改进BP算法的螺杆转子表面粗糙度预测模型建立方法技术

本发明专利技术属于数控机床加工技术领域，具体涉及一种改进BP算法的螺杆转子表面粗糙度预测模型建立方法，首先通过手持表面粗糙度测量仪TR200测量不同切削参数下螺杆转子的表面粗糙度；其次将测量的表面粗度值归一化作为粗糙度预测模型的训练预测数据；接着通过Tent混沌映射改进后的沙猫群搜索算法(Tent

【技术实现步骤摘要】
改进BP算法的螺杆转子表面粗糙度预测模型建立方法


[0001]本专利技术涉及数控机床加工领域，具体涉及一种改进BP算法的螺杆转子表面粗糙度预测模型建立方法。

技术介绍

[0002]螺杆转子(如图1所示)是一种带有复杂曲面的典型工件，因其廓形复杂、廓形测量困难、加工理论不完善和加工难度高等问题一直制约其发展。沈阳工业大学复杂曲面重点实验室研制的LXK300系列螺旋槽数控铣床(图2示)采用无瞬心包络铣削原理可以加工任何廓形的螺杆转子。在机床使用过程中，通过改变机床的主轴转速、进给量、加工倍率可以控制螺杆转子的加工效率、导程精度、表面粗糙度等，其中螺杆转子的加工表面粗糙度问题一直是研究热点。螺杆转子的表面粗糙度能直接影响其传递效率、传递性能、装配精度和使用寿命等，因此若能够建立准确的螺杆转子加工表面粗糙度在线预测模型将会对螺杆转子的使用性能具有重要意义。
[0003]传统的表面粗糙度测量方法主要分为接触式测量和非接触式测量。首先，接触式测量由于测尖易磨损且易划伤表面，限制了其在高精度检测中的应用，而非接触式测量对零件表面污物较敏感，测量前需清洗，降低了粗糙度测量的效率。其次，由于螺杆转子廓形复杂，其测量难度较高，难以保证测量的准确性。因此，如何准确、高效地建立零件表面粗糙预测模型成为机械加工领域的关键问题之一。
[0004]传统的BP神经网络预测表面粗糙度因存在陷入局部最优、收敛速度慢、过拟合、随机性较大等问题，直接使用BP神经网络无法满足在线预测的使用要求。

技术实现思路

[0005]本专利技术的目的是提出了一种基于改进BP算法的螺杆转子表面粗糙度预测模型建立方法，利用Tent混沌改进的沙猫群搜索算法对神经网络结构的初始权值和阈值进行全局寻优方法，克服螺杆转子表面粗糙度测量困难、神经网络算法局部最优等缺点,提高神经网络的预测精度与效率，提高螺杆转子加工后表面粗糙度的预测精度与效率。
[0006]为实现以上技术目的，本专利技术采用以下方案实现：
[0007]改进BP算法的螺杆转子表面粗糙度预测模型建立方法，其特征在于：包括如下步骤：
[0008]1)使用TR200手持表面粗糙度测量仪测量螺杆转子加工后的表面粗糙度，选择部分测量数据作为训练数据，用于建立表面粗糙度的预测模型，余下数据为测试数据，用于验证表面粗糙度预测模型的准确性；
[0009]2)根据预测模型的输入变量与输出变量数目确定输入层、输出层、隐含层的节点数目，确定BP神经网络的基本结构；
[0010]3)对训练数据通过归一化模型进行归一化，使用归一化后的训练数据基于BP神经网络建立螺杆转子表面粗糙度预测模型，将训练数据中BP神经网络结构的输入数据定义为
P与输出数据定义为T；
[0011]4)设置表面粗糙度测量数据中训练数据的个数和测试数据的个数；
[0012]5)根据输入层、隐含层、输出层节点数确定BP神经网络结构中初始权值和阈值的数目，并将权值和阈值射成沙猫位置；
[0013]6)首先确定沙猫群算法的迭代次数，再采用Tent混沌映射方法生成沙猫群搜索算法的初始种群，形成沙猫种群的初始位置矩阵X；在沙猫初始种群的基础上训练BP神经网络模型，将神经网络的预测试与实际值之间的误差作为适应度函数F来计算沙猫的位置即最佳的权值与阈值；
[0014]7)根据沙猫在沙漠中的生存与觅食规则寻找出沙猫位置最佳的适应度值；
[0015]8)沙猫的觅食过程分两个阶段，搜索和攻击猎物阶段，这两个阶段的平衡机制根据沙猫的听力范围R平衡，在R大于1时，沙猫出去搜索猎物阶段，当R小于1时，沙猫对猎物发起攻击；
[0016]9)沙猫群在觅食过程中会分享每只沙猫的最佳位置来选取种群的最佳位置，所以沙猫最佳位置是随着迭代进行在不断的变化；当达到最大迭代次数时，沙猫群会选取最佳的沙猫位置也就是BP神经网络的最佳权值与阈值；
[0017]10)将沙猫搜索算法寻找的最佳权值与阈值重新训练BP神经网络表面粗糙度预测模型，根据新的BP神经网络表面粗糙度预测模型预测不同工况螺杆转子的表面粗糙度。
[0018]与现有技术相比，本专利技术的优点效果：
[0019]1)降低了螺杆转子表面粗糙度的测量难度，减少测量过程中劳动量和时间支出，并且显著提升了表面粗糙度的测量精度与效率；
[0020]2)本方法改善了BP神经网络实际使用中存在的局部最小化、收敛速度慢、数据过拟合等缺陷，并可快速在给定条件下在线预测螺杆转子加工后的表面质量；
[0021]3)分析数据对比发现，BP预测平均误差在30.5％左右，经过改进沙猫群优化后的BP神经网络误差在12.8％左右，通过对比可以明显发现，经过改进沙猫群优化的BP神经网络预测精度比传统BP神经网络有了明显的提升。
附图说明
[0022]图1为现有技术中常规螺杆转子的结构示意图；
[0023]图2为沈阳工业大学复杂曲面重点实验室研制的LXK300系列螺旋槽数控铣床结构示意图；
[0024]图3为本专利技术实施例测试值、BP神经网络预测值和Tent
‑
SCSO
‑
BP预测值结果对比图；
[0025]图4为本专利技术实施例的Tent
‑
SCSO
‑
BP算法流程示意图。
具体实施方式
[0026]下面将结合实施例对本专利技术的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。
[0027]本专利技术的工作原理为使用改进后的沙猫群算法寻找BP神经网络权值与阈值的全局最优解。将实验测量值与BP神经网络的预测的误差作为适应度函数，寻找出BP神经网络
的最佳权值与阈值，解决BP神经网络局部最优效率低等问题，使BP神经网络的预测精度与效率显著提升。
[0028]沙猫群搜索算法(SCSO)中沙猫的觅食规律：
[0029]1)沙猫的狩猎机制非常有趣，它们利用敏锐的听觉能力获得低频噪音，通过这种方式，沙猫可以发现在地下移动的猎物。沙猫耳朵的耳廓凸缘(外耳)与家猫没有区别，但沙猫的耳道长度(中耳)比家猫长，中耳的空气空间很大，所以沙猫可以检测到不同声音之间到达时间的差异。猫耳朵的声输入导纳量与鼓膜有关，沙猫的鼓膜是家猫的5倍。此外，中耳腔和骨链会影响声输入导纳，科学研究表明，沙猫接收到低于2kHz频率的能力令人难以置信，在这个频率下，沙猫比家猫敏感约8dB。这些独特的特征可能是沙猫检测噪音(猎物移动)、跟踪猎物并根据猎物位置成功攻击的原因。如果猎物在地下，沙猫也有一种神奇的快速挖掘能力。根据沙猫的行为，将觅食分为两个阶段：搜索和攻击猎物。
[0030]2)沙猫的觅食过程有两个阶段，搜索和攻击猎物阶段。当自适应控制参数R的绝对值大于1时，即猎物在沙猫的攻击范围之外，沙猫会按照自己觅食轨迹继续寻找猎物。当R的绝对值小于1时，猎物在沙猫的攻击范围内，会主动对猎物发起攻击。
[0031]3)在BP本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.改进BP算法的螺杆转子表面粗糙度预测模型建立方法，其特征在于：包括如下步骤：1)使用TR200手持表面粗糙度测量仪测量螺杆转子加工后的表面粗糙度，选择部分测量数据作为训练数据，用于建立表面粗糙度的预测模型，余下数据为测试数据，用于验证表面粗糙度预测模型的准确性；2)根据预测模型的输入变量与输出变量数目确定输入层、输出层、隐含层的节点数目，确定BP神经网络的基本结构；3)对训练数据通过归一化模型进行归一化，使用归一化后的训练数据基于BP神经网络建立螺杆转子表面粗糙度预测模型，将训练数据中BP神经网络结构的输入数据定义为P与输出数据定义为T；4)设置表面粗糙度测量数据中训练数据的个数和测试数据的个数；5)根据输入层、隐含层、输出层节点数确定BP神经网络结构中初始权值和阈值的数目，并将权值和阈值射成沙猫位置；6)首先确定沙猫群算法的迭代次数，再采用Tent混沌映射方法生成沙猫群搜索算法的初始种群，形成沙猫种群的初始位置矩阵X；在沙猫初始种群的基础上训练BP神经网络模型，将神经网络的预测试与实际值之间的误差作为适应度函数F来计算沙猫的位置即最佳的权值与阈值；7)根据沙猫在沙漠中的生存与觅食规则寻找出沙猫位置最佳的适应度值；8)沙猫的觅食过程分两个阶段，搜索和攻击猎物阶段，这两个阶段的平衡机制根据沙猫的听力范围R平衡，在R大于1时，沙猫出去搜索猎物阶段，当R小于1时，沙猫对猎物发起攻击；9)沙猫群在觅食过程中会分享每只沙猫的最佳位置来选取种群的最佳位置，所以沙猫最佳位置是随着迭代进行在不断的变化；当达到最大迭代次数时，沙猫群会选取最佳的沙猫位置也就是BP神经网络的最佳权值与阈值；10)将沙猫搜索算法寻找的最佳权值与阈值重新训练BP神经网络表面粗糙度预测模型，根据新的BP神经网络表面粗糙度预测模型预测不同工况螺杆转子的表面粗糙度。2.根据权利要求1所述的改进BP算法的螺杆转子表面粗糙度预测模型建立方法，其特征在于：所述步骤1)中使用TR200手持表面粗糙度测量仪测量不同切削参数下加工后的螺杆转子表面粗糙度，选择一部分测量数据作为训练数据，用于建立表面粗糙度的预测模型，余下数据为测试数据，用于验证表面粗糙度预测模型的准确性。3.根据权利要求1所述的改进BP算法的螺杆转子表面粗糙度预测模型建立方法，其特征在于：所述步骤2)中BP神经网络的框架为三层，依次为输入层、隐含层和输出层，输入层神经元数目为3，隐含层神经元数目为5，输出层神经元数目为1。4.根据权利要求1所述的改进BP算法的螺杆转子表面粗糙度预测模型建立方法，其特征在于：步骤3)中归一化的公式为：其中，公式中y为归一化后的数据，X
min
为样本数据最小值，X
max
为样本数据最大值。5.根据权利要求1所述的改进BP算法的螺杆转子表面粗糙度预测模型建立方法，其特征在于：步骤5)中沙猫位置向量的维度为：
j＝k(m+...

【专利技术属性】
技术研发人员：孙兴伟，张维锋，辛明泽，杨赫然，董祉序，刘寅，刘宝繁，
申请(专利权)人：沈阳工业大学，
类型：发明
国别省市：