摘要：依据某复杂薄壁件铸造的特点，建立了基于粒子群算法（PSO）优化反向传播神经网络（BPNN）的某复杂薄壁件质量评估模型。首先介绍了PSO算法和BP神经网络的基本原理；然后接着构建了PSO-BP神经网络质量评价体系，最后对评估模型进行了方针验证。仿真结果表明，该评估模型可以对某复杂薄壁件的质量进行有效的评价，可以较好地指导工艺参数优化。
关键词：质量评价；复杂薄壁件；PSO-BP神经网络
随着航空航天高精度、高性能的发展趋势，薄壁铸造件的复杂程度、质量要求越来越高。薄壁铸造件工艺设计过程中，需要处理大量的经验性问题和非符号型信息，对从业者的经验要求特别高，而在本论文中通过采用人工神经网络的方式建立质量评价结果与主要影响因素之间的非线性映射关系，从而在薄壁件铸造前就可以预估其质量，而且还可以根据评估结果调整铸造工艺参数，保证薄壁铸造件的质量。虽然影响复杂薄壁件质量的工艺参数较多，但在本论文中根据车间工人、技术人员、工艺人员的经验，确定将结构复杂度系数、合金流动性系数、铸件平均壁厚、浇铸温度、磨具预热温度、浇铸时间是影响某复杂薄壁件铸造质量的主要工艺参数。尽管BP神经网络可以对该薄壁铸造件进行质量评价，但其评估精度仍然可以得到进一步加强。经过研究可知，BP神经网络性能受其权值和阈值初次赋值影响较大[1]，因此本论文针对BP神经网络这一特点对其加以优化改造。PSO算法是一种可以用于优化BP神经网络的全局随即优化算法，其通过不断的迭代运算获得最优解，从而较好地确定BP神经网络初始权值和阈值，提高BP神经网络性能，获得准确度更高的质量评价结果，从而为指导工艺参数优化提供一个更加可靠的参考值。
1. BP神经网络和PSO算法简介
BP神经网络是一种多层前馈神经网络，其隐含层结构根据网络的误差进行不断的调整，待其误差达到预先设定的阈值后，网络结构就确定完毕，然后用测试样本检验网络的训练质量，如果达到预先设定的要求，那么该网络就建立了输出端与输入端的非线性映射关系，可以用其解决实际工程问题。
PSO算法是一种可以用于人工神经网络、支持向量机的全局随机优化算法[2]，其在优化BP神经网络时，每一个编码BP神经网络权值和阈值的粒子通过自适应函数对其自身位置进行评判，根据评判结果促进粒子进行不断的向全局最优粒子及自身历史最优位置的方向移动，经过多次迭代移动后，获得最佳粒子能够较好的确定代表最优解粒子的位置，从而得出合适的BP神经网络初始权值和阈值。
2. PSO-BP神经网络质量评估模型的建立
尽管以BP神经网络为基础可以做很多工程问题的解决方案，然而BP神经网络的性能与其权值和阈值的初次赋值有着较大关系。不同的赋值，BP神经网络的性能具有较大的差异，甚至有些情况不能准确的计算出映射关系，以至于不能可靠的解决实际工程问题。为了更加合理的对其阈值和权值进行赋值，通常用群智能算法解决此类问题。在本论文，为了进一步增强BP神经网络的可靠性，解析出质量评价结果与六项工艺参数之间的非线性映射关系，提出了一种基于PSO-BP神经网络质量评估模型。
（1） PSO-BP神经网络结构确定
根据车间工人、技术人员、工艺人员的经验，选择结构复杂系数、合金流动性系数、铸件平均壁厚、浇铸温度、磨具预热温度、浇铸时间为主要工艺参数，因此输入层共有6个节点。输出端只需要输出质量评估结果，因此输出层只有一个端口。对于隐含层节点数量，通过大量仿真计算得知，BP神经网络数量设置为10时，可以较好的建立映射关系。通过阅读相关文献得知，三层BP神经可以解决复杂的实际工程问题，而且增加隐含层的数量会明显提升神经网络的学习时间，对此本文提出了6-10-1的单隐含层的BP神经网络作为质量评估模型。
（2）PSO-BP神经网络评估流程
PSO-BP神经网络具体评估流程如下：
步骤1：编码粒子。由于本章节提出的网络结构是6-10-1，因此粒子群需要求解的权值和阈值总数是6×10+10×1+10+1=81，求出粒子的维数后，要对权值和阈值按照一定的规则编码，构建一个个粒子，组成种群。
步骤2：设置PSO算法参数。迭代阈值次数2000次；粒子个数为100，其余参数不做改动。
步骤3：确定适应度函数。根据本章节要解决的实际问题，PSO的适应度函数采用的是BP神经网络评估结果的相对误差累加公式。
步骤4：PSO算法每次迭代运算后，都要判断权值和阈值是否达到了要求，如果达到了要求，转向步骤6，否则继续步骤5。
步骤5：按照公式对粒子的新速度进行计算，按照公式1对粒子的新速度进行计算，按照公式2确定新位置[3]，转步骤4。
（1）
.png)
（2）
步骤6：解码最优解粒子。向BP神经网络赋初始权值和阈值，待BP神经网络学习成熟后，进行薄壁铸造件质量评估。
3、仿真分析
尽管PSO-BP神经网络在理论上具有较高的可靠性，较好的确定结构复杂度、合金流动性、铸件平均壁厚、浇铸温度、磨具预热温度、浇铸时间与铸造质量之间的非线性映射关系，但仍有必要采取仿真实验来验证其性能。在仿真的过程中，首先要对获取的样本数据进行预处理，然后选择对比模型确定本论文提出的模型更加可靠。
在仿真实验中，一共随机挑选100组数据，其中为95组训练样本，其余5组为测试样本，为了对比验证PSO-BP神经网络在质量评估方面具有更高的可靠性，本论文采用BP神经网络作为对比模型。仿真结果明表明，PSO-BP神经网络评估结果与期望输出的拟合程度更高，证明本论文所提出的PSO-BP神经网络具有更高的可靠性，可以较好地指导工艺参数优化。
4.结论
人工神经网络的最大优势在于它善于对训练样本的自适应学习，并且具有并行处理能力。PSO算法可以较好的设置BP神经网络初始权值和阈值，从而提高BP神经网络模式识别与智能分析的能力，获得更加可靠的复杂薄壁件的质量评估结果，并且根据评估结果可以较好地指导工艺参数优化。
参考文献：
[1]俞玮捷，刘光宇.基于神经网络的光伏系统故障诊断方法[J].杭州电子科技大学学报（自然科学版），2018. 38(4):52-57
[2]张风达，申宝宏.深部煤层底板突水危险性预测的PSO—SVM模型[J].煤炭科学技术，2018. 46(7):61-67
[3]黄梦婧，杨海浪.基于PSO 的SVM-ARIMA 大坝安全监控模型[J].人民黄河，2018.40(8):149-151
作者简介：胡乃宽（1991.04-），男，毕业于沈阳航空航天大学控制工程专业，主管设计员，现从事智能制造方面工作。