[發明專利]一種基于BP神經網絡的噴丸強化表面完整性預測方法

在審

• 申請號: 202010168795.2
• 申請日: 2020-03-12
• 公開（公告）號: CN111401623A
• 公開（公告）日: 2020-07-10
• 發明（設計）人: 劉懷舉;吳少杰;張秀華;朱才朝;魏沛堂
• 申請（專利權）人: 重慶大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06N3/04;G06N3/08;G06N3/12;C21D7/06
• 代理公司: 重慶大學專利中心 50201
• 代理人: 唐開平

1.一種基于BP神經網絡的噴丸強化表面完整性預測方法，其特征是，包括以下步驟：

S1、收集整理噴丸強化試驗數據，以噴丸強化工藝參數和材料參數為輸入參數，噴丸后材料表面完整性參數中的殘余應力和表面粗糙度為輸出參數，并對數據進行預處理，所述預處理包括：刪除異常值，補充缺省值，對數據集進行特征降維，然后歸一化處理，將試驗數據按照適當比例劃分為訓練集和測試集；

S2、根據S1中特征降維的輸入參數確定輸入層節點數，確定神經網絡各層之間的激活函數類型，并根據模型精度評價參數R2和經驗公式來確定隱含層節點數，構建BP神經網絡結構；

使用含有兩個隱含層的BP神經網絡建立預測模型，隱含層節點數的經驗公式為：

式中，o為隱含層節點數，n為輸入層節點數，l為輸出層節點數，a為1～10的常數；

模型精度評價參數R2為：

式中，是模型的預測值，即齒輪殘余應力或表面粗糙度的預測值，y_i是試驗值，即齒輪殘余應力或表面粗糙度的試驗值，是試驗數據的平均值，即齒輪殘余應力或表面粗糙度的試驗數據平均值，m為試驗數據的總數，i＝1,2,3,…,m；

輸入層到第一隱含層的激活函數選擇Sigmoid函數，第一隱含層到第二隱含層的激活函數選擇Tanh函數，第二隱含層到輸出層的激活函數選擇線性函數；

BP神經網絡模型輸入層到第一隱含層的傳遞公式為：

式中，H_1j為第一隱含層第j個節點的輸出，j＝1,2,…,6，f₁為Sigmoid函數，x_i為輸入層第i個節點的輸入，w_ij為輸入層節點到第一隱含層節點之間的連接權值，w_ij共有24個；b_1j為第一隱含層的偏置，b_1j共有6個；

BP神經網絡模型第一隱含層到第二隱含層的傳遞公式為：

式中，H_2k為第二隱含層第k個節點的輸出，k＝1,2,…,6，f₂為Tanh函數，w_jk為第一隱含層節點到第二隱含層節點之間的連接權重，w_jk共有36個；b_2k為第二隱含層的偏置，共6個；

BP神經網絡模型第二隱含層到輸出層的傳遞公式為：

式中，y_e為輸出層第e個節點的輸出，e＝1,2,f₃為線性激活函數，第二隱含層節點到輸出層節點之間的連接權值，共12個，b_3e為輸出層的偏置，共2個；

S3、通過遺傳算法優化BP神經網絡的初始權值和偏置，采用S1中的訓練集訓練神經網絡，建立齒輪噴丸強化殘余應力及表面粗糙度預測模型；

遺傳算法的具體步驟為：

1)初始化種群，設置種群數目，把初始化的種群作為第一代父代，并對種群中的個體按照實數編碼的方法進行編碼；個體編碼時，染色體基因的長度等于神經網絡中所有權值和偏置個數的總和；

2)把預測值與試驗值的誤差平方和的倒數作為適應度函數值Val，并以此來作為個體優劣的評價指標，適應度函數Val為：

式中，為模型預測輸出值，即齒輪殘余應力或表面粗糙度的預測值，y_i為訓練集中的試驗值，即齒輪殘余應力或表面粗糙度的試驗值，e為輸出層節點數；

3)、計算每一代個體適應度值，將適應度值最大的個體作為每一代的最優個體，每一個個體i被選擇的概率p_i為：

式中，f_i＝g/Val_i，g為系數，Val_i為個體i的適應度值，r為遺傳算法中的種群個體數目，i＝1,2,…,r；

4)、進行交叉操作，將第u個染色體c_u和第v個染色體c_v在p位的交叉操作如下式：

c′_cp＝c_up(1-d)+c_vpd

c′_vp＝c_vp(1-d)+c_upd

式中，d是[0,1]間的數，c′_up為交叉操作之后的第u個染色體，c′_vp為交叉操作之后的第v個染色體；

5)、進行變異操作，選取第h個個體染色體的第i個基因c_hi進行變異操作，方法如下：

式中，c_max為基因c_hi的上界，c_min為基因c_hi的下界，f(θ)＝d₂(1-θ/G_max)²，d₂為一個隨機數，θ為當前的遺傳代數，G_max為最大遺傳代數，d₁為[0,1]間的隨機數，c′_hi為變異操作后的第h個個體染色體上的基因；

6)、重復步驟3)、4)、5)，直到遺傳代數達到100，然后把最后一次遺傳優化所得的最優個體這些數據作為BP神經網絡的初始權值和偏置；

運用S1中的經過特征降維的訓練集訓練BP神經網絡；

S4、計算殘余應力和表面粗糙度預測模型的精度評價參數R2，若大于指定閾值，則獲取神經網絡結構中的權值和偏置，保存神經網絡中的結構參數；若小于指定閾值，則返回S3，重新訓練網絡，直至滿足殘余應力和表面粗糙度預測模型精度評價參數大于指定閾值；

S5、用已建立的滿足精度要求的殘余應力和表面粗糙度預測模型，輸入噴丸強化工藝參數，對噴丸強化殘余應力和表面粗糙度進行預測。