【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 ...
【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:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。