基于改进PSO-BP神经网络的回弹预测研究
发布时间：2022-01-14 18:33
在V形自由折弯中,准确地预测板料回弹,有利于实际生产中精确地控制回弹以提高生产效率。由于板料回弹的影响因素众多,呈现出复杂的非线性变化特征,采用传统的BP神经网络难以满足高精度的预测要求,因此为了进一步有效预测板料的回弹,提出基于改进粒子群算法优化的BP神经网络预测模型。对标准粒子群算法的缺陷进行改进,利用改进粒子群算法的全局搜索能力对BP神经网络的权值和阈值进行优化求解,提高了BP神经网络预测模型的收敛精度和泛化能力。将改进PSO-BP神经网络预测模型应用在板料回弹预测中,并与LM-BP神经网络预测模型进行对比仿真,结果表明改进PSO-BP神经网络预测模型具有更高的非线性拟合优度和预测精度。
【文章来源】：现代电子技术. 2019,42(01)北大核心
【文章页数】：6 页
【部分图文】：
板料自由折弯模型Fig.1Freebendingmodelofsheetmetal
捎?BP神经网络具有自身的局限性，使得预测效果并不理想。本文在综合板料回弹已有研究的基础上，提出基于改进粒子群算法优化的BP神经网络预测模型来进一步提高回弹的预测精度。由于改进粒子群算法采用记忆动态跟踪方式进行搜索，没有遗传算法的选择、交叉等复杂操作，因此算法易于实现，且具有收敛速度快、协调程度高和可靠性强的优点。1V形自由折弯回弹现象与预测原理1.1板料折弯的回弹现象板料V形自由折弯是通过控制凸模位移达到目标角度的加工工艺过程，其自由折弯的模型和回弹过程如图1，图2所示。图1中的板厚为t、凸模下压位移为Y、凸模圆角半径为Rp、凹模圆角半径为Rd、凹模宽度为W、凹模角度为φ。图2中板料在卸载后出现回弹现象，回弹前的角度为αf，回弹后的角度为α，回弹角θ即为α-αf。图1板料自由折弯模型Fig.1Freebendingmodelofsheetmetal图2板料自由折弯回弹过程Fig.2Springbackprocessofsheetmetalfreebending1.2回弹预测原理文献[5]对回弹影响因素进行研究，表明材料的力学性能参数和加工工艺参数对折弯回弹的影响最大。因此本文将凹模圆角半径Rd、屈服强度与弹性模量的比值σsE、硬化指数n、板厚t、凹模宽度W、凸模下压位移Y作为回弹影响因素，回弹角θ作为预测值，回弹预测模型的函数关系可表示为：θ=f(Rd,σsE,n,t,W,Y)（1）式中：θ为回弹角；f()为预测模型的函数拟合方法。式（1）中板料回弹受材料性能、模具几何参数和加工工艺参数等众多因素的影响，使回弹角θ与回弹因素之间是某种高度非线性函?
第1期最值而停止训练，造成BP神经网络不能通过学习训练的方式调整到最优网络权值和阈值，从而在进行回弹预测时会有较大的误差。对于BP神经网络的缺陷，本文可利用改进粒子群算法的全局搜索能力来求解BP神经网络最优的权值和阈值，使BP神经网络的泛化能力得到进一步提高。图3预测模型网络结构Fig.3Networkstructureofpredictionmodel3基于改进粒子群算法优化BP神经网络3.1粒子群算法及其改进粒子群算法（PSO）[7]是一种基于模拟鸟群或鱼群觅食过程中合作竞争行为的群体智能启发式全局优化算法。算法采用一群粒子对应优化问题的解，每个粒子的特征用速度、位置和适应度三个指标表示。粒子通过更新自身的速度和位置来搜索求解空间中适应度最优的位置，从而实现最优解的全局搜索。标准粒子群算法的全局搜索能力强，但局部搜索能力较差[8]，特别是在搜索后期容易出现错过全局最优值而过早收敛的现象。为了弥补这一缺陷，本文通过两个独立优化策略对标准粒子群算法进行改进。策略一：借鉴遗传算法变异思想[9]，使不满足设定要求的粒子以概率Pm进行变异操作，从而生成一群新的粒子来保持粒子的多样性，避免算法在搜索后期收敛于同一局部最值。具体的实施步骤如下：1）粒子经过速度和位置的更新之后，计算整个求解空间中粒子群体适应度值的期望E与平均绝对误差S。2）计算检测值K值的大小，并与平均绝对误差S作比较。若K>S，则优化算法可能陷入局部最值；若K<S，则优化算法继续按照更新公式寻找最优解。其中K=0.01E。3）若步骤2）的比较结果为K>S，则先计算求解空间中每一个粒子的适应度值Fi（i=1，
【参考文献】：
期刊论文
[1]基于RBF神经网络的天然气管道泄漏检测技术研究[J]. 高丙坤,郑仁谦,尹淑欣,张莉,岳武峰. 电子设计工程. 2016(16)
[2]基于LM-PSO算法和BP神经网络的非线性预测控制[J]. 王炳萱,李国勇,王艳晖. 太原理工大学学报. 2016(02)
[3]基于改进粒子群算法和小波神经网络的高强钢扭曲回弹工艺参数优化[J]. 谢延敏,孙新强,田银,何育军,卓德志. 机械工程学报. 2016(19)
[4]基于自适应策略的改进粒子群算法[J]. 陈金辉,陈辰,董飚. 计算机仿真. 2015(03)
硕士论文
[1]基于神经网络的金属板材折弯回弹预测与研究[D]. 胡丙坤.上海应用技术学院 2015
本文编号：3588999
【文章来源】：现代电子技术. 2019,42(01)北大核心
【文章页数】：6 页
【部分图文】：
板料自由折弯模型Fig.1Freebendingmodelofsheetmetal
捎?BP神经网络具有自身的局限性，使得预测效果并不理想。本文在综合板料回弹已有研究的基础上，提出基于改进粒子群算法优化的BP神经网络预测模型来进一步提高回弹的预测精度。由于改进粒子群算法采用记忆动态跟踪方式进行搜索，没有遗传算法的选择、交叉等复杂操作，因此算法易于实现，且具有收敛速度快、协调程度高和可靠性强的优点。1V形自由折弯回弹现象与预测原理1.1板料折弯的回弹现象板料V形自由折弯是通过控制凸模位移达到目标角度的加工工艺过程，其自由折弯的模型和回弹过程如图1，图2所示。图1中的板厚为t、凸模下压位移为Y、凸模圆角半径为Rp、凹模圆角半径为Rd、凹模宽度为W、凹模角度为φ。图2中板料在卸载后出现回弹现象，回弹前的角度为αf，回弹后的角度为α，回弹角θ即为α-αf。图1板料自由折弯模型Fig.1Freebendingmodelofsheetmetal图2板料自由折弯回弹过程Fig.2Springbackprocessofsheetmetalfreebending1.2回弹预测原理文献[5]对回弹影响因素进行研究，表明材料的力学性能参数和加工工艺参数对折弯回弹的影响最大。因此本文将凹模圆角半径Rd、屈服强度与弹性模量的比值σsE、硬化指数n、板厚t、凹模宽度W、凸模下压位移Y作为回弹影响因素，回弹角θ作为预测值，回弹预测模型的函数关系可表示为：θ=f(Rd,σsE,n,t,W,Y)（1）式中：θ为回弹角；f()为预测模型的函数拟合方法。式（1）中板料回弹受材料性能、模具几何参数和加工工艺参数等众多因素的影响，使回弹角θ与回弹因素之间是某种高度非线性函?
第1期最值而停止训练，造成BP神经网络不能通过学习训练的方式调整到最优网络权值和阈值，从而在进行回弹预测时会有较大的误差。对于BP神经网络的缺陷，本文可利用改进粒子群算法的全局搜索能力来求解BP神经网络最优的权值和阈值，使BP神经网络的泛化能力得到进一步提高。图3预测模型网络结构Fig.3Networkstructureofpredictionmodel3基于改进粒子群算法优化BP神经网络3.1粒子群算法及其改进粒子群算法（PSO）[7]是一种基于模拟鸟群或鱼群觅食过程中合作竞争行为的群体智能启发式全局优化算法。算法采用一群粒子对应优化问题的解，每个粒子的特征用速度、位置和适应度三个指标表示。粒子通过更新自身的速度和位置来搜索求解空间中适应度最优的位置，从而实现最优解的全局搜索。标准粒子群算法的全局搜索能力强，但局部搜索能力较差[8]，特别是在搜索后期容易出现错过全局最优值而过早收敛的现象。为了弥补这一缺陷，本文通过两个独立优化策略对标准粒子群算法进行改进。策略一：借鉴遗传算法变异思想[9]，使不满足设定要求的粒子以概率Pm进行变异操作，从而生成一群新的粒子来保持粒子的多样性，避免算法在搜索后期收敛于同一局部最值。具体的实施步骤如下：1）粒子经过速度和位置的更新之后，计算整个求解空间中粒子群体适应度值的期望E与平均绝对误差S。2）计算检测值K值的大小，并与平均绝对误差S作比较。若K>S，则优化算法可能陷入局部最值；若K<S，则优化算法继续按照更新公式寻找最优解。其中K=0.01E。3）若步骤2）的比较结果为K>S，则先计算求解空间中每一个粒子的适应度值Fi（i=1，
【参考文献】：
期刊论文
[1]基于RBF神经网络的天然气管道泄漏检测技术研究[J]. 高丙坤,郑仁谦,尹淑欣,张莉,岳武峰. 电子设计工程. 2016(16)
[2]基于LM-PSO算法和BP神经网络的非线性预测控制[J]. 王炳萱,李国勇,王艳晖. 太原理工大学学报. 2016(02)
[3]基于改进粒子群算法和小波神经网络的高强钢扭曲回弹工艺参数优化[J]. 谢延敏,孙新强,田银,何育军,卓德志. 机械工程学报. 2016(19)
[4]基于自适应策略的改进粒子群算法[J]. 陈金辉,陈辰,董飚. 计算机仿真. 2015(03)
硕士论文
[1]基于神经网络的金属板材折弯回弹预测与研究[D]. 胡丙坤.上海应用技术学院 2015
本文编号：3588999
本文链接：https://www.wllwen.com/kejilunwen/sousuoyinqinglunwen/3588999.html
