CN102620980A - 一种利用神经网络预报板材成形性能的方法 - Google Patents
一种利用神经网络预报板材成形性能的方法 Download PDFInfo
- Publication number
- CN102620980A CN102620980A CN2012100320975A CN201210032097A CN102620980A CN 102620980 A CN102620980 A CN 102620980A CN 2012100320975 A CN2012100320975 A CN 2012100320975A CN 201210032097 A CN201210032097 A CN 201210032097A CN 102620980 A CN102620980 A CN 102620980A
- Authority
- CN
- China
- Prior art keywords
- neural network
- test
- sheet material
- forming performance
- fuzzy neural
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Landscapes
- Investigating Strength Of Materials By Application Of Mechanical Stress (AREA)
- Shaping Metal By Deep-Drawing, Or The Like (AREA)
Abstract
本发明涉及一种预报板材成形性能的方法,特别是一种利用模糊神经网络对板材成形性能进行预报的方法。包括以下步骤:(1)做相关的板材成形性试验,收集试验结果数据;(3)建立模糊神经网络;(4)用步骤(1)收集得到的对模糊神经网络进行训练和测试;(5)利用通过步骤(3)测试的模糊神经网络对板材成形性能进行预测。本发明所建立的模糊神经网络,即板材成形性能预报模型,有很好的预报功能,预测模型精度高,系统稳定,预测结果是可靠的。解决了传统人工法预测板材成形参数不能得到令人满意的检测结果的问题。
Description
技术领域
本发明涉及一种预报板材成形性能的方法,特别是一种利用模糊神经网络对板材成形性能进行预报的方法。
背景技术
冷轧板材在现代社会中应用颇为广泛,它可用于形状复杂(多为空间曲面)、轮廓尺寸大、材料薄、表面质量要求高的领域,比如汽车制造、航空航天、船舶制造等工业中。制成的零部件对应不同用途具有不同的性能,板材的成形性是制造部件的关键,直接影响到产品质量、材料利用率、生产效率及制造成本。
传统的板材成形性能的研究大多通过试验和数值模拟的方法,这些方法存在一定误差,只能定性的对生产进行指导;采用的经验法往往不可能准确,而增量法需要不断改变参数重复计算,同时模拟所需的时间较长。
为了解决这个问题,人们一直在进行不懈的努力。近年来,神经网络迅速发展。神经网络的一个重要特性是它的学习能力,通过自动调节自身的联系权重,最终得到希望的输入输出映射。神经网络的学习能力使其特别适合解决非线性问题,且一旦学习完成后,其响应过程简单。因此本发明采用神经网络的方法对冷轧板材的成形性进行预测。
发明内容
本发明目的是针对上述存在的问题,提供一种合理、简单、方便、可靠、准确的对板材成形性能进行预报的方法,即一种利用神经网络预报板材成形性能的方法。
为了实现上述目的,本发明提供的一种基于模糊神经网络的预报板材成形性能的方法包括以下步骤:
(1)做相关的板材成形性试验,包括:单向拉伸试验、杯突试验和刚模胀形试验,收集试验结果数据;
(2)建立模糊神经网络;
(3)用步骤(1)收集得到的数据对模糊神经网络进行训练和测试;
(4)利用步骤(3)通过测试的模糊神经网络对板材成形性能进行预测。
步骤(1)所述的试验结果数据包括:单向拉伸试验所测得的参数是屈服强度σs、抗拉强度σb、应变硬化指数n值和塑性应变比r值;杯突试验所测得的参数是杯凸值IE;刚模胀形试验所测得的参数是主应变ε1和次应变ε2。
步骤(2)所建立的模糊神经网络模型为混合型Pi-Sigma模糊神经网络。
步骤(3)对模糊神经网络进行训练和测试过程中,对神经网络的训练采用误差反向传播算法。
步骤(3)对模糊神经网络进行训练和测试过程中,当模糊神经网络对各组检验样本的预测误差都小于0.1时通过测试,进行步骤(4)的预测。
步骤(3)对模糊神经网络进行训练和测试过程中,将试验结果数据分为两部分,前75%作为训练样本数据,后25%作为检验样本数据。对网络进行训练,当预测值与试验值之间的误差小于0.1时可以认为网络已经训练成熟,开始预测。
本发明的优点:
本发明应用模糊神经网络预报冷轧板材的成形性是一种新的尝试,它可以充分发挥模糊逻辑和神经网络的长处。本文借助模糊神经网络方法,在统计不同板材的基本成形参数与做相关成形性试验的基础上,建立预报模型系统,分析板材基本成形参数与板材成形性能之间关系,为汽车零部件精确成形和模具设计等研究提供直观可靠的数据与报告。充分解决了传统的板材成形性能的研究采用的经验法不够准确、而增量法需要不断改变参数重复计算、同时模拟所需的时间较长的问题。
附图说明
图1为本发明利用神经网络预报板材成形性能的方法整体步骤图。
图2为本发明所采用混合型Pi-Sigma神经网络图。
图3为本发明采用的模糊神经网络的算法流程图。
具体实施方式
冷轧板材的成形性能是指其对各种冲压成形的适应能力。由于冷轧板材成形后的零件多种多样,成形方法各不相同,想要用一个统一的指标参数来全面评定它的成形性能是不现实的,因此板材的成形性能大致分为如下三类:(1)基本成形性能;(2)模拟成形性能:(3)成形极限。
通过查阅文献和对实际生产的考察而知,板料的成形极限是工业上评价板料力学性能和可加工性能的一项重要指标,成形性能研究的重点是成形极限的大小,因此,本发明所采用的具体实施例为表征板料成形性能的成形极限图(FLD)的预测模型的建立。
下面结合附图对本发明的实施例作进一步详细描述。
本发明的一种利用神经网络预报板材成形性能的方法,包括以下步骤:
(1)做相关的板材成形性试验,收集得到表征成形性能及对成形性能有影响的数据。
本发明中所用到的试验材料有:一般用冷轧钢板SPCC、深冲用冷轧钢板SPCEN-SD和DC04及超深冲用冷轧钢板DC06。
成形极限图(FLD)提供了板材在不同应变组合状态下的极限应变的综合描述,而基本成形性能和模拟成形性能均能在一定程度上表示板材的成形性。通过拉伸试验得到的板材的基本成形性能中的屈服强度σs、抗拉强度σb、应变硬化指数n值和塑性应变比r值对成形极限有直接影响。模拟成形性试验中的杯突试验是测定板料成形性能的重要试验方法之一,通过杯突值来衡量板料的成形性能,已成为一种测定材料成形性的标准试验。所以选择基本成形性能试验的拉伸试验所得成形参数和模拟成形性能中的杯突试验所得成形参数作为模糊神经网络的输入参量。
本发明的实施例中试验数据的获得通过做相关板材成形试验得到及在现场收集的数据,所做试验包括:单向拉伸试验;杯突试验;成形极限(FLD)试验。单向拉伸试验所测得参数为屈服强度σs、抗拉强度σb、应变硬化指数n值和塑性应变比r值;杯突试验所测得参数为杯凸值IE;成形极限(FLD)试验所测得参数为主应变ε1和次应变ε2。
选用数据时,按照材料的冲压级别的不同分为一般冲压用、深冲用和超深冲用三个系列。其中一般冲压级别的参数是通过对材料为SPCC的板材做成形性试验所获得的;深冲级别的参数是通过对材料为DC04和SPCEN-SD的板材做成形性试验所获得的;超深冲级别的参数是通过对材料为DC06的板材做成形性试验所获得的。本实施例的部分数据如下表1所示:
表1材料输入参数(部分)
(2)建立模糊神经网络。
本发明所采用的模糊神经网络为Pi-sigma模糊神经网络结构,该网络一共分为六层,其具体结构如附图2所示。
本发明的实施例中,将对板材成形性有影响的基本成形参数作为第一层的输入变量,包括:屈服强度σs、抗拉强度σb、应变硬化指数n值、塑性应变比r值及杯凸值IE。
本发明的实施例中,输出变量Y取极限应变。本发明中的输出为单个极限应变值,而极限应变值包括两个主应变ε1和ε2,其中ε1为主应变,ε2为次应变。因此,在输出应变值中通过比较,获得成形极限图所需的ε1和ε2。其中根据模糊预测算法,极限应变的预测公式为:式中wi为规则度;yi为中间层输出。
本发明所选用的预测模型采用Pi-sigma模糊神经网络模型建立。对于有5个输入单个输出,且共有243条规则的Pi-sigma神经网络是一种既有求和节点,又含有乘积节点的网络模型。用这种网络实现的模糊模型辨识,可方便地在线修正前提参数(隶属函数)和结论参数,很适合于复杂系统的模糊预测和控制。
(3)对模糊神经网络进行训练和测试。
所述的对模糊神经网络进行训练和测试是,将屈服强度σs、抗拉强度σb、应变硬化指数n值、塑性应变比r值、杯凸值IE及主应变ε1和次应变ε2作为一组训练数据。预测系统根据不同板材冲压级别系列进行训练,以便预测模型考虑板材冲压级别的影响,但板材的冲压级别不作为预测模型的输入变量。输入参量为:屈服强度σs、抗拉强度σb、应变硬化指数n值、塑性应变比r值及杯凸值IE。
为了训练预测模型,将通过试验所得数据作为对模糊神经网络进行训练和测试的样本,并将所得数据分成两部分,选取前75%作为训练样本用来对神经网络进行训练;剩余的25%作为检验样本,用来测试和评价求得的系统的性能。模糊神经网络的算法流程如附图3所示。
用通过试验得到的训练集数据对建立的模糊神经网络进行训练,对神经网络的训练是采用误差反向传播算法。训练过程即是:输入一组输入参量时,经过网络自动运算,会有一个输出值,比较输出值与期望输出值(实际测得的极限应变值)之间的误差,若误差小于指定精度,学习结束。否则,将误差信号沿原来路径反向传播,并逐步调整各层的连接权值,直到误差小于指定精度为止,此时第一组学习完成,进入下一组学习,直到连接权值对所有的训练组的预测误差均在指定范围内,输出此时的最佳权值。训练组越多,网络的学习越充分,网络经验值则越大,预测精度也越高。对网络反复训练,。当神经网络在各组检验数据的预测误差均低于0.1时则通过测试,即可以进行预测工作。训练测试好的网络模型就是要建立的板材变形过程中基于应变的成形极限图(FLD)的预测模型。
(4)利用通过测试的模糊神经网络进行预测。
设计人员在进行冲压工艺设计时,向训练好的模糊神经网络中输入一组材料的性能参数,包括:屈服强度σs、抗拉强度σb、应变硬化指数n值、塑性应变比r值及杯凸值IE,经网络运算后得到输出值,即板料成形的极限应变值。本发明中的输出为单个极限应变值,而极限应变值包括两个主应变ε1和ε2,其中ε1为主应变,ε2为次应变。因此,在输出应变值中通过比较,获得成形极限图所需的ε1和ε2。因此,本模型可以在不做刚模胀形试验的基础上得到FLD图,从而知道此材料是否满足实际应用需要。如果不满足,在进行参数调整,再次进行预测,直到材料性能参数满足设计需要为止。
Claims (7)
1.一种利用神经网络预报板材成形性能的方法,其特征在于包括以下步骤:
(1)做相关的板材成形性试验,包括:单向拉伸试验、杯突试验和刚模胀形试验,并收集试验结果数据;
(2)建立模糊神经网络;
(3)用步骤(1)收集得到的数据对模糊神经网络进行训练和测试;
(4)利用步骤(3)通过测试的模糊神经网络对板材成形性能进行预测。
2.按照权利要求1所述的一种利用神经网络预报板材成形性能的方法,其特征在于:步骤(1)所述的试验结果数据包括:单向拉伸试验所测得的参数是屈服强度σs、抗拉强度σb、应变硬化指数n值和塑性应变比r值;杯突试验所测得的参数是杯凸值IE;刚模胀形试验所测得的参数是主应变ε1和次应变ε2。
3.按照权利要求1所述的一种利用神经网络预报板材成形性能的方法,其特征在于:步骤(2)所建立的模糊神经网络模型为混合型Pi-Sigma模糊神经网络。
4.按照权利要求1所述的一种利用神经网络预报板材成形性能的方法,其特征在于:步骤(3)对模糊神经网络进行训练和测试过程中,对神经网络的训练采用误差反向传播算法进行训练。
5.按照权利要求1所述的一种利用神经网络预报板材成形性能的方法,其特征在于:步骤(3)对模糊神经网络进行训练和测试过程中,将试验结果数据分为两部分,前75%作为训练样本数据,后25%作为检验样本数据;对网络进行反复训练,当通过神经网络训练得到的预测值与试验值之间的误差小于0.1时可以认为网络已经训练成熟,开始预测。
6.按照权利要求1或4所述的一种利用神经网络预报板材成形性能的方法,其特征在于:步骤(3)对模糊神经网络进行训练和测试过程中,当模糊神经网络对各组检验样本的预测误差都小于0.1时通过测试,进行步骤(4)的预测。
7.按照权利要求1所述的一种利用神经网络预报板材成形性能的方法,其特征在于:步骤(4)利用通过测试的模糊神经网络对板材成形性能进行预测过程中,预测的是板材的成形极限应变值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210032097.5A CN102620980B (zh) | 2012-02-14 | 2012-02-14 | 一种利用神经网络预报板材成形性能的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210032097.5A CN102620980B (zh) | 2012-02-14 | 2012-02-14 | 一种利用神经网络预报板材成形性能的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102620980A true CN102620980A (zh) | 2012-08-01 |
CN102620980B CN102620980B (zh) | 2014-01-22 |
Family
ID=46561028
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210032097.5A Expired - Fee Related CN102620980B (zh) | 2012-02-14 | 2012-02-14 | 一种利用神经网络预报板材成形性能的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102620980B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104252056A (zh) * | 2014-09-18 | 2014-12-31 | 京东方科技集团股份有限公司 | 一种基板的检测方法及装置 |
CN106295795A (zh) * | 2016-08-09 | 2017-01-04 | 衢州学院 | 一种基于bp神经网络算法的铜管内螺纹成形质量预测方法 |
CN109799700A (zh) * | 2019-02-20 | 2019-05-24 | 广东工业大学 | 一种基于模糊神经网络的危化品运输预警系统 |
CN110321658A (zh) * | 2019-07-10 | 2019-10-11 | 江苏金恒信息科技股份有限公司 | 一种板材性能的预测方法及装置 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104697847A (zh) * | 2015-03-31 | 2015-06-10 | 哈尔滨电机厂有限责任公司 | 一种半导体波纹板检测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH08240587A (ja) * | 1995-03-03 | 1996-09-17 | Nippon Steel Corp | ニュ−ラルネットワ−クを用いた厚鋼板の材質予測方法 |
CN101882176A (zh) * | 2010-06-08 | 2010-11-10 | 南京航空航天大学 | 一种基于计算机技术的焊接接头力学性能预测的界面系统方法 |
CN102254057A (zh) * | 2011-04-25 | 2011-11-23 | 天津职业技术师范大学 | 薄板轧制离线力学性能预报方法 |
-
2012
- 2012-02-14 CN CN201210032097.5A patent/CN102620980B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH08240587A (ja) * | 1995-03-03 | 1996-09-17 | Nippon Steel Corp | ニュ−ラルネットワ−クを用いた厚鋼板の材質予測方法 |
CN101882176A (zh) * | 2010-06-08 | 2010-11-10 | 南京航空航天大学 | 一种基于计算机技术的焊接接头力学性能预测的界面系统方法 |
CN102254057A (zh) * | 2011-04-25 | 2011-11-23 | 天津职业技术师范大学 | 薄板轧制离线力学性能预报方法 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104252056A (zh) * | 2014-09-18 | 2014-12-31 | 京东方科技集团股份有限公司 | 一种基板的检测方法及装置 |
CN104252056B (zh) * | 2014-09-18 | 2017-07-04 | 京东方科技集团股份有限公司 | 一种基板的检测方法及装置 |
CN106295795A (zh) * | 2016-08-09 | 2017-01-04 | 衢州学院 | 一种基于bp神经网络算法的铜管内螺纹成形质量预测方法 |
CN109799700A (zh) * | 2019-02-20 | 2019-05-24 | 广东工业大学 | 一种基于模糊神经网络的危化品运输预警系统 |
CN109799700B (zh) * | 2019-02-20 | 2022-02-22 | 广东工业大学 | 一种基于模糊神经网络的危化品运输预警系统 |
CN110321658A (zh) * | 2019-07-10 | 2019-10-11 | 江苏金恒信息科技股份有限公司 | 一种板材性能的预测方法及装置 |
CN110321658B (zh) * | 2019-07-10 | 2023-09-01 | 江苏金恒信息科技股份有限公司 | 一种板材性能的预测方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN102620980B (zh) | 2014-01-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Feng et al. | Journey for green development transformation of China’s metal industry: A spatial econometric analysis | |
CN103033362B (zh) | 一种基于改进多变量预测模型的齿轮故障诊断方法 | |
CN102620980B (zh) | 一种利用神经网络预报板材成形性能的方法 | |
CN103065042B (zh) | 基于情景的多目标综合决策评价方法 | |
CN102425148B (zh) | 基于静力触探和bp神经网络的路基沉降快速预测方法 | |
Goletsis et al. | Measurement of development and regional disparities in Greek periphery: A multivariate approach | |
CN111104981A (zh) | 一种基于机器学习的水文预报精度评价方法及系统 | |
CN104318482A (zh) | 一套智能配电网综合评估体系和方法 | |
CN106503919A (zh) | 一种基于供电分区特性的配电网评价方法 | |
CN104573879A (zh) | 基于最优相似日集的光伏电站出力预测方法 | |
CN106447075B (zh) | 行业用电需求预测方法与系统 | |
CN103577888A (zh) | 一种改进的熵权层次分析法及其应用 | |
CN106022509A (zh) | 考虑地域和负荷性质双重差异的配电网空间负荷预测方法 | |
CN101339577B (zh) | 基于支持向量回归机的平板裂缝天线建模方法 | |
CN107146009A (zh) | 一种供水管网运行状态评估方法 | |
CN105550515B (zh) | 一种对空气质量数据进行多级综合评判的方法 | |
CN105654175A (zh) | 一种面向轴承制造企业的零件供应商多目标优选方法 | |
CN105956768A (zh) | 一种基于组合赋权和改进topsis的发电企业竞争力评估方法 | |
CN109165807A (zh) | 一种基于概率神经网络的电能质量综合评估方法 | |
CN110163430A (zh) | 基于AdaBoost算法的混凝土材料抗压强度预测方法 | |
CN105205251A (zh) | 一种变压器电磁设计方案的评估方法 | |
CN102722642A (zh) | 大波动电网负荷短期预测方法 | |
CN108256693B (zh) | 一种光伏发电功率预测方法、装置及系统 | |
CN114169254A (zh) | 基于短期建筑能耗预测模型的异常能耗诊断方法及系统 | |
CN116520772A (zh) | 基于多任务迁移学习的薄板零件数控加工质量预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20140122 Termination date: 20150214 |
|
EXPY | Termination of patent right or utility model |