[發明專利]一種基于PSO-BP神經網絡的大型高速回轉裝備同軸度預測方法

在審

• 申請號: 201911367235.3
• 申請日: 2019-12-26
• 公開（公告）號: CN111160642A
• 公開（公告）日: 2020-05-15
• 發明（設計）人: 孫傳智;譚久彬;劉永猛;王曉明;李成鈿
• 申請（專利權）人: 哈爾濱工業大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06N3/04;G06N3/08
• 代理公司: 哈爾濱市陽光惠遠知識產權代理有限公司 23211
• 代理人: 劉景祥

1.一種基于PSO-BP神經網絡的大型高速回轉裝備同軸度預測方法，其特征在于，所述預測方法包括以下步驟：

步驟1：數據處理，將各級大型高速回轉裝備同心度誤差、垂直度誤差、裝配相位、各級裝備間擰緊力矩的數據以及多級裝備裝配后同軸度進行歸一化處理；

步驟2：將歸一化處理后的各級大型高速回轉裝備同心度誤差、垂直度誤差、裝配相位、各級裝備間擰緊力矩的數據進行整合，作為輸入量；

步驟3：構建PSO-BP神經網絡模型；

步驟4：利用PSO算法優化神經網絡的隱含層神經元個數、學習率以及L2正則化系數；

步驟5：將經過PSO算法優化神經網絡的隱含層神經元個數、學習率以及L2正則化系數代入BP神經網絡中，獲得最優BP網絡結構；

步驟6：輸入測試集數據到該網絡，得到測試集所對應的裝配后多級裝備同軸度預測值。

2.根據權利要求1所述的預測方法，其特征在于，所述步驟1對數據進行歸一化處理的公式如(1)所示：

其中，是經歸一化處理的樣本，x_i是樣本數據，x_min和x_max分別為樣本數據中的最小值和最大值。

3.根據權利要求1所述的預測方法，其特征在于，所述步驟3構建PSO-BP神經網絡模型的方法為：首先定義PSO算法中粒子對應著BP神經網絡中待優化的隱含層神經元個數、學習率以及L2正則化系數；即將上述超參數按統一次序排列為一個向量的元素，通過該向量確定BP神經網絡結構，并將該網絡結構下驗證集的誤差作為PSO算法的適應度函數；由BP神經網絡和PSO算法的循環迭代找到BP神經網絡最優超參數，獲得最優BP網絡結構。

4.根據權利要求1所述的預測方法，其特征在于，所述步驟4利用PSO算法優化BP神經網絡超參數的具體方法為：

步驟4.1：確定隱含層神經元個數、學習率以及L2正則化系數的解空間；

步驟4.2：按照解空間范圍初始化粒子群，從神經網絡實際情況出發，保證隱含層神經元個數對應的空間位置為整數；

步驟4.3：將粒子群中每個粒子包含的超參數代入BP神經網絡結構中，確定網絡結構；

步驟4.4：通過訓練集訓練網絡，確定網絡的權值和閾值；

步驟4.5：將驗證集代入訓練集所得的網絡中，計算驗證集的均方誤差MSE，并將MSE作為粒子的適應度；

步驟4.6：根據適應度更新粒子群的全局最優解pbest和個體最優解gbest；

步驟4.7：判斷是否達到最大迭代次數；

步驟4.8：如果沒有達到最大迭代次數，則更新粒子的速度和位置；

步驟4.9：由于粒子更新速度、方向不確定，為保證所獲得的粒子位置可以用來確定BP神經網絡超參數，應保證粒子的位置符合尋優范圍，重復步驟4.3-4.7；

步驟4.10：如果達到最大迭代次數，則輸出全局最優解pbest，獲得網絡最優超參數。

5.根據權利要求4所述的預測方法，其特征在于，所述步驟4.5中，中MSE表達式如式(2)所示：

其中，y_i為第i個數據的真實值，y′_i為神經網絡的預測值，n為樣本數量。