[发明专利]一种基于PSO-BP的齿轮再制造质量预测模型方法

说明书

本分明涉及一种基于PSO‑BP的齿轮再制造质量预测模型方法，属于再制造领域.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。预测结果表明：经过粒子群优化后的BP神经网络熔高预测误差下降了2.731％，熔宽预测误差下降了1.645％。模型性能较好，预测值能以较高的精度逼近实际值，验证了熔覆层形貌预测的可用性与有效性。本发明提前预测齿轮质量变化趋势，从而根据质量目标对加工过程进行调整，尽早发现并消除质量异常因素，使加工质量损失达到最小。

技术领域

本发明涉及一种基于PSO-BP(粒子群优化BP神经网络)的齿轮再制造质量预测模型方法，属于再制造领域。

背景技术

由于激光熔覆的工艺复杂，熔覆层表面常产生高度不均匀、表面不平整甚至出现裂纹气孔的现象，由于激光熔覆过程中影响熔覆层质量的工艺参数众多且各工艺参数之间又存在相互影响，对熔覆层的质量难以控制，现有的齿轮再制造质量预测模型方法，不能提前预测齿轮质量变化趋势，也不能根据质量目标对加工过程进行调整，从而不能尽早发现并消除质量异常因素，使加工的质量损失较大。

发明内容

针对上述问题，本发明一种基于PSO-BP的齿轮再制造质量预测模型方法，提前预测齿轮质量变化趋势，从而根据质量目标对加工过程进行调整，尽早发现并消除质量异常因素，使加工的质量损失达到最小。对于提高熔覆层的质量预测精度及提高熔覆层质量有着重要意义。

一种基于PSO-BP的激光熔覆层质量智能控制系统及质量预测方法，也就是说，一种基于PSO-BP的齿轮再制造质量预测模型方法，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。

优选的，所述步骤S1包括如下子步骤：

具体的，所述步骤S1中：S11、确定神经网络的结构及粒子维度；

具体的，所述步骤S1中：S12、初始粒子群算法的参数；

具体的，所述步骤S1中：S13、粒子群算法确定适应度函数；

具体的，所述步骤S1中：S14、根据粒子速度和位置计算公式进行迭代；

具体的，所述步骤S1中：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；

具体的，所述步骤S1中：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；

优选的，所述步骤S2包括如下子步骤：

具体的，所述步骤S2中：S21、试验样本采集；

具体的，所述步骤S2中：S22、网络预测效果分析；

本发明的有益效果是：本专利发明一种基于PSO-BP的齿轮再制造质量预测模型方法，提前预测齿轮质量变化趋势，从而根据质量目标对加工过程进行调整，尽早发现并消除质量异常因素，使加工的质量损失达到最小。对于提高熔覆层的质量预测精度及提高熔覆层质量有着重要意义。

附图说明

图1为粒子群优化BP神经网络流程图。

图2为BP神经网络结构图。

图3为3D打印设备结构示意图。