《表2 部分训练样本的试验结果与预测数据》
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。
图表编号 | XD00225257500 严禁用于非法目的 |
---|---|
绘制时间 | 2020.10.10 |
作者 | 张淑华、王文权 |
绘制单位 | 吉林农业科技学院电气与信息工程学院、吉林大学材料科学与工程学院 |
更多格式 | 高清、无水印(增值服务) |