基于PSO-BP神经网络的磨削表面粗糙度预测模型的研究

发布时间：2018-05-06 19:14

  本文选题：BP神经网络 + 预测模型　； 参考：《工具技术》2017年11期

【摘要】：基于粒子群算法和BP算法相结合,借助粒子群算法优化BP神经网络的初始权值和阈值构建了PSO-BP神经网络磨削表面粗糙度预测模型。以砂轮粒度、砂轮转速、工件速度和径向进给量为正交实验四因素,设计了L_(75)(3~1×5~3)混合水平表,并获取75组实验数据作为该预测模型的训练和测试样本。实验结果表明:与BP神经网络预测模型相比,PSO-BP神经网络预测模型的预测精度更高,其预测值与实测值的平均误差由0.48%降至0.29%。
[Abstract]:Based on the combination of particle swarm optimization (PSO) and BP algorithm, the prediction model of grinding surface roughness based on PSO-BP neural network is constructed by optimizing the initial weight and threshold of BP neural network. Based on the orthogonal experiment of grinding wheel particle size, wheel rotational speed, workpiece speed and radial feed, a mixed level table of L _ S _ (75) C ~ (3 脳 5 ~ (3) was designed, and 75 sets of experimental data were obtained as training and test samples for the prediction model. The experimental results show that the prediction accuracy of PSO-BP neural network is higher than that of BP neural network, and the average error between the predicted value and the measured value is reduced from 0.48% to 0.29%.
【作者单位】： 江苏大学;
【分类号】：TG580.6

【相似文献】

相关期刊论文 前10条

1 雷明,李作清,陈志祥,吴雅,杨叔子;神经网络在预报控制中的应用[J];机床;1993年11期

2 邬再新;王凯;王连波;吕洪波;;基于神经网络的自由曲线插补研究[J];制造技术与机床;2007年09期

3 顾玉钢;夏智海;庄力健;;基于改进神经网络的疲劳裂纹扩展速率预测[J];合肥工业大学学报(自然科学版);2008年06期

4 王秀梅,吕程,王国栋,刘相华;轧制力预报中的神经网络和数学模型[J];东北大学学报;1999年03期

5 于洪海,张新平,胡云峰;偏最小二乘-神经网络光度法同时测定钢中钨和钼[J];冶金分析;2004年02期

6 梁伟;王杰;王玫;;神经网络在冷剪机曲轴优化中的应用[J];机械设计与制造;2010年08期

7 赖兴余,李春雄,严霖元,刘明智;基于神经网络的自适应模糊控制器[J];江西农业大学学报;1998年01期

8 刘立君;兰虎;郑红艳;;基于神经网络熔透电弧声特征参数评价与选择[J];焊接学报;2010年03期

9 李旭东;刘治国;穆志韬;;基于神经网络的金属材料疲劳裂纹扩展规律的预测[J];新技术新工艺;2013年11期

10 李文鑫;王武;张元敏;;遗传优化神经网络在孔系加工中应用研究[J];机械设计与制造;2009年04期

相关会议论文 前10条

1 高进强;刘新峰;武传松;;TIG焊接熔透信息的提取[A];第十次全国焊接会议论文集（第2册）[C];2001年

2 付培众;尹怡欣;;基于PSO-RBF的神经网络及其应用研究[A];2007'仪表，自动化及先进集成技术大会论文集（一）[C];2007年

3 孙雷;王建国;王明辉;;模块化神经网络在CSP连轧过程逆质量模型建立中的应用[A];第十一届全国自动化应用技术学术交流会论文集[C];2006年

4 莫春立;李殿中;冯峰;李强;詹志东;;耦合物理冶金和神经网络方法预测钢材的性能[A];2002年材料科学与工程新进展（下）——2002年中国材料研讨会论文集[C];2002年

5 张海波;刘恩东;;基于RBF神经网络PID控制[A];2007中国钢铁年会论文集[C];2007年

6 饶德林;齐志扬;陈立功;;铝合金点焊质量的神经网络估测[A];第十次全国焊接会议论文集（第2册）[C];2001年

7 刘明贵;岳向红;杨永波;李祺;;基于Sym小波和BP神经网络的基桩缺陷智能化识别[A];2007'湖北·武汉NDT学术年会论文集[C];2007年

8 修世超;李长河;蔡光起;;磨削加工表面粗糙度理论模型修正方法研究[A];全国生产工程第九届年会暨第四届青年科技工作者学术会议论文集（二）[C];2004年

9 杨景明;张洪丰;王娜伟;车海军;;基于神经网络的可逆冷带轧机偏心的检测与补偿[A];冶金自动化信息网年会论文集[C];2004年

10 杨景明;张洪丰;王娜伟;车海军;;基于神经网络的可逆冷带轧机偏心的检测与补偿[A];全国冶金自动化信息网年会论文集[C];2004年

相关博士学位论文 前1条

1 付中涛;基于切削力预测模型的复杂曲面铣削进给速度优化研究[D];华中科技大学;2015年

相关硕士学位论文 前10条

1 胡丙坤;基于神经网络的金属板材折弯回弹预测与研究[D];上海应用技术学院;2015年

2 赵燕燕;优化FPN及其在板形识别中的应用[D];济南大学;2015年

3 王余敬;基于分离谱的激光超声表面裂纹识别技术研究[D];中北大学;2016年

4 付泽;典型汽车用板变形滞后回弹的试验研究及有限元分析[D];北京理工大学;2016年

5 熊伟;基于改进BP神经网络的车床主轴优化设计的研究[D];江苏大学;2016年

6 吕慧超;中厚板轧机液压AGC系统的控制研究[D];辽宁科技大学;2016年

7 杨轶宁;基于BP神经网络的点焊接头疲劳寿命预测研究[D];昆明理工大学;2016年

8 闵喜瑞;基于径向基函数（RBF）神经网络滑模变结构厚度控制[D];华北理工大学;2016年

9 李冬梅;主动学习算法在板厚控制系统中的应用研究[D];华北理工大学;2016年

10 张雷;基于振动分析的机床状态识别与人机效能评估方法研究[D];东北大学;2013年

，

本文编号：1853534