施例。

圖1是本發(fā)明的化學(xué)機(jī)械拋光硬質(zhì)合金刀片表面粗糙度預(yù)測模型的流程圖，具體包括以下步驟：

步驟一、設(shè)計(jì)化學(xué)機(jī)械拋光硬質(zhì)合金刀片實(shí)驗(yàn)參數(shù)與實(shí)驗(yàn)方案，以及實(shí)驗(yàn)數(shù)據(jù)的采集；

步驟二、采用基于高斯函數(shù)的異常檢測算法進(jìn)行實(shí)驗(yàn)樣本數(shù)據(jù)的預(yù)處理；

步驟三、建立遺傳算法優(yōu)化bp神經(jīng)網(wǎng)絡(luò)的預(yù)測模型,利用預(yù)處理后的實(shí)驗(yàn)樣本數(shù)據(jù)對預(yù)測模型進(jìn)行學(xué)習(xí)訓(xùn)練，從而獲得不同條件下硬質(zhì)合金刀片的表面粗糙度預(yù)測模型。

在步驟一中，所述的化學(xué)機(jī)械拋光硬質(zhì)合金刀片實(shí)驗(yàn)為拋光前表面粗糙度、拋光時間、拋光速度、拋光壓力、磨粒大小和拋光濃度六個因素間對表面粗糙度的影響實(shí)驗(yàn)，采集72個原始實(shí)驗(yàn)樣本數(shù)據(jù)如下表1所示：

表1原始實(shí)驗(yàn)樣本數(shù)據(jù)表

圖2是基于高斯函數(shù)的異常檢測算法檢測的流程圖，具體包括以下步驟：

1)構(gòu)建仿真數(shù)據(jù)

確定訓(xùn)練樣本數(shù)據(jù)其中xij表示第i組第j個因素的實(shí)驗(yàn)數(shù)據(jù)；

2)確定高斯分布參數(shù)

高斯分布的概率密度函數(shù)：式中，p(xij；μi,σi²)表示正常數(shù)據(jù)的概率；μi表示第i組實(shí)驗(yàn)數(shù)據(jù)的均值，由公式確定；σi表示第i組實(shí)驗(yàn)數(shù)據(jù)的方差，由公式確定，式中n表示數(shù)據(jù)所包含的因素?cái)?shù)量；

3)確定閾值

高斯參數(shù)確立后可得到高斯分布輪廓，而確立訓(xùn)練樣本點(diǎn)是否異常的方法之一就是以交叉驗(yàn)證集為基礎(chǔ)設(shè)立一個閾值ε為5.8×10^-17，概率低于閾值的點(diǎn)可以被認(rèn)為是異常點(diǎn)；

4)得出結(jié)果

將檢測出實(shí)驗(yàn)樣本編號為33和69的異常點(diǎn)數(shù)據(jù)組淘汰掉，得到可進(jìn)行預(yù)測的實(shí)驗(yàn)樣本數(shù)據(jù)。

圖3是遺傳算法優(yōu)化bp神經(jīng)網(wǎng)絡(luò)的流程圖，所述的遺傳算法優(yōu)化bp神經(jīng)網(wǎng)絡(luò)的預(yù)測模型是利用遺傳算法替代bp神經(jīng)網(wǎng)絡(luò)的梯度下降法來優(yōu)化預(yù)測誤差，具體步驟如下：

1)數(shù)據(jù)歸一化

將預(yù)處理后的實(shí)驗(yàn)樣本數(shù)據(jù)中的隨機(jī)70％的數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)組，另30％的數(shù)據(jù)作為測試數(shù)據(jù)組；為消除各維數(shù)據(jù)間數(shù)量級差別，將訓(xùn)練數(shù)據(jù)組和測試數(shù)據(jù)組歸一處理化得到訓(xùn)練集和測試集，其中數(shù)據(jù)歸一化處理采用最大最小法，即xmin為數(shù)據(jù)序列中的最小值，xmax為數(shù)據(jù)序列中的最大值；

2)bp人工神經(jīng)網(wǎng)絡(luò)的構(gòu)建

a)輸入層節(jié)點(diǎn)數(shù)n：根據(jù)預(yù)測模型，輸入層節(jié)點(diǎn)數(shù)為影響硬質(zhì)合金刀片表面粗糙度的因素的個數(shù)，即為拋光前表面粗糙度、拋光時間、拋光速度、拋光壓力、磨粒大小、磨粒液濃度等6個；

b)輸出層節(jié)點(diǎn)數(shù)m：根據(jù)預(yù)測模型，輸出層節(jié)點(diǎn)數(shù)為輸出層節(jié)點(diǎn)數(shù)為化學(xué)機(jī)械拋光實(shí)驗(yàn)的因變量的個數(shù)，即硬質(zhì)合金刀片表面粗糙度1個；

c)隱含層節(jié)點(diǎn)數(shù)l：根據(jù)公式式中n為輸入層節(jié)點(diǎn)數(shù)，m為輸出層節(jié)點(diǎn)數(shù)，a為0～10間的常數(shù)，本發(fā)明中a取5，故隱含層節(jié)點(diǎn)數(shù)為7；

d)輸入層和隱含層間連接權(quán)值矩陣wij[6×7]，隱含層和輸入層間連接權(quán)值矩陣wjk[7×1]；

e)隱含層閾值矩陣aj[7×1]，輸出層閾值矩陣bk[1×1]；

f)隱含層激勵函數(shù)f(x)：

g)隱含層輸出hj：

h)隱含層輸出ok：

i)誤差ek：根據(jù)網(wǎng)絡(luò)預(yù)測輸出ok和實(shí)際期望輸出yk差值計(jì)算得出ek＝ok-yk；

3)遺傳算法的構(gòu)建

a)種群初始化：隨機(jī)生成規(guī)模為50的初始種群，該種群的每個個體由輸入層和隱含層間連接權(quán)值矩陣wij[6×7]、隱含層和輸入層間連接權(quán)值矩陣wjk[7×1]、隱含層閾值矩陣aj[7×1]和輸出層閾值矩陣bk[1×1]組成，其基因序列的長度l根據(jù)公式計(jì)算如下：

l＝longwij+longaj+longwjk+longbk；

b)適應(yīng)度函數(shù)f：將bp網(wǎng)絡(luò)預(yù)測誤差ek的平方和作為遺傳算法的個體適應(yīng)值，式中n表示輸入層節(jié)點(diǎn)數(shù)；

c)選擇操作：即基于適應(yīng)度比例的選擇策略，每個個體的選擇概率式中pi表示第i個個體的選擇概率，fi表示第i個個體的適應(yīng)度，n表示種群個體數(shù)目；

d)交叉操作：即染色體個體交叉，式中art表示第r個個體在t位上的基因，ast表示第s個個體在t位上的基因，b表示交叉算子，本發(fā)明b取0.4；

e)變異操作：選取第i個個體的第j個基因aij進(jìn)行變異，式中amax表示基因aij的上界，amin表示基因aij的下界，f(g)＝1-g/g，g表示當(dāng)前進(jìn)化代數(shù)，g表示終止進(jìn)化代數(shù)，r表示變異算子，本發(fā)明r取0.1；

f)終止進(jìn)化代數(shù)g：本發(fā)明g取100；

4)表面粗糙度預(yù)測

將訓(xùn)練集對模型進(jìn)行學(xué)習(xí)訓(xùn)練，從而即可獲得不同條件下刀片的表面粗糙度預(yù)測模型,預(yù)測模型對訓(xùn)練數(shù)據(jù)集的表面粗糙度擬合結(jié)果如圖4所示；利用測試集對訓(xùn)練后的網(wǎng)絡(luò)模型進(jìn)行測試,預(yù)測模型對測試數(shù)據(jù)集的表面粗糙度預(yù)測結(jié)果如圖5所示，利用測試集對訓(xùn)練后的網(wǎng)絡(luò)模型測試可得出預(yù)測模型的精度為0.968。

5)預(yù)測模型對比

相對于預(yù)測精度為0.913的傳統(tǒng)bp神經(jīng)網(wǎng)絡(luò)預(yù)測模型，本專利優(yōu)化算法能夠有效地預(yù)測硬質(zhì)合金刀片化學(xué)機(jī)械拋光表面粗糙度，bp神經(jīng)網(wǎng)絡(luò)與本專利優(yōu)化算法的預(yù)測誤差對比如圖6所示。