《表2 部分训练样本的试验结果与预测数据》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于BP神经网络的前轴锻压工艺优化》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

从以上的输入层参数中选取并组合成30组试验数据作为该模型的训练样本数据，记为试样1～30，以用于学习训练前轴锻压工艺神经网络模型。在训练中，训练函数为trainlm函数、训练速率为0.02、期望误差1×10-5、动量因子0.85。图2是前轴锻压工艺模型的训练性能曲线。根据图2可以看出，在经过6856次的迭代运算训练后，该模型快速地收敛，曲线平滑、起伏小，拥有较好的稳定性。综上所述，本文构建的这个神经网络模型可以较精确地反映4个输入层参数和2个输出层参数的紧密关联。图3是30组训练样本神经网络模型的相对训练误差数据。从图3(a）能够获悉，构建的前轴锻压工艺优化神经网络模型的30组训练样本的耐磨损性能的相对训练误差不大于5.7%，相对训练误差区间为3.2%～5.7%，平均相对训练误差为4.37%；从图3(b）可以看出，疲劳性能的相对训练误差均不大于5.5%，相对训练误差区间为3.2%～5.5%，平均相对训练误差为4.31%。表2是部分训练样本的试验结果与预测结果数据。从表2可以看出，训练样本的试验值与训练值大致相近，进一步证明了该模型的预测精度，有利于汽车前轴的锻压工艺优化。