高速銑削工件表面粗糙度遺傳-BP神經(jīng)網(wǎng)絡(luò)建模

黃希宇　祁翔

摘要：遺傳算法作為一種高效，并行的全局搜索優(yōu)化方法，非常適合用于BP神經(jīng)網(wǎng)絡(luò)學習率的優(yōu)化。文中通過基于遺傳算法和BP神經(jīng)網(wǎng)絡(luò)提出了遺傳-BP神經(jīng)網(wǎng)絡(luò)。以實驗1、實驗2、實驗5、實驗6、實驗9、實驗11、實驗13和實驗15下的高速銑削試驗數(shù)據(jù)構(gòu)建用于高速銑削工件表面粗糙度建模的訓練樣本對，并用回歸的高速銑削工件表面粗糙度預測模型對實驗3和實驗7狀態(tài)中的高速銑削工件表面粗糙度進行預測。通過比較表面粗糙度預測結(jié)果和實際結(jié)果，發(fā)現(xiàn)遺傳-BP神經(jīng)網(wǎng)絡(luò)在高速銑削工件表面粗糙度進行建模方面是一種十分有效的方法。

關(guān)鍵詞：高速銑削;表面粗糙度;預測;遺傳-BP人工神經(jīng)網(wǎng)絡(luò)

【Abstract】Asanefficientandparallelglobalsearchoptimizationmethod，GeneticAlgorithmisverysuitableforBPneuralnetworklearningrateoptimization.Inthispaper，ageneticalgorithm（GA）basedonBP（BP）neuralnetworkisproposed.Basedontheexperimentaldataofhighspeedmillingexperiments1，2，5，6，9，11，13and15，asetoftrainingsamplesisconstructedforhighspeedmillingsurfaceroughnessmodeling，theregressionmodelofhighspeedmillingworkpiecesurfaceroughnessisusedtopredictthehighspeedmillingworkpiecesurfaceroughnessinexperiment3and7states.Bycomparingthepredictionresultswiththeactualresults，itisdemonstratedthatthesurfaceroughnessneuralnetworkisaveryeffectivemethodinthemodelingofhighspeedmillingworkpiecesurfaceroughness.

【Keywords】highspeedmilling;surfaceroughness;predictivemodeling;GeneticAlgorithm-BPartificialneuralnetwork

作者簡介：黃希宇（1997-），男，碩士研究生，主要研究方向：智能算法。

0引言

在工件的高速銑削工藝中，影響工件表面質(zhì)量的重要指標有很多，本文主要探討的是高速銑削工件表面粗糙度[1]。為了解決在實際的高速銑削工藝過程中常常會出現(xiàn)一些無法解釋又容易導致加工質(zhì)量不穩(wěn)定的問題，學者們綜合高速銑削工藝過程提出了基于高速銑削工件表面粗糙度預測模型[2]。

建立預測建模的方法很多，但是經(jīng)過廣泛的研究分析發(fā)現(xiàn)，比較適合用在高速銑削工件表面粗糙度預測模型構(gòu)建上的主要有曲線擬合[3]、人工神經(jīng)網(wǎng)絡(luò)[4]等方法。但是曲線擬合方法會在建立預測模型中存在假定數(shù)學模型和實際數(shù)學模型匹配度低致使預測誤差偏大的缺點。而人工神經(jīng)網(wǎng)絡(luò)卻沒有這方面的困擾。神經(jīng)網(wǎng)絡(luò)的整體結(jié)構(gòu)簡單、關(guān)于算法實現(xiàn)的要求也相對較低，在傳感識別、目標檢測、人工智能等領(lǐng)域都發(fā)揮不可或缺的作用。陳森等人[5]通過結(jié)合混沌系統(tǒng)和人工神經(jīng)網(wǎng)絡(luò)的方法創(chuàng)造了一種新型的圖像加密算法。王建昭等人[6]通過將人工神經(jīng)網(wǎng)絡(luò)應(yīng)用在計算木星系磁坐標問題上，結(jié)果表明其計算速度得到了大幅度的提升。周水華等人[7]在計算臺風浪高的問題上使用了人工神經(jīng)網(wǎng)絡(luò)也同樣獲得了很不錯的效果。只是仍需指出的是，人工神經(jīng)網(wǎng)絡(luò)也有一定的缺點，也就是：人工神經(jīng)網(wǎng)絡(luò)中有著許多待調(diào)參數(shù)，這是人工神經(jīng)網(wǎng)絡(luò)功能強大的原因之一，但與此同時，這些待調(diào)參數(shù)若缺少合理的優(yōu)化選擇指引，將導致人工神經(jīng)網(wǎng)絡(luò)無法發(fā)揮自身的潛力與優(yōu)勢[8-10]。綜上分析可知，本文采用了遺傳算法[11]對BP神經(jīng)網(wǎng)絡(luò)進行參數(shù)優(yōu)化選擇，因為待調(diào)參數(shù)較多，本文主要以結(jié)合了遺傳算法的人工神經(jīng)網(wǎng)絡(luò)對學習率進行優(yōu)化為例，進而提出了遺傳-BP神經(jīng)網(wǎng)絡(luò)。

本文用研究中除了實驗3和實驗7的8個實驗中的高速銑削試驗數(shù)據(jù)來組成訓練樣本對，用這個訓練樣本對對高速銑削工件表面粗糙度進行預測建模。再通過對比分別使用基于BP神經(jīng)網(wǎng)絡(luò)的高速銑削工件表面粗糙度預測模型和基于遺傳-BP神經(jīng)網(wǎng)絡(luò)的高速銑削工件表面粗糙度預測模型對實驗3與實驗7情形下的高速銑削工件表面粗糙度進行預測的結(jié)果，可以證明基于遺傳-BP神經(jīng)網(wǎng)絡(luò)預測模型對于高速銑削工件表面粗糙度預測時具有更高的精準度。

1方法綜述

1.1遺傳算法

遺傳算法（GeneticAlgorithm，GA）是一種受遺傳學理論和自然選擇機制的啟發(fā)而提出的一種模擬優(yōu)化計算模型，通常用來解決最優(yōu)解問題。因為該算法可以直接對結(jié)構(gòu)對象進行操作，不會出現(xiàn)在求導數(shù)和函數(shù)連續(xù)性的限定，并且還具有很強的適應(yīng)性等特點，目前已吸引了大量學者關(guān)注，并得到了大范圍的推廣和應(yīng)用。當下，遺傳算法主要應(yīng)用在機器學習、生物工程和通訊工程等方向，隨著人工智能的崛起，遺傳算法也逐漸在人工智能算法中發(fā)揮越來越大的作用。

1.2遺傳-BP神經(jīng)網(wǎng)絡(luò)

傳統(tǒng)的BP神經(jīng)神經(jīng)網(wǎng)絡(luò)算法主要由2部分組成。一部分是輸入數(shù)據(jù)層經(jīng)過隱含層的前向傳播，其過程主要是輸入的數(shù)據(jù)經(jīng)過隱含層中的權(quán)值和閾值處理輸出得到預測結(jié)果，進而通過處理預測結(jié)果和實際結(jié)果來得到誤差值。另一部分是將誤差值通過輸出層進入隱含層的反向傳播，其過程主要是使用第一部分得到的誤差值經(jīng)過誤差函數(shù)的梯度下降法進行處理對隱含層的權(quán)值和閾值進行修改。綜上就是一次完整的BP神經(jīng)網(wǎng)絡(luò)算法運行過程，在正常的算法過程中，BP神經(jīng)網(wǎng)絡(luò)都是經(jīng)過不斷的重復迭代，從而得到比較理想的權(quán)值和閾值。但在實際算法過程中，由于學習率、權(quán)值、閾值等參數(shù)的隨機性，最終會導致預測模型的學習效果低、預測精度不高等特點。

故本文針對BP神經(jīng)神經(jīng)網(wǎng)絡(luò)的缺點，通過利用遺傳算法這種可以自動進行全局搜索最優(yōu)解的計算模型對BP神經(jīng)網(wǎng)絡(luò)參數(shù)優(yōu)化，從而得到最優(yōu)的參數(shù)值，這樣極大地提高BP神經(jīng)網(wǎng)絡(luò)的學習效果和預測精度。用遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的操作流程可分述如下。

（1）先將高速銑削試驗中主軸轉(zhuǎn)速、進給速度、切削深度、切削行距和刀具傾角的數(shù)據(jù)作為樣本訓練對，表面粗糙度的數(shù)據(jù)作為測試樣本，經(jīng)過歸一化后用來預測建模。

（2）設(shè)置遺傳算法和BP神經(jīng)網(wǎng)絡(luò)的基本參數(shù)。

（3）對遺傳算法中生產(chǎn)的種群進行初始化處理，并對種群個體實數(shù)編碼。

（4）通過對個體解碼處理來獲取初始權(quán)值和閾值，同時利用適應(yīng)度函數(shù)對個體進行測量排序，這里用的是降序排序。

（5）通過選擇操作對（4）中的排序進行選取，通過交叉操作和變異操作避免產(chǎn)生局部最優(yōu)解。

（6）通過以最大進化代數(shù)為標準來決定個體是否達到最優(yōu)個體，若達到則輸出，若未達到則重復（4）～（6）步。

（7）通過對個體進行解碼處理，由此獲得最優(yōu)參數(shù)。

因為BP神經(jīng)網(wǎng)絡(luò)的參數(shù)過多，故本文以BP神經(jīng)網(wǎng)絡(luò)的學習率參數(shù)為例進行驗證。

2方法驗證

本文所有高速銑削試驗數(shù)據(jù)都來源于文獻[2]，見表1。高速銑削數(shù)據(jù)來自于16組實驗。在每個實驗中，表面粗糙度的值主要受主軸轉(zhuǎn)速、進給速度、切削深度、切削行距和刀具傾角這五個參數(shù)影響。

利用實驗1、實驗2、實驗5、實驗6、實驗9、實驗11、實驗13和實驗15下的高速銑削試驗數(shù)據(jù)構(gòu)建用于高速銑削工件表面粗糙度建模的訓練樣本對，利用遺傳-BP神經(jīng)網(wǎng)絡(luò)建立高速銑削工件表面粗糙度預測模型。

當遺傳-BP神經(jīng)網(wǎng)絡(luò)進行高速銑削工件表面粗糙度建模，遺傳算法用于優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的學習速率，遺傳算法的主要結(jié)構(gòu)參數(shù)設(shè)置為：初始化種群數(shù)目為50;最大進化次數(shù)為100;交叉概率為0.8;變異概率為0.05。不同預報誤差改變量準則下的最優(yōu)學習率見表2，學習率優(yōu)化過程如圖1所示。

由圖1可知，當預報誤差改變量準則為10^（-6）時，適應(yīng)變最佳值為：0.00192504，并求得平均值為：0.279887;當預報誤差改變量準則為10^（-1）時，適應(yīng)度最佳值為：0.0144129，平均值為0.282364。

選用表2中的最優(yōu)學習率，迭代次數(shù)為1000，訓練誤差目標為1e-5，文中利用遺傳-BP神經(jīng)網(wǎng)絡(luò)進行高速銑削工件表面粗糙度建模。為驗證遺傳-BP神經(jīng)網(wǎng)絡(luò)所建立的高速

銑削工件表面粗糙度預測數(shù)學模型，選用對實驗3和實驗7狀態(tài)中的高速銑削工件表面粗糙度進行預測，當預報誤差改變量分別為10^（-1）和10^（-6）時，預測結(jié)果和實驗結(jié)果的比較參見表3、表4。表3中，最優(yōu)學習率為0.472;表4中，最優(yōu)學習率為0.763。

由表3、表4可以看出，不同預報誤差改變量準則下的高速銑削工件表面粗糙度預測誤差稍微有所差異：預報誤差改變量較小下的高速銑削工件表面粗糙度預測誤差稍微偏大，這可能是由于預測模型過擬合所致。

3結(jié)束語

本文通過對BP神經(jīng)網(wǎng)絡(luò)的不足進行分析，以此為基礎(chǔ)提出了遺傳-BP神經(jīng)網(wǎng)絡(luò)，通過對比基于BP神經(jīng)網(wǎng)絡(luò)對高速銑削工件表面粗糙度預測值和基于遺傳-BP神經(jīng)網(wǎng)絡(luò)對高速銑削工件表面粗糙度預測值，分析發(fā)現(xiàn)基于遺傳-BP神經(jīng)網(wǎng)絡(luò)的高速銑削工件表面粗糙度預測模型具有更高的預測精度。因此通過實驗證明在提高預測模型精度方面，遺傳-BP神經(jīng)網(wǎng)絡(luò)是一種十分有效的方法。

參考文獻

[1]倪君輝，詹白勺，沈科燈.高速銑削時鈦合金刀具的磨損及對工件表面粗糙度的影響[J].工具技術(shù)，2017，51（4）：110-112.

[2]王義強，閏國琛，王曉軍，等.高速銑削工件表面粗糙度的預測[J].機械設(shè)計與制造，2014（11）：131-133，137.

[3]胡博，潘霄，葛維春，等.輔助棄風消納的IVMD-LSTM電網(wǎng)典型時段負荷曲線擬合方法[J].可再生能源，2020，38（3）：366-372.

[4]張攀，高文志，高博，等.基于人工神經(jīng)網(wǎng)絡(luò)的柴油機失火故障診斷[J].振動、測試與診斷，2020，40（4）：702-710.

[5]陳森，薛偉.基于混沌系統(tǒng)和人工神經(jīng)網(wǎng)絡(luò)的圖像加密算法[J].計算機系統(tǒng)應(yīng)用，2020，29（8）：236-241.

[6]王建昭，馬繼楠，賈曉宇，等.利用人工神經(jīng)網(wǎng)絡(luò)快速計算木星系磁坐標木[J].空間科學學報，2020，40（4）：523-530.

[7]周水華，洪曉，梁昌霞，等.基于人工神經(jīng)網(wǎng)絡(luò)的臺風浪高快速計算方法[J].熱帶海洋學報，2020，39（4）：25-33.

[8]郭佳.基于改進的人工神經(jīng)網(wǎng)絡(luò)對存儲系統(tǒng)性能進行預測的方法[J].計算機科學，2019，46（z1）：52-55.

[9]胡紅萍，白黃琴，白艷萍，等.基于改進的遺傳算法與人工神經(jīng)網(wǎng)絡(luò)的類流感的預測[J].中北大學學報（自然科學版），2019，40（6）：481-488.

[10]黃麗華，李俊麗.基于改進人工魚群算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)預測控制系統(tǒng)[J].化工自動化及儀表，2019，46（8）：610-614.

[11]洪越，殷利平.基于遺傳算法的非高斯系統(tǒng)隨機分布控制[J].南京信息工程大學學報，2020，12（4）：504-509.