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)
2)確定高斯分布參數(shù)
高斯分布的概率密度函數(shù):
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
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
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,
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
d)交叉操作:即染色體個體交叉,
e)變異操作:選取第i個個體的第j個基因aij進(jìn)行變異,
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)
2)確定高斯分布參數(shù)
高斯分布的概率密度函數(shù):
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
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
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,
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
d)交叉操作:即染色體個體交叉,
e)變異操作:選取第i個個體的第j個基因aij進(jìn)行變異,
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。