Page 90 - 摩擦学学报2025年第8期

1188 摩擦学学报（中英文） 第 45 卷

14×10 −3 1×10 −2
Relu Relu
Sigmoid Sigmoid
12×10 −3 Tanh 8×10 −3 MAE=6.29E-3 Tanh
6×10 −3
RMSE 10×10 −3 RMSE=8.1592E-3 MAE 4×10 −3

8×10 −3
2×10 −3

6×10 −3 0
4 5 6 7 8 9 10 11 12 13 4 5 6 7 8 9 10 11 12 13
Number of hidden layer nodes Number of hidden layer nodes
(a) RMSE (b) MAE
0.9
R =0.83 Relu Sigmoid Tanh
2

0.8

R 2 0.7

0.6

0.5
4 5 6 7 8 9 10 11 12 13
Number of hidden layer nodes
(c) R 2
Fig. 13 BP neural network parameter combination experiment
图 13 BP神经网络参数组合试验

表 9 最优BP神经网络结构参数 较PSO-BP神经网络RMSE和MAE降低了51%和52%，
Table 9 Optimal BP neural network structure 2
R 提高了15%.
parameters
使用截面积损失机器学习数据库中的20个测试
Network parameter Parameter setting
样本对模型评价指标表现最优的IncepRegCNN回归神
Total network layers 3
Number of layer nodes 7
经网络模型识别性能进行测试，20个测试样本如图15
Number of hidden layer nodes 5
所示. 将测试集样本用作IncepRegCNN回归神经网络
Number of nodes in the output layer 1
Hide layer activation function Relu 的输入，模型识别效果如图16所示，实际值(磨损表征
值)与识别值(漏磁信号分析值)总体趋势一致，识别偏

表 10 PSO优化参数设置 差较小，存在部分识别值点与实际值点重合的现象，
Table 10 PSO optimization parameter Settings
模型识别效果较好. IncepRegCNN回归神经网络在验
Parameters Specifications
证集样本上的识别绝对值误差如图17所示. 其中，最
Population size 25
大绝对值误差为样本19(对应0.4%，保留1位小数)，而
Population renewal frequency 50
Particle dimension 46 单根外层螺旋股断丝造成的截面积损失为0.7%，所训
Individual/Population learning factors 2, 2
练的IncepRegCNN回归神经网络最大识别误差仅占
Maximum/Minimum speed 1, −1
Fitness function RMSE 单根断丝造成的截面积损失的一半左右，其中，识别
误差为0.4%的验证样本数量占验证集样本总量20%，
神经网络相较于BP神经网络RMSE和MAE依次降低 最小绝对值误差在0.1%及以下，相应的验证样本数量
2
了55%和59%，R 提高了17%；IncepRegCNN神经网络 占验证集样本总量40%.