CN101995436A - 基于神经网络的拉深件裂纹监测方法 - Google Patents

Abstract

本发明公开一种在金属拉深件成形过程中基于神经网络的拉深件裂纹监测方法，首先将提取的声发射上升时间、声发射事件计数，能量、频率质心和峰值频率5个声发射监测信号作为拉深件裂纹的5个特征参数；然后对5个特征参数进行可分离判据分析，验证其表征裂纹特征的有效性；最后设计一个BP神经网络分类器，将这5个特征参数作为BP神经网络分类器的输入，输出特征向量是【1,0】和【0,1】，【1,0】是拉深件正常，【0,1】是拉深件产生裂纹；本发明提高了特征参数表征裂纹的准确性，实现了对拉深件的在线监测和质量状态判别，提高了成品率，避免材料浪费。

Description

基于神经网络的拉深件裂纹监测方法

 

技术领域

本发明涉及一种在金属拉深件成形过程中对拉深件裂纹缺陷的在线监测。

背景技术

金属拉深是金属挤压成形的成形方法之一，拉深薄板获得的薄壁空心件使用十分广泛，除了家用所必须的由单个或多个组合拉深件加工而成的餐饮用具外，在各类机电与家电产品中也多用拉深件作为壳体、外罩、箱体、汽车覆盖件等，这类拉深件不仅要具有一定的尺寸与形位精度以及良好的互换性，而且还要求其造型与表面质量具有外观装饰作用及构成产品完美形象的效果。在拉深过程中，板料产生塑性变形，材料被转移和重新分布，内部的应力和应变十分复杂，导致拉深过程中的状态难以精确控制，拉深过程中制件内部的裂纹不能及时识别，使大量不合格产品出现，造成了材料的大量浪费。

在已有的技术中，利用BP神经网络对声发射特征参数进行提取优化，提取出与裂纹声发射信号最为密切的5个参数对裂纹进行识别，该技术降低了网络输入端的维数，提高了特征参数反应拉深件成形状态的能力，但是，该方法只是利用计算各声发射特征参数对拉深件裂纹的灵敏度来提取优化，存在计算误差，而且没有涉及如何对裂纹进行识别。 

发明内容

本发明的目的在于提出一种使用神经网络模式识别技术对拉深件裂纹进行监测的方法，基于可分离判据分析5个声发射裂纹信号对声发射裂纹表征的有效性，对拉深件裂纹进行模式识别。

本发明采用的技术方案是：首先将提取的声发射上升时间、声发射事件计数，能量、频率质心和峰值频率5个声发射监测信号作为拉深件裂纹的5个特征参数；然后对5个特征参数进行可分离判据分析，验证其表征裂纹特征的有效性；最后设计一个BP神经网络分类器，将这5个特征参数作为BP神经网络分类器的输入，输出特征向量是【1,0】和【0,1】，其中【1,0】是拉深件正常，【0,1】是拉深件产生裂纹。

本发明的有益效果为：

1、对输入的五个声发射特征参数进行分离判据分析，避免了在计算其灵敏度过程中产生的误差，提高了特征参数表征裂纹的准确性。

2、通过神经网络分类器准确地将声发射信号分为裂纹信号和正常信号，实现了对拉深件的在线监测和对拉深件质量状态进行判别，提高了拉深件的成品率，避免材料浪费。

附图说明

以下结合附图和具体实施方式对本发明作进一步详细说明；

图1是本发明的流程图。

具体实施方式

参见附图1，针对拉深件成形过程中的具体情况，在一个完整的声发射测试平台（该声发射测试平台参见申请号为201010278875.X，名称为“一种提取拉深件裂纹声发射信号特征的方法”的附图1）上采集拉深件裂纹的特征参数，拉深件裂纹的特征参数是声发射上升时间、声发射事件计数，能量、频率质心、峰值频率5个参数，通过可分离判据分析考察其有效性后，作为BP神经网络分类器的输入，对制件质量状态进行模式识别。具体步骤如下：

一、特征信号的采集

在制件成形过程中，利用声发射采集系统中的声发射测试平台提取5个声发射监测信号，作为拉深件裂纹的特征参数，分别是声发射上升时间、声发射事件计数，能量、频率质心、峰值频率。

二、可分离判据分析，用可分离判据的分析方法进一步验证其表征裂纹特征的有效性

各个特征参数组成的一个集合是一个特征空间，本发明的5个特征参数是一个五维特征空间，其中一个模式表示一个点，在五维特征空间中，点                                               =（

 

 

）和点

=（

 

 

 

）之间的距离为：

(

)=

=

=

 ，

式中，

 

 

和

  

 

依次分别表示声发射上升时间、声发射事件计数，能量、频率质心、峰值频率；T是表示矩阵的转置。

任意一有效的声发射特征参数模式样本

与是否产生裂纹集合 {

}（=1,2，…

）的所有模式间距离的平方和为：

(

)，

在本发明中

=2，

为拉深件质量正常类别模式，为之间产生裂纹类别模式。

由类内距离的定义：同一类模式内所有点之间距离平方的平均值称为类内距离，可得是否产生裂纹类别模式集合{

}的类内距离为：

        

    

；且

，在本发明中，i=1，j=2。

若用类内所有样本的方差来表示，则有： 

        

 ，

=1,2,3,4,5；在本发明中，

=2，

表示是否产生裂纹类别的有效特征参数；

设

为类内模式第分量的有偏方差，则有：

设

为类内模式第

分量的无偏方差，则有：

综上可得：

         

，

有上式可得类内方差的大小反映了同一类模式的凝聚情况，因此，根据实际情况，本发明设定若，则特征参数有效。反之，则无效。当特征参数无效时，则需重新对特征参数进行提取，通过上述方法得出本发明中有效的特征参数为：声发射上升时间、声发射事件计数，能量、频率质心、峰值频率。

三、BP神经网络分类器的设计

1、输入样本的归一化处理 

本发明中，将声发射上升时间、声发射事件计数，能量、频率质心、峰值频率等5个有效的特征参数作为BP网络特征提取的输入向量，由于各个参数衡量的指标不一样，原始样本各个分量数量级有很大的差异，为了让各输入数据在区间为【0,1】里，因此，先对输入数据用常规方法进行归一化处理。

 2、隐层的设计

本发明采用具有一个隐藏层的三层BP 网络，确定隐藏层的神经元个数公式为：

         

                            

其中：

为输入神经元个数，

为输出神经元个数，

为【1,10】的常数。输入神经元是个数为5个，因此隐层神经元的个数为3-12个，通过比较采用各个隐层神经元个数训练下的网络误差和训练次数，在隐层神经元为6个的情况下网络误差和训练次数最小，因此确定隐层神经元为6个。

3、在神经网络的隐层和输出层，激活函数采用的是Sigmoid函数形式如下：

                               

其中是神经元的诱导局部域，且根据非线性，

的范围在【0,1】之间，通过调整

,

,

的值来改变函数的饱和区，从而调整输出。

4、权和阀值初始值的确定

权值和阀值是随着迭代的进行而更新的，并且一般是收敛的，但权的初始值太大，可能导致网络很快就达到饱和。本发明为了尽可能避免饱和，并考虑到网络的收敛速度以及样本的复杂性，较小的初始值域更利于权值均匀地随机初始，权的初始值域取（-0.05，0.05），本发明对初始权值在上述范围内采用重复试验的方法，通过比较拟合效果，确定最佳初始权值为0.01。

5、迭代停止标准

本发明BP网络模型建立时，设置最大的循环迭代为10000；循环次数超过10000次仍未达到迭代停止标准，则表明实验失败。收敛目标平均误差为0.01，学习速率取0.05。在网络的输出和样本之间的差小于给定的误差范围，则停止对网络权值的修正。然后，采用变化的自适应学习率保证BP神经网络能够稳定并快速地收敛，采用变化的自适应学习速率的调整公式是：

             

      

其中

表示学习速率，

表示训练的误差。

6、输出层的设计

本发明输出层有两个神经元，若训练样本属于第一类，则第一个输出神经元输出为1,第二个神经元输出为0。若训练样本属于第二类，则第一个输出神经元输出为0，第二个神经元输出为1。本发明中，定义第一类输出【1 0】为拉伸件正常，第二类输出【0 1】为拉伸件产生裂纹。

四、输入训练样本对网络进行训练

从实验样本集中选取部分有裂纹的拉伸件样本和质量良好的拉伸件样本，采用前面处理方法进行样本预处理。然后将分割后的正常样本和缺陷样本归类为有缺陷样本类和无缺陷样本类，再使用上述的样本特征值提取方法，对这两类样本集合进行特征提取，构成一个样本特征向量集合，最后构成训练集合输入网络分类器进行网络训练。

五．拉深件成形过程中质量状态的模式识别

本发明对拉深件的两种状态进行识别，一种为拉深件没产生裂纹的状态，一种是拉深件产生裂纹的状态。在具体实施时，采用100组样本进行训练。其中有裂纹的训练样本60组，拉深件质量正常的训练样本40组，目标输出样本的数量为100组。拉深件质量正常和产生裂纹两种模式的目标输出为【1 0】和【0 1】。然后将40组没有经过样本训练的数据输入网络，用于对网络的推广检验。两种模式各20组，并在进行BP网络模型训练前将各组数据进行归一化处理。本发明根据网络实际输出和目标样本对照，取网络的实际输出值是否大于0．6作为能否正确识别的标准。

Claims (3)

1.一种基于神经网络的拉深件裂纹监测方法，其特征是：首先将提取的声发射上升时间、声发射事件计数，能量、频率质心和峰值频率5个声发射监测信号作为拉深件裂纹的5个特征参数；然后对5个特征参数进行可分离判据分析，验证其表征裂纹特征的有效性；最后设计一个BP神经网络分类器，将这5个特征参数作为BP神经网络分类器的输入，输出特征向量是【1,0】和【0,1】，其中【1,0】是拉深件正常，【0,1】是拉深件产生裂纹。

2.根据权利要求1所述的基于神经网络的拉深件裂纹监测方法，其特征是：所述可分离判据分析依据公式                                               

，若

，则特征参数有效，反之则无效，需重新对特征参数进行提取；其中：

为是否产生裂纹类别模式集合{

}的类内距离：，i=1，j=2；=1,2,3,4,5，

为类内模式第

分量的无偏方差

，

=2；

为类内模式第

分量的有偏方差

，

为是否产生裂纹类别的有效特征参数。

3.根据权利要求1所述的基于神经网络的拉深件裂纹监测方法，其特征是：所述BP神经网络分类器的输入神经元个数为5个，隐层神经元个数为6个，输出层有两个神经元，初始权值为0.01，最大循环迭代为10000，收敛目标平均误差为0.01，学习速率是0.05。

Images