基于PSO-BP神经网络的刀具寿命预测
- 格式：pdf
- 大小：825.96 KB
- 文档页数：3
PSO 算法可以有效克服这些问题，所以本文利用 PSO 算法对 BP 神经网络进行初始权值训练 [9]。
BP 神经网络最佳初始权值和阈值的求解过程如下：
（1）PSO 算法变量设置
设当前种群中的粒子 i 的位置为 BP 神经网络权值和阈
值的集合 Xi：
Xi=(xi1xi2…xid)
（1）
设当前粒子的飞行速度为 Vi。迭代过程中，粒子 Xi 根
Vi ∈ [-Vmax,Vmax]。权重函数 W 采用线性递减方式确定：
W = W max− W max−W min × iter iter max
（3）
（2）迭代更新
①计算均方误差：
∑ = Err ( Xi) 1 N
( ) C
k =1
Sik − Qik
2
（4）
其中 C 为输出端个数，Sik 为第 i 个粒子第 k 端实际输 出值，Qik 为期望值。
最大迭代次数，算法结束。
用 PSO 算法优化 BP 网络的具体流程图如图 2 所示。
关键词：粒子群算法 ＢＰ 神经网络 刀具寿命 预测
引言 现代机械加工中，刀具使用寿命是影响刀具需求计划
制定、成本核算、切削参数制定的重要参数指标。刀具寿 命的准确预测有利于提高生产效率，降低企业成本。由于 影响刀具寿命的因素很复杂，单纯依靠已有的加工经验或 者相关理论公式计算刀具寿命，效率低下且不够准确，难 以用来指导生产。由于 BP 神经网络具有良好的逼近任意复 杂的非线性系统的能力，适合处理模糊、非线性和模式特 征不明确的问题。因此，本文采用 BP 神经网络算法预测刀 具寿命 [1-3]。但是，神经网络存在很多局限，如不具有全局 搜索能力、易陷入局部极小点、收敛速度慢等缺点。而粒 子群算法可克服这些缺点，防止算法陷入局部极小点 [4]。 鉴于此，本文将两者有效结合，提出了 PSO 优化 BP 神经网 络的刀具寿命预测模型。 １ ＰＳＯ－ＢＰ 神经网络预测模型 1.1 刀具寿命
实际加工中，刀具寿命通常指刀具投入使用直到磨钝 时的切削时间，即刀具耐用度。由切削实验和实际经验可 知，刀具寿命与刀具耐用度系数、刀具材料、刀具几何参数、 工件材料系数、切削速度、进给量、背吃刀量、刀具刃磨 质量和冷却润滑条件等因素有关。由于影响刀具寿命的因 素复杂，而采用传统预测方法计算非常复杂 [5]，故本文采 用 BP 神经网络算法预测刀具寿命。 1.2 BP 神经网络
图 １ ＢＰ 神经网络拓扑结构 1.3 PSO 算法改进 BP 神经网络
在利用 BP 神经网络进行刀具寿命预测过程中，由于影
５４
现代制造技术与装备
２０１７ 第 １１ 期 总第 ２５２ 期
响刀具寿命的因素与刀具寿命之间是一种高度非线性关系
以及初始权值和阈值选择的随机性，在神经网络训练过程
中初始性能误差较大甚至无法收敛，从而陷入局部极小点。
据 自 己 的 位 置、 适 应 值， 找 到 自 己 目 前 为 止 的 最 好 位 置
pbesti；整个粒子群也会找到所有粒子的最好位置 gbesti。 粒子的更新优化根据这两个值以及位置和速度来确定，故 粒子群算法的进化方程可描述为 ： [10]
Vi(k+1)=WVi(k)+C1R1(pbesti(k)-Xi(k))+
C2R2(gbesti(k)-Xi(k))
（2）
Xi(k+1)=Xi(k)+Vi(k+1)
（3）
式 中， 下 标 i 表 示 第 i 个 粒 子；k 表 示 第 k 代；W 为
惯性权重；C1、C2 为学习因子，通常在 0 ～ 2 取值；R1 和
R2 是介于 [0,1] 的随机数。通常 Vi 限定在一定范围内，即
BP 神经网络的学习能力使得刀具寿命预测成为可能。 比如，车刀，本文选用刀具前角、主偏角、背吃刀量、进给量、 切削速度及材料硬度等 6 个参数作为 BP 网络的输入量。通 过实际对比发现，隐层数为 9 时效果误差最小，故最终结 构为 6-9-1，即 6 个输入参数，隐含层节点数为 9，输出参 数为车刀寿命。它的拓扑结构如图 1 所示。
（2）一个求和单元。用于求取各输入信号与连接权值 乘积的加权和（线性组合）。
（3）一个非线性激活函数。起非线性映射作用，并将 神经元输出幅度限制在一定范围。
BP 的学习过程由正向传播和反向传播组成。输入信号 经过非线性变换从输入层经隐层单元传向输出层，并在输
出端产生输出信号。在信号的向前传递过程中，网络的权 值是固定不变的，每一层神经元的状态只影响下一层神经 元的状态。如果在输出层不能得到期望输出，则转入误差 信号反向传播，由输出端开始逐层向前传播。在误差信号 反向传播的过程中，网络的权值由误差反馈进行调节。通 过权值的不断修正使误差信号最小，网络的实际输出更接 近期望输出 [8]。
设计与研究
５３
基于 PSO-BP 神经网络的刀具寿命预测
王 虎 刘佩松 叶润章 李 阳 徐培嘉
（西南石油大学 机电工程学院，四川 成都 610500）
摘 要：针对刀具寿命影响因素与刀具寿命之间的高度非线性关系，引入 ＢＰ 神经网络技术对刀具寿命进行 预测，建立了刀具寿命预测模型。针对标准反向传播算法存在收敛速度慢、容易陷入局部极小值及全局搜索能力 弱等缺陷，采用粒子群算法优化网络权值及阈值，提高了神经网络的预测精度。仿真结果表明，与标准 ＢＰ 神经 网络相比，ＰＳＯ－ＢＰ 神经网络用于刀具寿命预测的精度更高。
人工神经网络（Artificial Neural Network，ANN） 是对人类智能的一种生理模拟，是由大量处理单元通过适 当的方式互连构成的一个大规模非线性自适应系统。它最 吸引人的特点是学习能力。ANN 模型有 3 个基本要素 。 [6-7]
（1）神经元之间的连接。连接强度由各连接上的权值 表示，权值为正表示激活，为负表示抑制。
②计算每个粒子的适应度值：
f (x) = 1
1+ Err
（5）
③根据适应度值最大原则，评价粒子群中的所有个体，
并从中找到最佳粒子，再将当前最佳粒子的适应度与已进行
的计算的所有适应度进行比较，确定当前的 pbest 和 gbest。
④根据粒子பைடு நூலகம்算法计算每个粒子的飞行速度，从而产
生新的粒子；如此循环，直到适应度值达到要求或者达到
