[发明专利]一种基于STEP-NC的智能非线性工艺规划方法

权利要求书

1.一种基于STEP-NC的智能非线性工艺规划方法，其特征在于，包括：

步骤01、构建用于确定所有加工特征类型的加工操作方法的BP神经网络模型；训练构建的每一个BP神经网络模型；

利用混沌遗传算法优化BP神经网络的初始权值和阈值，获得最优初始权值和阈值，采用最优初始权值和阈值训练构建的每一个BP神经网络模型；

第一、构建BP神经网络

①输入层数n₁：根据影响特征加工操作方法选择的因素个数确定神经网络的输入层数；

②隐含层数n₂：根据经验公式n₂＝2n₁+1；

③输出层数m：根据STEP-NC标准中铣削加工操作数据模型确定神经网络的输出层数；

第二、获取初始权值和阈值长度

根据网络拓扑结构，得到输入层到隐含层的权值个数n₁×n₂，隐含层到输出层的权值个数m×n₂，隐含层阈值个数n₂，输出层阈值个数m；

第三、初始种群的混沌生成

根据BP神经网络的拓扑结构确定混沌遗传算法中染色体的长度，每个个体由BP神经网络输入层与隐含层连接权值w_ij、隐含层与输出层连接权值w_jk、隐含层阈值a_j、输出层阈值b_k四部分组成，引入混沌算法对初始种群进行混沌生成，并进行实数编码；混沌算法采用的Logistic映射为：

公式(A1)中，i为混沌变量的序号，i＝1,2,3,…,r，r为种群个体染色体的长度；u为种群序列号，u＝1,2,…,M，M为种群的总量；β_i为混沌变量；μ为混沌吸引子，μ＝4；

第四、建立适应度函数，并计算每个个体的适应度值

建立适应度函数，将BP神经网络预测输出和期望输出的均方误差倒数作为个体适应度值函数，并计算每个个体的适应度值；

公式(A2)中，F_i为适应度值，MSE为神经网络的预测输出和期望输出的均方误差；

第五、选择操作

根据计算出来的适应度值选择较优良的个体作为下一代进化的种群；设遗传算法中，每个个体的选择概率p_i为：

公式(A3)和公式(A4)中，F_i为个体i的适应度值，N为种群个体数，K为系数；

第六、交叉操作

将待优化的种群随机地进行交叉来产生新的优秀个体，采用实数交叉法进行交叉操作，第k个染色体a_k和第l个染色体a_l在j位的交叉操作为：

其中，b是在[0,1]之间随机产生的；

第七、变异操作

将待优化的种群进行基因的同位变异，选取第i个个体的第j基因a_ij进行变异，操作如下：

f(g)＝r(1-g/G_max)² (A6)

公式(A6)和公式(A7)中，a_ij表示第i个个体的第j个基因，a_max，a_min分别为a_ij的最大值和最小值，r是[0,1]区间的随机数，g为当前迭代次数，G_max为最大进化次数；

第八、附加混沌扰动

根据公式(A2)计算新一代种群的每个个体的适应度值，在最优个体附近生成一个混沌扰动，操作如下：

δ_k'＝(1-α)δ^*+αδ_k (A9)

其中，δ^*为当前最优解映射到[0,1]区间后形成的向量，称为最优混沌向量；δ_k为迭代k次后的混沌向量，δ'_k为加了扰动后对应的混沌向量，k为迭代次数，α的范围是[0,1]，采用自适应选取，开始时希望解变动幅度大，随着迭代次数的增加，需要较大的α进行搜索，m是一个整数，根据目标函数确定；

第九、判断是否满足条件

终止条件为进化代数或者满足精度条件；若满足条件，则输出最优的初始权值和阈值，若不满足条件，则执行第五的步骤；

第十、计算实际输出和期望输出的误差，并更新权值和阈值

将权值和阈值带入到神经网络中，依次输入样本数据进行训练，根据公式(A10)和(A11)计算各层的输出，根据公式(A12)和(A13)计算各层的反传误差，根据各层的误差更新权值和阈值；根据公式(A14)计算每个样本训练的均方误差，根据公式(A15)计算样本总误差；

隐含层输出H_j：

表示f(x)表示隐含层激励函数；

输出层的输出O_K：

输出层的反传误差：

隐含层的反传误差：

其中p为当前输入的样本，d_k为期望输出；

第p个样本的误差函数：

P个样本的总误差：

其中P为样本总量；

第十一、判断是否满足条件

条件为误差是否满足要求或达到训练次数，若满足则训练完毕，得到用于加工操作方法的BP神经网络，若不满足，则执行第十步骤；

步骤1、通过预先训练的BP神经网络模型，确定与零件加工特征类型对应的加工操作方法；

步骤2、基于预先定义的加工工步排序原则，对所有加工特征类型的加工操作方法中的所有加工工步进行排序，得到合理的加工工步序列；

步骤3、针对所有加工工步序列中的每一个加工工步，选择与该加工工步匹配的资源；采用混沌遗传算法对每一条加工工步序列以及对每一加工工步的资源包括的工艺参数进行优化，获得最优的加工工艺规划。