基于GA-BP神经网络的液压油缸激光熔覆层性能预测

简介

激光熔覆再制造是实现绿色开采的重要环节。实现激光熔覆材料组分对熔覆层性能影响的预测可以减少材料设计过程中的试错成本,提高研发效率。针对矿用液压油缸激光熔覆材料,通过灰色关联度分析法,筛选出Fe基激光熔覆材料中对熔覆层性能影响较大的组分,建立3层反向传递(back propagation,BP)神经网络模型进行训练和预测;利用遗传优化算法对BP神经网络初始权值和阈值进行优化,并将优化后的遗传算法-反向传递(genetic algorithms-backpropagation,GA-BP)神经网络模型与BP神经网络模型的预测结果进行对比。结果表明:遗传优化算法可以大幅度提高BP神经网络模型的预测精度,在少量训练样本条件下,模型输出的预测值与实际值接近,预测误差从5.60%~710.37%降低至2.04%~18.43%,证明了GA-BP神经网络用于液压油缸激光熔覆层性能预测的可行性。