申请/专利权人：山东理工大学

申请日：2021-03-29

公开（公告）日：2024-05-17

公开（公告）号：CN113011100B

主分类号：G06F30/27

分类号：G06F30/27;G06N3/048;G06N3/084;G06F111/10

优先权：

专利状态码：有效-授权

法律状态：2024.05.17#授权;2022.01.28#实质审查的生效;2021.06.22#公开

摘要：一种基于多元非线性拟合和BP神经网络的磨削粗糙度预测方法，包括如下步骤：1）记录砂轮转速、进给速度和磨削深度的磨削参数值，并采集对应磨削参数下的磨削粗糙度值；2）建立磨削粗糙度与磨削参数的多元非线性拟合关系函数模型；3）将磨削粗糙度与磨削参数的多元非线性函数模型转化为多元线性函数模型；4）对磨削粗糙度数据和磨削参数数据进行预处理；5）基于多元线性函数模型结构建立BP神经网络，通过梯度下降法迭代获得多元线性函数模型参数；6）将多元线性函数模型逆转化为多元非线性函数模型，对磨削粗糙度值进行预测。利用BP神经网络训练获得多元非线性拟合函数参数，依据多元非线性函数预测磨削粗糙度，正确率较高，可信度较好。

主权项：1.一种基于多元非线性拟合和BP神经网络的磨削粗糙度预测方法，其特征在于，所述预测方法包括以下步骤：1记录砂轮转速vs、进给速度vw和磨削深度αp的磨削参数值，并采集对应磨削参数下的磨削粗糙度值Ra；2建立磨削粗糙度与磨削参数的多元非线性拟合关系函数模型3将磨削粗糙度与磨削参数的多元非线性函数模型转化为多元线性函数模型；将多元非线性函数模型的等式两端取常用对数，转化为多元线性函数模型lgRa＝lgλ+β1lgvs+β2lgvw+β3lgαp；4对磨削粗糙度数据和磨削参数数据进行预处理；5基于多元线性函数模型的结构建立BP神经网络，通过梯度下降法迭代获得多元线性函数模型参数；将求取砂轮转速对数后的lgvs、求取进给速度对数后的lgvw和求取磨削深度对数后的lgαp作为输入自变量，求取磨削粗糙度对数后的lgRa作为输出因变量；BP神经网络中通过Sigmoid函数将线性映射关系转化为非线性映射关系，损失函数使用均方误差MSE衡量磨削粗糙度输出结果与实际结果的误差，即最终依据误差值使用梯度下降法完成对模型中参数β1、β2、β3和阈值lgλ的迭代更新；6将多元线性函数模型逆转化为多元非线性函数模型，并对磨削粗糙度值进行预测；多元非线性拟合回归分析，对BP神经网络迭代更新的多元非线性拟合参数进行数据处理，代入到多元非线性拟合函数，得到磨削粗糙度关于磨削参数的拟合函数，通过计算平均绝对误差评估所建模型准确度。

全文数据：

权利要求：

百度查询： 山东理工大学 一种基于多元非线性拟合和BP神经网络的磨削粗糙度预测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD