粒子群优化BP神经网络的激光铣削质量预测模型

被引：11

作者：

许兆美 ^{[1
]}

刘永志 ^{[2
]}

杨刚 ^{[1
]}

王庆安 ^{[1
]}

机构：

[1] 淮阴工学院机械工程学院

[2] 第二炮兵驻天津地区军事代表室

来源：

红外与激光工程 | 2013年 / 09期

关键词：

激光铣削; 粒子群算法; BP神经网络; 优化算法;

D O I：

暂无

中图分类号：

TG665 [光能加工设备及其加工]; TP183 [人工神经网络与计算];

学科分类号：

080201 ; 081104 ; 0812 ; 0835 ; 1405 ;

摘要：

为了有效地控制激光铣削层质量,建立了激光铣削层质量(铣削层宽度、铣削层深度)与铣削层参数(激光功率、扫描速度和离焦量)的BP神经网络预测模型。采用粒子群算法优化了BP神经网络的权值和阈值,构建了基于粒子群神经网络的质量预测模型。所提出的PSO-BP算法解决了一般BP算法迭代速度慢,且易出现局部最优的问题,并以Al2O3陶瓷激光铣削质量预测为例,进行算法实现。仿真结果表明:提出的PSO-BP算法迭代次数大大减少,且预测误差明显减少。所构建的质量预测模型具有较高的预测精度和实用价值。

引用

页码：2370 / 2374

页数：5

共 7 条

[1] BP神经网络在红外热波无损检测定量识别中的应用 [J].

刘涛 ;

李永峰 ;

黄威 .

红外与激光工程, 2012, 41 (09) :2304-2310

[2] Al2O3陶瓷激光铣削数值模拟与试验 [J].

黄舒 ;

周建忠 ;

盛杰 ;

朱银波 .

农业机械学报, 2011, 42 (07) :229-234

[3] 基于BP神经网络的20CrMo钢激光强化工艺参数优化控制 [J].

王小平 ;

王大承 .

红外与激光工程, 2004, (03) :269-273+287

[4] 材料科学与工程中应用ANN的前景 [J].

李竟先 ;

鄢程 ;

吴基球 .

中国陶瓷工业, 2003, (04) :36-38+43

[5]

神经网络及其在工程中的应用[M]. 机械工业出版社 , 张际先, 1996

[6]

Prediction of depth of cut for single-pass laser micro-milling process using semi-analytical, ANN and GP approaches[J] . Chinmay Desai,Abdulhafiz Shaikh.The International Journal of Advanced Manufacturing Technology . 2012 (9)

[7]

Experimental analysis of the laser milling process parameters[J] . S.L. Campanelli,A.D. Ludovico,C. Bonserio,P. Cavalluzzi,M. Cinquepalmi.Journal of Materials Processing Tech. . 2007 (1)

← 1 →