基于BP 神經網絡的鍍鎳層表面粗糙度預測及驗證

李建芳

（重慶電子工程職業學院，重慶401331）

0 前言

BP神經網絡具有并行處理、自適應、自組織和分布存儲等特性，已在材料、汽車工程、機械故障診斷和信息數據分類等領域中獲得應用［1-4］。本文以鍍鎳層的表面粗糙度為研究對象，應用BP 神經網絡構建預測模型，并對預測結果進行驗證。

1 BP神經網絡模型構建

圖1為構建的BP神經網絡模型。該模型包含輸入層、隱含層和輸出層三層，各層均以神經元作為基本組成單元，并且相互連通。結合研究對象及其影響參數構建輸入層和輸出層，輸入層為電流密度、鍍液pH值和鍍液溫度，輸出層為鍍鎳層的表面粗糙度。對于隱含層，先依照經驗公式［5］對神經元數目賦值，進而通過仿真優化獲得最佳值。

2 數據樣本選取

數據樣本組數與隱含層神經元數目及運算效率間存在著反比關系［6］。為獲得較為理想的預測結果，同時盡可能確保預測結果的準確性，優選16組數據作為樣本。另外，考慮到BP 神經網絡模型對輸入層和輸出層的特殊要求，為獲得理想的內在線性關系并直觀展現規律性，采用正交試驗法對數據進行排列組合，結果如表1所示。

圖1 BP神經網絡模型

3 預測及驗證

本文構建的是非線性系統，為避免因隱含層中部分神經元過飽和而影響運算收斂狀態的情況出現，先利用自編程序對數據樣本進行歸一化處理，以賦予神經元接近乃至等于零的初始狀態值。依據經驗和推測，設定隱含層中神經元的數目分別為6、8、10、12，對應的仿真結果如圖2（a）～2（d）所示。對比可知：經過相同次數的運算，神經元數目為10時，對應的誤差曲線收斂速度最快，誤差等級接近10-13級。這反映出構建的BP 神經網絡模型性能較優，可滿足要求。

表1 BP神經網絡數據樣本

對此，以表1所列的數據樣本為輸入層，參照優選確定的神經元數目構建隱含層，借助運算處理平臺，進行鍍鎳層表面粗糙度預測。與此同時，測定了不同工藝條件下所得鍍鎳層的表面粗糙度。圖3為預測結果與測定結果對照。由圖3可知：相同工藝條件下的預測結果與測定結果較為接近，表面粗糙度偏差介于0.005～0.015μm 范圍內，最大誤差為2.01%，屬于可接受范疇。

4 結論

以鍍鎳層的表面粗糙度為研究對象，應用BP神經網絡構建預測模型，并對預測結果進行驗證。得出結論：預測結果與測定結果基本吻合，兩者的線性相關性較好。這表明構建的BP神經網絡模型能較為準確地反映電鍍工藝條件與鍍鎳層表面粗糙度間的映射關系，凸顯出應用價值。

圖2 隱含層中神經元數目不相同時仿真所得的誤差曲線

圖3 預測結果與測定結果對照

［1］劉艷俠，高新琛，張國英，等.BP神經網絡對3C 鋼腐蝕性能的預測分析［J］.材料科學與工程學報，2008，26（1）：94-97.

［2］杜常清，顏伏伍，楊平龍，等.基于BP 神經網絡的發動機轉矩估計［J］.汽車工程，2008，30（7）：588-591.

［3］張新海，雷勇.BP神經網絡在機械故障診斷中的應用［J］.噪聲與振動控制，2008，28（5）：95-97.

［4］黃宇棟.BP神經網絡在信息系統數據分類中的應用研究［D］.北京：中國地質大學，2013.

［5］沈花玉，王兆霞，高成耀，等.BP神經網絡隱含層單元數的確定［J］.天津理工大學學報，2008，24（5）：13-15.

［6］葉世偉.神經網絡原理［M］.北京：機械工業出版社，2004.