[发明专利]一种基于BP神经网络的再制造零件环境损耗的计算方法

权利要求书

1.一种基于BP神经网络的再制造零件环境损耗的计算方法，其特征在于，所述方法包括以下步骤：

(1)获取被测零件，将对被测零件有影响的再制造工艺参数的值作为检测数据，并对检测数据进行-1和+1之间的归一化处理，获取归一化处理后检测数据；

(2)根据归一化处理后检测数据建立误差反向传播神经网络模型；

(3)对所述误差反向传播神经网络模型进行训练和测试，当误差小于误差阈值时，执行步骤(4)；否则，继续进行训练和测试，直到迭代次数达到预设次数时，误差也没有小于所述误差阈值时，流程结束；

(4)利用第二部分数据来检验网络，判断所述误差反向传播神经网络模型是否满足匹配率要求，如果是，执行步骤(5)；如果否，执行步骤(3)；

(5)将实际再制造零件的检测数据输入到满足匹配率要求的误差反向传播神经网络模型中，预测环境损耗。

2.根据权利要求1所述的一种基于BP神经网络的再制造零件环境损耗的计算方法，其特征在于，所述再制造工艺参数包括：喷涂距离、水压、喷涂总遍数、涂层总厚度和喷涂面积，其中，

当使用超音速火焰喷涂时，所述再制造工艺参数还包括：氧气压力、氧气流量、丙烷压力、丙烷流量、氮气压力和氮气流量；

当使用空气等离子喷涂时，所述再制造工艺参数还包括：主气气压、主气流量、次气气压、次气流量、电流和电压。

3.根据权利要求2所述的一种基于BP神经网络的再制造零件环境损耗的计算方法，其特征在于，所述误差反向传播神经网络模型包括：一个输入层、一个中间层和一个输出层；

所述输入层有11个神经元，所述输出层有3个神经元分别为：材料消耗、能源消耗和废气排放；所述中间层的神经元数目n_i是输入层神经元数，n_o是输出层神经元数，a是1到10的某一常数；同一层间神经元不连接，与下层神经元之间实现全连接。

4.根据权利要求2所述的一种基于BP神经网络的再制造零件环境损耗的计算方法，其特征在于，所述对所述误差反向传播神经网络模型进行训练和测试具体为：

将归一化处理后检测数据分为两部分，第一部分用来训练神经网络，记为训练样本；第二部分用来检验神经网络，记为检验样本；对神经网络反复训练，该步骤包括：正向传播和反向传播，正向传播过程如下：

输入层第i个神经元的输出与输入相等：

Xii=Xio---(1)]]>

中间层第j个神经元的输入是输入层各个神经元输出向量与连接权值W_ji乘积的总和再加上中间层的阈值b_j，P为输入神经元的个数；

Hji=Σi=1PWjiXio+bj---(2)]]>

中间层第j个神经元的输出是由该神经元的输入和中间层S型正切激活函数f(·)确定的：

Hjo=f(Hji)---(3)]]>

输出层第k个神经元的输入是中间层各个神经元输出向量与连接权值W_kj乘积的总和再加上输出层的阈值b_k：

Yki=Σj=1QWkjHjo+bk---(4)]]>

输出层第k个神经元的输出即网络最终的输出是由该神经元的输入和输出层S型对数激活函数g(·)确定的：

Yko=g(Yki)---(5)]]>

其中，连接权值W_ji、阈值b_j、连接权值W_kj和阈值b_k的初始值是0到1之间的随机数；

反向传播过程如下：

训练样本总数为Q，第q个样本在输入层第i个神经元的输出为第q个样本在中间层第j个神经元的输入为输出为第q个样本在输出层第k个神经元的输入为输出为第q个样本在输出层第k个神经元的样本输出为

网络输出层神经元的学习误差δ_qk，由下式计算：

δqk=(Tko(q)-Yko(q))g′(Yki(q))---(6)]]>

其中，表示对求导数；

网络中间层神经元的学习误差δ_qj，由下式计算：

δqj=f′(Hji(q))Σk=13Wkjδqk---(7)]]>

其中，表示对求导数；

各层的权值阈值修正量由下式决定：

ΔWji=Σq=1QδqjXio(q)---(8);]]>ΔWkj=Σq=1QδqkYko(q)---(9);]]>Δbj=Σq=1Qδqj---(10);]]>

Δbk=Σq=1Qδqk---(11);]]>误差E=12Σk=13(Tko(q)-Yko(q))2]]>

当误差E大于所述误差阈值时，对连接权值W_ji、阈值b_j、连接权值W_kj和阈值b_k进行修正，再进行训练和测试；当误差E达到所述误差阈值以内时，停止训练，执行步骤(4)。