买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：吉林工程技术师范学院

摘要：本发明提供了一种磨料射流冷切割质量预测方法及系统，属于磨料射流预测技术领域。首先收集切割实验数据；其次将所述实验数据进行归一化处理，划分为训练集和测试集；接着构建径向基神经网络模型；然后使用遗传算法优化径向基神经网络模型参数；最后使用测试集评估径向基神经网络模型的预测性能，计算预测值和实际值之间的误差；判断所述误差是否符合误差范围，若符合误差范围，则输出径向基神经网络模型；若不符合所述误差范围，则重新训练径向基神经网络模型。本发明采用了径向基神经网络模型和遗传算法，能够有效地模拟磨料射流冷切割过程中的非线性关系，提高了切割质量预测的准确性和稳定性。

主权项：1.一种磨料射流冷切割质量预测方法，其特征在于，所述方法包括：步骤S1：收集切割实验数据；所述实验数据包括切割工艺参数和切割加工质量指标，具体包括：磨料射流的截面积A表示为： 式中，d为喷嘴直径；α为射流的半顶角；L为靶距；磨料射流的速度V表示为： 式中，Q为磨料射流流量；V为射流速度；射流的动能Ek表示为： 式中，Ek为磨料射流动能；ρ为磨料射流密度；射流的压力P表示为： 式中，P为磨料射流压力；射流的冲击力F表示为： 式中，F为磨料射流冲击力；θ为轴线与被切割材料表面夹角；损耗程度LR表示为： 式中，LR为损耗程度；ms为切割后的样品质量；ma为切割过程中从喷嘴出来消耗的磨料质量；mn为切割过程中磨损的喷嘴质量；ρa为磨料密度；ρn为喷嘴密度；t为切割时间；∈为喷嘴磨损系数；m0为切割前的材料质量，m0＝ms+ma+mn；能量消耗EC表示为： 式中，EC为能量消耗；We为切割过程中消耗的电能；Ww为切割过程中消耗的水能，ηe为电能转换效率；ρw为水的密度；cw为水的比热容；ΔT为水的温升；切割精度CP表示为： 式中，CP为切割精度，指切割后的切口与预期切口的相似度；ΔL为切割后的切口长度与预期长度的偏差；ΔW为切割后的切口宽度与预期宽度的偏差；Ra为切割后的切口表面粗糙度；D为磨料粒径；步骤S2：将所述实验数据进行归一化处理，划分为训练集和测试集；步骤S3：构建径向基神经网络模型；所述径向基神经网络模型的输入层为切割工艺参数、输出层为切割加工质量指标、激活函数为高斯函数和损失函数为均方误差；步骤S4：使用遗传算法优化径向基神经网络模型参数；所述参数包括隐层神经元个数、中心向量、宽度、连接权重和偏置，具体包括：初始化参数，设定种群规模为S，最大进化代数为Gmax，初始交叉概率为Pc，初始变异概率为Pm，精英个体数为E，当前代数为g＝0，隐层神经元个数的上限为Mmax，中心向量和宽度参数的取值范围为[0，1]，连接权重和偏置的取值范围为[-1，1]；生成初始种群，随机生成S个个体，每个个体由隐层神经元的个数M，中心向量C＝[c1，c2，...，cM]，宽度参数∑＝[σ1，σ2，…，σM]，连接权重W＝[w11，w12，…，wM3]和偏置B＝[b1，b2，b3]组成，表示为：Xs＝[M，C，∑，W，B]，s＝1，2，…，S式中，Xs为第s个个体；M为一个整数，满足1≤M≤Mmax；C、∑、W和B都是实数向量，满足0≤C，∑≤1、-1≤W，B≤1；计算适应度，对于每个个体Xs，根据其参数构建RBF神经网络，使用训练集计算其损失函数Losss，然后将其转化为适应度函数Fs，表示为： 式中，l为一个很小的正数，用于避免分母为零的情况；选择操作，使用轮盘赌法选择S个个体进入下一代，同时保留E个精英个体，即适应度最高的E个个体，不参与交叉和变异操作，直接复制到下一代；交叉操作，使用自适应交叉概率，表示为： 式中，Pc，s为第s个个体交叉概率；g为当前代数；Gmax为最大进化代数；对于每对相邻的个体，根据其交叉概率进行交叉操作，即交换部分或全部的参数，生成两个新的个体，具体包括：隐层神经元个数M的交叉，随机选择一个交叉点p，然后交换两个个体的M的前p位二进制编码，生成两个新的M值，表示为：M′1＝M1[1：p]+M2[p+1：Mmax]M′2＝M2[1：p]+M1[p+1：Mmax]式中，M1和M2为两个个体的原始M值；M′1和M′2为两个个体的新的M值；M[l：ζ]表示M的第l位到第ζ位的二进制编码；满足1≤p≤Mmax-1；中心向量C的交叉，随机选择一个交叉点a，然后交换两个个体的C的前a个元素，生成两个新的C向量，表示为： 式中，C′1和C′2为两个个体的新的C向量；csβ表示第s个个体的第β个中心向量元素；a满足1≤a≤Mmin；Mmin满足Mmin＝minM′1，M′2；宽度参数∑的交叉，随机选择一个交叉点r，然后交换两个个体的∑的前r个元素，生成两个新的∑向量，表示为： 式中，∑′1和∑′2为两个个体的新的∑向量；σsγ表示第s个个体的第γ个中心向量元素；r满足1≤r≤Mmin；连接权重W的交叉，随机选择一个交叉点f，然后交换两个个体的W的前f个元素，生成两个新的W向量，表示为： 式中，W′1和W′2为两个个体的新的W向量；wsIJ为表示第s个个体的第I个隐层神经元到第J个输出层神经元的连接权重；f满足1≤f≤3Mmin；偏置B的交叉，随机选择一个交叉点h，然后交换两个个体的B的前h个元素，生成两个新的B向量，表示为：B′1＝[b11，b12，…，b1h，b2h+1，b2h+2，…，b23]B′2＝[b21，b22，…，b2h，b1h+1，b1h+2，…，b13]式中，B′1和B′2为两个个体的新的B向量；bsJ为表示第s个个体的第J个输出层神经元的偏置；h满足1≤h≤3；变异操作，使用自适应变异概率，表示为： 式中，Pm，s为第s个个体变异概率；g为当前代数；Gmax为最大进化代数；对于每个个体，根据其变异概率进行变异操作，即对部分或全部的参数进行微小的扰动，生成一个新的个体，具体包括：隐层神经元个数M的变异，随机选择一个交叉点o，然后对第o位的二进制编码进行翻转，生成新的M值，表示为：M′＝M[1：o-1]+M[o]+M[o+1：Mmax]式中，M′为新的M值；M[o]表示M的第o位的二进制编码的反码，即0变为1，1变为0；满足1≤o≤Mmax；中心向量C的变异，随机选择一个交叉点u，然后对第u个元素加上一个服从正态分布的随机数，生成一个新的C向量，表示为：C′＝[c1，c2，…，cu+δ，…，cM，]式中，C′为新的C向量；δ为一个服从正态分布N0，σc的随机数；σc为一个较小的标准差，用于控制变异的幅度；满足1≤u≤M′；宽度参数∑的变异，随机选择一个交叉点然后对第个元素加上一个服从正态分布的随机数，生成一个新的∑向量，表示为： 式中，∑′为新的∑向量；δ为一个服从正态分布N0，σσ的随机数；σσ为一个较小的标准差，用于控制变异的幅度；满足连接权重W的变异，随机选择一个变异点v，然后对第v个元素加上一个服从正态分布的随机数，生成一个新的W向量，表示为：W′＝[w11，w12，…，wv+δ，…，w3M′]式中，W′为新的W向量；δ为一个服从正态分布N0，σw的随机数，σw为一个较小的标准差，用于控制变异的幅度；满足1≤v≤3M′；偏置B的变异，随机选择一个变异点z，然后对第z个元素加上一个服从正态分布的随机数，生成一个新的B向量，表示为：B′＝[b1，b2，…，bz+δ，…，b3]式中，B′为新的B向量；δ为一个服从正态分布N0，σb的随机数，σb为一个较小的标准差，用于控制变异的幅度；满足1≤z≤3；终止条件，若达到最大进化代数Gmax，或者种群的适应度变化小于设定阈值，停止进化，输出最优个体的参数和适应度，以及对应的径向基神经网络模型；否则，令g＝g+1，返回计算适应度，继续进化；步骤S5：使用测试集评估径向基神经网络模型的预测性能，计算预测值和实际值之间的误差；判断所述误差是否符合误差范围，若符合误差范围，则输出径向基神经网络模型；若不符合所述误差范围，则重新训练径向基神经网络模型。

全文数据：

权利要求：

百度查询： 吉林工程技术师范学院 一种磨料射流冷切割质量预测方法及系统