1.一种基于BP神经网络的校直行程预测方法，用于在轴杆类零部件校直前进行校直行程的预测，其特征在于，所述基于BP神经网络的校直行程预测方法，包括：步骤1、利用所采集的校直参数构建训练样本和测试样本，所述轴杆类零部件在采集校直参数时对应有多个工件支撑点和检测点，所述校直参数包括最大弯曲检测点的弯曲幅度Δd、最大弯曲检测点处的工件直径d、最大弯曲检测点与其左侧最近的工件支撑点的距离l1、最大弯曲检测点与其右侧最近的工件支撑点距离l2、工件材质C；

步骤2、构建BP神经网络，初始化BP神经网络的权值和阈值；

步骤3、结合训练样本，利用粒子群优化算法优化BP神经网络的权值和阈值，得到最优的权值和阈值；

步骤4、将最优的权值和阈值写入BP神经网络，建立优化后的校直行程预测模型，向所述校直行程预测模型中输入测试样本，输出校直行程预测结果；

其中，所述BP神经网络的拓扑结构包括输入层、隐层和输出层；

所述输入层的节点数为5，输入层的输入量为校直参数，即输入层的节点的输入量分别为最大弯曲检测点的弯曲幅度Δd、最大弯曲检测点处的工件直径d、最大弯曲检测点与其左侧最近的工件支撑点的距离l1、最大弯曲检测点与其右侧最近的工件支撑点距离l2、工件材质C；

所述输出层的节点数为1，输出层的输出量为校直下压行程；

所述隐层的节点数根据以下公式确定：

其中，m为隐层的节点数，n为输入层的节点数，l为输出层节点数，α为1～10之间的常数。

2.如权利要求1所述的基于BP神经网络的校直行程预测方法，其特征在于，所述结合训练样本，利用粒子群优化算法优化BP神经网络的权值和阈值，得到最优的权值和阈值，包括：步骤3.1、建立粒子的自适应度函数：

其中，E为自适应度，N为训练样本的数量，M为输出层的节点数， 为期望输出值，yij为实际输出值；

步骤3.2、更新粒子的速度和位置：在D维空间中，由A个粒子构成的搜索集合中，第i个粒子在D维空间中的位置表示为xi＝(xi1,xi2,…,xiD)，第i个粒子的飞行速度表示为vi＝(vi1,vi2,…,viD)，第i个粒子经过的最好位置记为pi＝(pi1,pi2,…,piD)，所有粒子经过的最好位置记为pg＝(pg1,pg2,…,pgD),i＝1,2,…,A，每一代粒子根据如下公式更新自己的速度和位置：vid＝wvid+c1r1(pid‑xid)+c2r2(pgd‑xid)xid＝xid+vid

其中，xid是第i个粒子的第d维位置，vid是第i个粒子的第d维速度，pid是第i个粒子在第d维搜索到最优位置，pgd是整个粒子群在第d维搜索到的最优位置，w是惯性权重，c1和c2为学习因子，r1和r2为[0,1]范围内的均匀随机数；

惯性权重w的计算公式为：

其中，wset为常数，di(t)为第t次迭代过程中第i个粒子到最优粒子之间的欧氏距离，D为每个粒子的问题空间对应的最大维数值，dmin为粒子群中所有粒子和最优粒子间的最小欧氏距离，Si,j,t，Pg,j,t为在第t次迭代过程中第i个粒子在j维度上的位置值和对应j维度位置上的最好粒子的位置值，T为最大迭代次数，wmax、wmin分别为最大惯性权重值和最小惯性权重值；

步骤3.3、若达到最大迭代次数或输出满足预设的误差要求，则结束迭代并输出全局极值pg，将最优的全局极值pg映射至BP神经网络的权值和阈值，得到最优的权值和阈值；否则重新执行步骤3.2。

3.如权利要求2所述的基于BP神经网络的校直行程预测方法，其特征在于，所述学习因子c1和c2的计算公式为：其中，t为当前迭代次数，T为最大迭代次数， 为第t次迭代过程中搜索空间中所有粒子与最优粒子的平均欧氏距离，di(t)为第t次迭代过程中第i个粒子到最优粒子之间的欧氏距离，A为粒子群的粒子个数，dmax为粒子群中所有粒子和最优粒子间的最大欧氏距离。

4.如权利要求2所述的基于BP神经网络的校直行程预测方法，其特征在于，所述步骤

3.3中通过马氏距离公式计算误差，判断计算得到的误差是否满足预设的误差要求：其中，ek为误差，ok为训练样本的期望输出值，yk为实际输出值，S为训练样本总体的协方差矩阵。