[发明专利]一种基于改进的粒子群优化算法的刀具磨损预测方法

说明书

本发明公开了一种基于改进的粒子群优化算法的刀具磨损预测方法，属于刀具磨损检测技术领域；本发明将改进后的粒子群优化算法应用于神经网络权值和阈值的优化上，利用建立好的神经网络对加工后刀具的磨损量进行预测。首先将切削速度、切削深度、进给量、时间的设定及不同铣削条件下刀具磨损值数据采集。数据归一化处理并建立神经网络：通过改进的粒子群优化算法确定神经网络的权值和阈值。给定相应的预测数据，即切削速度、切削深度、进给量、时间，通过神经网络模型计算后，输出层的值即为预测结果。

技术领域

本发明属于刀具磨损检测技术领域，具体涉及一种基于改进的粒子群优化算法的刀具磨损预测方法。

背景技术

刀具磨损后，使工件加工精度降低，表面粗糙度增大，并导致切削力加大、切削温度升高，甚至产生振动，不能继续正常切削。因此，刀具磨损直接影响加工效率、质量和成本。如能很好地预测刀具加工后的磨损状态，则能大大提高切削质量，避免了刀具在加工过程中报废，对保证加工质量和提高生产率具有重要意义。

粒子群优化算法或鸟群觅食算法(Particle Swarm Optimization)，缩写为PSO，是近年来由J.Kennedy和R.C.Eberhart等开发的一种新的进化算法(Evolutionary.Algorithm-EA)。PSO算法属于进化算法的一种，和模拟退火算法相似，它也是从随机解出发，通过迭代寻找最优解，它也是通过适应度来评价解的品质，但它比遗传算法规则更为简单，它没有遗传算法的交叉(Crossover)和变异(Mutation)操作，它通过追随当前搜索到的最优值来寻找全局最优。这种算法以其实现容易、精度高、收敛快等优点引起了学术界的重视，并且在解决实际问题中展示了其优越性。粒子群算法是一种并行算法。而将粒子群优化算法改进后应用到BP神经网络对于权值和阈值的优化中，用于在刀具检测技术领域，不仅能使神经网络预测结果更准确，还保证加工质量，提升加工效率。

发明内容

本发明提供了一种基于改进的粒子群优化算法的刀具磨损预测方法，将改进后的粒子群优化算法应用于神经网络权值和阈值的优化上，利用建立好的神经网络对加工后刀具的磨损量进行预测。

为了达到上述目的，本发明是通过以下技术方案实现的：

一种基于改进的粒子群优化算法的刀具磨损预测方法，包括步骤如下：

步骤一、切削速度、切削深度、进给量、时间的设定及不同铣削条件下刀具磨损值数据采集。

步骤二、数据归一化处理：归一化处理是将数据的值转换到[0，1]区间内，使用的归一化函数S(t)为：

t为输入数据，e为自然底数；

步骤三、神经网络的建立：BP神经网络模型包括输入层、隐藏层及输出层的三层BP神经网络，在此模型中，设定输入层单元为4，输出层单元为1，输入层单元分别表示刀具的切削速度、切削深度、进给量以及时间的信息，输出层单元表示单元数是刀具的磨损值，隐藏层单元数是经公式推算和试凑调整确定，通过以下经验公式其中，n为输入层神经元个数，m为输出层神经元个数，a为[1，10]之间的常数，由此设定隐藏层单元数为5。

步骤四、通过改进的粒子群优化算法确定神经网络的权值和阈值：

(1)初始化一群粒子，每个粒子都代表神经网络权值和阈值优化问题的一个潜在最优解，用位置、速度和适应度三项指标表示该粒子特征。

设置适应度函数：

程序实现：loss_mse＝tf.reduce_mean(tf.square(y_--y))

其中y表示预测值，y_-表示实际输出值，n表示样本数。