CN101344935B - 用于预测折弯机补偿力的神经网络建模方法 - Google Patents

Abstract

用于预测折弯机补偿力的神经网络建模方法，其特征是利用有限元分析建立有限元模型，分析油缸补偿力与下横梁变形之间的关系，在获取大量数据的基础上，建立起一个工艺参数与油缸补偿力之间的三层神经网络模型。本发明方法利用神经网络模型，在将已知条件加载力和加载长度输入之后，可以迅速得出最佳补偿力，以保证精度并提高工作效率。

Description

用于预测折弯机补偿力的神经网络建模方法

技术领域

本发明涉及神经网络模型的建模方法，更具体地说是用于预测折弯机补偿力的神经网络模型的建模方法。

技术背景

折弯机在对板材进行折弯加工时，上横梁与下横梁在对板材施加压力的同时，必然受到板材反作用力。当折弯机上横梁与下横梁的刚性不足时，上横梁1和下横梁2会发生明显的桶状变形(如图3所示)。变形的产生导致了板材在折弯时中间部分单位长度上的受力小于两端单位长度上的受力。这样在板材折弯完成以后，由于中间部分受力小，所以折弯角度也必然大于要求的角度，不能达到加工要求。

目前，对折弯机板材折弯时板材所产生的桶状变形量补偿时，通常是在下横梁基体上安装补偿油缸，利用油缸产生向上的补偿力使下横梁中间部分发生向上的挠曲变形从而补偿桶状变形。利用这种方法对桶状变形量进行补偿时一般应该根据已知的工艺参数，如：折弯力、板材长度来调节油缸补偿力。当前，大部分厂家在实际工作时通常是利用经验来调节下横梁的补偿力，凭经验调节很可能引起较大的误差。当然在实际工作中也可以考虑利用有限元分析软件对其进行有限元分析得出补偿力，但对现场工作人员专业水平却提出了很高的要求，同时有限元分析又需要大量的计算时间，降低了工作效率。

发明内容

本发明是为避免上述现有技术所存在的不足之处，提供一种用于预测折弯机补偿力的神经网络模型的建模方法，利用神经网络模型，在将已知条件加载力和加载长度输入之后，可以迅速得出最佳补偿力，以保证精度并提高工作效率。

本发明解决技术问题采用如下技术方案：

本发明用于预测折弯机补偿力的神经网络建模方法，其特点是按如下过程操作：

(1)、依据实际尺寸建立折弯机上横梁及下横梁的三维模型；

(2)、针对所述三维模型进行有限元分析；所述有限元分析是对折弯机施加设定的折弯力，经过有限元计算得到在施加设定的折弯力之后，形成在上横梁和下横梁之间中间位置处的需要补偿的桶状变形量δ；

(3)、通过有限元分析的方法对折弯机下横梁施加补偿力，用于模拟真实的补偿过程，以在所述补偿力的作用下，所述下横梁的被顶起高度抵消折弯机在工作时所产生的桶状变形量δ为最佳补偿力；

(4)、训练用于预测折弯机补偿力的神经网络模型；

a、建立包含有输入层、中间层和输出层的三层BP神经网络，所述输入层的输入值为折弯机的折弯力和加载长度，所述加载长度为被加工板材的长度；中间层为输入层与输出层之间关系的传递函数，输出层输出下横梁各个不同点位上所施加的补偿力；

b、针对不同的折弯力和加载长度，经过有限元分析得出包含折弯力、加载长度和最佳补偿力在内的各数组；将所述各数组随机分组为训练数组和检验数组，所述训练数组通过数据拟合用于训练神经网络来获得反应输入层与输出层关系的确定的传递函数，检验数组用于检验经训练的神经网络；

检验合格，则所述经训练的神经网络即为预测折弯机补偿力的神经网络模型；

检验不合格，则增加包含折弯力、加载长度和最佳补偿力在内的数组，重复步骤(4)中的步骤b。

本发明方法的特点也在于在所述步骤(4)中的步骤b中取各数组的70％—80％的数组为训练数组。

本发明方法是在利用有限元分析软件对折弯机上、下横梁进行有限元分析的基础之上。再引入神经网络对有限元分析得出的数据进行训练、拟合，建立起一个能够反映出折弯机最佳补偿力与折弯机已知加载力和加载长度之间关系的神经网络。这样在实际工作中就可以利用这个神经网络预测折弯机最佳补偿力。

与已有技术相比，本发明的有益效果体现在：

1、本发明在利用有限元分析的同时又引入了神经网络对有限元分析得出的数据进行仿真、训练之后建立了一个有效的能够反映折弯机的加载力和加载长度与折弯机最佳补偿力之间关系的神经网络模型。只要在工作中输入折弯力和加载长度，就可以快速得出所对应的折弯机补偿力。由于该方法是建立在真实分析数据基础之上的，因此在保证精度的同时又提高了工作效率。

2、在以往的技术中如果独立采用有限元分析，虽然精度可以保证，但却浪费了时间。同时对现场工人的专业技术水平又提出了很高的要求，这显然是不现实的。本发明由于建立了一个可以反映折弯机的折弯力和加载长度与折弯机最佳补偿力之间关系的神经网络模型。因此只需要输入已知参数折弯力和加载长度便可直接得到最佳补偿力，很好地解决了这一问题。

附图说明

图1本发明方法中折弯机上横梁模型图。

图2本发明方法中折弯机下横梁模型图。

图3本发明方法中上、下横梁桶状变形图。

图4本发明方法中下横梁补偿图。

图5本发明方法中神经网络简图。

以下通过具体实施方式，结合附图对本发明作进一步说明。

具体实施方式

以一个厂家生产的折弯机为例：该折弯机下横梁上有四个补偿油缸。

由于在实际应用中要求工人在送料时将板料放入折弯机工作台的中间位置。因此对于下横梁的油缸补偿可以采用两两对称的方式来加载，如图2、图4所示，即中间两个油缸为一对，称为内油缸，施加载荷F1；两边的两个油缸为一对，称为外油缸，施加载荷F2。

1、依据实际尺寸建立折弯机上横梁及下横梁的三维模型。

本实施例中折弯机上横梁的长宽高尺寸为3200mm×60mm×1180mm，下横梁的长宽高尺寸为3200×60mm×800mm，依据这一实际尺寸建立上横梁和下横梁的三维模型，如图1、图2所示。

2、针对步骤1所建立的三维模型进行有限元分析；有限元分析是对折弯机施加设定的折弯力，经过有限元计算得到在施加设定的折弯力之后，形成在上横梁和下横梁之间中间位置处的需要补偿的桶状变形量δ。

如图3所示，利用有限元分析得出在不同的加载力和不同的加载长度的情况下上、下横梁中间点处(由塑性成型原理可以得出中间点就是变形最大处)变形量。再利用上、下横梁的变形量得出需要补偿的桶状变形量δ，记L1、L2分别为上、下横梁中间点变形量；则桶状变形量δ为：δ＝L1+L2。

3、通过有限元分析的方法对折弯机下横梁施加补偿力，用于模拟真实的补偿过程，以在补偿力的作用下，下横梁的被顶起高度抵消折弯机在工作时所产生的桶状变形量δ为最佳补偿力。

如图4所示，实际中只要通过下横梁基体上的四个油缸施加与载荷反方向上的力，使下横梁产生如图4所示的变形，就可以补偿上、下横梁所发生的桶状变形。实际中要想完全补偿桶状变形是很难做到的，因此要做的是尽量使下横梁中间点处顶起的高与桶状变形量δ相等，没有必要要求上、下横梁变形曲线完全相同。但要做到这一点也是不容易的。因此在有限元分析中，当一组已知参数固定以后，即加载力和加载长度固定之后。我们需要不断地调整油缸所施加的补偿力，通过这一不断调整油缸所施加的补偿力的过程，我们最终就会得到内油缸和外油缸所施加的最佳补偿力。

4、建立包含有输入层、中间层和输出层的三层BP神经网络，输入层的输入值为折弯机的加载力和加载长度，加载长度为被加工板材的长度；中间层为输入层与输出层之间关系的传递函数，输出层输出下横梁各个不同点位上所施加的补偿力。根据第三步可以得知随着已知条件加载力和加载长度的不同，通过有限元分析得出的最佳补偿力也是不同的，每一种条件所对应最佳补偿力只有一种。因此如图5所示可以将折弯机的加载力和加载长度作为神经网络的输入层，内油缸和外油缸所施加的最佳补偿力作为神经网络的输出层。输入层的参数与输出层的参数是一一对应的。这时反映输入层与输出层之间关系的传递函数，即中间层还是不明确的，需要经过训练才能得到。

5、针对不同的折弯力和加载长度，经过有限元分析得出包含折弯力、加载长度和最佳补偿力在内的各数组；将所述各数组随机分组为训练数组和检验数组，训练数组通过数据拟合用于训练神经网络来获得反应输入层与输出层关系的确定的传递函数，检验数组用于检验经训练的神经网络。由以上三、四步可知不同的折弯机的加载力和加载长度所对应的最佳补偿力是不同的，针对不同的折弯力和加载长度可以得到一个与之相对应的最佳补偿力。因此在有限元分析中我们要尽量做出多种不同的情况，这样就得到了包含折弯力、加载长度和最佳补偿力在内的数组。对这些得到的数组进行分组，80％的数据用于训练该神经网络，经过训练以后可以得到确定的中间层。之后再将剩余的20％数据用于检验所获得的中间层的有效性，如果所获得的结果与用于检验的数据最大误差小于5％(5％为工程允许误差)，则说明该网络真实有效，可用于实际。否则说明所获得的中间层不能真实反映折弯力和加载长度与最佳补偿力之间的关系，我们需要增加试验次数，重复3、4、5步过程，直至获得有效的中间层为止。

6、在实际工作时，就可以利用第五步中已经训练好的网络，将已知条件加载力和加载长度输入，则可以迅速输出最佳补偿力。

Claims (2)

1.用于预测折弯机补偿力的神经网络建模方法，其特征是按如下过程操作：

(1)、依据实际尺寸建立折弯机上横梁及下横梁的三维模型；

(2)、针对所述三维模型进行有限元分析；所述有限元分析是对折弯机施加设定的折弯力，经过有限元计算得到在施加设定的折弯力之后，形成在上横梁和下横梁之间中间位置处的需要补偿的桶状变形量δ；

(3)、通过有限元分析的方法对折弯机下横梁施加补偿力，用于模拟真实的补偿过程，以在所述补偿力的作用下，所述下横梁的被顶起高度抵消折弯机在工作时所产生的桶状变形量δ为最佳补偿力；

(4)、按以下步骤训练用于预测折弯机补偿力的神经网络模型；

步骤a、建立包含有输入层、中间层和输出层的三层BP神经网络，所述输入层的输入值为折弯机的折弯力和加载长度，所述加载长度为被加工板材的长度；中间层为输入层与输出层之间关系的传递函数，输出层输出下横梁各个不同点位上所施加的补偿力；

步骤b、针对不同的折弯力和加载长度，经过有限元分析得出包含折弯力、加载长度和最佳补偿力在内的各数组；将所述各数组随机分组为训练数组和检验数组，所述训练数组通过数据拟合用于训练神经网络来获得反应输入层与输出层关系的确定的传递函数，检验数组用于检验经训练的神经网络；

检验合格，则所述经训练的神经网络即为预测折弯机补偿力的神经网络模型；

检验不合格，则增加包含折弯力、加载长度和最佳补偿力在内的数组，重复步骤(4)中的步骤b。

2.根据权利要求1所述的用于预测折弯机补偿力的神经网络建模方法，其特征是在所述步骤(4)中的步骤b中取各数组的70％-80％的数组为训练数组。

Images