[发明专利]一种基于PSO-BP的齿轮再制造质量预测模型方法

权利要求书

1.一种基于PSO-BP的齿轮再制造质量预测模型方法，其特征在于，包括如下步骤：

S1、选取对熔覆层质量影响较大的激光功率、扫描速度、送粉速度三个工艺参数作为输入层变量，将熔覆层高度和熔覆层宽度作为模型的输出量，构建基于PSO-BP的齿轮再制造质量预测模型；

S2、依据网络模型的训练及测试验证模型的有效性。

2.如权利要求1所述的基于PSO-BP的齿轮再制造质量预测模型方法，其特征在于，步骤S1包括如下子步骤：

S11、确定神经网络的结构及粒子维度；

S12、初始粒子群算法的参数；

S13、粒子群算法确定适应度函数；

S14、根据粒子速度和位置计算公式进行迭代；

S15、更新粒子的个体最优值Pb和全局最优值Pg，并进行步骤S14直至达到设定的最大迭代次数；

S16、将上一步产生的全局最优值Pg作为网络的初始权值及阈值，进行网络的训练，直至误差满足精度要求。

3.如权利要求1所述的基于PSO-BP的齿轮再制造质量预测模型方法，其特征在于，步骤S2包括如下子步骤：

S21、试验样本采集；

S22、网络预测效果分析。

4.如权利要求2所述的基于PSO-BP的齿轮再制造质量预测模型方法，其特征在于，步骤S11包括如下子步骤；

S111、神经网络采用1个隐含层；

S112、由公式确定隐含层内节点数，公式如下

n＝2I+1

式中n为隐含层节点数；I为输入层节点数(输入层变量)；O为输出层节点数(输出层变量)；a为0到10之间的常数；

S113、由网络的结构确定神经网络的权值个数为3*10+10*2＝50；阈值个数为10+2＝12。因此粒子群算法的维度为50+12＝62。

5.如权利要求2所述的基于PSO-BP的齿轮再制造质量预测模型方法，其特征在于，步骤S12初始粒子群算法的参数中预测弹性精度取10-6。

6.如权利要求2所述的基于PSO-BP的齿轮再制造质量预测模型方法，其特征在于，步骤S13粒子群算法确定适应度函数中将网络的均方误差函数作为粒子群算法的适应度函数，公式如下：

式中n为训练样本的个数；Yk为样本的实际输出值；Ok为网络的预测输出值。

7.如权利要求2所述的基于PSO-BP的齿轮再制造质量预测模型方法，其特征在于，步骤S16将上一步产生的全局最优值Pg作为网络的初始权值及阈值，进行网络的训练，直至误差满足精度要求中输出层与隐含层间的权值更新公式如下：

w_jk＝w_jk+Δw_jk

Δw_jk＝ηy_k(1-y_k)(O_k-y_k)H_j

输入层与隐含层间的权值更新公式如下：

w_ij＝w_ij+Δw_ij

8.如权利要求3所述的基于PSO-BP的齿轮再制造质量预测模型方法，其特征在于，步骤S21包括如下子步骤：

S211、选择光功率、送粉速度、扫描速度作为熔覆正交实验的3个因素，选择5个常用的实验水平进行正交实验；

S212、对样本数据进行归一化处理，使数据的取值范围变为[-1,1]。数据归一化处理公式如下：

同理对熔覆层高度及宽度的预测结果进行反归一化处理。

9.如权利要求3所述的基于PSO-BP的齿轮再制造质量预测模型方法，其特征在于，步骤S22包括如下子步骤：

S221、取其中20组为训练样本，将数据导入模型进行训练；

S222、验证模型的预测准确性；

S223、验证粒子群算法的优化效果。