基于LM-BP神经网络的非线性轮廓图优化方法研究.pdfVIP

基于LM-BP神经网络的非线性轮廓图优化方法研究

许静;何桢;袁荣

【摘要】Amethodtooptimizethenon-linearprofilewaspresentedbased

ontheDOEtheoryBPneuralnetworkmodelwithLevenberg-Marquard

algorithm,whichwerecomparedwiththetraditionalstatisticalregression

modelingbyaexample.Theresultsshowthattheestimationerrorsofthe

modelcoefficientsduetothedesignandexperimentalerrorsmaybe

avoidedbasedonLM-BPneuralnetworkmodeling.ComparedwiththeBP

algorithmthismethodovercomesthestandardBPalgorithmper-formance

ofunstability,slowconvergenceandlowconvergenceprecision,the

presenceoflocalmini-maandothershort-comings.Themethodproposed

hereinhasahighaccuracy,optimizationresultsaresatisfactory.%将正交试

验设计理论与BP神经网络模型和Levenberg-Marquard算法相结合，提出了一

种基于LM-BP神经网络模型的针对输出为非线性轮廓图响应的离线设计优化方法。

并结合实例与传统的统计回归建模方法得出的优化结果进行了比较。结果表明基于

LM-BP神经网络建模可以避免由于实验误差和试验设计方案所造成的模型系数估

计误差，而与标准的BP算法比较，克服了标准BP算法性能不稳定、收敛速度慢、

收敛精度低、存在局部最小值等缺点，具有极高的精确性，优化结果令人满意。

【期刊名称】《中国机械工程》

【年(卷),期】2016(027)020

【总页数】6页(P2749-2753,2758)

【关键词】BP神经网络;Levenberg-Marquard算法;试验设计;非线性轮廓图

【作者】许静;何桢;袁荣

【作者单位】天津大学，天津，300072;天津大学，天津，300072;天津大学，天

津，300072

【正文语种】中文

【中图分类】F406.3

随着工业技术的发展，产品(过程)越来越复杂，顾客需求越来越具有多样性，加之

对系统设计问题研究的深入，我们常常遇到通过某种函数关系要比通过一元变量，

甚至多元变量能更充分地描述质量特性[1]。这种描述产品(或过程)质量特性的函数

关系称为轮廓图(profile)[2]。在现阶段的轮廓图问题研究中，大部分是针对线性

轮廓图展开的。关于非线性轮廓图问题，控制阶段的研究内容相对丰富，如

William等[3]和Zou等[4]分别提出了基于参数和非参数的非线性回归模型，

Jensen等[5]提出了基于T2的非线性固定轮廓，Taguchi等[6]提出了基于指数加

权滑动平均(EWMA)的非参数固定效应模型分析方法，Chiken等[7]提出了基于惩

罚函数的多元统计监控问题。而针对非线性轮廓图的线下优化问题研究较少。这就

使得非线性轮廓图优化问题研究具有重要的现实意义。传统统计回归建模方法通过

对拟合模型系数和方差的优化，实现对轮廓图的优化。由于受到实验误差和试验设

计方案的影响，统计回归建模法常常会造成模型系数估计偏差，影响最终的优化效

果。此外，与线性轮廓图相比，非线性轮廓图模型回归难度很大，基于回归分析的

方法，需要操作者具有扎实系统的统计理论知识，可操作性困难，普适性欠缺。基

于此，本文应用试验设计离线优化技术，提出了一种基于LM-BP神经网络的非线

性轮廓图(non-linearprofile)优化方法，并结合注射铸模机工作实例，对所提方

法进行验证，结果令人满意。

1.1试验设计理论

试验设计方法包括以Box等[8]为代表的西方统计质量专家提出的经典试验设计方

法和以日本著名管理实践专家田口玄一博士开发的田口试验设计方法[9]。经典试

验设计主要包括因子试验