CN111160642A - 一种基于pso-bp神经网络的大型高速回转装备同轴度预测方法 - Google Patents
一种基于pso-bp神经网络的大型高速回转装备同轴度预测方法 Download PDFInfo
- Publication number
- CN111160642A CN111160642A CN201911367235.3A CN201911367235A CN111160642A CN 111160642 A CN111160642 A CN 111160642A CN 201911367235 A CN201911367235 A CN 201911367235A CN 111160642 A CN111160642 A CN 111160642A
- Authority
- CN
- China
- Prior art keywords
- neural network
- pso
- equipment
- coaxiality
- particle
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于PSO‑BP神经网络的大型高速回转装备同轴度预测方法。步骤1:数据处理;步骤2:将步骤1归一化处理后的各级大型高速回转装备的数据进行整合,作为输入量;步骤3:构建PSO‑BP神经网络模型;步骤4:利用神经网络的隐含层神经元个数、学习率以及L2正则化系数;步骤5:将隐含层神经元个数、学习率以及L2正则化系数代入BP神经网络中,获得最优BP网络结构;步骤6:输入测试集数据得到测试集所对应的装配后多级装备同轴度预测值。本发明借助PSO‑BP神经网络,综合考虑拧紧力矩对大型高速回转装备装配结合面影响以及多级装备间几何误差传递效果,对装配后多级装备同轴度预测效果较理想。
Description
技术领域
本发明属于大型高速回转装备装配预测技术领域;具体涉及一种基于PSO-BP神经网络的大型高速回转装备同轴度预测方法。
背景技术
在先进航空发动机制造领域,多级装备装配质量对整机性能有着重要的影响。同轴度是评价多级装备装配质量的关键参数,不仅影响径向和轴向的接触摩擦特性,还会影响大型高速回转装备高速旋转时振动特性。单级大型高速回转装备的同心度偏差在装配中传播和积累,可能导致装配后多级装备同轴度超过限定值,甚至导致机器故障。因此,建立多级装备同轴度预测模型,可用于指导装配,提高一次装配合格率。
针对多级装备同轴度预测,现有的预测技术为矢量投影预测方法,即从单级大型高速回转装备加工误差传递机理出发,利用矩阵描述定位误差以及定向误差传递过程,从而实现多级装备装配后同轴度预测。然而,该预测模型建立时将单级大型高速回转装备假设为圆柱形刚体部件,未考虑到各级大型高速回转装备通过螺栓连接时发生不规则变形,导致通过该模型获得的预测同轴度与实际同轴度之间具有较大偏差。由于螺栓组的预紧力与装配后大型高速回转装备变形间的机理极为复杂,目前尚未得到预紧力与大型高速回转装备变形间的关系,因此无法建立兼顾拧紧力矩与几何误差传递的多级装备同轴度预测方法。
发明内容
本发明提出了一种基于PSO-BP神经网络的大型高速回转装备同轴度预测方法用以解决上述问题。
本发明通过以下技术方案实现:
一种基于PSO-BP神经网络的大型高速回转装备同轴度预测方法,所述预测方法包括以下步骤:
步骤1:数据处理,将各级大型高速回转装备同心度误差、垂直度误差、装配相位、各级装备间拧紧力矩的数据以及多级装备装配后同轴度进行归一化处理;
步骤2:将归一化处理后的各级大型高速回转装备同心度误差、垂直度误差、装配相位、各级装备间拧紧力矩的数据进行整合,作为输入量;
步骤3:构建PSO-BP神经网络模型;
步骤4:利用PSO算法优化神经网络的隐含层神经元个数、学习率以及L2正则化系数;
步骤5:将经过PSO算法优化神经网络的隐含层神经元个数、学习率以及L2正则化系数代入BP神经网络中,获得最优BP网络结构;
步骤6:输入测试集数据到该网络,得到测试集所对应的装配后多级装备同轴度预测值。
进一步的,所述步骤1对数据进行归一化处理的公式如(1)所示:
进一步的,首先定义PSO算法中粒子对应着BP神经网络中待优化的隐含层神经元个数、学习率以及L2正则化系数;即将上述超参数按统一次序排列为一个向量的元素,通过该向量确定BP神经网络结构,并将该网络结构下验证集的误差作为PSO算法的适应度函数;由BP神经网络和PSO算法的循环迭代找到BP神经网络最优超参数,获得最优BP网络结构。
进一步的,所述步骤4利用PSO算法优化BP神经网络超参数的具体方法为:
步骤4.1:确定隐含层神经元个数、学习率以及L2正则化系数的解空间;
步骤4.2:按照解空间范围初始化粒子群,从神经网络实际情况出发,保证隐含层神经元个数对应的空间位置为整数;
步骤4.3:将粒子群中每个粒子包含的超参数代入BP神经网络结构中,确定网络结构;
步骤4.4:通过训练集训练网络,确定网络的权值和阈值;
步骤4.5:将验证集代入训练集所得的网络中,计算验证集的均方误差MSE,并将MSE作为粒子的适应度;
步骤4.6:根据适应度更新粒子群的全局最优解pbest和个体最优解gbest;
步骤4.7:判断是否达到最大迭代次数;
步骤4.8:如果没有达到最大迭代次数,则更新粒子的速度和位置;
步骤4.9:由于粒子更新速度、方向不确定,为保证所获得的粒子位置可以用来确定BP神经网络超参数,应保证粒子的位置符合寻优范围,重复步骤4.3-4.7;
步骤4.10:如果达到最大迭代次数,则输出全局最优解pbest,获得网络最优超参数。
进一步的,所述步骤4.5中,中MSE表达式如式(2)所示:
其中,yi为第i个数据的真实值,y′i为神经网络的预测值,n为样本数量。
本发明的有益效果是:
本发明借助PSO-BP神经网络,综合考虑拧紧力矩对大型高速回转装备装配结合面影响以及多级装备间几何误差传递效果,对装配后多级装备同轴度预测效果较理想。相比于传统矢量投影预测方法,本发明的预测精度更高,同时,本发明为大型高速回转装备同轴度预测提供了一种新思路。
附图说明
图1本发明的预测流程图。
图2本发明利用PSO算法优化BP神经网络超参数的流程。
图3本发明预测效果与矢量投影预测方法预测效果。
具体实施方式
下面将结合本发明实施例中的附图对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
一种基于PSO-BP神经网络的大型高速回转装备同轴度预测方法,所述预测方法包括以下步骤:
步骤1:数据处理,将各级大型高速回转装备同心度误差、垂直度误差、装配相位、各级装备间拧紧力矩的数据以及多级装备装配后同轴度进行归一化处理;
分析多级装备装配后同轴度的影响因素,发现各级大型高速回转装备同心度误差、垂直度误差、装配相位、各级装备间拧紧力矩与其相关。因此,对上述数据进行整理;
步骤2:将归一化处理后的各级大型高速回转装备同心度误差、垂直度误差、装配相位、各级装备间拧紧力矩的数据进行整合,作为输入量;
装配后多级装备同轴度作为输出量,按照一定比例将数据分为训练集,验证集,测试集;为预测四级装备装配后同轴度和垂直度误差,将300组数据样本按照8:1:1分为训练集、验证集和测试集;
步骤3:构建PSO-BP神经网络模型;该步骤所构建的PSO-BP模型是利用PSO优化算法的全局搜索特征优化BP神经网络中的超参数,从而获得最优BP网络结构;
I BP神经网络
BP神经网络包括前向传播和反向修正的过程,利用最速下降法,通过反向修正来不断调整网络的权值和阈值,使得网络的均方误差最小。所建立的同轴度预测模型采用的是三层网络结构,即输入层、隐含层和输出层,且实施例中取输入层神经元个数为22。隐含层激活函数选用非线性的Sigmoid函数,输出层激活函数选用Identity线性函数,函数表达式分别如式(3)(4)所示:
Identity(x)=x (4)
其中,x为函数自变量。
代价函数C0选用MSE均方误差。为了避免过拟合问题,采用L2正则化优化神经网络;L2正则化的实质是在原代价函数上增加一个正则化项,如式(5)所示:
其中C代表带有L2正则化的代价函数,w为网络神经元间连接权值,λ代表正则化参数。
II PSO优化算法
粒子群算法源于对鸟群捕食行为研究,用于寻找全局最优解。算法中每个粒子代表解决问题的一个潜在方案,每个粒子的适应度通过适应度函数进行计算。粒子速度由粒子自身和其他粒子共同进行动态调整并决定下一步运动的方向和距离。假设M个粒子构成D维搜索空间中的粒子群,则速度与位置的更新环节分别如式(6)和(7)所示:
式中,v代表粒子飞行速度,x代表粒子在空间中的位置,pb代表每个粒子在空间中的历史最优位置,gb代表整个群体在空间中的历史最优位置,d=[1,2,…,D],i=[1,2,…,M],k是迭代次数,r1和r2是[0,1]之间的随机数,c1和c2是学习因子,实施例中取c1=c2=2,M=20。u是惯性权重,它平衡了PSO的局部搜索能力和全局搜索能力,实施例中取u=0.5。实施例中为获得BP神经网络中隐含层神经元个数、学习率以及L2正则化系数,建立具有3维搜索空间的粒子群,即D=3。
步骤4:利用PSO算法优化神经网络的隐含层神经元个数、学习率以及L2正则化系数;
步骤5:将经过PSO算法优化神经网络的隐含层神经元个数、学习率以及L2正则化系数代入BP神经网络中,获得最优BP网络结构;
步骤6:输入测试集数据到该网络,得到测试集所对应的装配后多级装备同轴度预测值。
进一步的,所述步骤1对数据进行归一化处理的公式如(1)所示:
进一步的,首先定义PSO算法中粒子对应着BP神经网络中待优化的隐含层神经元个数、学习率以及L2正则化系数。即将上述超参数按统一次序排列为一个向量的元素,通过该向量确定BP神经网络结构,并将该网络结构下验证集的误差作为PSO算法的适应度函数。由BP神经网络和PSO算法的循环迭代找到BP神经网络最优超参数,获得最优BP网络结构。
进一步的,所述步骤4利用PSO算法优化BP神经网络超参数的具体方法为:
步骤4.1:确定隐含层神经元个数、学习率以及L2正则化系数的解空间;
步骤4.2:按照解空间范围初始化粒子群。从神经网络实际情况出发,保证隐含层神经元个数对应的空间位置为整数;
步骤4.3:将粒子群中每个粒子包含的超参数代入BP神经网络结构中,确定网络结构;
步骤4.4:通过训练集训练网络,确定网络的权值和阈值;
步骤4.5:将验证集代入训练集所得的网络中,计算验证集的均方误差MSE,并将MSE作为粒子的适应度;
步骤4.6:根据适应度更新粒子群的全局最优解pbest和个体最优解gbest;
步骤4.7:判断是否达到最大迭代次数;
步骤4.8:如果没有达到最大迭代次数,则更新粒子的速度和位置;
步骤4.9:由于粒子更新速度、方向不确定,为保证所获得的粒子位置可以用来确定BP神经网络超参数,应保证粒子的位置符合寻优范围,重复步骤4.3-4.7;
步骤4.10:如果达到最大迭代次数,则输出全局最优解pbest,获得网络最优超参数。
进一步的,所述步骤4.5中,中MSE表达式如式(2)所示:
其中,yi为第i个数据的真实值,y′i为神经网络的预测值,n为样本数量。
Claims (5)
1.一种基于PSO-BP神经网络的大型高速回转装备同轴度预测方法,其特征在于,所述预测方法包括以下步骤:
步骤1:数据处理,将各级大型高速回转装备同心度误差、垂直度误差、装配相位、各级装备间拧紧力矩的数据以及多级装备装配后同轴度进行归一化处理;
步骤2:将归一化处理后的各级大型高速回转装备同心度误差、垂直度误差、装配相位、各级装备间拧紧力矩的数据进行整合,作为输入量;
步骤3:构建PSO-BP神经网络模型;
步骤4:利用PSO算法优化神经网络的隐含层神经元个数、学习率以及L2正则化系数;
步骤5:将经过PSO算法优化神经网络的隐含层神经元个数、学习率以及L2正则化系数代入BP神经网络中,获得最优BP网络结构;
步骤6:输入测试集数据到该网络,得到测试集所对应的装配后多级装备同轴度预测值。
3.根据权利要求1所述的预测方法,其特征在于,所述步骤3构建PSO-BP神经网络模型的方法为:首先定义PSO算法中粒子对应着BP神经网络中待优化的隐含层神经元个数、学习率以及L2正则化系数;即将上述超参数按统一次序排列为一个向量的元素,通过该向量确定BP神经网络结构,并将该网络结构下验证集的误差作为PSO算法的适应度函数;由BP神经网络和PSO算法的循环迭代找到BP神经网络最优超参数,获得最优BP网络结构。
4.根据权利要求1所述的预测方法,其特征在于,所述步骤4利用PSO算法优化BP神经网络超参数的具体方法为:
步骤4.1:确定隐含层神经元个数、学习率以及L2正则化系数的解空间;
步骤4.2:按照解空间范围初始化粒子群,从神经网络实际情况出发,保证隐含层神经元个数对应的空间位置为整数;
步骤4.3:将粒子群中每个粒子包含的超参数代入BP神经网络结构中,确定网络结构;
步骤4.4:通过训练集训练网络,确定网络的权值和阈值;
步骤4.5:将验证集代入训练集所得的网络中,计算验证集的均方误差MSE,并将MSE作为粒子的适应度;
步骤4.6:根据适应度更新粒子群的全局最优解pbest和个体最优解gbest;
步骤4.7:判断是否达到最大迭代次数;
步骤4.8:如果没有达到最大迭代次数,则更新粒子的速度和位置;
步骤4.9:由于粒子更新速度、方向不确定,为保证所获得的粒子位置可以用来确定BP神经网络超参数,应保证粒子的位置符合寻优范围,重复步骤4.3-4.7;
步骤4.10:如果达到最大迭代次数,则输出全局最优解pbest,获得网络最优超参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911367235.3A CN111160642A (zh) | 2019-12-26 | 2019-12-26 | 一种基于pso-bp神经网络的大型高速回转装备同轴度预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911367235.3A CN111160642A (zh) | 2019-12-26 | 2019-12-26 | 一种基于pso-bp神经网络的大型高速回转装备同轴度预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111160642A true CN111160642A (zh) | 2020-05-15 |
Family
ID=70558494
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911367235.3A Pending CN111160642A (zh) | 2019-12-26 | 2019-12-26 | 一种基于pso-bp神经网络的大型高速回转装备同轴度预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111160642A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114690707A (zh) * | 2021-12-01 | 2022-07-01 | 南京工业大学 | 一种基于改进bp神经网络的数控成形磨齿机直线轴几何综合误差辨识方法 |
CN114997692A (zh) * | 2022-06-17 | 2022-09-02 | 哈尔滨工业大学 | 基于bp神经网络的转台测量回转基准角摆误差评定方法 |
CN115115027A (zh) * | 2022-06-17 | 2022-09-27 | 哈尔滨工业大学 | 一种基于ga-pso-bp神经网络的回转装备零部件同轴度预测方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104361393A (zh) * | 2014-09-06 | 2015-02-18 | 华北电力大学 | 基于粒子群优化算法改进的神经网络模型用于数据预测方法 |
CN110595690A (zh) * | 2019-01-07 | 2019-12-20 | 哈尔滨工业大学 | 基于形心质心重心惯性中心矢量极小化的大型高速回转装备测量与智能学习装配方法和装置 |
-
2019
- 2019-12-26 CN CN201911367235.3A patent/CN111160642A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104361393A (zh) * | 2014-09-06 | 2015-02-18 | 华北电力大学 | 基于粒子群优化算法改进的神经网络模型用于数据预测方法 |
CN110595690A (zh) * | 2019-01-07 | 2019-12-20 | 哈尔滨工业大学 | 基于形心质心重心惯性中心矢量极小化的大型高速回转装备测量与智能学习装配方法和装置 |
Non-Patent Citations (2)
Title |
---|
CHUANZHI SUN等: "Prediction Method of Concentricity and Perpendicularity of Aero Engine Multistage Rotors Based on PSO-BP Neural Network", 《IEEE ACESS》 * |
唐王: "数据驱动的航空发动机余寿预测方法", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114690707A (zh) * | 2021-12-01 | 2022-07-01 | 南京工业大学 | 一种基于改进bp神经网络的数控成形磨齿机直线轴几何综合误差辨识方法 |
CN114690707B (zh) * | 2021-12-01 | 2023-08-18 | 南京工业大学 | 一种基于改进bp神经网络的数控成形磨齿机直线轴几何综合误差辨识方法 |
CN114997692A (zh) * | 2022-06-17 | 2022-09-02 | 哈尔滨工业大学 | 基于bp神经网络的转台测量回转基准角摆误差评定方法 |
CN115115027A (zh) * | 2022-06-17 | 2022-09-27 | 哈尔滨工业大学 | 一种基于ga-pso-bp神经网络的回转装备零部件同轴度预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111160642A (zh) | 一种基于pso-bp神经网络的大型高速回转装备同轴度预测方法 | |
Li et al. | Numerical optimization for stator vane settings of multi-stage compressors based on neural networks and genetic algorithms | |
CN112686372A (zh) | 基于深度残差gru神经网络的产品性能预测方法 | |
Huang et al. | Stochastic ranking for offline data-driven evolutionary optimization using radial basis function networks with multiple kernels | |
Vicario et al. | Meta‐models in computer experiments: Kriging versus artificial neural networks | |
CN116542382A (zh) | 基于混合优化算法的污水处理溶解氧浓度预测方法 | |
Song et al. | Impacts of fractional hot-deck imputation on learning and prediction of engineering data | |
CN111506868B (zh) | 一种基于hht权值优化的超短期风速预测方法 | |
CN115758866A (zh) | 一种电动汽车无线电能传输系统传输性能优化方法 | |
CN113434958B (zh) | 基于异构集成代理模型的磁悬浮飞轮电机多目标优化方法 | |
Nguyen-Trang et al. | An efficient hybrid optimization approach using adaptive elitist differential evolution and spherical quadratic steepest descent and its application for clustering | |
CN117494567A (zh) | 面向混合整数昂贵优化问题的代理模型辅助差分进化方法 | |
US20230306050A1 (en) | Decarbonizing BERT with Topics for Efficient Document Classification | |
Ukaoha et al. | Architecture optimization model for the deep neural network | |
Eslamlou et al. | Structural health monitoring via a group-theoretic WSA for optimal feature selection and data fusion | |
Ling et al. | An improved evolutionary random neural networks based on particle swarm optimization and input-to-output sensitivity | |
CN108832850B (zh) | 一种四电机伺服系统的最优分散鲁棒控制方法 | |
Yang et al. | [Retracted] Accuracy Analysis of Sports Performance Prediction Based on BP Neural Network Intelligent Algorithm | |
CN116667322A (zh) | 基于相空间重构和改进rbf神经网络的电力负荷预测方法 | |
CN115775038A (zh) | 一种基于igwo优化lssvm的短期负荷预测方法 | |
Puangpontip et al. | On Using Deep Learning for Business Analytics: At what cost? | |
CN113780517A (zh) | 一种数据驱动的卫星接收机故障预测方法 | |
Ali et al. | A hybrid ant colony differential evolution and its application to water resources problems | |
CN114881086B (zh) | 基于注意力lstm的配对轴承智能质量识别方法 | |
Parwani et al. | Adversarial sampling for solving differential equations with neural networks |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200515 |
|
RJ01 | Rejection of invention patent application after publication |