趙云龍

遼寧裝備制造職業(yè)技術(shù)學(xué)院(沈陽(yáng) 110161)

對(duì)于鑄造生產(chǎn)，由于其過(guò)程復(fù)雜、影響因素很多，很難建立一個(gè)足夠精確的模型來(lái)描述這樣一個(gè)系統(tǒng)。利用常規(guī)的控制方法很難解決該問(wèn)題，近年來(lái)，人工神經(jīng)網(wǎng)絡(luò)的發(fā)展為解決這個(gè)問(wèn)題提供了有效的途徑。

BP神經(jīng)網(wǎng)絡(luò)有廣泛的用途，并且人們對(duì)它的理論研究最透徹。目前，在神經(jīng)網(wǎng)絡(luò)的實(shí)際應(yīng)用中，絕大多數(shù)的神經(jīng)網(wǎng)絡(luò)模型是采用BP網(wǎng)絡(luò)和它的變化形式，它體現(xiàn)了神經(jīng)網(wǎng)絡(luò)最精華的部分[1]。BP算法的優(yōu)點(diǎn)是尋優(yōu)具有精確性，但同時(shí)存在一些缺點(diǎn)，最主要的是易陷入局部極小、收斂速度慢和引起振蕩效應(yīng)等。由于遺傳算法具有很強(qiáng)的宏觀搜索能力，且能以較大的概率找到全局最優(yōu)解，所以用它來(lái)完成前期的搜索能較好的克服BP算法的缺點(diǎn)。本文將二者結(jié)合起來(lái)，形成GA-BP混合算法，達(dá)到優(yōu)化網(wǎng)絡(luò)的目的。

1 GA-BP的原理

GA-BP算法就是在BP算法之前，先用GA在隨機(jī)點(diǎn)集中遺傳出優(yōu)化初值，以此作為BP算法的初始權(quán)值，再由BP算法進(jìn)行訓(xùn)練，這就是GA-BP算法的原理。

用GA算法用來(lái)調(diào)整BP網(wǎng)的權(quán)值,采用實(shí)數(shù)編碼方案，然后隨機(jī)產(chǎn)生多組權(quán)值，組成多個(gè)種群，種群大小的設(shè)定并沒(méi)有現(xiàn)成的公式，只能憑經(jīng)驗(yàn)來(lái)設(shè)定[6]。由于網(wǎng)絡(luò)規(guī)模小，因此設(shè)定種群大小在5—20之間。其參數(shù)選取為：初始群體數(shù)為20，交叉概率cp=0.5，變異概率rP=0.02，誤差精度e=0.01

GA-BP算法的步驟：

step1初始化種群P，包括交叉規(guī)模、交叉概率Pc、突變概率Pm以及BP給(rsw、st、sqv、qθ)隨機(jī)賦一個(gè)較小的值。

BP給(rsw、st、sqv、qθ)隨機(jī)賦一個(gè)較小的值。

step2對(duì)每一模式對(duì)進(jìn)行下列操作。

其中 A(k), C(k)分別表示對(duì)應(yīng)第k個(gè)訓(xùn)練樣本的網(wǎng)絡(luò)的輸入向量和輸出向量

step2.1將的 A(k)值(a(k))送入到輸入層(LA層)

r單元，據(jù)LA層節(jié)點(diǎn)激活值 ar，通過(guò)連接權(quán) wrs送到隱含層單元，產(chǎn)生隱含層單元新的激活值 bs，計(jì)算輸出層(LC層)單元激活值 cs依次正向計(jì)算：

其中,)(·f為S型函數(shù)即

step2.2計(jì)算LC層節(jié)點(diǎn)輸出與期望輸出值的誤差,令

step2.3采用遺傳算法產(chǎn)生新一代群體

step2.3.1根據(jù)適應(yīng)度函數(shù)定義，計(jì)算染色體(侯選解)適應(yīng)度函數(shù)值

step2.3.2根據(jù)各染色體的比例信息cP選取參與產(chǎn)生下一代染色體的解向量。

為了加快算法的收斂速度，將每代中適應(yīng)度值cF大于平均適應(yīng)度值的侯選解強(qiáng)行復(fù)制到下一代，而不受選擇過(guò)程的控制。

step2.3.3在向量中以一定的概率隨機(jī)選擇兩向量交叉操作，保留適應(yīng)度值較大的一向量，丟棄另一向量。step2.3.4從侯選解中以一定的概率隨機(jī)選取某一向量中的某一分量并對(duì)其實(shí)行變異操作，同樣保留適應(yīng)度值較大的一向量,丟棄另一向量，得到新一代群體。step3采用BP網(wǎng)的誤差回傳方法計(jì)算網(wǎng)絡(luò)中每一個(gè)節(jié)點(diǎn)的閾值

step4重復(fù)步驟step2直至K和 1K+ 代群體中適應(yīng)度值最高的兩解向量間的歐氏距離小于給定的一個(gè)任意小的值。

step5 用BP算法對(duì)遺傳雜合算法學(xué)習(xí)所得的權(quán)值作為BP網(wǎng)絡(luò)的初始權(quán)值，用BP算法對(duì)其進(jìn)行學(xué)習(xí)，直至誤差小于所給定的值。

2 混合網(wǎng)絡(luò)模型的建立

壓鑄的過(guò)程是高溫液態(tài)金屬在高壓下快速充填結(jié)構(gòu)復(fù)雜、斷面狹窄的金屬型腔的過(guò)程。澆注速度和填充時(shí)間是澆注系統(tǒng)參數(shù)設(shè)計(jì)的基本參數(shù)且二者相互影響[11]。神經(jīng)網(wǎng)絡(luò)能綜合考慮各個(gè)因素，因而能更好地進(jìn)行參數(shù)的優(yōu)化設(shè)計(jì)。本文在歸納了大量的實(shí)踐經(jīng)驗(yàn)后,建立了從平均壁厚、合金種類、內(nèi)澆口位置、鑄件的結(jié)構(gòu)信息到澆注速度和填充時(shí)間的神經(jīng)網(wǎng)絡(luò)模型，對(duì)澆注系統(tǒng)的參數(shù)進(jìn)行設(shè)計(jì)優(yōu)化。

在遺傳算法和神經(jīng)網(wǎng)絡(luò)結(jié)合的系統(tǒng)中,神經(jīng)網(wǎng)絡(luò)采用三層的BP網(wǎng),BP網(wǎng)的輸入層有4個(gè)神經(jīng)元，分別對(duì)應(yīng)4個(gè)已知參數(shù)，輸出層有2個(gè)神經(jīng)元，分別對(duì)應(yīng)內(nèi)澆口速度和填充時(shí)間。隱層神經(jīng)元數(shù)目為3個(gè)[12]。其輸入輸出符號(hào)定義如下：

1：合金種類 0鋁合金 1鋅合金

2：壓鑄件結(jié)構(gòu) 0圓盤(pán)類 1圓蓋類 2圓環(huán)類 3筒體類 4缸體和殼壁厚差

3：鑄件平均壁厚(mm)

4：結(jié)構(gòu)復(fù)雜程度

5：鑄件壁厚差(mm)

6：金屬液充型長(zhǎng)度(mm)

7：澆口形狀 0環(huán)形澆口 1縫隙澆口 2點(diǎn)澆口

8：內(nèi)澆口位置 0側(cè)澆口 1中心澆口 2頂澆口

9：填充時(shí)間(s)

10：內(nèi)澆口填充速度(m/s)

3 實(shí)驗(yàn)結(jié)果

網(wǎng)絡(luò)設(shè)計(jì)時(shí)，采用了考慮壁厚差、鑄件結(jié)構(gòu)類型時(shí)網(wǎng)絡(luò)輸出值與不考慮上述兩個(gè)設(shè)計(jì)參數(shù)進(jìn)行了比較，給出了7組比較結(jié)果。從結(jié)果可以看出，考慮了鑄件的壁厚差和鑄件結(jié)構(gòu)類型以后，對(duì)于充型時(shí)間以及內(nèi)澆口速度有一定的影響，上述兩個(gè)輸出參數(shù)都變大。這也和模擬的結(jié)果相符。因?yàn)?，其他工藝參?shù)相同的條件下壁厚差的大、結(jié)構(gòu)復(fù)雜的壓鑄件，金屬液在充型時(shí)型腔的充型阻力變大，因而，需要較大的內(nèi)澆口速度，以補(bǔ)償金屬液在流動(dòng)過(guò)程中的壓力損失；同時(shí)，由于壁厚差的存在，薄的部位先凝固，厚的部位后凝固。為了防止缺陷的出現(xiàn)，必然得縮短充型時(shí)間。

表1 用于訓(xùn)練的樣本

表1 4輸入?yún)?shù)與6輸入?yún)?shù)時(shí)輸出值比較

4 結(jié)語(yǔ)

(1)GA-BP算法能同時(shí)對(duì)解空間內(nèi)的許多點(diǎn)進(jìn)行遺傳選優(yōu)，在找到優(yōu)化點(diǎn)后，再由BP算法按負(fù)梯度方向進(jìn)行搜索，既能避免BP算法在能量公式對(duì)應(yīng)的誤差曲面為狹長(zhǎng)型時(shí)，算法在谷的兩壁跳來(lái)跳去，影響了網(wǎng)絡(luò)的收斂速度；同時(shí)防止BP網(wǎng)絡(luò)陷入局部最小點(diǎn)；又能克服GA以類似窮舉的形式尋找最優(yōu)解而引起的搜索時(shí)間長(zhǎng)、速度慢的缺點(diǎn).因而，GA-BP算法是一種快速、可靠的方法。

(2)鑄造工藝參數(shù)選擇時(shí)壁厚差、金屬液充型長(zhǎng)度是影響充型時(shí)間和內(nèi)澆口速度的因素，并且實(shí)例表明，經(jīng)GA-BP網(wǎng)絡(luò)優(yōu)選的工藝參數(shù)是理想、可信的。

[1]飛思科技產(chǎn)品研發(fā)中心,Matlab 6.5輔助神經(jīng)網(wǎng)絡(luò)分析與設(shè)計(jì)[M].北京:電子出版社,2003.

[2]張立明,人工神經(jīng)網(wǎng)絡(luò)模型及其應(yīng)用[M].北京:人民出版社,2000.

[3]陳國(guó)良,王煦法.遺傳算法及其應(yīng)用[M].北京:人民郵電出版社,1996.

[4]Summad E,Appleton E.Genetic algorithm for sheet metal working tool selection，using curve matching and tree sarching[J].J of Mater Process Tech,1998,80(81):505-506.

[5]Chung J S,Hwang S M.Application of a genetic algorithm to the optimal design of the die shape in extrusion[J].J of Mater process Tech,1997,72:69-74[6]高山,單淵達(dá).遺傳算法搜索優(yōu)化及其在機(jī)組啟停中的應(yīng)用[J].中國(guó)電機(jī)工程學(xué)報(bào),2001,21(3):46～48.

[7]劉勇,康立山.非數(shù)值并行算法——遺傳算法[M].北京:科學(xué)出版社,1997.97～98.

[8]洪露,馬長(zhǎng)山,謝宗安.基于遺傳算法的神經(jīng)網(wǎng)絡(luò)權(quán)值優(yōu)化[J].貴州工業(yè)大學(xué)學(xué)報(bào)(自然科學(xué)版)2003,12(32):48-50.

[9]鄒風(fēng)山,王承志,黃勇.壓鑄澆注工藝參數(shù)的人工神經(jīng)網(wǎng)絡(luò)優(yōu)化設(shè)計(jì)[J].鑄造設(shè)備研究,2002,(6):13-16.

[10]羅 蓬,周錦進(jìn).基于BP神經(jīng)網(wǎng)絡(luò)的壓鑄澆注工藝參數(shù)設(shè)計(jì)[J].鑄造,2000,(5):286-288.

[11]羅蓬.模糊神經(jīng)網(wǎng)絡(luò)在壓鑄澆注系統(tǒng)計(jì)算機(jī)輔助設(shè)計(jì)中的應(yīng)用[J].貴州工學(xué)院學(xué)報(bào),1996,(6):40-44.