BP神經網絡在精密刀具質檢中的應用

趙娟娟

(山西師范大學數學與計算機科學學院，山西 臨汾 041000)

引言

刀具是機械制造中用于切削加工的工具，刀具的質量是否合格不僅影響其使用壽命而且直接影響切削零件的尺寸和質量，也就影響產品的銷售以及再生產。本文基于BP神經網絡對精密刀具建立質量測試模型，以幫助機械企業技術部門人員進行刀具質檢分析，對精密機械制造企業在降低生產成本、提高產品質量和市場競爭力方面有著重要的現實意義和經濟價值。

1 相關理論

1.1 BP算法描述

BP(Back Propagation)網絡一種按誤差逆傳播算法訓練的多層前饋網絡。BP網絡的學習規則是使用梯度下降法，通過反向傳播來不斷調整網絡的權值和閾值，使網絡的誤差平方和最小。通過正向反向傳播兩個階段不斷調節權重誤差，直到網絡輸出的誤差減少到預先設定的學習次數時終止[2]，從而達到預期的效果。三層BP網絡模型：輸入層、隱含層、輸出層。

2 BP神經網絡在精密刀具質檢中的應用

一個大型的機械加工[7]企業在其長期的生產過程中必然會記錄有大批量的數據，建立刀具數據集市和數據預處理為數據挖掘提供全面而有效的數據，以幫助刀具制造企業技術部門人員進行刀具產品質量分析和檢測。通過對對數據預處理、歸一化以后得到符合實驗的數據。

本論文中我們用變學習率的三層神經網絡結構。其中隱含層節點為60個，隱含層節點的設置會對網絡性能[5]有非常大的影響。輸入變量是32個，輸出變量先考慮一個輸出變量el1。

3 實驗過程及結果分析：

實驗數據來源：工廠生產數據，為了方便實驗，對實驗數據進行歸一化處理。

實驗環境為：python3.6，實驗代碼及運行結果如圖所示：

圖(左：學習率0.01，衰減量0.5，動量項0 中：學習率0.1，其余值不變 右：動量項0.7其余值不變)

表1記錄了建模準確率與預測準確率數據:

表1 刀具數據準確率

由表1知：預測準確率隨著建模準確率的提高而提高預測的準確率也越高。

4 結束語

本文基于BP神經網絡提出了四種改進算法，通過對刀具建模數據進行質量建模與預測，通過實驗我們發現在原有BP算法中分別增加迭代次數、改變學習率、動量項以及衰減量都會提高預測準確率。