趙娟娟
(山西師范大學(xué)數(shù)學(xué)與計(jì)算機(jī)科學(xué)學(xué)院,山西 臨汾 041000)
引言
刀具是機(jī)械制造中用于切削加工的工具,刀具的質(zhì)量是否合格不僅影響其使用壽命而且直接影響切削零件的尺寸和質(zhì)量,也就影響產(chǎn)品的銷售以及再生產(chǎn)。本文基于BP神經(jīng)網(wǎng)絡(luò)對(duì)精密刀具建立質(zhì)量測(cè)試模型,以幫助機(jī)械企業(yè)技術(shù)部門人員進(jìn)行刀具質(zhì)檢分析,對(duì)精密機(jī)械制造企業(yè)在降低生產(chǎn)成本、提高產(chǎn)品質(zhì)量和市場(chǎng)競(jìng)爭(zhēng)力方面有著重要的現(xiàn)實(shí)意義和經(jīng)濟(jì)價(jià)值。
1.1 BP算法描述
BP(Back Propagation)網(wǎng)絡(luò)一種按誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練的多層前饋網(wǎng)絡(luò)。BP網(wǎng)絡(luò)的學(xué)習(xí)規(guī)則是使用梯度下降法,通過反向傳播來不斷調(diào)整網(wǎng)絡(luò)的權(quán)值和閾值,使網(wǎng)絡(luò)的誤差平方和最小。通過正向反向傳播兩個(gè)階段不斷調(diào)節(jié)權(quán)重誤差,直到網(wǎng)絡(luò)輸出的誤差減少到預(yù)先設(shè)定的學(xué)習(xí)次數(shù)時(shí)終止[2],從而達(dá)到預(yù)期的效果。三層BP網(wǎng)絡(luò)模型:輸入層、隱含層、輸出層。
一個(gè)大型的機(jī)械加工[7]企業(yè)在其長(zhǎng)期的生產(chǎn)過程中必然會(huì)記錄有大批量的數(shù)據(jù),建立刀具數(shù)據(jù)集市和數(shù)據(jù)預(yù)處理為數(shù)據(jù)挖掘提供全面而有效的數(shù)據(jù),以幫助刀具制造企業(yè)技術(shù)部門人員進(jìn)行刀具產(chǎn)品質(zhì)量分析和檢測(cè)。通過對(duì)對(duì)數(shù)據(jù)預(yù)處理、歸一化以后得到符合實(shí)驗(yàn)的數(shù)據(jù)。
本論文中我們用變學(xué)習(xí)率的三層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。其中隱含層節(jié)點(diǎn)為60個(gè),隱含層節(jié)點(diǎn)的設(shè)置會(huì)對(duì)網(wǎng)絡(luò)性能[5]有非常大的影響。輸入變量是32個(gè),輸出變量先考慮一個(gè)輸出變量el1。
實(shí)驗(yàn)數(shù)據(jù)來源:工廠生產(chǎn)數(shù)據(jù),為了方便實(shí)驗(yàn),對(duì)實(shí)驗(yàn)數(shù)據(jù)進(jìn)行歸一化處理。
實(shí)驗(yàn)環(huán)境為:python3.6,實(shí)驗(yàn)代碼及運(yùn)行結(jié)果如圖所示:
圖(左:學(xué)習(xí)率0.01,衰減量0.5,動(dòng)量項(xiàng)0 中:學(xué)習(xí)率0.1,其余值不變 右:動(dòng)量項(xiàng)0.7其余值不變)
表1記錄了建模準(zhǔn)確率與預(yù)測(cè)準(zhǔn)確率數(shù)據(jù):
表1 刀具數(shù)據(jù)準(zhǔn)確率
由表1知:預(yù)測(cè)準(zhǔn)確率隨著建模準(zhǔn)確率的提高而提高預(yù)測(cè)的準(zhǔn)確率也越高。
本文基于BP神經(jīng)網(wǎng)絡(luò)提出了四種改進(jìn)算法,通過對(duì)刀具建模數(shù)據(jù)進(jìn)行質(zhì)量建模與預(yù)測(cè),通過實(shí)驗(yàn)我們發(fā)現(xiàn)在原有BP算法中分別增加迭代次數(shù)、改變學(xué)習(xí)率、動(dòng)量項(xiàng)以及衰減量都會(huì)提高預(yù)測(cè)準(zhǔn)確率。