基于BP 神经网络的镀镍层表面粗糙度预测及验证

李建芳

（重庆电子工程职业学院，重庆401331）

0 前言

BP神经网络具有并行处理、自适应、自组织和分布存储等特性，已在材料、汽车工程、机械故障诊断和信息数据分类等领域中获得应用［1-4］。本文以镀镍层的表面粗糙度为研究对象，应用BP 神经网络构建预测模型，并对预测结果进行验证。

1 BP神经网络模型构建

图1为构建的BP神经网络模型。该模型包含输入层、隐含层和输出层三层，各层均以神经元作为基本组成单元，并且相互连通。结合研究对象及其影响参数构建输入层和输出层，输入层为电流密度、镀液pH值和镀液温度，输出层为镀镍层的表面粗糙度。对于隐含层，先依照经验公式［5］对神经元数目赋值，进而通过仿真优化获得最佳值。

2 数据样本选取

数据样本组数与隐含层神经元数目及运算效率间存在着反比关系［6］。为获得较为理想的预测结果，同时尽可能确保预测结果的准确性，优选16组数据作为样本。另外，考虑到BP 神经网络模型对输入层和输出层的特殊要求，为获得理想的内在线性关系并直观展现规律性，采用正交试验法对数据进行排列组合，结果如表1所示。

图1 BP神经网络模型

3 预测及验证

本文构建的是非线性系统，为避免因隐含层中部分神经元过饱和而影响运算收敛状态的情况出现，先利用自编程序对数据样本进行归一化处理，以赋予神经元接近乃至等于零的初始状态值。依据经验和推测，设定隐含层中神经元的数目分别为6、8、10、12，对应的仿真结果如图2（a）～2（d）所示。对比可知：经过相同次数的运算，神经元数目为10时，对应的误差曲线收敛速度最快，误差等级接近10-13级。这反映出构建的BP 神经网络模型性能较优，可满足要求。

表1 BP神经网络数据样本

对此，以表1所列的数据样本为输入层，参照优选确定的神经元数目构建隐含层，借助运算处理平台，进行镀镍层表面粗糙度预测。与此同时，测定了不同工艺条件下所得镀镍层的表面粗糙度。图3为预测结果与测定结果对照。由图3可知：相同工艺条件下的预测结果与测定结果较为接近，表面粗糙度偏差介于0.005～0.015μm 范围内，最大误差为2.01%，属于可接受范畴。

4 结论

以镀镍层的表面粗糙度为研究对象，应用BP神经网络构建预测模型，并对预测结果进行验证。得出结论：预测结果与测定结果基本吻合，两者的线性相关性较好。这表明构建的BP神经网络模型能较为准确地反映电镀工艺条件与镀镍层表面粗糙度间的映射关系，凸显出应用价值。

图2 隐含层中神经元数目不相同时仿真所得的误差曲线

图3 预测结果与测定结果对照

［1］刘艳侠，高新琛，张国英，等.BP神经网络对3C 钢腐蚀性能的预测分析［J］.材料科学与工程学报，2008，26（1）：94-97.

［2］杜常清，颜伏伍，杨平龙，等.基于BP 神经网络的发动机转矩估计［J］.汽车工程，2008，30（7）：588-591.

［3］张新海，雷勇.BP神经网络在机械故障诊断中的应用［J］.噪声与振动控制，2008，28（5）：95-97.

［4］黄宇栋.BP神经网络在信息系统数据分类中的应用研究［D］.北京：中国地质大学，2013.

［5］沈花玉，王兆霞，高成耀，等.BP神经网络隐含层单元数的确定［J］.天津理工大学学报，2008，24（5）：13-15.

［6］叶世伟.神经网络原理［M］.北京：机械工业出版社，2004.