[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

本發明公開了一種基于PSO?BP神經網絡的大型高速回轉裝備同軸度預測方法。步驟1：數據處理；步驟2：將步驟1歸一化處理后的各級大型高速回轉裝備的數據進行整合，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：輸入測試集數據得到測試集所對應的裝配后多級裝備同軸度預測值。本發明借助PSO?BP神經網絡，綜合考慮擰緊力矩對大型高速回轉裝備裝配結合面影響以及多級裝備間幾何誤差傳遞效果，對裝配后多級裝備同軸度預測效果較理想。

技術領域

本發明屬于大型高速回轉裝備裝配預測技術領域；具體涉及一種基于PSO-BP神經網絡的大型高速回轉裝備同軸度預測方法。

背景技術

在先進航空發動機制造領域，多級裝備裝配質量對整機性能有著重要的影響。同軸度是評價多級裝備裝配質量的關鍵參數，不僅影響徑向和軸向的接觸摩擦特性，還會影響大型高速回轉裝備高速旋轉時振動特性。單級大型高速回轉裝備的同心度偏差在裝配中傳播和積累，可能導致裝配后多級裝備同軸度超過限定值，甚至導致機器故障。因此，建立多級裝備同軸度預測模型，可用于指導裝配，提高一次裝配合格率。

針對多級裝備同軸度預測，現有的預測技術為矢量投影預測方法，即從單級大型高速回轉裝備加工誤差傳遞機理出發，利用矩陣描述定位誤差以及定向誤差傳遞過程，從而實現多級裝備裝配后同軸度預測。然而，該預測模型建立時將單級大型高速回轉裝備假設為圓柱形剛體部件，未考慮到各級大型高速回轉裝備通過螺栓連接時發生不規則變形，導致通過該模型獲得的預測同軸度與實際同軸度之間具有較大偏差。由于螺栓組的預緊力與裝配后大型高速回轉裝備變形間的機理極為復雜，目前尚未得到預緊力與大型高速回轉裝備變形間的關系，因此無法建立兼顧擰緊力矩與幾何誤差傳遞的多級裝備同軸度預測方法。

發明內容

本發明提出了一種基于PSO-BP神經網絡的大型高速回轉裝備同軸度預測方法用以解決上述問題。

本發明通過以下技術方案實現：

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，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。

進一步的，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。

進一步的，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。