(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111643740.3 (22)申请日 2021.12.3 0 (71)申请人 福州大学 地址 350108 福建省福州市闽侯县福州大 学城乌龙江北 大道2号福州大 学 (72)发明人 黄彬　阳旭　 (74)专利代理 机构 福州元创专利商标代理有限 公司 35100 代理人 蔡学俊　薛金才 (51)Int.Cl. G06F 30/17(2020.01) G06F 30/27(2020.01) G06F 111/06(2020.01) (54)发明名称 一种基于改进BPNN-DE算法的硅铝合金车削 工艺参数优化方法 (57)摘要 本发明提高了一种基于改进BPNN ‑DE算法的 硅铝合金车削工艺参数优化方法 （1） 将数控车床 车削硅铝合金的切削三要素及车削后硅铝合金 表面粗糙度信息 （以下统称数据集 ） 按 折交叉 验证方法将数据划分为训练集 与验证集 ； （2） 将 个训练集 分别训练BPN N模型， 得到 个BPNN模型 ； （3） 通过验证集 验证BPNN模型集合 的拟合准确率 ； （4） 取步骤 （3） 中拟 合准确率最高的模型作为改进DE的适应度函数， 并使用改进DE算法对工艺参数进行优化， 得到最 优硅铝合金质量时对应的车削三要素， 从而实现 对硅铝合金 车削工艺 参数的优化。 权利要求书5页 说明书16页 附图1页 CN 114239187 A 2022.03.25 CN 114239187 A 1.一种基于改进BPNN ‑DE算法的硅铝合金车削工艺参数优化方法， 其特征在于， 包括以 下步骤： (1)将数控车床车削硅铝合金的切削三要素及车削后硅铝合金表面粗糙度信 息统称为 数据集R,按K折交叉验证方法将数据划分为训练集Ct与验证集Cv,具体方法如下： (1.1)将数据集R划分为K(K＞1)份大小最大为 的互斥子集R1,R2…RK， 记Rc＝ [R1,R2…RK]， len(R)表示数据集R的数据条 数， 表示向上 取整符号； (1.2)取互斥子集Rc中K‑1个子集的并集作为训练集Ct,剩余的子集作为验证集Cv， 重复 K次上述过程， 得到K个训练集， 记Ct＝[Ct1,Ct2…CtK]， 得到K个验证集， 记Cv＝[Cv1,Cv2…CvK]； (2)将K个训练集Ct1,Ct2…CtK分别训练BPNN模型， 得到K个BPNN模型M1,M2…MK， 具体方法 如下： (2.1)从K个训练集Ct1,Ct2…CtK中任意选取一个训练集， 如Ct1， 训练BPN N模型M1； (2.2)设训练集Ct1中数据为x＝[x1,x2…xt]， y＝[y1,y2…yt]， t表示训练集数据数量， yt 表示对应xt的标签值； (2.3)随机初始化输入层神经 元连接隐藏层神经 元的初始权 重矩阵w(ih) 其中， n表示输入层神经 元个数； m表示隐藏层神经 元个数； 表示第n个输入层神经 元到第m个隐藏层神经 元间的连接 权重； (2.4)随机初始化输入层神经 元连接隐藏层神经 元的偏置值b(ih)； (2.5)随机初始化隐藏层神经 元连接输出层神经 元的初始权 重矩阵w(ho)； 其中， l表示输出层神经 元个数； 表示第m个隐藏层神经 元到第l个输出层神经 元间的连接 权重； (2.6)随机初始化隐藏层神经 元连接输出层神经 元的偏置值b(ho)； (2.7)设置隐藏层激活函数为 权　利　要　求　书 1/5 页 2 CN 114239187 A 2(2.8)计算隐藏层输出 Outh＝f(w(ih)·x+b(ih)) 其中， Outhm表示第m个隐藏层神经 元的输出值； (2.9)计算输出层输出 Outo＝f(w(ho)·Outh+b(ho)) 其中， Outol表示第l个输出层神经 元输出值； (2.10)计算损失函数 其中， yi表示第i个输出层神经 元输出值Outoi对应的标签值； (2.11)计算输出层与隐藏层间误差因子 δ0； (2.12)更新隐藏层与输出层间权 重w(ho)与偏置b(ho) 其中， 表示更新后的隐藏层与输出层间权 重； 表示更新后的隐藏层与输出层间偏置； η表示学习率， η＞0； (2.13)计算输入层与隐藏层间误差因子 δi (2.14)更新输入层与隐藏层间权 重w(ih)与偏置b(ih)权　利　要　求　书 2/5 页 3 CN 114239187 A 3