黃希宇　祁翔

摘要：遺傳算法作為一種高效，并行的全局搜索優(yōu)化方法，非常適合用于BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)率的優(yōu)化。文中通過基于遺傳算法和BP神經(jīng)網(wǎng)絡(luò)提出了遺傳-BP神經(jīng)網(wǎng)絡(luò)。以實驗1、實驗2、實驗5、實驗6、實驗9、實驗11、實驗13和實驗15下的高速銑削試驗數(shù)據(jù)構(gòu)建用于高速銑削工件表面粗糙度建模的訓(xùn)練樣本對，并用回歸的高速銑削工件表面粗糙度預(yù)測模型對實驗3和實驗7狀態(tài)中的高速銑削工件表面粗糙度進(jìn)行預(yù)測。通過比較表面粗糙度預(yù)測結(jié)果和實際結(jié)果，發(fā)現(xiàn)遺傳-BP神經(jīng)網(wǎng)絡(luò)在高速銑削工件表面粗糙度進(jìn)行建模方面是一種十分有效的方法。

關(guān)鍵詞：高速銑削;表面粗糙度;預(yù)測;遺傳-BP人工神經(jīng)網(wǎng)絡(luò)

【Abstract】Asanefficientandparallelglobalsearchoptimizationmethod，GeneticAlgorithmisverysuitableforBPneuralnetworklearningrateoptimization.Inthispaper，ageneticalgorithm（GA）basedonBP（BP）neuralnetworkisproposed.Basedontheexperimentaldataofhighspeedmillingexperiments1，2，5，6，9，11，13and15，asetoftrainingsamplesisconstructedforhighspeedmillingsurfaceroughnessmodeling，theregressionmodelofhighspeedmillingworkpiecesurfaceroughnessisusedtopredictthehighspeedmillingworkpiecesurfaceroughnessinexperiment3and7states.Bycomparingthepredictionresultswiththeactualresults，itisdemonstratedthatthesurfaceroughnessneuralnetworkisaveryeffectivemethodinthemodelingofhighspeedmillingworkpiecesurfaceroughness.

【Keywords】highspeedmilling;surfaceroughness;predictivemodeling;GeneticAlgorithm-BPartificialneuralnetwork

作者簡介：黃希宇（1997-），男，碩士研究生，主要研究方向：智能算法。

0引言

在工件的高速銑削工藝中，影響工件表面質(zhì)量的重要指標(biāo)有很多，本文主要探討的是高速銑削工件表面粗糙度[1]。為了解決在實際的高速銑削工藝過程中常常會出現(xiàn)一些無法解釋又容易導(dǎo)致加工質(zhì)量不穩(wěn)定的問題，學(xué)者們綜合高速銑削工藝過程提出了基于高速銑削工件表面粗糙度預(yù)測模型[2]。

建立預(yù)測建模的方法很多，但是經(jīng)過廣泛的研究分析發(fā)現(xiàn)，比較適合用在高速銑削工件表面粗糙度預(yù)測模型構(gòu)建上的主要有曲線擬合[3]、人工神經(jīng)網(wǎng)絡(luò)[4]等方法。但是曲線擬合方法會在建立預(yù)測模型中存在假定數(shù)學(xué)模型和實際數(shù)學(xué)模型匹配度低致使預(yù)測誤差偏大的缺點。而人工神經(jīng)網(wǎng)絡(luò)卻沒有這方面的困擾。神經(jīng)網(wǎng)絡(luò)的整體結(jié)構(gòu)簡單、關(guān)于算法實現(xiàn)的要求也相對較低，在傳感識別、目標(biāo)檢測、人工智能等領(lǐng)域都發(fā)揮不可或缺的作用。陳森等人[5]通過結(jié)合混沌系統(tǒng)和人工神經(jīng)網(wǎng)絡(luò)的方法創(chuàng)造了一種新型的圖像加密算法。王建昭等人[6]通過將人工神經(jīng)網(wǎng)絡(luò)應(yīng)用在計算木星系磁坐標(biāo)問題上，結(jié)果表明其計算速度得到了大幅度的提升。周水華等人[7]在計算臺風(fēng)浪高的問題上使用了人工神經(jīng)網(wǎng)絡(luò)也同樣獲得了很不錯的效果。只是仍需指出的是，人工神經(jīng)網(wǎng)絡(luò)也有一定的缺點，也就是：人工神經(jīng)網(wǎng)絡(luò)中有著許多待調(diào)參數(shù)，這是人工神經(jīng)網(wǎng)絡(luò)功能強大的原因之一，但與此同時，這些待調(diào)參數(shù)若缺少合理的優(yōu)化選擇指引，將導(dǎo)致人工神經(jīng)網(wǎng)絡(luò)無法發(fā)揮自身的潛力與優(yōu)勢[8-10]。綜上分析可知，本文采用了遺傳算法[11]對BP神經(jīng)網(wǎng)絡(luò)進(jìn)行參數(shù)優(yōu)化選擇，因為待調(diào)參數(shù)較多，本文主要以結(jié)合了遺傳算法的人工神經(jīng)網(wǎng)絡(luò)對學(xué)習(xí)率進(jìn)行優(yōu)化為例，進(jìn)而提出了遺傳-BP神經(jīng)網(wǎng)絡(luò)。

本文用研究中除了實驗3和實驗7的8個實驗中的高速銑削試驗數(shù)據(jù)來組成訓(xùn)練樣本對，用這個訓(xùn)練樣本對對高速銑削工件表面粗糙度進(jìn)行預(yù)測建模。再通過對比分別使用基于BP神經(jīng)網(wǎng)絡(luò)的高速銑削工件表面粗糙度預(yù)測模型和基于遺傳-BP神經(jīng)網(wǎng)絡(luò)的高速銑削工件表面粗糙度預(yù)測模型對實驗3與實驗7情形下的高速銑削工件表面粗糙度進(jìn)行預(yù)測的結(jié)果，可以證明基于遺傳-BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型對于高速銑削工件表面粗糙度預(yù)測時具有更高的精準(zhǔn)度。

1方法綜述

1.1遺傳算法

遺傳算法（GeneticAlgorithm，GA）是一種受遺傳學(xué)理論和自然選擇機制的啟發(fā)而提出的一種模擬優(yōu)化計算模型，通常用來解決最優(yōu)解問題。因為該算法可以直接對結(jié)構(gòu)對象進(jìn)行操作，不會出現(xiàn)在求導(dǎo)數(shù)和函數(shù)連續(xù)性的限定，并且還具有很強的適應(yīng)性等特點，目前已吸引了大量學(xué)者關(guān)注，并得到了大范圍的推廣和應(yīng)用。當(dāng)下，遺傳算法主要應(yīng)用在機器學(xué)習(xí)、生物工程和通訊工程等方向，隨著人工智能的崛起，遺傳算法也逐漸在人工智能算法中發(fā)揮越來越大的作用。

1.2遺傳-BP神經(jīng)網(wǎng)絡(luò)

傳統(tǒng)的BP神經(jīng)神經(jīng)網(wǎng)絡(luò)算法主要由2部分組成。一部分是輸入數(shù)據(jù)層經(jīng)過隱含層的前向傳播，其過程主要是輸入的數(shù)據(jù)經(jīng)過隱含層中的權(quán)值和閾值處理輸出得到預(yù)測結(jié)果，進(jìn)而通過處理預(yù)測結(jié)果和實際結(jié)果來得到誤差值。另一部分是將誤差值通過輸出層進(jìn)入隱含層的反向傳播，其過程主要是使用第一部分得到的誤差值經(jīng)過誤差函數(shù)的梯度下降法進(jìn)行處理對隱含層的權(quán)值和閾值進(jìn)行修改。綜上就是一次完整的BP神經(jīng)網(wǎng)絡(luò)算法運行過程，在正常的算法過程中，BP神經(jīng)網(wǎng)絡(luò)都是經(jīng)過不斷的重復(fù)迭代，從而得到比較理想的權(quán)值和閾值。但在實際算法過程中，由于學(xué)習(xí)率、權(quán)值、閾值等參數(shù)的隨機性，最終會導(dǎo)致預(yù)測模型的學(xué)習(xí)效果低、預(yù)測精度不高等特點。

故本文針對BP神經(jīng)神經(jīng)網(wǎng)絡(luò)的缺點，通過利用遺傳算法這種可以自動進(jìn)行全局搜索最優(yōu)解的計算模型對BP神經(jīng)網(wǎng)絡(luò)參數(shù)優(yōu)化，從而得到最優(yōu)的參數(shù)值，這樣極大地提高BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)效果和預(yù)測精度。用遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的操作流程可分述如下。

（1）先將高速銑削試驗中主軸轉(zhuǎn)速、進(jìn)給速度、切削深度、切削行距和刀具傾角的數(shù)據(jù)作為樣本訓(xùn)練對，表面粗糙度的數(shù)據(jù)作為測試樣本，經(jīng)過歸一化后用來預(yù)測建模。

（2）設(shè)置遺傳算法和BP神經(jīng)網(wǎng)絡(luò)的基本參數(shù)。

（3）對遺傳算法中生產(chǎn)的種群進(jìn)行初始化處理，并對種群個體實數(shù)編碼。

（4）通過對個體解碼處理來獲取初始權(quán)值和閾值，同時利用適應(yīng)度函數(shù)對個體進(jìn)行測量排序，這里用的是降序排序。

（5）通過選擇操作對（4）中的排序進(jìn)行選取，通過交叉操作和變異操作避免產(chǎn)生局部最優(yōu)解。

（6）通過以最大進(jìn)化代數(shù)為標(biāo)準(zhǔn)來決定個體是否達(dá)到最優(yōu)個體，若達(dá)到則輸出，若未達(dá)到則重復(fù)（4）～（6）步。

（7）通過對個體進(jìn)行解碼處理，由此獲得最優(yōu)參數(shù)。

因為BP神經(jīng)網(wǎng)絡(luò)的參數(shù)過多，故本文以BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)率參數(shù)為例進(jìn)行驗證。

2方法驗證

本文所有高速銑削試驗數(shù)據(jù)都來源于文獻(xiàn)[2]，見表1。高速銑削數(shù)據(jù)來自于16組實驗。在每個實驗中，表面粗糙度的值主要受主軸轉(zhuǎn)速、進(jìn)給速度、切削深度、切削行距和刀具傾角這五個參數(shù)影響。

利用實驗1、實驗2、實驗5、實驗6、實驗9、實驗11、實驗13和實驗15下的高速銑削試驗數(shù)據(jù)構(gòu)建用于高速銑削工件表面粗糙度建模的訓(xùn)練樣本對，利用遺傳-BP神經(jīng)網(wǎng)絡(luò)建立高速銑削工件表面粗糙度預(yù)測模型。

當(dāng)遺傳-BP神經(jīng)網(wǎng)絡(luò)進(jìn)行高速銑削工件表面粗糙度建模，遺傳算法用于優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)速率，遺傳算法的主要結(jié)構(gòu)參數(shù)設(shè)置為：初始化種群數(shù)目為50;最大進(jìn)化次數(shù)為100;交叉概率為0.8;變異概率為0.05。不同預(yù)報誤差改變量準(zhǔn)則下的最優(yōu)學(xué)習(xí)率見表2，學(xué)習(xí)率優(yōu)化過程如圖1所示。

由圖1可知，當(dāng)預(yù)報誤差改變量準(zhǔn)則為10^（-6）時，適應(yīng)變最佳值為：0.00192504，并求得平均值為：0.279887;當(dāng)預(yù)報誤差改變量準(zhǔn)則為10^（-1）時，適應(yīng)度最佳值為：0.0144129，平均值為0.282364。

選用表2中的最優(yōu)學(xué)習(xí)率，迭代次數(shù)為1000，訓(xùn)練誤差目標(biāo)為1e-5，文中利用遺傳-BP神經(jīng)網(wǎng)絡(luò)進(jìn)行高速銑削工件表面粗糙度建模。為驗證遺傳-BP神經(jīng)網(wǎng)絡(luò)所建立的高速

銑削工件表面粗糙度預(yù)測數(shù)學(xué)模型，選用對實驗3和實驗7狀態(tài)中的高速銑削工件表面粗糙度進(jìn)行預(yù)測，當(dāng)預(yù)報誤差改變量分別為10^（-1）和10^（-6）時，預(yù)測結(jié)果和實驗結(jié)果的比較參見表3、表4。表3中，最優(yōu)學(xué)習(xí)率為0.472;表4中，最優(yōu)學(xué)習(xí)率為0.763。

由表3、表4可以看出，不同預(yù)報誤差改變量準(zhǔn)則下的高速銑削工件表面粗糙度預(yù)測誤差稍微有所差異：預(yù)報誤差改變量較小下的高速銑削工件表面粗糙度預(yù)測誤差稍微偏大，這可能是由于預(yù)測模型過擬合所致。

3結(jié)束語

本文通過對BP神經(jīng)網(wǎng)絡(luò)的不足進(jìn)行分析，以此為基礎(chǔ)提出了遺傳-BP神經(jīng)網(wǎng)絡(luò)，通過對比基于BP神經(jīng)網(wǎng)絡(luò)對高速銑削工件表面粗糙度預(yù)測值和基于遺傳-BP神經(jīng)網(wǎng)絡(luò)對高速銑削工件表面粗糙度預(yù)測值，分析發(fā)現(xiàn)基于遺傳-BP神經(jīng)網(wǎng)絡(luò)的高速銑削工件表面粗糙度預(yù)測模型具有更高的預(yù)測精度。因此通過實驗證明在提高預(yù)測模型精度方面，遺傳-BP神經(jīng)網(wǎng)絡(luò)是一種十分有效的方法。

參考文獻(xiàn)

[1]倪君輝，詹白勺，沈科燈.高速銑削時鈦合金刀具的磨損及對工件表面粗糙度的影響[J].工具技術(shù)，2017，51（4）：110-112.

[2]王義強，閏國琛，王曉軍，等.高速銑削工件表面粗糙度的預(yù)測[J].機械設(shè)計與制造，2014（11）：131-133，137.

[3]胡博，潘霄，葛維春，等.輔助棄風(fēng)消納的IVMD-LSTM電網(wǎng)典型時段負(fù)荷曲線擬合方法[J].可再生能源，2020，38（3）：366-372.

[4]張攀，高文志，高博，等.基于人工神經(jīng)網(wǎng)絡(luò)的柴油機失火故障診斷[J].振動、測試與診斷，2020，40（4）：702-710.

[5]陳森，薛偉.基于混沌系統(tǒng)和人工神經(jīng)網(wǎng)絡(luò)的圖像加密算法[J].計算機系統(tǒng)應(yīng)用，2020，29（8）：236-241.

[6]王建昭，馬繼楠，賈曉宇，等.利用人工神經(jīng)網(wǎng)絡(luò)快速計算木星系磁坐標(biāo)木[J].空間科學(xué)學(xué)報，2020，40（4）：523-530.

[7]周水華，洪曉，梁昌霞，等.基于人工神經(jīng)網(wǎng)絡(luò)的臺風(fēng)浪高快速計算方法[J].熱帶海洋學(xué)報，2020，39（4）：25-33.

[8]郭佳.基于改進(jìn)的人工神經(jīng)網(wǎng)絡(luò)對存儲系統(tǒng)性能進(jìn)行預(yù)測的方法[J].計算機科學(xué)，2019，46（z1）：52-55.

[9]胡紅萍，白黃琴，白艷萍，等.基于改進(jìn)的遺傳算法與人工神經(jīng)網(wǎng)絡(luò)的類流感的預(yù)測[J].中北大學(xué)學(xué)報（自然科學(xué)版），2019，40（6）：481-488.

[10]黃麗華，李俊麗.基于改進(jìn)人工魚群算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)預(yù)測控制系統(tǒng)[J].化工自動化及儀表，2019，46（8）：610-614.

[11]洪越，殷利平.基于遺傳算法的非高斯系統(tǒng)隨機分布控制[J].南京信息工程大學(xué)學(xué)報，2020，12（4）：504-509.