CN115358436A - 一种交错沟槽电解加工参数优化方法、存储介质和计算机系统 - Google Patents

一种交错沟槽电解加工参数优化方法、存储介质和计算机系统 Download PDF

Info

Publication number
CN115358436A
CN115358436A CN202210748219.4A CN202210748219A CN115358436A CN 115358436 A CN115358436 A CN 115358436A CN 202210748219 A CN202210748219 A CN 202210748219A CN 115358436 A CN115358436 A CN 115358436A
Authority
CN
China
Prior art keywords
machining
parameters
layer
staggered
function
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
Application number
CN202210748219.4A
Other languages
English (en)
Inventor
陈远龙
朱嘉晨
江伟
王玉青
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hefei University of Technology
Original Assignee
Hefei University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hefei University of Technology filed Critical Hefei University of Technology
Priority to CN202210748219.4A priority Critical patent/CN115358436A/zh
Publication of CN115358436A publication Critical patent/CN115358436A/zh
Pending legal-status Critical Current

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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/04—Manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Business, Economics & Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • Evolutionary Biology (AREA)
  • General Business, Economics & Management (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Primary Health Care (AREA)
  • Manufacturing & Machinery (AREA)
  • Genetics & Genomics (AREA)
  • Physiology (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Electrical Discharge Machining, Electrochemical Machining, And Combined Machining (AREA)

Abstract

本发明公开了一种交错沟槽电解加工参数优化方法、存储介质和计算机系统，其中方法包括以下步骤：S1，选取电解加工参数进行试验，得到交错沟槽的入口平均宽度，并根据实验结果确定样本集；S2，以电解加工参数作为输入，以沟槽的加工精度作为输出，构建一个含有多个隐含层的BP神经网络模型；S3，对BP神经网络进行训练；S4，建立交错沟槽电解加工多目标优化模型；S5，基于交错沟槽电解加工多目标优化模型和训练好的BP神经网络，使用遗传算法在约束条件下对加工工艺参数进行全局组合寻优。本发明能够在较大的参数范围内获得较优工艺参数组合，有效克服传统试验工作量大、试制周期长、生产成本高等不足，有效提高交错沟槽的加工精度和电解加工水平。

Description

一种交错沟槽电解加工参数优化方法、存储介质和计算机 系统
技术领域
本发明涉及交错沟槽电解加工技术领域，特别涉及一种交错沟槽电解加工参数优化方法、存储介质和计算机系统。
背景技术
如何控制和提高加工精度并尽可能提高加工效率和加工稳定性一直是电解加工研究的热点问题。加工中的电场、流场和电化学特性等方面都会影响加工精度。一般可以从加工工艺参数优化、阴极优化、工装结构优化和流场优化等方面进行电解加工工艺优化来提高加工精度。电解加工工艺参数优化是提高加工精度的主要措施之一。
发明内容
为了解决现有问题，本发明提供了一种交错沟槽电解加工参数优化方法、存储介质和计算机系统，具体方案如下：
一种交错沟槽电解加工参数优化方法，包括以下步骤：
S1，选取电解加工参数进行试验，得到交错沟槽的入口平均宽度，并根据实验结果确定样本集；
S2，以所述电解加工参数作为输入，以沟槽的加工精度作为输出，构建一个含有多个隐含层的BP神经网络模型；
S3，利用步骤1的样本对步骤2搭建的所述BP神经网络进行训练；
S4，以包括加工精度和加工效率为目标建立交错沟槽电解加工多目标优化模型；
S5，基于步骤4建立的交错沟槽电解加工多目标优化模型和步骤3已训练好的BP神经网络，使用遗传算法在约束条件下对加工工艺参数进行全局组合寻优。
优选的，步骤1中选取的所述电解加工参数包括电压U、加工速度va、入口压力P、初始间隙Δ0、占空比δ、通液孔径
Figure BDA0003720211670000021
连通槽高ha、侧壁绝缘系数k以及加工深度da，工件的入口平均宽度w与影响交错沟槽加工精度的所述电解加工参数之间的关系表示为：w＝f(U,va,P,Δ0,δ,φa,ha,k,da)，其中，k＝1为绝缘，k＝0为不绝缘。
优选的，步骤1中所述样本集按照比例分为训练样本和测试样本，并将所述训练样本和所述测试样本中的数据进行归一化处理，得到处理后的训练集和测试集，其中归一化公式为：
Figure BDA0003720211670000022
yi为归一化后数据，xi为原始数据，xmin为数据序列的最小数，xmax为数据序列的最大数。
优选的，步骤2中构建一个含有2个隐含层的BP神经网络模型，具体包括以下步骤：
S2.1，步骤1中选取的所述电解加工参数作为输入，选取包括入口平均宽度的沟槽加工精度作为输出；
S2.2，根据输入层节点个数确定隐含层节点个数范围，隐含层节点个数与输入层节点个数之间的关系为n≤2m+1，其中n为各隐含层节点个数，m为输入层节点个数；
S2.3，在步骤2.2中确定的所述隐含层节点个数范围内，选择不同隐含层节点数进行预测；
S2.4，将步骤2.3预测数据与实测数据进行对比，通过计算两者之间的均方误差，确定最佳隐含层节点个数；所述均方误差公式为：
Figure BDA0003720211670000023
式中，a为数据个数，yi为实测值，
Figure BDA0003720211670000024
为预测值。
优选的，步骤3采用批量方式训练样本和LM算法对应的训练函数trainlm对所述BP神经网络进行训练；学习函数采用梯度下降动量学习函数learngdm；均方误差用性能函数mse进行计算；各隐含层的激励函数均选择logsig函数
Figure BDA0003720211670000025
输出层的激励函数选择purelin线性传递函数g(x)＝x；对所述BP神经网络进行训练的具体步骤包括：
S3.1，将所述BP神经网络初始权值和阈值赋为(0，1)随机数；
S3.2，计算所述BP神经网络各层节点输入和输出值，计算公式如下：
各层节点的输入输出为：
neti＝wi×yi-1+bi
yi＝fi(neti)
其中，neti是第i层网络的输入，wi是本层和下一层之间的网络权值，bi是第i层阈值，f(·)为激励函数，yi为第i层的神经元输出，yi-1为第i-1层神经元输出；
S3.3，假设所述BP神经网络的预测输出为sk，总共有N个输出，则输出层误差e为：
Figure BDA0003720211670000031
S3.4，根据梯度下降算法，使权值的调整量和误差的梯度下降成正比，即：
Figure BDA0003720211670000032
Figure BDA0003720211670000033
式中Δwij和Δwj分别为输入层与隐含层，隐含层与输出层神经元权值的调整量，η为学习速率，e为BP神经网络的输出均方误差，wij为输入层第i个输入信号与隐含层第j个神经元之间的权值，wj为隐含层第j个神经元与输出层神经元之间的权值；则调整后的权值wij′和wj′为：
wij′＝wij+Δwij
wj′＝wj+Δwj
式中wij为输入层第i个输入信号与隐含层第j个神经元之间的权值，wj为隐含层第j个神经元与输出层神经元之间的权值，Δwij和Δwj分别为输入层与隐含层、隐含层与输出层神经元权值的调整量；
S3.5，使用未经使用过的多组测试样本集对前文训练过的BP神经网络进行验证，采用计算平均百分误差方法计算预测相对误差；
S3.6，多次重复S3.1-S3.5的训练步骤，得到高精度的所述BP神经网络模型，用来预测和分析特征参数和目标参数之间的关系。
S4，以包括加工精度和加工效率为目标建立交错沟槽电解加工多目标优化模型；
S5，基于步骤4建立的交错沟槽电解加工多目标优化模型和步骤3已训练好的BP神经网络，使用遗传算法在约束条件下对加工工艺参数进行全局组合寻优。
优选的，步骤4中所述交错沟槽电解加工多目标优化模型属于组合优化模型，构建交错沟槽电解加工多目标优化模型的步骤包括：
S4.1，优化参数的选择，即选取的所述电解加工参数；
S4.2，确定目标函数；
S4.3，确定约束条件；
S4.4，组合最优化问题；
S4.5，选择全局优化算法；
其中，假设各优化参数的约束条件是只含上下限的约束，目标函数可描述为：Minf(x)＝f(x1,x2,…xn)，约束条件可描述为：s.t.ln≤xn≤hn，式中，ln，hn分别为约束的上下限值；
步骤4.4中组合最优化问题，即对多个目标的优选问题，可根据效用函数将多个目标合成单一目标来进行，其中多目标线性加权法是将多目标函数转化为带权重系数的单目标函数，即Minf(x)＝Min∑wiDifi(x)(1)，式中，wi为目标函数fi(x)的权重系数；Di为fi(x)的调节系数；
目标函数选取加工精度和加工效率，其中加工精度选择交错沟槽入口平均宽度，加工效率选择加工进给速度va，并选择多目标线性加权法将上述两个目标函数转化为单目标函数，且加工精度的权重系数大于加工效率的权重系数。
优选的，步骤4.5中选择的全局优化算法为遗传算法，使用遗传算法在约束条件下对加工工艺参数进行全局组合寻优，具体步骤包括：
S5.1，采用浮点数编码的方式对电解加工参数进行编码操作，初始化种群，编码时，染色体基因的长度等于所有电解加工参数个数的总和；
S5.2，建立适应度函数，将目标函数值转换成相对适应度值，适应度表示为下式：F(x)＝r(gf(x))(2)，式中，f(x)是目标函数，g是将目标函数转换成非负值的变换因子，r是将目标函数转换为合适的适应度函数的变换；加工精度用入口槽宽f1(Bi)表达，加工效率用加工速度f2(va)表达，经倒数处理转化成求解最小值问题后，总体目标函数记为：
Figure BDA0003720211670000051
S5.3，进行选择操作；
S5.4，进行遗传操作；
S5.5，进行变异操作。
优选的，步骤5.2建立适应度函数具体包括：式(1)中权重系数w1、w2分别取为0.7和0.3，调节系数D1、D2取为1和10，式(2)中g取1；目标函数值越小时个体越优，则交错沟槽的神经网络-遗传算法多目标优化模型的适应度函数取为目标函数的倒数，可表示为下式：
Figure BDA0003720211670000052
步骤5.3进行选择操作具体包括：在遗传算法中初始化随机产生的种群后，将数据输入已经训练好的BP神经网络，得到预测输出值；
将预测输出值代入式(4)中，在适应度函数中计算个体的适应度值并使用轮盘赌算法进行选择操作，从当前种群中挑选优秀个体作为父代产生下一代个体，每个个体被选中的概率遵循如下公式：
Figure BDA0003720211670000061
其中，pk是第k个个体被选中的概率，Fk是第k个个体适应度值，K为种群个体总数；
步骤5.4进行遗传操作即对种群中的个体进行交叉操作，设定交叉概率为pc，产生一个随机数，若小于交叉概率，则进行交叉操作，交叉时随机选择两个个体并随机选择交叉位，遵循以下公式进行交叉操作：
Figure BDA0003720211670000062
其中，akj是第k个染色体在j位上的实数，alj是第l个染色体在j位上的实数，b为(0，1)间的随机数，
步骤5.5对种群中的个体进行变异操作具体包括：设定变异概率为pm，产生一个随机数若小于变异概率，则进行变异操作，变异时随机选择一个个体并随机选择变异位，遵循以下公式进行变异操作：
Figure BDA0003720211670000063
Figure BDA0003720211670000064
其中，aij是第i个染色体在j位上的实数，g为当前迭代次数，Gmax为最大迭代次数，amax是aij取值的上限，amin是aij取值的下限，r和r′为(0，1)间的随机数，不断循环以上选择—交叉—变异操作得到下一代个体，不断迭代求解，直到搜寻到满足目标函数的个体适应度值为止，末代最优适应度所对应的输入特征参数即全局最优组合。
本发明还揭示了一种计算机可读存储介质，介质上存有计算机程序，计算机程序运行后，执行上述的交错沟槽电解加工参数优化方法。
本发明还揭示了一种计算机系统，包括处理器、存储介质，存储介质上存有计算机程序，处理器从存储介质上读取并运行计算机程序以执行上述的交错沟槽电解加工参数优化方法。
本发明的有益效果在于：
本发明基于电解加工试验结果数据进行分析，运用BP神经网络的分析方法对交错沟槽电解加工的精度进行预测，并基于神经网络和遗传算法进行交错沟槽电解加工艺参数优化研究。基于试验数据的预测模型和工艺参数优化研究能大大提高预测精度，能够在较大的参数范围内获得较优工艺参数组合，有效克服传统试验工作量大、试制周期长、生产成本高等不足，有效提高交错沟槽的加工精度、显著提升电解加工水平。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
图1是本发明基于BP神经网络和遗传算法的交错沟槽电解加工参数优化方法的流程图。
图2是本发明的多隐含层BP神经网络算法流程图。
图3是本发明的遗传算法流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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、完整地说明，显然，所描述的实施例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它实施例，都属于本发明保护的范围。
如图1，一种交错沟槽电解加工参数优化方法，包括以下步骤：
S1，选取电解加工参数进行试验，得到交错沟槽的入口平均宽度，并根据实验结果确定样本集。
其中，选取的所述电解加工参数包括电压U、加工速度va、入口压力P、初始间隙Δ0、占空比δ、通液孔径
Figure BDA0003720211670000081
连通槽高ha、侧壁绝缘系数k以及加工深度da，工件的入口平均宽度w与影响交错沟槽加工精度的所述电解加工参数之间的关系表示为：w＝f(U,va,P,Δ0,δ,φa,ha,k,da)，其中，k＝1为绝缘，k＝0为不绝缘。
所述样本集按照4:1比例分为训练样本和测试样本，并将所述训练样本和所述测试样本中的数据进行归一化处理，得到处理后的训练集和测试集，其中归一化公式为：
Figure BDA0003720211670000082
yi为归一化后数据，xi为原始数据，xmin为数据序列的最小数，xmax为数据序列的最大数。
加工电压、占空比、入口压力、加工速度、初始加工间隙、通液孔径、连通槽高度、侧壁绝缘系数、加工深度等数据按照与处理入口平均宽度相同的方式分别进行归一化处理。
S2，以所述电解加工参数作为输入，以沟槽的加工精度作为输出，构建一个含有多个隐含层的BP神经网络模型。本实施例中，隐含层的层数2和各隐含层节点数n的设置，是通过选择不同隐含层的层数以及隐含层的节点个数，进行次数相同的训练，将预测结果与实测数据进行对比，通过比较均方误差E，选择均方误差最小的隐含层层数以及隐含层节点个数。
其中，如图2，构建一个含有2个隐含层的BP神经网络模型，具体包括以下步骤：
S2.1，步骤1中选取的所述电解加工参数作为输入，选取包括入口平均宽度的沟槽加工精度作为输出；具体地，选取加工电压、脉冲占空比、入口压力、加工速度、初始加工间隙、通液孔径大小、连通槽高度、侧壁绝缘系数以及加工深度，作为BP神经网络的输入特征参数，选取沟槽的加工精度，如入口平均宽度作为输出目标参数。
S2.2，根据输入层节点个数确定隐含层节点个数范围，隐含层节点个数与输入层节点个数之间的关系为n≤2m+1，其中n为各隐含层节点个数，m为输入层节点个数；
S2.3，在步骤2.2中确定的所述隐含层节点个数范围内，选择不同隐含层节点数进行预测；
S2.4，将步骤2.3预测数据与实测数据进行对比，通过计算两者之间的均方误差，确定最佳隐含层节点个数；所述均方误差公式为：
Figure BDA0003720211670000091
式中，a为数据个数，yi为实测值，
Figure BDA0003720211670000092
为预测值。
S3，利用步骤1的样本中的训练样本集对步骤2搭建的所述BP神经网络进行训练。
该步骤采用批量方式和LM算法对应的训练函数trainlm对所述BP神经网络进行训练；学习函数采用梯度下降动量学习函数learngdm；均方误差用性能函数mse进行计算；各隐含层的激励函数均选择logsig函数
Figure BDA0003720211670000101
输出层的激励函数选择purelin线性传递函数g(x)＝x；对所述BP神经网络进行训练的具体步骤包括：
S3.1，将所述BP神经网络初始权值和阈值赋为(0，1)随机数；
S3.2，计算所述BP神经网络各层节点输入和输出值，计算公式如下：
各层节点的输入输出为：
neti＝wi×yi-1+bi
yi＝fi(neti)
其中，neti是第i层网络的输入，wi是本层和下一层之间的网络权值，bi是第i层阈值，f(·)为激励函数，yi为第i层的神经元输出，yi-1为第i-1层神经元输出；
S3.3，假设所述BP神经网络的预测输出为sk，总共有N个输出，则输出层误差e为：
Figure BDA0003720211670000102
S3.4，根据梯度下降算法，使权值的调整量和误差的梯度下降成正比，即：
Figure BDA0003720211670000103
Figure BDA0003720211670000104
式中Δwij和Δwj分别为输入层与隐含层，隐含层与输出层神经元权值的调整量，η为学习速率，e为BP神经网络的输出均方误差，wij为输入层第i个输入信号与隐含层第j个神经元之间的权值，wj为隐含层第j个神经元与输出层神经元之间的权值；则调整后的权值wij′和wj′为：
wij′＝wij+Δwij
wj′＝wj+Δwj
式中wij为输入层第i个输入信号与隐含层第j个神经元之间的权值，wj为隐含层第j个神经元与输出层神经元之间的权值，Δwij和Δwj分别为输入层与隐含层、隐含层与输出层神经元权值的调整量；
S3.5，使用未经使用过的多组测试样本集，本实施例选择6组测试样本集对前文训练过的BP神经网络进行验证，采用计算平均百分误差方法计算预测相对误差；
S3.6，多次重复S3.1-S3.5的训练步骤，得到高精度的所述BP神经网络模型，训练后的模型应具有较高的精度和良好的泛化能力，用来预测和分析特征参数和目标参数之间的关系。
S4，以包括加工精度和加工效率为目标建立交错沟槽电解加工多目标优化模型；其中，交错沟槽电解加工多目标优化模型属于组合优化模型，构建交错沟槽电解加工多目标优化模型的步骤包括：
S4.1，优化参数的选择，即选取的所述电解加工参数；
S4.2，确定目标函数；
S4.3，确定约束条件；
S4.4，组合最优化问题；
S4.5，选择全局优化算法；
其中，选择具有普遍性、有效性、易调整性的参数进行优化研究，并将优化目标设定为加工精度和加工效率。
最优化问题由目标函数和约束条件两部分构成，其中目标函数表示为：
Min f(x)＝f(x1,x2,…xn)
约束条件为：
Figure BDA0003720211670000121
S为满足所有约束条件的解空间，X是解空间，S中使目标函数最小的解称为最优解。对于最大值问题可以乘以(－1)或求其倒数转化为最小值问题求解。
本发明的交错沟槽电解加工工艺参数多目标优化研究中，假设各优化参数的约束条件是只含上下限的约束，目标函数和约束则可以描述为：
Min f(x)＝f(x1,x2,…xn)
s.t.ln≤xn≤hn
式中，ln，hn分别为约束的上下限值。
对于多个目标的科学、合理的优选问题，可根据效用函数将多个目标合成单一目标来进行，其中多目标线性加权法是将多目标函数转化为带权重系数的单目标函数，即Minf(x)＝Min∑wiDifi(x)(1)，式中，wi为目标函数fi(x)的权重系数；Di为fi(x)的调节系数；
本实施例研究的交错沟槽电解加工多目标优化问题是组合优化问题，目标参数选为加工精度和加工效率，其中加工精度使用交错沟槽入口的平均槽宽数据Bi；由于交错沟槽在实际加工中其深度值是一定的，阴级进给速度越快，沟槽的加工效率越高，故研究加工效率时选择加工进给速度va来研究。在决策中，选择多目标线性加权法将两个目标转化为单目标函数，由于交错沟槽更加注重加工精度，故对加工精度赋于更大的权重系数。
步骤4.5中选择的全局优化算法为遗传算法，
S5，基于步骤4建立的交错沟槽电解加工多目标优化模型和步骤3已训练好的BP神经网络，使用遗传算法在约束条件下对加工工艺参数进行全局组合寻优。
使用遗传算法在约束条件下对加工工艺参数进行全局组合寻优，如图3，具体步骤包括：
S5.1，采用浮点数编码的方式对电解加工参数进行编码操作，初始化种群，编码时，染色体基因的长度等于所有电解加工参数个数的总和；
S5.2，建立适应度函数，将目标函数值转换成相对适应度值，适应度表示为下式：F(x)＝r(gf(x))(2)，式中，f(x)是目标函数，g是将目标函数转换成非负值的变换因子，r是将目标函数转换为合适的适应度函数的变换；本实例中，加工精度用入口槽宽f1(Bi)表达，加工效率用加工速度f2(va)表达，经倒数处理转化成求解最小值问题后，总体目标函数记为：
Figure BDA0003720211670000131
具体地，式(1)中权重系数w1、w2分别取为0.7和0.3，调节系数D1、D2取为1和10，式(2)中g取1；目标函数值越小时个体越优，则交错沟槽的神经网络-遗传算法多目标优化模型的适应度函数取为目标函数的倒数，可表示为下式：
Figure BDA0003720211670000132
S5.3，进行选择操作；
S5.4，进行遗传操作；
S5.5，进行变异操作。
步骤5.3进行选择操作具体包括：在遗传算法中初始化随机产生的种群后，将数据输入已经训练好的BP神经网络，得到预测输出值；
将预测输出值代入式(4)中，在适应度函数中计算个体的适应度值并使用轮盘赌算法进行选择操作，从当前种群中挑选优秀个体作为父代产生下一代个体，每个个体被选中的概率遵循如下公式：
Figure BDA0003720211670000141
其中，pk是第k个个体被选中的概率，Fk是第k个个体适应度值，K为种群个体总数；
步骤5.4进行遗传操作即对种群中的个体进行交叉操作，设定交叉概率为pc，产生一个随机数，若小于交叉概率，则进行交叉操作，交叉时随机选择两个个体并随机选择交叉位，遵循以下公式进行交叉操作：
Figure BDA0003720211670000142
其中，akj是第k个染色体在j位上的实数，alj是第l个染色体在j位上的实数，b为(0，1)间的随机数，
步骤5.5对种群中的个体进行变异操作具体包括：设定变异概率为pm，产生一个随机数若小于变异概率，则进行变异操作，变异时随机选择一个个体并随机选择变异位，遵循以下公式进行变异操作：
Figure BDA0003720211670000143
Figure BDA0003720211670000144
其中，aij是第i个染色体在j位上的实数，g为当前迭代次数，Gmax为最大迭代次数，amax是aij取值的上限，amin是aij取值的下限，r和r′为(0，1)间的随机数，不断循环以上选择—交叉—变异操作得到下一代个体，不断迭代求解，直到搜寻到满足目标函数的个体适应度值为止，末代最优适应度所对应的输入特征参数即全局最优组合。
本发明基于电解加工试验结果数据进行分析，运用BP神经网络的分析方法对交错沟槽电解加工的精度进行预测，并基于神经网络和遗传算法进行交错沟槽电解加工艺参数优化研究。基于试验数据的预测模型和工艺参数优化研究能大大提高预测精度，能够在较大的参数范围内获得较优工艺参数组合，有效克服传统试验工作量大、试制周期长、生产成本高等不足，有效提高交错沟槽的加工精度、显著提升电解加工水平。
本发明还揭示了一种计算机可读存储介质，介质上存有计算机程序，计算机程序运行后，执行上述的交错沟槽电解加工参数优化方法。
本发明还揭示了一种计算机系统，包括处理器、存储介质，存储介质上存有计算机程序，处理器从存储介质上读取并运行计算机程序以执行上述的交错沟槽电解加工参数优化方法。
本领域技术人员将进一步领会，结合本文中所公开的实施例来描述的各种解说性逻辑板块、模块、电路、和算法步骤可实现为电子硬件、计算机软件、或这两者的组合。为清楚地解说硬件与软件的这一可互换性，各种解说性组件、框、模块、电路、和步骤在上面是以其功能性的形式作一般化描述的。此类功能性是被实现为硬件还是软件取决于具体应用和施加于整体系统的设计约束。技术人员对于每种特定应用可用不同的方式来实现所描述的功能性，但这样的实现决策不应被解读成导致脱离了本发明的范围。
结合本文所公开的实施例描述的各种解说性逻辑板块、模块、和电路可用通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或其它可编程逻辑器件、分立的门或晶体管逻辑、分立的硬件组件、或其设计成执行本文所描述功能的任何组合来实现或执行。通用处理器可以是微处理器，但在替换方案中，该处理器可以是任何常规的处理器、控制器、微控制器、或状态机。处理器还可以被实现为计算设备的组合，例如DSP与微处理器的组合、多个微处理器、与DSP核心协作的一个或多个微处理器、或任何其他此类配置。
结合本文中公开的实施例描述的方法或算法的步骤可直接在硬件中、在由处理器执行的软件模块中或在这两者的组合中体现。软件模块可驻留在RAM存储器、闪存、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、可移动盘、CD-ROM、或本领域中所知的任何其他形式的存储介质中。示例性存储介质耦合到处理器以使得该处理器能从/向该存储介质读取和写入信息。在替换方案中，存储介质可以被整合到处理器。处理器和存储介质可驻留在ASIC中。ASIC可驻留在用户终端中。在替换方案中，处理器和存储介质可作为分立组件驻留在用户终端中。
在一个或多个示例性实施例中，所描述的功能可在硬件、软件、固件或其任何组合中实现。如果在软件中实现为计算机程序产品，则各功能可以作为一条或更多条指令或代码存储在计算机可读介质上或藉其进行传送。计算机可读介质包括计算机存储介质和通信介质两者，其包括促成计算机程序从一地向另一地转移的任何介质。存储介质可以是能被计算机访问的任何可用介质。作为示例而非限定，这样的计算机可读介质可包括RAM、ROM、EEPROM、CD-ROM或其它光盘存储、磁盘存储或其它磁存储设备、或能被用来携带或存储指令或数据结构形式的合意程序代码且能被计算机访问的任何其它介质。任何连接也被正当地称为计算机可读介质。例如，如果软件是使用同轴电缆、光纤电缆、双绞线、数字订户线(DSL)、或诸如红外、无线电、以及微波之类的无线技术从web网站、服务器、或其它远程源传送而来，则该同轴电缆、光纤电缆、双绞线、DSL、或诸如红外、无线电、以及微波之类的无线技术就被包括在介质的定义之中。如本文中所使用的盘(disk)和碟(disc)包括压缩碟(CD)、激光碟、光碟、数字多用碟(DVD)、软盘和蓝光碟，其中盘(disk)往往以磁的方式再现数据，而碟(disc)用激光以光学方式再现数据。上述的组合也应被包括在计算机可读介质的范围内。
提供对本公开的先前描述是为使得本领域任何技术人员皆能够制作或使用本公开。对本公开的各种修改对本领域技术人员来说都将是显而易见的，且本文中所定义的普适原理可被应用到其他变体而不会脱离本公开的精神或范围。由此，本公开并非旨在被限定于本文中所描述的示例和设计，而是应被授予与本文中所公开的原理和新颖性特征相一致的最广范围。
尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (9)

1.一种交错沟槽电解加工参数优化方法，其特征在于，包括以下步骤：
S1，选取电解加工参数进行试验，得到交错沟槽的入口平均宽度，并根据实验结果确定样本集；
S2，以所述电解加工参数作为输入，以沟槽的加工精度作为输出，构建一个含有多个隐含层的BP神经网络模型；
S3，利用步骤1的样本对步骤2搭建的所述BP神经网络进行训练；
S4，以包括加工精度和加工效率为目标建立交错沟槽电解加工多目标优化模型；
S5，基于步骤4建立的交错沟槽电解加工多目标优化模型和步骤3已训练好的BP神经网络，使用遗传算法在约束条件下对加工工艺参数进行全局组合寻优。
2.根据权利要求1所述的交错沟槽电解加工参数优化方法，其特征在于：步骤1中选取的所述电解加工参数包括电压U、加工速度va、入口压力P、初始间隙Δ0、占空比δ、通液孔径
Figure RE-FDA0003874336830000011
连通槽高ha、侧壁绝缘系数k以及加工深度da，工件的入口平均宽度w与影响交错沟槽加工精度的所述电解加工参数之间的关系表示为：w＝f(U,va,P,Δ0,δ,φa,ha,k,da)，其中，k＝1为绝缘，k＝0为不绝缘。
3.根据权利要求1所述的交错沟槽电解加工参数优化方法，其特征在于：步骤1中所述样本集按照比例分为训练样本和测试样本，并将所述训练样本和所述测试样本中的数据进行归一化处理，得到处理后的训练集和测试集，其中归一化公式为：
Figure RE-FDA0003874336830000012
yi为归一化后数据，xi为原始数据，xmin为数据序列的最小数，xmax为数据序列的最大数。
根据权利要求1所述的交错沟槽电解加工参数优化方法，其特征在于，步骤2中构建一个含有2个隐含层的BP神经网络模型，具体包括以下步骤：
S2.1，步骤1中选取的所述电解加工参数作为输入，选取包括入口平均宽度的沟槽加工精度作为输出；
S2.2，根据输入层节点个数确定隐含层节点个数范围，隐含层节点个数与输入层节点个数之间的关系为n≤2m+1，其中n为各隐含层节点个数，m为输入层节点个数；
S2.3，在步骤2.2中确定的所述隐含层节点个数范围内，选择不同隐含层节点数进行预测；
S2.4，将步骤2.3预测数据与实测数据进行对比，通过计算两者之间的均方误差，确定最佳隐含层节点个数；所述均方误差公式为：
Figure RE-FDA0003874336830000021
式中，a为数据个数，yi为实测值，
Figure RE-FDA0003874336830000022
为预测值。
4.根据权利要求3所述的交错沟槽电解加工参数优化方法，其特征在于，步骤3采用批量方式和LM算法对应的训练函数trainlm对所述BP神经网络进行训练；学习函数采用梯度下降动量学习函数learngdm；均方误差用性能函数mse进行计算；各隐含层的激励函数均选择logsig函数
Figure RE-FDA0003874336830000024
输出层的激励函数选择purelin线性传递函数g(x)＝x；对所述BP神经网络进行训练的具体步骤包括：
S3.1，将所述BP神经网络初始权值和阈值赋为(0，1)随机数；
S3.2，计算所述BP神经网络各层节点输入和输出值，计算公式如下：
各层节点的输入输出为：
neti＝wi×yi-1+bi
yi＝fi(neti)
其中，neti是第i层网络的输入，wi是本层和下一层之间的网络权值，bi是第i层阈值，f(·)为激励函数，yi为第i层的神经元输出，yi-1为第i-1层神经元输出；
S3.3，假设所述BP神经网络的预测输出为sk，总共有N个输出，则输出层误差e为：
Figure RE-FDA0003874336830000023
S3.4，根据梯度下降算法，使权值的调整量和误差的梯度下降成正比，即：
Figure RE-FDA0003874336830000031
Figure RE-FDA0003874336830000032
式中Δwij和Δwj分别为输入层与隐含层，隐含层与输出层神经元权值的调整量，η为学习速率，e为BP神经网络的输出均方误差，wij为输入层第i个输入信号与隐含层第j个神经元之间的权值，wj为隐含层第j个神经元与输出层神经元之间的权值；则调整后的权值wij′和wj′为：
wij′＝wij+Δwij
wj′＝wj+Δwj
式中wij为输入层第i个输入信号与隐含层第j个神经元之间的权值，wj为隐含层第j个神经元与输出层神经元之间的权值，Δwij和Δwj分别为输入层与隐含层、隐含层与输出层神经元权值的调整量；
S3.5，使用未经使用过的多组测试样本集对前文训练过的BP神经网络进行验证，采用计算平均百分误差方法计算预测相对误差；
S3.6，多次重复S3.1-S3.5的训练步骤，得到高精度的所述BP神经网络模型，用来预测和分析特征参数和目标参数之间的关系。
5.根据权利要求1所述的交错沟槽电解加工参数优化方法，其特征在于，步骤4中所述交错沟槽电解加工多目标优化模型属于组合优化模型，构建交错沟槽电解加工多目标优化模型的步骤包括：
S4.1，优化参数的选择，即选取的所述电解加工参数；
S4.2，确定目标函数；
S4.3，确定约束条件；
S4.4，组合最优化问题；
S4.5，选择全局优化算法；
其中，假设各优化参数的约束条件是只含上下限的约束，目标函数可描述为：Min f(x)＝f(x1,x2,…xn)，约束条件可描述为：s.t.ln≤xn≤hn，式中，ln，hn分别为约束的上下限值；
步骤4.4中组合最优化问题，即对多个目标的优选问题，可根据效用函数将多个目标合成单一目标来进行，其中多目标线性加权法是将多目标函数转化为带权重系数的单目标函数，即Min f(x)＝Min∑wiDifi(x) (1)，式中，wi为目标函数fi(x)的权重系数；Di为fi(x)的调节系数；
目标函数选取加工精度和加工效率，其中加工精度选择交错沟槽入口平均宽度，加工效率选择加工进给速度va，并选择多目标线性加权法将上述两个目标函数转化为单目标函数，且加工精度的权重系数大于加工效率的权重系数。
6.根据权利要求6所述的交错沟槽电解加工参数优化方法，其特征在于，步骤4.5中选择的全局优化算法为遗传算法，使用遗传算法在约束条件下对加工工艺参数进行全局组合寻优，具体步骤包括：
S5.1，采用浮点数编码的方式对电解加工参数进行编码操作，初始化种群，编码时，染色体基因的长度等于所有电解加工参数个数的总和；
S5.2，建立适应度函数，将目标函数值转换成相对适应度值，适应度表示为下式：F(x)＝r(gf(x)) (2)，式中，f(x)是目标函数，g是将目标函数转换成非负值的变换因子，r是将目标函数转换为合适的适应度函数的变换；加工精度用入口槽宽f1(Bi)表达，加工效率用加工速度f2(va)表达，经倒数处理转化成求解最小值问题后，总体目标函数记为：
Figure RE-FDA0003874336830000041
S5.3，进行选择操作；
S5.4，进行遗传操作；
S5.5，进行变异操作。
7.根据权利要求7所述的交错沟槽电解加工参数优化方法，其特征在于，步骤5.2建立适应度函数具体包括：式(1)中权重系数w1、w2分别取为0.7和0.3，调节系数D1、D2取为1和10，式(2)中g取1；目标函数值越小时个体越优，则交错沟槽的神经网络-遗传算法多目标优化模型的适应度函数取为目标函数的倒数，可表示为下式：
Figure RE-FDA0003874336830000051
步骤5.3进行选择操作具体包括：在遗传算法中初始化随机产生的种群后，将数据输入已经训练好的BP神经网络，得到预测输出值；
将预测输出值代入式(4)中，在适应度函数中计算个体的适应度值并使用轮盘赌算法进行选择操作，从当前种群中挑选优秀个体作为父代产生下一代个体，每个个体被选中的概率遵循如下公式：
Figure RE-FDA0003874336830000052
其中，pk是第k个个体被选中的概率，Fk是第k个个体适应度值，K为种群个体总数；
步骤5.4进行遗传操作即对种群中的个体进行交叉操作，设定交叉概率为pc，产生一个随机数，若小于交叉概率，则进行交叉操作，交叉时随机选择两个个体并随机选择交叉位，遵循以下公式进行交叉操作：
Figure RE-FDA0003874336830000053
其中，akj是第k个染色体在j位上的实数，alj是第l个染色体在j位上的实数，b为(0，1)间的随机数，
步骤5.5对种群中的个体进行变异操作具体包括：设定变异概率为pm，产生一个随机数若小于变异概率，则进行变异操作，变异时随机选择一个个体并随机选择变异位，遵循以下公式进行变异操作：
Figure RE-FDA0003874336830000061
Figure RE-FDA0003874336830000062
其中，aij是第i个染色体在j位上的实数，g为当前迭代次数，Gmax为最大迭代次数，amax是aij取值的上限，amin是aij取值的下限，r和r′为(0，1)间的随机数，不断循环以上选择—交叉—变异操作得到下一代个体，不断迭代求解，直到搜寻到满足目标函数的个体适应度值为止，末代最优适应度所对应的输入特征参数即全局最优组合。
8.一种计算机可读存储介质，其特征在于：介质上存有计算机程序，计算机程序运行后，执行如权利要求1至8中任一项所述的交错沟槽电解加工参数优化方法。
9.一种计算机系统，其特征在于：包括处理器、存储介质，存储介质上存有计算机程序，处理器从存储介质上读取并运行计算机程序以执行如权利要求1至8中任一项所述的交错沟槽电解加工参数优化方法。
CN202210748219.4A 2022-06-29 2022-06-29 一种交错沟槽电解加工参数优化方法、存储介质和计算机系统 Pending CN115358436A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210748219.4A CN115358436A (zh) 2022-06-29 2022-06-29 一种交错沟槽电解加工参数优化方法、存储介质和计算机系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210748219.4A CN115358436A (zh) 2022-06-29 2022-06-29 一种交错沟槽电解加工参数优化方法、存储介质和计算机系统

Publications (1)

Publication Number Publication Date
CN115358436A true CN115358436A (zh) 2022-11-18

Family

ID=84030496

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210748219.4A Pending CN115358436A (zh) 2022-06-29 2022-06-29 一种交错沟槽电解加工参数优化方法、存储介质和计算机系统

Country Status (1)

Country Link
CN (1) CN115358436A (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105321000A (zh) * 2015-11-06 2016-02-10 重庆科技学院 基于bp神经网络与mobfoa算法的铝电解工艺参数优化方法
US20190057313A1 (en) * 2017-08-18 2019-02-21 Uncountable Inc. Artificial Intelligence Guided Research and Development
CN114025912A (zh) * 2019-06-28 2022-02-08 三菱电机株式会社 加工条件搜索装置以及加工条件搜索方法
CN114386364A (zh) * 2021-12-06 2022-04-22 西安交通大学 电子表面贴装焊接质量预测与工艺参数优化方法
CN114566228A (zh) * 2022-03-02 2022-05-31 青岛洪锦智慧能源技术有限公司 一种基于遗传算法的氯碱电解槽能耗优化方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105321000A (zh) * 2015-11-06 2016-02-10 重庆科技学院 基于bp神经网络与mobfoa算法的铝电解工艺参数优化方法
US20190057313A1 (en) * 2017-08-18 2019-02-21 Uncountable Inc. Artificial Intelligence Guided Research and Development
CN114025912A (zh) * 2019-06-28 2022-02-08 三菱电机株式会社 加工条件搜索装置以及加工条件搜索方法
CN114386364A (zh) * 2021-12-06 2022-04-22 西安交通大学 电子表面贴装焊接质量预测与工艺参数优化方法
CN114566228A (zh) * 2022-03-02 2022-05-31 青岛洪锦智慧能源技术有限公司 一种基于遗传算法的氯碱电解槽能耗优化方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
任乃等: "《机械制造技术基础》", 江苏大学出版社, pages: 285 *

Similar Documents

Publication Publication Date Title
CN111191835B (zh) 基于c-gan迁移学习的ies不完备数据负荷预测方法及系统
CN105354646B (zh) 一种混合粒子群优化与极限学习机的电力负荷预测方法
CN103577679A (zh) 一种低压台区理论线损实时计算方法
CN111861013B (zh) 一种电力负荷预测方法及装置
CN109754113A (zh) 基于动态时间规整与长短时间记忆的负荷预测方法
CN110910004A (zh) 一种多重不确定性的水库调度规则提取方法及系统
CN104270281A (zh) 一种Web Service QoS组合预测方法
CN112464566A (zh) 一种基于遗传算法及bp神经网络的变压器油温预测方法
CN113505477A (zh) 一种基于svae-wgan的过程工业软测量数据补充方法
CN113869616A (zh) 一种自适应的居民用户负荷预测方法
CN112085254A (zh) 基于多重分形协同度量门控循环单元的预测方法及模型
CN110163444A (zh) 一种基于gasa-svr的需水预测方法
CN116187835A (zh) 一种基于数据驱动的台区理论线损区间估算方法及系统
CN113095477A (zh) 基于de-bp神经网络的风电功率预测方法
CN114386700A (zh) 考虑风光相关性的输电系统规划方法、装置及存储介质
CN117151770A (zh) 一种基于注意力机制的lstm碳价预测方法和系统
CN115982141A (zh) 一种针对时序数据预测的特征优化方法
CN115456312A (zh) 基于辛几何模态分解的短期电力负荷预测方法及系统
CN113762591B (zh) 一种基于gru和多核svm对抗学习的短期电量预测方法及系统
CN110516792A (zh) 基于小波分解和浅层神经网络的非平稳时间序列预测方法
CN114266593A (zh) 一种基于kpca和线性回归的电力消费预测方法
CN113762370A (zh) 一种结合高斯随机场的深度网络集合生成方法
CN115358436A (zh) 一种交错沟槽电解加工参数优化方法、存储介质和计算机系统
CN115207921B (zh) 一种光伏接入配电网的位置优化方法及系统
CN116561569A (zh) 一种基于EO特征选择结合AdaBoost算法的工业电力负荷辨识方法

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: 20221118

RJ01 Rejection of invention patent application after publication