（材料加工工程专业论文）板材帽形件智能化弯曲参数实时识别及实时预测的研究.pdf

摘要 摘要 板材成形的智能化，是控制科学、计算机科学与板材成形理论的有机 结合，根据被加工对象的特征，利用易于监测的物理量，识别材料的性能 参数，预测最优的工艺参数，并自动以最优的工艺参数完成板材成形过程。 帽形件弯曲成形的智能化控制是板材弯曲成形智能化控制技术研究的 一个重要方面。材料参数实时识别和最优工艺参数的实时预测是帽形件弯 曲成形智能化控制系统的主要组成部分，实对识别与实时预测精度的高低、 实时识别时间的长短直接影响帽形件弯曲成形智能化的成败本文利用人 工神经网络学习能力强、容易进行模式识别与预测、容易进行信息处理的 特点来实现材料参数的实时识别与最优工艺参数的实时预测同时利用 b p ( b a c kp r o p a g a t i o n ) 神经网络对材料参数进行了实时识别与最优工艺参 数实时预测的研究。 本文建立了帽形件弯曲成形智能化控制过程中参数识别与最优工艺参 数预测的神经网络模型，用数值模拟和试验两种方法提供输入数据并为网 络确定输入节点提供依据，利用m a t l a b 编程语言编写了b p 神经网络算 法程序，在数值模拟和试验提供的数据范围内，识别和预测模型的收敛精 度均达到l 。，在随机抽取的样本数据中，参数的识别误差均在l 左右， 压边力的平均预测误差为2 9 2 。此外，研究了样本数据和隐层节点数目 对网络模型的效率、精度和泛化能力的影响规律实验证明，b p 神经网络 适合帽形件弯曲成形智能化控制过程中参数的实时识别与最优工艺参数的 预测，对以后进一步研究板材帽形件弯曲成形智能化控制具有较为重要的 意义。 关键词帽形件弯曲；智能化；b p 神经网络；实时识别；实时预测；最 优工艺参数 燕山大学工学硕士学位论文 a b s t r a c t t h ei n t e l l e c t u a l i z a t i o no fs h e e tm e t a lf o r m i n gi st h ep r o c e s si nw h i c h ， t h r o u g ha no r g a n i cc o m b i n a t i o no fs h e e tm e t a lf o r m i n gt h e o r yw i t hc o n t r o l t h e o r ya n dc o m p u t e rs c i e n c e ， a n db a s e do nt h ec h a r a c t e r i s t i c so ft h e w o r k p i e c et ob ew o r k e d ，t h em a t e r i a lp r o p e r t i e s a r ei d e n t i f i e da n dt h e o p t i m u mt e c h n i q u ep a r a m e t e r s a r e p r e d i c t e d o n l i n e b y m e a n so f e a s i l y - m o n i t o r e dp h y s i c a lq u a n t i t i e sa n dt h ef o r m i n gi sa u t o m a t e dt ot h o s e p a r a m e t e r st h u sd e t e r m i n e d t h ei n t e l l e c t u a l i z a t i o no fc a p - b e n d i n gi sa ni m p o r t a n tr e s e a r c ha s p e c t o fs h e e t m e t a l f o r m i n gi n t e l l e c t u a l i z a t i o n t h ei d e n t i f i c a t i o no fm a t e r i a l p r o p e r t i e sa n dt h ep r e d i c t i o no ft h eo p t i m u mt e c h n i q u ep a r a m e t e r sa r e i m p o r t a n tp a r t s o fi n t e l l e c t u a l i z a t i o n t h e p r e c i s i o na n d t h et i m e o f i d e n t i f i c a t i o nw i l la f f e c tt h er e a l i z a t i o no fi n t e l l e c t u a l i z a t i o nd i r e c t l y t h i s t h e s i sr e a l i z e st h er e a l t i m ei d e n t i f i c a t i o no fm a t e r i a l p r o p e r t i e s a n d p r e d i c t i o no ft h eo p t i m u mt e c h n i q u ep a r a m e t e r sb yu s i n gt h ef e a t u r e sa n d v i r t u e so fa r t i f i c i a ln e u r a ln e t w o r k ( a n n ) a tt h es a m et i m e ，t h i st h e s i s r e a l i z e st h er e a l t i m ei d e n t i f i c a t i o no fm a t e r i a lp r o p e r t i e sa n dp r e d i c t i o no f t h eo p t i m u mt e c h n i q u ep a r a m e t e r sb yu s i n gb pn e u r a ln e t w o r k 。 t h i st h e s i se s t a b l i s h e sab pn e n r a ln e t w o r km o d e lf o ri d e n t i f i c a t i o no f m a t e r i a l p r o p e r t i e s a n dp r e d i c t i o no ft h eo p t i m u mt e c h n i q u ep a r a m e t e r s d u r i n gc a p b e n d i n gi n t e l l e c t u a l i z a t i o n ，o b t a i n si n p u td a t aa n dd e t e r m i n e i n p u tn o d eu s i n gn u m e r i c a ls i m u l a t i o na n de x p e r i m e n t a lm e t h o d s ，m a k e s t h ep r o g r a mo fb pn e u r a lm o d e lu s i n gm a t l a b p r o g r a ml a n g u a g e ，i nt h e d a t ar a n g eo fn u m e r i c a ls i m u l a t i o na n dt e s t ，t h e c o n v e r g e n c er a t i oo f i d e n t i f i c a t i o na n dp r e d i c t i o nm o d e la r ea l l1 t h ea v e r a g ep r e d i c t i o ne r r o r o fp r e s s u r e p a d f o r c ei s2 9 2 o t h e r w i s et h ee f f e c tr u l eo ft h es a m p l ed a t a a n dn o d en u m b e ro f i m p l i c a t i o nl a y e rt ot h ee f f i c i e n c y 、p r e c i s i o n 、 g e n e r a l i z a t i o na b i l i t yo ft h en e t w o r km o d e li sr e s e a r c h e d t h er e a l t i m e a b s t r a c t i d e n t i f i c a t i o no fm a t e r i a la n dt h er e a l t i m e p r e d i c t i o no ft h eo p t i m u m t e c h n i q u ep a r a m e t e r sa r es u c c e s s f u l ，w h i c ha r es h o w nb yt h ee x p e r i m e n t a l r e s u l t so fd i f f e r e n ts h e e tm e t a l sf r o mi n t e l l i g e n t b e n d i n g ，a n d i ti s s i g n i f i c a n tf o rf u r t h e rs t u d yo ft h ec a p b e n d i n gi ns h e e tf o r m i n gi n t e l l i g e n t c o n t r 0 1 ， k e y w o r d sc a p b e n d i n gf o r m i n g ；i n t e l l e c t u a l i z a t i o n ：b pn e u r a l r e a l t i m e i d e n t i f i c a t i o n ；r e a l - t i m ep r e d i c t i o n ； t e c h n i q u ep a r a m e t e r s n e t w o r k ； o p t i m u m 燕山大学硕士学位论文原创性声明 本人郑重声明：此处所提交的硕士学位论文板材帽形件智能化弯曲 参数实时识别及实时预测的研究，是本人在导师指导下，在燕山大学攻读 硕士学位期间独立进行研究工作所取得的成果。据本人所知，论文中除已 注明部分外不包含他人已发表或撰写过的研究成果。对本文的研究工作做 出重要贡献的个人和集体，均已在文中以明确方式注明。本声明的法律结 果将完全由本人承担。 。 作者签字 太侄莺日期：? 。一7 年，月伸日 燕山大学硕士学位论文使用授权书 板材帽形件智能化弯曲参数实时识别及实时预测的研究系本人在 燕山大学攻读硕士学位期间在导师指导下完成的硕士学位论文。本论文的 研究成果归燕山大学所有，本人如需发表将署名燕山大学为第一完成单位 及相关人员。本人完全了解燕山大学关于保存、使用学位论文的规定，同 意学校保留并向有关部门送交论文的复印件和电子版本，允许论文被查阅 和借阅。本人授权燕山大学，可以采用影印、缩日3 或其他复制手段保存论 文，可以公布论文的全部或部分内容。 保密口，在年解密后适用本授权书 本学位论文属于 不保密吼 ( 请在以上相应方框内打“”) 作者签名： 导师签名： 杠住需 1 日期：3 0 侔尸月仟日 日期：7 。7 年，皇7 7 日 第1 章绪论 1 i 课题背景 第1 章绪论 。 本课题来源于高等学校博士点专项科研基金“复杂形状弯曲回弹的智 能化控制”和燕山大学博士基金项目“u 形弯曲件成形智能化控制关键技 术研究本课题是本学科领域的前沿性课题，选题正确，具有适应日趋激 烈的市场竞争、满足降低产品成本、提高质量和生产率的需要的优点，基 于数据库知识库的专家系统、人工神经网络技术( a n n ) 、模糊理论等智 能技术被引入到金属塑性加工领域【l 删板材成形的智能化控制技术 6 , 7 1 j 旋 压成形的智能化控制技术i 堋、冷轧铝箔【j 0 l 、带钢以及棒材轧制的智能化控 制技术 1 l 。1 3 1 、冷锻工业设计的智能知识库系统及神经网络系统 1 4 - 1 7 、冷锻 的智能化计算机辅助设计系刭1 8 1 、冲压连续模交互设计系绀1 9 1 、弯曲工艺 设计的专家系统 2 0 2 1 1 、锻造工艺设计专家系统、模锻设计专家系统1 等 方面的研究先后兴起并正在迅速发展。 1 2 板材成形智能化 。 板材成形智能化就是要利用智能化技术，提高板材加工的精度和生产 效率，它是自动化冲压生产线、自动成形机、柔性加工系统( f m s ) 等技 术的更高阶段板材成形的智能化是控制科学、计算机科学与板材成形理 论有机结合的综合性技术，其突出特点是，根据被加工对象的特征，利用 易于监测的物理量，在线识别材料的性能参数，预测最优的工艺参数，并 自动以最优的工艺参数完成板材成形过程洲 由于原材料成本与最终产品价格的差额逐渐减小，市场竞争日趋激烈， 迫使制造业越来越强烈地追求更高的生产率和更高的产品质量通过提高 冲压生产的自动化水平已大幅度提高了生产率，但是，在存在干扰因素的 情况下，为了获得令人满意的加工质量就必须实现实时监测、实时识别、 实时预测和实时控制 2 5 - 2 7 另一方面，随着科学技术的不断发展和消费观 念的改变，在板材成形领域，市场对单一大批量产品的需求量逐渐减少， 燕山大学工学硕士学位论文 而对小批量多品种的产品需求量日趋增加，这种市场趋求的变化迫使制造 业不仅要考虑缩短产品设计、模具设计及其加工制造的周期，还要考虑缩 短模具调试和稳定工艺的周期例如，美国i c a m 在波音公司的调查表明， 小批量折弯成形件的装模调试时间远大于实际生产所用的时间，这种情况 在航空工业中是非常普遍的。智能化控制技术是存在于扰因素的情况下综 合解决上述问题的一种有效途径。对于多品种小批量生产的工业领域，采 用智能化控制技术减少装模调试时间，提高产品质量和成品率是非常有意 义的1 2 啪9 】。 典型的板材成形智能化控制系统如图l - i 所示，由以下四个基本要素构 成【i l 】： ( 1 ) 实时监测采用有效的测试手段，实时监测能够反映被加工对象特 征的宏观力学参数和几何参数： 、 ( 2 ) 实时识别控制系统的识别软件对实时监测所获得的被加工对象的 特征信息进行分析处理，结合知识库和数据库的已有信息，实时识别被加 工对象的材料性能参数和工况参数( 如摩擦系数等) ； ( 3 ) 实时预测根据实时识别获得的材料性能参数和工况参数，以板材 成形理论和经验为依据，通过计算或者通过与知识库和数据库中已知的信 板料 j rl v 卜纛。扎主鬣：制州。= 图l - i 板材成形智能化控制系统示意图 f i g 1 一b l o c kd i a g r a mf o rt h ei n t e l l i g e n tc o n 拄o ls y s t e mo f s h e e t m e t a lf o r m i n g 2 第l 章绪论 息比较来预测当前的被加工对象能否顺利成形，并给出最佳的可变工艺参 数。 ( 4 ) 实时控制根据实时识别和实时预测所得的结果，按系统给出的最 佳工艺参数自动完成板材成形过程。 。 其中的监测要素和控制要素主要是受相应硬件设备的发展水平限制 ( 如信号采集技术、控制元器件等) ，。而识别和预测部分则更多地依靠软件 技术发展和对板材成形理论的认识水平 材料性能参数识别及最优工艺参数的预测是板材成形智能化控制必须 的而且非常重要的步骤，在板材成形过程中，为了实现实时控制首先必须 建立简单的数学模型。为了建立这种模型，必须采用大量的假设条件：使 各种影响因素简化。因此，这种数学模型适用范围窄，所能顾及的影响因 素不完备。在实际弯曲过程中，像回弹量等反映加工精度的量与板坯尺寸、 材料性能、模具形状、润滑条件及环境温度等因素之间的关系是非线性的。 这种复杂的非线性关系很难用数学模型来准确地描述，而采用人工神经网 络技术，是解决上述问题的有效途径，因为人工神经网络具有极强的非线 性映射能力，而且还可以进行大规模并行计算，比常规计算速度要快，适 合于实时控制神经网络善于直接从数据中学习知识；存储非结构性知识， 它的特长是在于学习能力强和容易进行模式识别【3 0 】。 弯曲成形智能化系统可通过检测弯曲过程初始阶段的宏观物理量，识 别出板材的性能及工艺条件的波动，继而预测出弯曲件回弹后为期望弯曲 角所对应的压边力，然后对后续弯曲过程进行实时控制，最终一次性获得 期望的弯曲角度，从而实现既可获得高精度弯曲件，又可达到减少装模调 试时间的目的 1 3 板材成形智能化研究现状及国内外发展趋势 板材成形智能化技术的研究8 0 年代初起源于美国，主要研究者是d c g o s s a r d ，b t a l l i s o n ，i ca s t e l s o n 等人8 0 年代末9 0 年代初，日本塑性 加工界也开始了冲压成形智能化技术的研究，主要研究者是裼明，岛进、 真锅健_ 等人开展该项技术研究之初的十多年间，全部集中于弯曲回弹 燕山大学工学硕士学位论文 的控制。直到9 0 年代初，该项技术研究才扩展到筒形件的拉深成形近年 来，关于金属板材成形智能化的研究很多，如香港大学的w m s i n g 等人 在轴对称件拉深工艺中使用基于知识库的c a p p 技术来减少模具设计时的 人为干扰因素，并介绍使用决策表方法选用大量相关影响因素【3 l 】； 2 0 0 0 年，印度学者m vi n a m d a r 等人在文献中介绍使用a n n 技术对 v 型弯曲回弹进行预测网，作者采用b p 网络模型，网络结构采用5 个输入， 1 0 个隐层节点和2 个输出节点。5 个输入分别是弯曲角口、凸模半径与板厚 的比值，t 、模口n g g - 与凹模x r 半径的比值w r d 、屈服强度与杨氏弹性 模量的比值y e 和材料的硬化指数刀，2 个输出分别是凸模位移和回弹角 模型中没有考虑影响回弹的诸如板材厚向异性系数、摩擦系数等影响参数 由于网络参数的选取对网络性能和精度起着决定作用，因此作者研究讨论 了网络参数，如学习率和隐层节点数，对网络均方误差m s e 的影响 h b s i m 和m c b o y c e 在1 9 9 2 年率先用有限元法对变压边力的拉深 过程进行了数值模拟试验 3 2 1 ，结果表明，该方法可以有效抑制局部变薄和 起皱1 9 9 8 年，意大利学者基于遗传算法为拉深过程设计了一个模糊控制 系统【3 3 1 ，该模糊控制器基于一个附加的模糊集合论，能够处理拉深过程中 不确定的加工过程状态，用于训练模糊控制器的知识库由有限元模拟方法 来获得，经测试该控制系统非常有效。2 0 0 0 年，英国曼彻斯特理工大学的 h i n d u j a , s 在文献中介绍了一种用于探测起皱和破裂的系统 3 4 1 ，采用神经 网络技术来预测起皱的发生，破裂则是通过特征提取技术，由拉深力信号 来预测。压边力及其压边圈空间位置变化通过液压系统调整来实现，模糊 逻辑控制器根据探测情况，对压边力b h f 和润滑情况进行一系列调整变化， 并将调整好的经验值应用到下一个加工工件上。日本学者真锅键一等人发 表文章，报道了采用变压边力技术对筒形件拉深过程进行自适应控制的研 究成果1 3 5 1 ，他们采用塑性力学模型，在拉深初始阶段对工件的材料参数和 工件与模具间的摩擦系数进行反推，然后随着行程变化对压边力进行可变 控制，从而实现最佳成形条件。在该文的自适应控制方法中，在线识别材 料性能参数和摩擦系数算法的依据是联立求解应力平衡方程和近似塑性条 件所获得的载荷一行程曲线的近似解。该解中包含了许多假设和简化，如 第1 章绪论 凹模圆角处摩擦和弯曲的简化等。燕山大学赵军教授等学者以平底锥形件 为研究对象，通过简化接触面的摩擦，再引入直母线假设、面积不变假设 和似直梁弯曲假设，根据基本能量方程推导出拉深力一拉深行程曲线的解 析表达式。 ， 。s 人工智能是一门发展十分迅速的交叉学科人工神经网络系统是利用 工程技术手段模拟人脑神经网络的结构和功能的一种技术系统，它是一种 大规模并行的非线性动力学系统。人工神经网络以对信息的分布式存贮和 并行处理为基础，具有自组织、自学习的功能，在许多方面更接近人对信 息的处理方法。人工神经网络有模拟人的形象思维的能力，反映了人脑功 能的若干基本特性，是人脑的某中抽象、简化和模拟。由于神经网络的分 布存储、并行处理以及自组织、自学习能力等优点，所以它在信息处理、 模式识别、智能控制等领域有着广阔的应用前景。随着应用领域的扩展， b p 神经网络等智能计算方法相互渗透和结合，这对开拓2 1 世纪新的智能 计算技术将具有重要的意义。b p 神经网络理论的应用已经渗透到各个领域， 并在智能控制、模式识别、计算机视觉、自适应滤波和信号处理、非线性 优化、自动目标识别、连续语音识别、声纳信号的处理、知识处理、传感 技术与机器人、生物医学工程等方面取得了令人鼓舞的进展【3 2 1 。 ， 最近几年，神经网络技术发展很快，各个国家尤其是西方发达国家更 加注重对其进行研究开发。美国已经把神经网络技术成功地用于加工过程 的模拟与优化【4 3 】，并对不同算法的多层感知器神经网络在制造过程中的应 用进行了对比，实验结果表明：共轭梯度法的收敛速度大于b p 算法；采用 模拟退火的b p 算法在达到最优解方面是可靠的；在b p 算法的优化算法中， 模拟退火法较b o l t z m a n 系数法好一些。b r p r a m o d 利用a r m a ( a u t o r e g r e s s i v em o v i n ga v e r a g e ) 网络模型实现了离散系统的参数识别，其学习 算法与b p 网络相似，都是依据梯度下降的原理进行迭代收敛1 实验证 明此网络模型能够迅速而准确地实现随机过程中无论是常数变量还是非常 数变量系统中的参数识别问题。 j m o u 在机床误差监测和修正方面的研究也取得了一定的进展【4 5 i ，他 利用神经网络和运动学的知识来对机床加工中产生的误差进行修正，建立 5 燕山大学工学硕士学位论文 了一种常用的误差模型来描述刀具和工件在不同温度环境下的运动状态。 神经网络模型在不同温度下跟踪机床的误差变化，在加工过程中利用反向 运动来对其进行修正，这样工件的不同位置点的误差就可以预测出来，在 加工时，根据所需精度调整刀深或监测的数据来提高加工工件的质量。 c s l e e m 等人利用声音和力传感器监测信号，通过神经网络实现了对刀具 磨损的监测，进而进行调整，实现了产品加工精度和质量的提高 4 6 1 。 我国在神经网络的研究及应用方面也取得了一定的成就，北京科技大 学的张大志、李谋渭等采用人工神经网络模型对轧制压力进行预报，提高 了预报精度 4 7 1 ；天津大学利用三层神经网络模型对轴承在工作中出现的故 障如内圈点蚀，外圈裂纹，滚珠点蚀，保持架损坏等进行了诊断，取得了阶 段性成果1 4 s 】；江苏理工大学利用神经网络( b p ) 实现了对内燃机车的基本性 能的预测 4 9 1 人工神经网络在企业组织再造、股票市场预测、模具制造、 汽车覆盖件的设计、电力系统中负荷预测的研究以及机器人动态调度中的 应用也取得了进展1 5 0 - 5 5 1 。 塑性工程应用中人工神经网络( a n n ) 的研究最具代表性的是 k o s a k a d a 和g b y a n g 等人的研究，他们将神经网络技术与有限元模拟技 术结合起来，建立了冷挤压缺陷诊断专家系统1 5 6 l ，同时也建立了冷挤压工 艺设计的神经网络系统伍“这也证明了a n n 用于塑性加工领域是可行的。 国内在塑性加工领域应用a n n 在工艺设计和制造监控方面已取得了 阶段性成果。由于塑性加工的复杂性和不可预见性，使实际问题处理过程 中存在着许多假设和模糊问题，神经网络的引进正是由于它可并行地处理 许多模糊性的问题。国内上海交通大学的学者利用b p 网络对缺陷诊断与预 测进行了研究，利用体积可压缩的刚塑性有限元法，对多孔体材料镦粗成 形过程进行了数值模拟计算，并结合l e e - k u h n 提出的极限压缩应变准则得 到了坯料鼓形表面出现裂纹的一系列极限参数，以有限元数值模拟结果作 为学习样本，利用人工神经网络建立了缺陷预测系统。利用该系统的推广 能力，获得了多孔体材料在镦粗成形过程中出现裂纹的极限工艺参数。结 果表明，b p 网络在缺陷预测方面具有重要的应用价值。湘潭工学院学者利 用人工神经网络技术实现对板形反馈控制，经仿真与实验结果表明：该模 6 第1 章绪论 型预测和控制板形精度的平均误差绝对值均在5 之内，具有较好的效果 燕山大学的赵军教授等学者以平底锥形件为研究对象，通过简化接触面的 摩擦，再引入直母线假设、面积不变假设和似直梁弯曲假设，根据基本能 量方程推导出拉深力拉深行程曲线的解析表达式【5 甜并利用神经网络技 术对锥形件拉深过程进行了实时预测与控制，；提高了锥形件的拉深质量。 姚华、罗仁平等人将神经网络技术应用于预测拉深件毛坯外形的方法 中。过去的研究工作多数集中在数值计算和实验研究两个方面，数值计算 以有限元模拟来预测毛坯的外形为主，但对于复杂几何形状的拉深件如汽 车覆盖件，有限元预测精度仍有待提高，且由于有限元预测耗时，费力， 需要专业的分析工程师才能完成工作，提高了生产成本。而神经网络在工 程中的广泛应用为许多工程问题的研究和解决提供了一条新途径。人工神 经网络模型能够描述复杂的非线性映射关系，运用它，可以建立起反映盒 形件拉深工艺参数、几何参数和材料特性与毛坯外形之间的非线性映射关 系，对理想的毛坯外形进行预测1 5 9 , 6 0 l 。 图1 2 就是一种用于v 型弯曲的神经网络控制模型1 6 1 】。图中的输入信 号比实际信号放大了许多，而根据这些信号进行学习的实际往来也比实际 图l 2 神经网络v 型弯曲控制模型 f i g 1 - 2v - b e n d i n gc o n t r o lm o d e lu s i n gn e u r a ln e t w o r k 更大型化了，学习所需的时间也未达到实用水平所需要的那样快。为了解 决这一问题，又提出了如图1 3 所示的将塑性力学模型与神经网络模型相结 7 燕山大学工学硕士学位论文 合的一种模型6 2 1 。 在该模型中根据板厚、弯曲角度及载荷位移曲线，推导出弹性模量、 屈服应力和硬化指数n 值，并将这些量作为输入信号，把冲头行程作为输出 矧黔 h 控制对象h 图1 - 3 力学模型与神经网络相结合的弯曲控制模型“1 f i g 1 3b e n d i n gc o n t r o lm o d e lc o m b i n i n gm e c h a n i c a lm o d e la n dn e u r a l n e t w o r k l 6 1 i 信号，从而形成三层网络模型。为扩大适用范围，还在神经网络系统中采 用数值模拟技术增加样本输入一输出量关系由此产生的神经网络智能控 制系统在v 型弯曲加工中适应性广，精度高。除了材料性能和板坯尺寸等 因素外，这种方法还可以采集环境温度及摩擦条件等作为输入控制因素。 综上所述，由于人工神经网络具有良好的逼近任意复杂非线性系统的 能力，近年来被广泛应用于自动控制、塑性加工等学科领域，并且取得了 重大的阶段性成果。所以运用人工神经网络来解决板材成形中的参数识别 和预测问题也是可行的。 1 4 选题意义及主要研究内容 1 4 i 课题的选题意义 尽管冲压智能化的研究已有二十几年的历史，但前些年的研究大都 集中于成形过程比较简单的弯曲方面，而且主要是v 型弯曲的回弹控制 问题。 帽形件弯曲成形的智能化是板材弯曲成形智能化研究的一个重要方 面。在板材成形智能化控制系统的四个基本要素中，实时识别和实时预测 是最重要的两个方面，实时识别和实时预测精度的高低、时间的长短直接 影响板材弯曲智能化的成败。因而，在帽形件智能化弯曲过程中能否实现 8 第1 章绪论 对材料性能参数的实时识别与工艺参数的预测就成了实现整个弯曲过程智 能化的关键。 由于帽形件弯曲过程十分复杂，很难用分析模型来准确描述，所以利 用神经网络技术解决在帽形件弯曲过程智能化控制中参数的实时识别和预 测，对实现帽形件弯曲的智能化控制具有重要意义。， 1 4 2 课题的主要研究内容 。 本文主要研究任务是根据影响帽形件弯曲及回弹的主要因素，确定材 料性能参数实时识别的神经网络结构，确定在实时识别基础上对最优压边 力进行实时预测的神经网络结构。 研究所建立的帽形弯曲件参数识别、预测模型的神经网络拓扑结构和 优化算法，提高弯曲过程中材料性能参数的识别和预测精度及网络系统的 泛化能力。讨论学习样本数据库建立的方法和原则，提高网络学习效率并 节约资源。 ， 在帽形件弯曲智能化控制中，确定神经网络模型结构，经过对材料性 能参数的实时识别和对最优工艺参数的实时预测，获得最优压边力，从而 获得理想的帽形弯曲件是本课题的研究重点。 预期目标是利用正交法建立合理的样本空间，采用合理的算法，利用 m a t l a b 编程，成功获得最优的压边力。 研究方法是利用强大的工程计算和仿真软件m a t l a b ，建立以l m 算 法为基础的b p 神经网络，利用由数值模拟和试验结果共同提供的数据库， 对网络进行训练。具体如下： ( 1 ) 用正交法合理安排样本数据。 ( 2 ) 建立b p 神经网络模型，确定算法。 ( 3 ) 对b p 网络进行训练。 ( 4 ) 对神经网络进行泛化测试，改进网络的泛化能力 ( 5 ) 提高网络的收敛精度，进而提高对各参数实时识别、实时预测的精 度 、本课题拟采用h p b 5 9 1 、0 8 a 1 、s t l 2 作为试验材料，在液压机上进行 9 燕山大学工学硕士学位论文 弯曲实验，对比、分析试验结果，用试验和模拟得到的数据作为神经网络 学习的样本数据。 用m a t l a b 仿真软件对数值模拟数据和试验结果数据进行训练。研究应 用的m a t l a b 大型工程计算和仿真软件，是一个功能强大的通用软件，其 中的神经网络功能提供了大量的可直接调用的函数和命令，用m a t l a b 来 编写各种网络设计与训练的子程序，可以使用户从繁琐的编程中解脱出来， 大大提高解题效率和解题质量。综合应用数值模拟、数据库、神经网络等 技术，是解决板材成形智能化控制中识别和预测问题的有效途径。鉴于神 经网络已经在v 形弯曲智能化控制方面取得了重大阶段性成果，所以用神 经网络来解决帽形件弯曲成形中的参数识别及预测问题是可行的 1 0 第2 章帽形件弯曲智能化控制过程中b p 神经网络的应用 第2 章帽形件弯曲智能化控制过程中 “， b p 神经网络的应用 2 1 引言 人工神经网络( a n n ，a r t i f i c i a ln e u r a ln e t w o r k ) 是对脑神经网络的某种 抽象、简化和模拟，。反映了人脑的若干基本特性。近年来，人工神经网络 以其独有的大规模并行分布处理以及学习联想能力等特点而广泛应用于信 息处理、智能控制、模式识别等诸多领域，解决了许多用传统方法难以解 决的问题。为了实现在帽形件弯曲智能化控制中参数的实时识别与预测， 本文引用了b p 神经网络模型。 2 2 人工神经网络技术简介 2 2 1 人工神经网络的特点 人工神经网络采用物理上可实现的器件或采用计算机来模拟生物体中 神经网络的某些结构和功能，并应用于工程领域。神经网络的着眼点在于 抽取其中可利用的部分来克服目前用其它方法不能解决的问题，如学习、 控制、识别和专家系统等。神经网络与真正的生物神经网络有差别，但由 于它吸取了生物神经网络的部分优点，因此具有一些固有的特性： ( 1 ) 神经网络是由很多小的处理单元互相连接而成的，每个处理单元的 结构简单，但大量简单的处理单元集体的并行的活动得到预期的识别、计 算的结果，具有较快的速度； ： ( 2 ) 神经网络具有较强的容错性，即局部的或部分的神经元损坏后，不 会对全局的活动造成很大的影响； ( 3 ) 神经网络记忆的信息是存储在神经元之间的连接权值上，从单个权 值中看不出存储信息的内容，因而是分布式的存储方式，另外神经网络的 学习功能十分强大，它的连接权值和连接的结构都可以通过学习获得： 燕山大学工学硕士学位论文 人工神经网络具有强大的容错功能，可以比较容易的实现非线性映射 过程，并且具有强大的规模计算能力，特别是对处理大量原始数据而不能 用规则或公式描述的问题，表现出较大的灵活性和自适应性。因此，它在 自动化、计算机和人工智能领域都有着广泛的适用性，实际上也得到了大 量的应用，解决了很多利用传统方法难以解决的问题。 2 2 2 人工神经网络的发展及主要类型 自1 9 4 3 年心理学家m c c u l l o c h 和数学家p i t t s 提出神经元生物模型( 简 称m p 模型) 以来，神经网络理论已经有6 0 多年的历史。神经网络的发展 十分迅速，特别是1 9 8 2 年提出的h o p f i e l d 神经网络模型和r u m e u a r t 于1 9 8 5 年提出的反向传播算法( b a c k p r o p a g a t i o n ) ，使得h o p f i e l d 模型和多层前馈型 神经网络成为用途非常广泛的神经网络模型。它的基本结构是由大量的神 经元联接而成，适当选取神经元兴奋模式的初始状态，当网络的状态逐渐 达到一极小点( 稳定点) ，从而联想出稳定处的样本 ， 人工神经网络按照网络拓扑结构可分为前向网络( f e e d f o r w a r dn e t w o r k ) 和反馈网络( r e c u r r e n tn e t w o r k ) 两大类。前向网络特点是：信号的流向是从 输入通向输出而反馈网络的主要不同点表现在它的输出信号通过与输入 连接而返回到输入端，从而形成一个回路反向传播网络( b a c k - p r o p a g a t i o n n e t w o r k ，简称b p 网络) 是前向网络的核心部分，在人工神经网络的实际应 用中，8 0 9 0 的人工神经网络模型是采用b p 网络或它的变化形式，体 现了人工神经网络最精华的部分。它是将w - h 学习规则一般化，对非线性 可微分函数进行权值训练的多层网络。由于其结构简单、可塑性强，故在 函数逼近、模式识别、信息分类及数据压缩等领域得到了广泛的应用。特 别的，由于它的数学意义明确，学习算法步骤分明，使得应用背景更加广 泛。 2 2 3b p 神经网络 b p 神经网络是一种有隐含层的多层前馈网络，其结构如图2 1 所示， 该图是具有三层的神经网络，包括输入层、中间层( 隐层) 和输出层。上下层 1 2 第2 章帽形件弯曲智能化控制过程中b p 神经网络的应用 之间实现全连接，而每层神经元之间没有连接。当一对学习样本提供给网 络后，神经元的激活值从输入层经中间层向输出层传播，在输出层的各神 经元获得网络的输入响应接下来，按照减少目标输入与实际输入的方向， 从输出层经中间层逐层修正各连接权值，最后回到输入层，这种算法称为 “误差逆传播算法”，即b p 算法。随着这种误差逆的传播修正不断进行，网 络对输入模式响应的正确率也不断上升【6 2 i 。 五 输 恐 入 屡 f 咒 输 咒出 屡 y l 隐吉层 图2 - 1b p 网络结构示意图 h g 2 - 1 t h es t r u c t u r a ls k e t c hm a po f b p n e t w o r k 。 b p 网络的传递函数要求是可微的，常用的有s i g m o i d 型的对数、正切或 线性函数，利用其连续可导性，便于引入最小二乘( l e 矗tm e a ns q u a r e sl m s ) 学习算法【6 3 1 ，即在网络的学习过程中使网络的输出与期望输出的误差边向 后传播边修正连接强度( 加权系数) ，以期使误差均方值最小所以对于b p 网络来说，一方面，所划分的区域不再是一个线性划分，而是一个非线性 超平面组成的区域，它是比较平滑的曲面，因而它的分类比线性划分更加 精确，容错性也比线性划分好；另一方面，网络可以严格采用梯度下降法 进行学习，权值修正的解析式十分明确。 b p 神经网络的学习过程包括正向和反向传播两个阶段。在正向传播过 1 3 燕山大学工学硕士学位论文 程中，输入信息经隐含层主层处理，并传向下一层，每一层神经元的状态 只影响下一层。如果在输出层得不到期望输出，则转向反向传播，将误差 信号沿原来的连接通路返回，通过修改各层神经元的权值，使误差信号最 小。 2 2 3 1b p 网络的前向计算前向计算是在网络神经元的活化函数和连接 强度都确定的情况下进行的。以图4 1 所示的具有n 个输入、l 个输出、一 个隐含层( 个神经元) 的b p 神经网络为例，作为训练网络的第一阶段，设 有j 个训练样本，若用其中的某一训练样本p 的输入x 和输出f d l 对网络进 行训练，为方便书写公式，暂略去样本p 的记号，则隐含层的第f 个神经元 的输入可写成： 、 上 n e t 一= n = g ( 2 - 1 ) j = i 式中 口，一输入x ，的第j 个分量 第f 个神经元的输出为 圮= g ( n e f i ) ( 2 - 2 ) 式中 g ( 工) 一活化函数，这里取为s i g m o i d 活化函数 g ( n 引2 丙丽面1 丽而 ( 2 3 ) 其中的参数只表示阀值，正向q 的作用使活化函数水平轴向左移动；岛 的作用是调节s i g m o i d 函数形状的，较小的o o 使s i g m o i d 逼近一个阶跃限 幅函数，而较大的吼将使s i g m o i d 函数变得较为平坦。 对式( 2 3 ) 求导可得： g ( 托p ) 2 9 ( n e t i ) 1 一g ( n e t l ) ( 2 - 4 ) 输出谚将通过权系数向前传播到第t 个神经元作为它的输入之一，而输 出层的第i 神经元的总输入为： 凡p = 吃 ( 2 - 5 ) 1 4 第2 章帽形件弯曲智能化控制过程中b p 神经网络的应用 则输出层的第f 神经元的总输出为： 岛= g ( n p ) ( 2 - 6 ) 在神经网络正常工作期间，上面的过程即完成了一次计算，若是在学 习阶段，则要将输出值与样本输出值之差返回，以调整加权系数。 2 2 3 2 b p 神经网络加权系数的调整规则在前向网络计算中，若与样 本d ：的输出不一致，就要将输出信号从输出端反向传播回来，并在传播过 程中对加权系数不断进行修正，使输出层神经元上得到所需要的希望输出 为止。对于样本p 完成网络加权系数的调整以后，再送入另一样本进行类 似学习，直到完成个样本的训练学习为止。 为了对加权系数进行调整，对每一个样本p 引入误差函数 ，l| e ，= i 1 t - ( d v f - 0 v ) 2 ( 2 - 7 ) 则系统的平均误差函数为 - e = 去( d 一) 2 ( 2 8 ) 2 p 名智、” 、。 式中一样本模式对数 l 一网络输出节点数 一般来说，基于e p 还是基于e 来完成加权系数空间的梯度搜索会获得 不同结果。在r u m e l h a r t 等人的学习加权系数的规则中，学习过程系按使误 差函数减小最快的方向调整加权系数直到获得满意加权系数集为止，这里 加权系数的修正是顺序操作的，类似于生物神经网络的处理过程。系统最 小误差的真实梯度搜索方法是基于公式( 2 - 8 ) 的最小化方法 ( 1 ) 输出层权系数的调整权系数的修正公式如下： 咄：，7 警 c 2 - 9 ) d 式中玎一学习速率( 1 1 o ) 具体推导如下： 燕山大学工学硕士学位论文 堡：里墼(2-10)o十一 v o n e t f 氓 由式( 2 5 ) 有 挚：( 兰叫：只 砜砒、鲁“叫1 戡 4 一鲁鲁= 一( 4 一q ) g 。( n e t t ) = 7 - e ( 1 一谚) ( d ：一只) ( 2 - 1 1 ) 所以对输出层的任意神经元加权系数的修正公式为： a v 。= 刁( d ，一o , ) g i ( n e t , ) o i = 刁4 包= 町岛( 1 一只) ( t - o r ) a , ( 2 1 2 ) ( 2 ) 隐含层加全系数的调整对于作用于任意隐含层的加权系数的调整 与上面的推导过程基本相同，但由于不能直接计算隐含层的输出，需要借 助于网络的最后输出量。隐含层加权系数的变化量为： 肾叫等= 7 鲁等= 叫鼍g = 叫酱鼍即 ， 一，7 ( 嘉) g ：( 慨) b = 鸸q ( 2 1 3 ) 而酱= 一台l m 面a e 瓦o n e t , = 萎lc 一鲁，者c 驴n n ，= l ( 一嘉溉- - e 弘(2_14)t=l ( 一杀) 屹 4 ( 2 一 - ，f = i 由式( 2 1 3 ) 和式( 2 1 4 ) 得 4 = s i ( 慨) 圭4 ( 2 - 1 5 ) 熔卜式代入f 2 一1 3 1 可得： 1 6 第2 章帽形件弯曲智能化控制过程