多几何要素影响下液压阀件特性的混合神经网络预测模型

　　0 前言

　　液压阀件作为液压传动系统中的关键功能部件，其性能优劣直接决定了整个液压传动系统的性能好坏及其可靠性程度高低。另外，液压阀件作为一个具有多几何要素、多项综合性能指标的复杂子　　系统，研究其多几何要素对综合性能指标的影响规律仍是工程中的难点。由于加工和装配过程中存在许多原因造成阀芯、阀套及阀体的多工艺参数在一定范围内变化，从而导致对液压阀系统综合性能指标产生影响的几何要素较多，这就使得对系统综合性能指标的测定和控制变得更加困难。因此，通过对液压阀件多几何要素的分析，建立液压阀件特性的预测模型，实现系统综合性能指标高精度的预测，对实际生产将有着重要的意义。

　　目前，实现复杂系统预测的方法很多，如神经网络、灰度模型和模糊算法等。国内外学者在多几何要素的系统特性预测方面也做了大量的研究工作。如 TUNG 等[1]构造了一种自组织模糊神经网络，实现了对交通量以及激光测量数据的预测。MAGUIRE 等[2]通过构造模糊神经网络，实现了离散时间序列点的预测。台湾科技大学的 LIN 等[3]通过对灰 色 系统模型 GM(1,1)的 改进， 提 出 了MFGMn(1,1)模型，对降雨量及钢铁价格进行了预测。李永强等[4]利用梯度优化算法对反向传播(Backpropagation，BP)神经网络进行了改进，并将其应用于汽轮机故障诊断。大连理工大学 HAN 等[5]提出了一种基于 T-S 模型的改进型模糊神经网络模型，同样可以实现系统高精度的拟合。以上研究成果为本文建立液压阀件复杂系统预测模型提供了重要的借鉴作用。

　　在液压阀件的生产过程中发现，去除环境及偶然因素，影响液压阀件系统综合性能指标的几何要素包括零件间间隙、零件尺寸精度、形状精度等。由于系统几何要素较多，因此在生产过程中，须首先测量各零件的性能参数以及零件间间隙等，然后测试经装配后的液压阀成品的综合性能，从而确定所生产的液压阀产品是否合格，如不合格则返修。本文在充分分析实际生产过程及液压阀件各几何要素特点的基础上，结合 BP 神经网络与径向基函数(Radial basis function, RBF)神经网络的特点，提出了一种预测精度较高的混合神经网络预测模型。利用所构造的系统预测模型，可以在装配之前，以各几何要素作为输入，从而实现液压阀件系统综合特性的高精度预测。液压阀件系统综合特性的高精度预测必将大大减少因液压阀件装配后不合格而带来的反复装卸工作，并降低废品率。

　　1 混合神经网络模型原理

　　1.1 BP 神经网络

　　BP 神经网络是一种单向传播的多层前向网络，包括输入层、中间层(隐层)和输出层。上下层之间全部全连接，而每层神经元之间无连接。当一组学习样本提供给网络后，神经元的激活值从输入层经各中间层向输出层传播，在输出层的各神经元获得网络的输入响应。接下来，按照减少目标输出与实际误差的方向，从输出层经过各中间层逐层修正各连接权值，最后回到输入层，这种算法称为“误差逆向传播算法”，即 BP 算法。随着这种误差逆向传播修正不断进行，网络对输入模式响应的正确率也不断上升。