基于BP神经网络的减振器示功图识别方法
相关主题
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
Ｋｅ ｒ ｓ ｈ ｃ ｂ ｏ ｂ ｒｉ ｄ ｃ ｔｒｄ ａ ｒｍ ； ｅ ｒ ｌ ｅ ｗ ｒ ； ｅ ｔ ｉａ ｉｎ ｍｅ ｈ ｄ ｙ ｗｏ ｄ ：ｓ ｏ ｋａ ｓ ｒ ｅ ； ｉａ０ ｉ ｇ ａ ＢＰ ｎ ｕ ａ ｔ ｏ ｋ ｉ ｎ ｉ ｃ ｔ ｔ ｏ ｎ ｎ ｄ ｆ ｏ
ｎｗ 来创建 一个前 向型 Ｂ 神经 网络 。其调用 格式为 ： ｅｆ Ｐ
。 ‘
０１ ５
’ ，
（） ５
’
Ｔ Ｆ１ ＰＦ ＼ ＴＦ２ Ｔ Ｉ．ＦＬ ） （ …Ｆ ＼ ＴＢ ， Ｎ Ｂ Ｆ １
式 中 ： 一 复原 阻力 平均 阻力 ，
一 最大 复原 阻力 。
隐层数 ： 据 ｋｌ ｇｒｖ 理 ， 根 ｏ ｏｏ 定 ｍｏ 只要 隐层 数大 于或 等 于 １Ｂ ， Ｐ网络 就 具 有 逼 近 一 切 非 线 性 映 射 的 能 力 。 考 虑 到 隐层 数过 多 可能 会导 致 网络 复 杂化 ， 以及 增加 训 练时 间等 问题 ， 本研究 中隐层数 取 １ 。 隐层 节点 数 ： 今 为止 理论 上 还没 有 一种 普 遍适 迄 用 的确 定 方 法 。隐层 节点 数 选 取 的基 本 原 则是 在满
层前 向型 的 Ｂ 神 经 网络 。 Ｐ １２ 主要参 数 和结构 确 定 ．
式 中 ： 一 压缩 阻力 平均 阻力 ，
—最 大压缩 阻力 。
３ Ｂ Ｐ神 经 网络 ｛Ｉ Ｊ练 Ｉ
为提 高 图形识 别 性 能 ， 本研 究 采用 调 用 不 同训 练 算 法 的对 应 函数 网络进 行 训练 。通 过 对 常 见 算 法 的 训 练试 验 ， 本研究 发 现采用 Ｓａｅ 共 轭梯Baidu Nhomakorabea 算法 时 ， ｃｌ ｄ 识 别 系统 的性 能最 好 ， 因此选 取 Ｓａｅ 共 轭 梯 度算 法作 ｃｌ ｄ 为Ｂ Ｐ网络 的训 练算 法 。 Ｂ 神 经 网络训练 的主要参 数确 定如 下 ： Ｐ
理 论 研 究表 明 ， 振 器 的实 际示 功 图与理 论 示 功 图往 减
１ Ｂ 神 经 网络 的 Ｍ ｔ ｂ实 现 Ｐ ａａ ｌ
１１ 神 经 网络创 建 ．
往存在各种各样的偏差 。 迄今 为 止 ， 于减 振 器 示功 图智 能识 别 的研 究 仍 关
收稿 日期 ：０ ２ ０ — ９ ２ １— ５ ０
， ０４ ，， ． ｍ＋０ ７ ＝√ ．３ ｚ ＋２ ４ ７ｚ ５ ． ｍ＋０３ ＋ ． ｎ ＋ ．１ （ ） ７ ．５ ０１ ０５ ２ ２
ａ ｓ ｒ ｅ ｎ ｕ ｔｙ ｔ ｅ ｔ ｅ ｌ ｆＢ ｅ ｒ ｌｎ ｔ ｏ ｋ ｗ ｓａ ｐ ｉｄ ｔ ｄ ｎ ｉ ｃ ｔｏ ｆｔ ｅ ｉ ｄ ｃ ｔｒ ｄ ａ ｒ ｍｓ ｏ ｈ ｃ ｂ ｏ ｂ ｒ ｈ ｅ — ａ ｅ ｂ ｏ ｂ ｒｉ ｄ ｓｒ ，ｈ ｈ ｏ ｏ Ｐ ｎ ｕ ａ ｅ ｗ ｒ ａ ｐ ｌ ｏ ｉ ｅ ｔ ａｉ ｎ ｏ ｈ ｎ ｉａ ｏ ｉ ｇ ａ ｆｓ ｏ ｋ ａ ｓ ｒ ｅ ．Ａ ｔ ｒ ｅ ｌ ｙ ｒ ７ ｅ ｉ ｆ
ｃ ｍｐ ｅ ｓｏ ａ ｔ ｉ ｈ ｎ ｉａｏ ｉｇ ａ ｃ ｒ ｅ ｔ ｅ ｔ ｉｅ ｖ ｃｏ ｓ ｏ ｈ ｅ ｔａ ｉｔｎ ｅ ｏ ｅ ｓ ｅ ａ ｄ ｃ ｍｐ ｅ ｓｏ ｉ ｃｕ ｉ ｇ ｔ ｅ ｏ ｒ ｓ ｉｎ ｐ ｒ ｎ ｔ ｅ ｉ ｄ ｃ ｔ ｒ ｄａ ｒ ｍ ｕ ｖ ， ｈ ｗｏ ｅｇ ｎ ｅ ｔｒ ｆ ｔ ｅ ｃ ｎ ｒ ｌｄ ｓａ ｃ ｆ ｔｎ ｉ ｎ ｏ ｒ ｓｉ ｎ，ｎ ｌ ｄ ｎ ｈ ｓ ｌ
董 志 成 ， 任 强
（． 江蒙力 减振 器有 限公 司 ，浙 江 德 清 ３３ １ ； １浙 １２ ９ ２ ．浙江 工业大 学 车辆工 程研究 所 ，浙江 杭州 ３０ ３ ） １０２
摘要： 为解决车辆减振器工业生产 中产 品性 能在线检测完 全依 赖于人工判断等问题 ， Ｂ 神经 网络理论应用 到减振 器示功 图的 自 将 Ｐ 动判别 中。在 Ｍ ｔ ｂ 台上建立 了一个 用于减振器示功图识别 的３ Ｂ ａｌ 平 ａ 层 Ｐ神经 网络模型 ， 对示功图的复原和压缩 曲线分别进行离 散 处理 ， 构建了复原和压缩中心距两个特征 向量 ， 中包 括复原和压缩 饱满度两个特征值 ； 其 通过训练 和分析 ， 选取 Ｓａｅ 共 轭梯度算 法 ｃｌｄ
本研 究利 用 Ｍａａ 神 经 网络工 具箱 内提供 的函数 ｔｂ ｌ
作者 简介 ： 董志成 （９ ８ ）男 ， 江绍兴人 ， １６ 一 ， 浙 主要从事减振器产品及 生产技术方面的研究． — ａｌｄｃ Ｅ ｍ ｉ ｚ＠ｍｅｒ． ｍ．ｎ ： ｎｅｃ ｃ ０
・
９０ ・ ３
机
电
工
程
第 ２ 卷 ９
（ ． ｈ ｊ ｎ ｎｅＳ ｏｋＡ ｓｒｅ Ｃ ． ｔ． Ｄ ｑｎ １ ２ ９， ｈｎ ； １ Ｚ ｅ ａ ｇＭｅ ｒ ｈ ｃ ｂｏｂ ｒ ｏ，Ｌｄ， ｅ ｉｇ３ ３ １ Ｃ ｉａ ｉ
２ Ｉｓ ｔｔ ｏ ｅ ｉｕａ ｎ ｉｅｒ ｇ Ｚ ｅ ａ ｇＵ ｉｅｓ ｙｏ ｅ ｈ ｏｏｙ ａ ｇｈｕ３ ０ ３ ，Ｃ ｉａ ． ｎｔｕｅ ｆ ｈｃ ｌ Ｅ ｇｎ ｅｉ ， ｈｊ ｎ ｎｖ ｒ ｔ ｆ ｃ ｎ ｌ ，Ｈ ｎ ｚｏ ０ ２ ｈｎ ） ｉ Ｖ ｒ ｎ ｉ ｉ Ｔ ｇ １
第２ 卷第 ８ ９ 期
２ １ 年 ８月 ０２
机
电
工
程
Ｖｏ． ２ Ｎｏ ８ １ ９ ． Ａｕｇ ２ ２ ． ０１
Ｊ ｕ ｎ ｌｏ ｃ ａ ｉａ ｏ ｒ ａ ｆＭｅ ｈ ｎｃｌ＆ Ｅ ｅ ｔ ｃｌＥ ｇｎ ｅｉｇ ｌｃｒ ａ ｎ ｉｅｒｎ ｉ
基于Ｂ Ｐ神经 网络的减振器示功图识别方法
式 中 ： ， 输 入 样 本 和期 望 相应 ； 第 ｉ 的神 经 Ｐ Ｔ一 ５一 层 元 数 目， Ｍ 层 ； 一 第 ｉ 网 络 的传 递 函数 类 型 ； 共 层 日 卜 Ｂ Ｐ网络 的训 练 函数 ； 权 值 和 阈值 的 Ｂ 学 Ｂ卜 Ｐ
（ ）归一化 减振 器示 功 图压缩 行程饱 满度 ： ４
车行 驶 舒适 性 和 高速 行 驶 安 全 性 具 有 重 要 作 用 。减 振 器 制 造 企业 必 须 采用 示 功 机对 产 品进行 １０ ０％覆 盖
面的性能检测 ， 以决定其是否能够装车实用 ｎ 。减振 器 性 能 检 钡 主要 通 过 示 功 图来 判 断 其 是 否 合 格 ０ 。。
ｔ ｉｅ ｖ ｌ ｅ ｆ ｔ ｅ ｓ ｔ ｔ ｎ ｄ ｇ ｅ ｆ ｔｎ ｉ ｎ ｏ ｒ ｓ ｉ ｎ， ｅ ｅ ｇ ｖ ｎ ｈ ｏ ｇ ｒ ｉ ｉ ｇ ａ ｄ ａ ａｙ ｉ ， ｈ ｃ ｌｄ ａ ｇ ｒｔ ｍ ｆ ｗｏ ｅｇ ｎ ａｕ ｓ ｏ ｈ ａｉ ｉ ｅ ｒ ｅ ｏ ｅ ｓ ｅ ａ ｄ ｃ ｍｐ ｅ ｓｏ ｗ ｒ ｉｅ ．Ｔ ｒｕ ｈ ｔ ｎｎ ｎ ｎ ｌ ｓｓ ｔ ｅ Ｓ ａｅ ｏ ｉ ａｏ ｌ ａ ｌ ｈ ｏ
Ｂ ｅ ｒ ｌ ｎ ｔ ｒ ｓ ｄ ｔ ｄ ｎ ｉ ｈ ｎ ｉ ａｏ ｉｇ ａ ｓ ｅ ｔｂ ｉｈ ｄ ｂ ａ ｓ ｏ ｔ ｂ Ｐ ｎ ｕ ａ ｅｗｏｋ ｕ ｅ ｏ ｉｅ ｔ ｙ ｔｅ ｉ ｄ ｃ ｔ ｒ ｄ ａ ｒ ｍｓ ｗａ ｓ ｌ ｅ ｙ ｍｅ ｎ ｆ Ｍａ ｌ ．Ｂａ ｅ ｎ ｄ ｓ ｒ ｔ ｉ ｇ ｔ ｅ ｔ ｎ ｉ ｎ ｆ ａ ｓ ａ ｓ ｄ ｏ ｉｃ ｅｉ ｎ ｈ ｅ ｓ ｅ ａ ｄ ｚ ｌ
Ａ ｓｒｃ：Ｉ ｒｅ ｔ ｓｌｅｔｅｐｏ ｌ ｆｈ ｒｆ ｉｌｕ ｇ ｎ ｉ ｔｅｏ －ｉｅｄ ｔ ｔ ｎｏ ｒｄ ｃ ｐｒ ｒ ｎｅｉ ｔｅｖｈｃ ｈ ｃ ｂ ｔａｔ ｎｏｄｒ ｏ ｏ ｈ ｒｂｅ ｏ ｅａｔ ｃａ ｊｄｍｅｔ ｎ ｈ ｎ ｌ ｅ ｃｉ ｆ ｏｕ ｔ ｅｆ ｍａｃ ｈ ｅｉｌ ｓｏｋ ｖ ｍｓ ｔ ｉ ｉ ｎ ｅ ｏ ｐ ｏ ｎ ｅ
Ｏ 引 言
汽 车悬 架 是底 盘 系 统 的三 大关 键 总 成 之一 ， 汽 对
然是 空 白 。在实 际 生产 中 ， 振 器示 功 图识 别 完 全依 减
赖于人工判 断 ， 不仅降低 了检测效率 ， 而且检测准确
性 常 常 因人 而 异 。 因此 ， 研 究 采 用 Ｂ 神 经 网 络建 本 Ｐ 立 减振 器 产 品性 能在 线 检 测识 别 模 型 ， 于在 减 振器 对 制 造 过 程 中摆 脱 人 工 判 断 实 现智 能识 别 具 有 重 要 的 理论 意义 和 实用价 值 。
作为 Ｂ 神经 网络 的训 练算法 ； Ｐ 进行 了示功 图 自动判别实验 ， 对示功 图复 原和压缩阻力作 出了评 判 。研究结果表 明 ， 经过训 练的 Ｂ Ｐ 神经 网络能够对减振器示 功图进行 判别 ， 其判别结果与本领域 技术人 员判断结果基本一致 。 关键词 ：减振器 ； 示功 图； Ｐ Ｂ 神经 网络 ； 识别方法 中图分类号 ： ４ ３１Ｔ １ ３Ｔ ８ Ｕ ６ ．； Ｐ ８ ； Ｈ ９ 文献标志码 ： Ａ 文章编号 ：０ １４ ５ （ ０２ ０ — ９ ９ ０ １０ — ５ １２ １ ）８ ０ ２ — ３
（） ７
（）设 定 Ｂ ２ Ｐ网 络 输 出误 差 平 方 和 的 均 值 目标 。 输 出误 差平 方 和 的均值 目标就 是 Ｅ值 ， 大 小 表 明 了 其
期 望 训 练 的 网 络 能达 到 的精 度 目标 。输 出误 差 平 方
于 最小 二乘 法 的设 计方 法 ， ］具体公 式 如下 ：
Ｉ ｎｔｆｃ ｔｏ ｍ ｅ ｈｏ ｆｉ ｄｉａ ｏ ｉ ｇ ａ ｆｓ ｃ ｄｅ ｉ ａ ｉ ｎ ｔ ｄ ｏ ｎ ｃ ｔ ｒ ｄ ａ ｒ ｍ ｏ ｈｏ ｋ ｉ
ａ ｏ ｂｅ ｓ ｄ ｏ ｂｓ ｒ ｒ ｂａ ｅ ｎ ＢＰ ｕｒ ｌｎｅ ｗ ｏ ｋ ｎｅ ａ ｔ ｒ
Ｄ Ｇ Ｚ ｉｃ ｅｇ，Ｒ Ｎ Ｑａ ｇ ＯＮ ｈ— ｈｎ Ｅ ｉｎ
ｃ ｎｕａ ｒｄ ａ ｃｏｅ ｓｔｅｔ ｉｉｇｏ ｅｆｒ Ｐ ｎｕａ ｎｔｏｋ Ｔ ｅｅｐ ｒ ｅ ｔｌｅｕｔ ｉｄｃｔ ｔａ ｔｅｒｃｇｉｏ ｆ ｃ ａｅ ｏｊｇｔ ｇａｓｗ ｓ ｈ ｓｎａ ｈ ｒ ｎｎ ｎ ｏ Ｂ ｅ ｒｌ ｅ ｒ． ｈ ｘ ｅ ｍ ｎａ ｒｓｌ ｎｉａ ｔｈ ｅｏｎｔ ｎｅ ｅｔ ｓｄ ｅ ａ ｗ ｉ ｓ ｅｈ ｉ ｆ ｂ ｏ ｅｔ ｉｅ Ｐｎ ｕａ ｎ ｔｏｋｇｎ ｒｌ ｏｎ ｉ ｓｗｔ ｔｅ ｕ ｇ ｎ ｏ ｔ ｈ ｉ ａｓ ｎｔ ａｎｄＢ ｅ ｒｌ ｅ ｒ ｅ ｅａｙｃｉ ｄ ｉ ｄｍｅｔ ｆ ｅ ｎｃ ｎ． ｈ ｒ ｗ ｌ ｃｅ ｈｈ ｊ ｃ ｉ
足精 度 要 求 的前 提 下 尽 可 能取 小 值 。本 研 究选 用 基
（） １ 设定 Ｂ 网络 的步长 。步长其实就是学习率 ， Ｐ 用来 控制 每 一 步 网络 权 值 改 变 量 的大 小 。设 定 步 长
的方 法如 下 ：
ｎｔｒｉＰ ｒｍ． ｅ．ａｎ ａａ １ ｔ ｒ＝步长值
＝
（） ６
习算法 ； 卜 网络的性能函数。 Ｐ 网络 中 间 隐层 采 用 ｔ ｓ 函 数 ， 出层 采用 ｐ ｒ． ａ ｉ ｎｇ 输 ｕｅ
１ 函数 ， 络 的训 练 函 数采 用 ｔ ｉｌ ｉ ｎ 网 ｒ ｎｍ函数 ， ａ 网络 的权 值 和 阈值 的 Ｂ 学 习算 法采 用 ｌａｎｄ Ｐ ｅｒｇｍ函数 ， 网络 的性 能 函 数采 用 ｍ ｅ ｓ 函数 ， 函数 执行 的结 果 是 返 回一 个 Ⅳ
ｎｗ 来创建 一个前 向型 Ｂ 神经 网络 。其调用 格式为 ： ｅｆ Ｐ
。 ‘
０１ ５
’ ，
（） ５
’
Ｔ Ｆ１ ＰＦ ＼ ＴＦ２ Ｔ Ｉ．ＦＬ ） （ …Ｆ ＼ ＴＢ ， Ｎ Ｂ Ｆ １
式 中 ： 一 复原 阻力 平均 阻力 ，
一 最大 复原 阻力 。
隐层数 ： 据 ｋｌ ｇｒｖ 理 ， 根 ｏ ｏｏ 定 ｍｏ 只要 隐层 数大 于或 等 于 １Ｂ ， Ｐ网络 就 具 有 逼 近 一 切 非 线 性 映 射 的 能 力 。 考 虑 到 隐层 数过 多 可能 会导 致 网络 复 杂化 ， 以及 增加 训 练时 间等 问题 ， 本研究 中隐层数 取 １ 。 隐层 节点 数 ： 今 为止 理论 上 还没 有 一种 普 遍适 迄 用 的确 定 方 法 。隐层 节点 数 选 取 的基 本 原 则是 在满
层前 向型 的 Ｂ 神 经 网络 。 Ｐ １２ 主要参 数 和结构 确 定 ．
式 中 ： 一 压缩 阻力 平均 阻力 ，
—最 大压缩 阻力 。
３ Ｂ Ｐ神 经 网络 ｛Ｉ Ｊ练 Ｉ
为提 高 图形识 别 性 能 ， 本研 究 采用 调 用 不 同训 练 算 法 的对 应 函数 网络进 行 训练 。通 过 对 常 见 算 法 的 训 练试 验 ， 本研究 发 现采用 Ｓａｅ 共 轭梯Baidu Nhomakorabea 算法 时 ， ｃｌ ｄ 识 别 系统 的性 能最 好 ， 因此选 取 Ｓａｅ 共 轭 梯 度算 法作 ｃｌ ｄ 为Ｂ Ｐ网络 的训 练算 法 。 Ｂ 神 经 网络训练 的主要参 数确 定如 下 ： Ｐ
理 论 研 究表 明 ， 振 器 的实 际示 功 图与理 论 示 功 图往 减
１ Ｂ 神 经 网络 的 Ｍ ｔ ｂ实 现 Ｐ ａａ ｌ
１１ 神 经 网络创 建 ．
往存在各种各样的偏差 。 迄今 为 止 ， 于减 振 器 示功 图智 能识 别 的研 究 仍 关
收稿 日期 ：０ ２ ０ — ９ ２ １— ５ ０
， ０４ ，， ． ｍ＋０ ７ ＝√ ．３ ｚ ＋２ ４ ７ｚ ５ ． ｍ＋０３ ＋ ． ｎ ＋ ．１ （ ） ７ ．５ ０１ ０５ ２ ２
ａ ｓ ｒ ｅ ｎ ｕ ｔｙ ｔ ｅ ｔ ｅ ｌ ｆＢ ｅ ｒ ｌｎ ｔ ｏ ｋ ｗ ｓａ ｐ ｉｄ ｔ ｄ ｎ ｉ ｃ ｔｏ ｆｔ ｅ ｉ ｄ ｃ ｔｒ ｄ ａ ｒ ｍｓ ｏ ｈ ｃ ｂ ｏ ｂ ｒ ｈ ｅ — ａ ｅ ｂ ｏ ｂ ｒｉ ｄ ｓｒ ，ｈ ｈ ｏ ｏ Ｐ ｎ ｕ ａ ｅ ｗ ｒ ａ ｐ ｌ ｏ ｉ ｅ ｔ ａｉ ｎ ｏ ｈ ｎ ｉａ ｏ ｉ ｇ ａ ｆｓ ｏ ｋ ａ ｓ ｒ ｅ ．Ａ ｔ ｒ ｅ ｌ ｙ ｒ ７ ｅ ｉ ｆ
ｃ ｍｐ ｅ ｓｏ ａ ｔ ｉ ｈ ｎ ｉａｏ ｉｇ ａ ｃ ｒ ｅ ｔ ｅ ｔ ｉｅ ｖ ｃｏ ｓ ｏ ｈ ｅ ｔａ ｉｔｎ ｅ ｏ ｅ ｓ ｅ ａ ｄ ｃ ｍｐ ｅ ｓｏ ｉ ｃｕ ｉ ｇ ｔ ｅ ｏ ｒ ｓ ｉｎ ｐ ｒ ｎ ｔ ｅ ｉ ｄ ｃ ｔ ｒ ｄａ ｒ ｍ ｕ ｖ ， ｈ ｗｏ ｅｇ ｎ ｅ ｔｒ ｆ ｔ ｅ ｃ ｎ ｒ ｌｄ ｓａ ｃ ｆ ｔｎ ｉ ｎ ｏ ｒ ｓｉ ｎ，ｎ ｌ ｄ ｎ ｈ ｓ ｌ
董 志 成 ， 任 强
（． 江蒙力 减振 器有 限公 司 ，浙 江 德 清 ３３ １ ； １浙 １２ ９ ２ ．浙江 工业大 学 车辆工 程研究 所 ，浙江 杭州 ３０ ３ ） １０２
摘要： 为解决车辆减振器工业生产 中产 品性 能在线检测完 全依 赖于人工判断等问题 ， Ｂ 神经 网络理论应用 到减振 器示功 图的 自 将 Ｐ 动判别 中。在 Ｍ ｔ ｂ 台上建立 了一个 用于减振器示功图识别 的３ Ｂ ａｌ 平 ａ 层 Ｐ神经 网络模型 ， 对示功图的复原和压缩 曲线分别进行离 散 处理 ， 构建了复原和压缩中心距两个特征 向量 ， 中包 括复原和压缩 饱满度两个特征值 ； 其 通过训练 和分析 ， 选取 Ｓａｅ 共 轭梯度算 法 ｃｌｄ
本研 究利 用 Ｍａａ 神 经 网络工 具箱 内提供 的函数 ｔｂ ｌ
作者 简介 ： 董志成 （９ ８ ）男 ， 江绍兴人 ， １６ 一 ， 浙 主要从事减振器产品及 生产技术方面的研究． — ａｌｄｃ Ｅ ｍ ｉ ｚ＠ｍｅｒ． ｍ．ｎ ： ｎｅｃ ｃ ０
・
９０ ・ ３
机
电
工
程
第 ２ 卷 ９
（ ． ｈ ｊ ｎ ｎｅＳ ｏｋＡ ｓｒｅ Ｃ ． ｔ． Ｄ ｑｎ １ ２ ９， ｈｎ ； １ Ｚ ｅ ａ ｇＭｅ ｒ ｈ ｃ ｂｏｂ ｒ ｏ，Ｌｄ， ｅ ｉｇ３ ３ １ Ｃ ｉａ ｉ
２ Ｉｓ ｔｔ ｏ ｅ ｉｕａ ｎ ｉｅｒ ｇ Ｚ ｅ ａ ｇＵ ｉｅｓ ｙｏ ｅ ｈ ｏｏｙ ａ ｇｈｕ３ ０ ３ ，Ｃ ｉａ ． ｎｔｕｅ ｆ ｈｃ ｌ Ｅ ｇｎ ｅｉ ， ｈｊ ｎ ｎｖ ｒ ｔ ｆ ｃ ｎ ｌ ，Ｈ ｎ ｚｏ ０ ２ ｈｎ ） ｉ Ｖ ｒ ｎ ｉ ｉ Ｔ ｇ １
第２ 卷第 ８ ９ 期
２ １ 年 ８月 ０２
机
电
工
程
Ｖｏ． ２ Ｎｏ ８ １ ９ ． Ａｕｇ ２ ２ ． ０１
Ｊ ｕ ｎ ｌｏ ｃ ａ ｉａ ｏ ｒ ａ ｆＭｅ ｈ ｎｃｌ＆ Ｅ ｅ ｔ ｃｌＥ ｇｎ ｅｉｇ ｌｃｒ ａ ｎ ｉｅｒｎ ｉ
基于Ｂ Ｐ神经 网络的减振器示功图识别方法
式 中 ： ， 输 入 样 本 和期 望 相应 ； 第 ｉ 的神 经 Ｐ Ｔ一 ５一 层 元 数 目， Ｍ 层 ； 一 第 ｉ 网 络 的传 递 函数 类 型 ； 共 层 日 卜 Ｂ Ｐ网络 的训 练 函数 ； 权 值 和 阈值 的 Ｂ 学 Ｂ卜 Ｐ
（ ）归一化 减振 器示 功 图压缩 行程饱 满度 ： ４
车行 驶 舒适 性 和 高速 行 驶 安 全 性 具 有 重 要 作 用 。减 振 器 制 造 企业 必 须 采用 示 功 机对 产 品进行 １０ ０％覆 盖
面的性能检测 ， 以决定其是否能够装车实用 ｎ 。减振 器 性 能 检 钡 主要 通 过 示 功 图来 判 断 其 是 否 合 格 ０ 。。
ｔ ｉｅ ｖ ｌ ｅ ｆ ｔ ｅ ｓ ｔ ｔ ｎ ｄ ｇ ｅ ｆ ｔｎ ｉ ｎ ｏ ｒ ｓ ｉ ｎ， ｅ ｅ ｇ ｖ ｎ ｈ ｏ ｇ ｒ ｉ ｉ ｇ ａ ｄ ａ ａｙ ｉ ， ｈ ｃ ｌｄ ａ ｇ ｒｔ ｍ ｆ ｗｏ ｅｇ ｎ ａｕ ｓ ｏ ｈ ａｉ ｉ ｅ ｒ ｅ ｏ ｅ ｓ ｅ ａ ｄ ｃ ｍｐ ｅ ｓｏ ｗ ｒ ｉｅ ．Ｔ ｒｕ ｈ ｔ ｎｎ ｎ ｎ ｌ ｓｓ ｔ ｅ Ｓ ａｅ ｏ ｉ ａｏ ｌ ａ ｌ ｈ ｏ
Ｂ ｅ ｒ ｌ ｎ ｔ ｒ ｓ ｄ ｔ ｄ ｎ ｉ ｈ ｎ ｉ ａｏ ｉｇ ａ ｓ ｅ ｔｂ ｉｈ ｄ ｂ ａ ｓ ｏ ｔ ｂ Ｐ ｎ ｕ ａ ｅｗｏｋ ｕ ｅ ｏ ｉｅ ｔ ｙ ｔｅ ｉ ｄ ｃ ｔ ｒ ｄ ａ ｒ ｍｓ ｗａ ｓ ｌ ｅ ｙ ｍｅ ｎ ｆ Ｍａ ｌ ．Ｂａ ｅ ｎ ｄ ｓ ｒ ｔ ｉ ｇ ｔ ｅ ｔ ｎ ｉ ｎ ｆ ａ ｓ ａ ｓ ｄ ｏ ｉｃ ｅｉ ｎ ｈ ｅ ｓ ｅ ａ ｄ ｚ ｌ
Ａ ｓｒｃ：Ｉ ｒｅ ｔ ｓｌｅｔｅｐｏ ｌ ｆｈ ｒｆ ｉｌｕ ｇ ｎ ｉ ｔｅｏ －ｉｅｄ ｔ ｔ ｎｏ ｒｄ ｃ ｐｒ ｒ ｎｅｉ ｔｅｖｈｃ ｈ ｃ ｂ ｔａｔ ｎｏｄｒ ｏ ｏ ｈ ｒｂｅ ｏ ｅａｔ ｃａ ｊｄｍｅｔ ｎ ｈ ｎ ｌ ｅ ｃｉ ｆ ｏｕ ｔ ｅｆ ｍａｃ ｈ ｅｉｌ ｓｏｋ ｖ ｍｓ ｔ ｉ ｉ ｎ ｅ ｏ ｐ ｏ ｎ ｅ
Ｏ 引 言
汽 车悬 架 是底 盘 系 统 的三 大关 键 总 成 之一 ， 汽 对
然是 空 白 。在实 际 生产 中 ， 振 器示 功 图识 别 完 全依 减
赖于人工判 断 ， 不仅降低 了检测效率 ， 而且检测准确
性 常 常 因人 而 异 。 因此 ， 研 究 采 用 Ｂ 神 经 网 络建 本 Ｐ 立 减振 器 产 品性 能在 线 检 测识 别 模 型 ， 于在 减 振器 对 制 造 过 程 中摆 脱 人 工 判 断 实 现智 能识 别 具 有 重 要 的 理论 意义 和 实用价 值 。
作为 Ｂ 神经 网络 的训 练算法 ； Ｐ 进行 了示功 图 自动判别实验 ， 对示功 图复 原和压缩阻力作 出了评 判 。研究结果表 明 ， 经过训 练的 Ｂ Ｐ 神经 网络能够对减振器示 功图进行 判别 ， 其判别结果与本领域 技术人 员判断结果基本一致 。 关键词 ：减振器 ； 示功 图； Ｐ Ｂ 神经 网络 ； 识别方法 中图分类号 ： ４ ３１Ｔ １ ３Ｔ ８ Ｕ ６ ．； Ｐ ８ ； Ｈ ９ 文献标志码 ： Ａ 文章编号 ：０ １４ ５ （ ０２ ０ — ９ ９ ０ １０ — ５ １２ １ ）８ ０ ２ — ３
（） ７
（）设 定 Ｂ ２ Ｐ网 络 输 出误 差 平 方 和 的 均 值 目标 。 输 出误 差平 方 和 的均值 目标就 是 Ｅ值 ， 大 小 表 明 了 其
期 望 训 练 的 网 络 能达 到 的精 度 目标 。输 出误 差 平 方
于 最小 二乘 法 的设 计方 法 ， ］具体公 式 如下 ：
Ｉ ｎｔｆｃ ｔｏ ｍ ｅ ｈｏ ｆｉ ｄｉａ ｏ ｉ ｇ ａ ｆｓ ｃ ｄｅ ｉ ａ ｉ ｎ ｔ ｄ ｏ ｎ ｃ ｔ ｒ ｄ ａ ｒ ｍ ｏ ｈｏ ｋ ｉ
ａ ｏ ｂｅ ｓ ｄ ｏ ｂｓ ｒ ｒ ｂａ ｅ ｎ ＢＰ ｕｒ ｌｎｅ ｗ ｏ ｋ ｎｅ ａ ｔ ｒ
Ｄ Ｇ Ｚ ｉｃ ｅｇ，Ｒ Ｎ Ｑａ ｇ ＯＮ ｈ— ｈｎ Ｅ ｉｎ
ｃ ｎｕａ ｒｄ ａ ｃｏｅ ｓｔｅｔ ｉｉｇｏ ｅｆｒ Ｐ ｎｕａ ｎｔｏｋ Ｔ ｅｅｐ ｒ ｅ ｔｌｅｕｔ ｉｄｃｔ ｔａ ｔｅｒｃｇｉｏ ｆ ｃ ａｅ ｏｊｇｔ ｇａｓｗ ｓ ｈ ｓｎａ ｈ ｒ ｎｎ ｎ ｏ Ｂ ｅ ｒｌ ｅ ｒ． ｈ ｘ ｅ ｍ ｎａ ｒｓｌ ｎｉａ ｔｈ ｅｏｎｔ ｎｅ ｅｔ ｓｄ ｅ ａ ｗ ｉ ｓ ｅｈ ｉ ｆ ｂ ｏ ｅｔ ｉｅ Ｐｎ ｕａ ｎ ｔｏｋｇｎ ｒｌ ｏｎ ｉ ｓｗｔ ｔｅ ｕ ｇ ｎ ｏ ｔ ｈ ｉ ａｓ ｎｔ ａｎｄＢ ｅ ｒｌ ｅ ｒ ｅ ｅａｙｃｉ ｄ ｉ ｄｍｅｔ ｆ ｅ ｎｃ ｎ． ｈ ｒ ｗ ｌ ｃｅ ｈｈ ｊ ｃ ｉ
足精 度 要 求 的前 提 下 尽 可 能取 小 值 。本 研 究选 用 基
（） １ 设定 Ｂ 网络 的步长 。步长其实就是学习率 ， Ｐ 用来 控制 每 一 步 网络 权 值 改 变 量 的大 小 。设 定 步 长
的方 法如 下 ：
ｎｔｒｉＰ ｒｍ． ｅ．ａｎ ａａ １ ｔ ｒ＝步长值
＝
（） ６
习算法 ； 卜 网络的性能函数。 Ｐ 网络 中 间 隐层 采 用 ｔ ｓ 函 数 ， 出层 采用 ｐ ｒ． ａ ｉ ｎｇ 输 ｕｅ
１ 函数 ， 络 的训 练 函 数采 用 ｔ ｉｌ ｉ ｎ 网 ｒ ｎｍ函数 ， ａ 网络 的权 值 和 阈值 的 Ｂ 学 习算 法采 用 ｌａｎｄ Ｐ ｅｒｇｍ函数 ， 网络 的性 能 函 数采 用 ｍ ｅ ｓ 函数 ， 函数 执行 的结 果 是 返 回一 个 Ⅳ