CN110503183A - 一种用于装载机动臂焊后变形矫正的bp神经网络及其矫正方法 - Google Patents

Abstract

本发明旨在提供一种用于装载机动臂焊后变形矫正的BP神经网络及其矫正方法，对于每个动臂的每块动臂板，分别设置两个BP神经网络模型，分别为首矫正阶段BP神经网络模型和后矫正阶段BP神经网络模型；首矫正阶段BP神经网络模型，第一次矫正时使用，用于对焊接残余应力进行矫正量估计；后矫正阶段BP神经网络模型，第二次及以后的矫正使用，用于对弹性和塑性变形进行矫正量估计。利用该BP神经网络对装载机动臂焊后变形进行矫正，具有脱离现场经验,矫正效率高、矫正精度高的特点。

Description

一种用于装载机动臂焊后变形矫正的BP神经网络及其矫正 方法

技术领域

本发明涉及工程机械技术领域，具体涉及一种用于装载机动臂焊后变形矫正的BP神经网络及其矫正方法。

背景技术

动臂是装载机工作时载荷承重和传动的重要工作部件，其形位误差直接影响装载机前端工作装置的承载分布、传动效率和工作寿命。在制造工艺上，动臂主要由左动臂板、右动臂板和连接横梁拼搭焊接构成。动臂板的焊后偏移量难以控制，引起的形位误差直接影响到后续的机加工工序，并最终影响装载机的综合性能，因此需要进行焊后变形矫正，以满足形位精度要求。

目前的动臂焊后矫正装置虽然普遍都实现了在线式的电液驱动矫正和偏移量的自动精度测量，但为实现矫正(反向变形)以满足形位公差所需要的矫正量仍然难以精确快速的确定。根据变形误差，凭借现场经验确定矫正量的方法难以实现快速矫正，且经验难以传承。在此基础上实现的模糊控制对矫正量进行估计，存在着经验知识难以精确量化，小形位误差需要反复矫正的问题。迭代学习的方法具有有效利用大量历史数据的优点，但它的前提是需要明确反映输入输出关系的数学模型，而理论分析获得复杂工况下的变形矫正模型也是极为困难的。

发明内容

本发明旨在提供一种用于装载机动臂焊后变形矫正的BP神经网络及其矫正方法，利用该BP神经网络对装载机动臂焊后变形进行矫正，能够有效克服现有技术的缺陷，具有脱离现场经验,矫正效率高、矫正精度高的特点。

本发明的技术方案如下：

所述的用于装载机动臂焊后变形矫正的神经网络，其构成如下：

通过设置如下结构的矫正装置作为BP神经网络模型的基础：

动臂的每块动臂板的两端分别设为一个矫正位置，在各个矫正位置上分别设置一组矫正装置，每组矫正装置由两个矫正油缸将动臂板夹紧,并设置测距传感器测量获得该处矫正位置的安装偏移量；

对于每组矫正装置分别建立两个BP神经网络模型，分别为首矫正阶段BP神经网络模型和后矫正阶段BP神经网络模型；

首矫正阶段BP神经网络模型，第一次矫正时使用，用于对焊接残余应力进行矫正量估计，首矫正阶段BP神经网络模型的构成如下：

以初始偏移量d0、初始偏移量基础上弹性反变形至标准线所需要的油缸推力p0、矫正后偏移量d1作为3个输入神经元；以矫正量估计值为输出神经元，中间隐层选择7个神经元；设定输入层各神经元的激发函数为权值恒为1的线性函数，隐层各神经元的激发函数为权值可调的对称Sigmoid函数，输出层神经元的激发函数为权值可调的线性函数；

后矫正阶段BP神经网络模型，第二次及以后的矫正使用，用于用于对每次弹性和塑性变形进行矫正量估计，后矫正阶段BP神经网络模型的构成如下：

以初始偏移量d0、初始偏移量基础上弹性反变形至标准线所需要的油缸推力p0、矫正后偏移量d1作为3个输入神经元；以矫正量估计值为输出神经元，中间隐层选择5个神经元；设定输入层各神经元的激发函数为权值恒为1的线性函数，隐层各神经元的激发函数为权值可调的对称Sigmoid函数，输出层神经元的激发函数为权值可调的线性函数。

所述的首矫正阶段BP神经网络模型和后矫正阶段BP神经网络模型的训练过程包括如下步骤：

读取当前矫正位置处的测距传感器的位移信号，结合动臂整体偏移量获得该处矫正臂的变形方向和偏移量d0，同时确认相应的进行动作的矫正油缸，接着动作该矫正油缸使该处臂推至理想标准线并获取压力变送器的当前压力值p0；利用人工现场经验或简单理论分析,构造初始样本集S₀＝{(d0_k,p0_k,d1_k,d2_k)|k＝1,2,...}，利用初始样本集S₀对各神经网络模型进行反复学习训练以便使神经网络模型初步成熟；

重复上述步骤，对各个矫正装置对应的首矫正阶段BP神经网络模型和后矫正阶段BP神经网络模型的训练分别进行训练，使其初步成熟。

所述的首矫正阶段BP神经网络模型和后矫正阶段BP神经网络模型的训练过程还包括在实际使用中收集历史样本集，用于定期训练的步骤，具体如下：

a、选择其中一组矫正位置作为当前矫正位置，读取当前矫正位置处的测距传感器的位移信号，结合动臂整体偏移量获得该处矫正臂的变形方向和偏移量d0，同时确认相应的进行动作的矫正油缸，接着动作该矫正油缸使该处臂推至理想标准线并获取压力变送器的当前压力值p0；

b、由于总是期望本次矫正能够使矫正臂直接矫正至理想标准线，即期望矫正后偏移量d1为0，结合初始偏移量d0、初始偏移量基础上弹性反变形至标准线所需要的油缸推力p0，构成首矫正阶段BP神经网络模型的输入(d0,p0,d1＝0)，输入首矫正阶段BP神经网络模型中进行激励，计算出神经网络输出继续动作相应矫正油缸，使矫正臂推至的位置后稍作停留；动作相应矫正油缸回到零位，获取测距传感器的位移信号并计算实际矫正后偏移量d1；

c、对比实际矫正后偏移量d1与矫正目标值的偏差,判断矫正臂是否矫正达标，若不达标，则以该d1作为新的初始偏移量d0，确认相应的进行动作的矫正油缸，接着动作该矫正油缸使该处臂推至理想标准线并获取压力变送器的当前压力值p0，重新获得一个输入(d0,p0,d1＝0)，输入当前的后矫正阶段BP神经网络模型,计算出新的神经网络输出继续动作相应矫正油缸，使矫正臂推至的位置后稍作停留；动作相应矫正油缸回到零位，获取测距传感器的位移信号并计算实际矫正后偏移量d1；重复这一步骤，直至实际矫正后偏移量d1达到矫正目标值；

d、收集整个过程中每一次首矫正阶段BP神经网络模型矫正的各个d0,p0,d1、构成新的历史数据集基于这些采集的历史数据，定期对首矫正阶段BP神经网络模型进行训练学习；

收集整个过程中每一次后矫正阶段BP神经网络模型矫正的各个d0,p0,d1、构成新的历史数据集基于这些采集的历史数据，定期对后矫正阶段BP神经网络模型进行训练学习；

e、转至下一矫正位置，重复进行步骤a-d，继续对其他各组的首矫正阶段BP神经网络模型、后矫正阶段BP神经网络模型进行历史数据收集，定期进行训练。

所述的步骤b和c中首矫正阶段BP神经网络模型的神经网络输出和后矫正阶段BP神经网络模型的神经网络输出的计算采用如下式1的神经网络信号传导：

其中，y^e表示输入层各神经元输出，y^h _i表示隐层第i个神经元输出，y^o ₁表示输出层神经元输出,f₁为对称Sigmoid函数，f₂为线性函数；

y^h _i中，对于首矫正阶段BP神经网络模型i＝7，对于后矫正阶段BP神经网络模型i＝5。

所述的步骤d的详细过程为：

对于首矫正阶段BP神经网络模型：

取当前矫正装置对动臂板的第一次矫正，产生一条历史数据，收集多组动臂的该矫正位置的第一次矫正，产生出多条历史数据，如第k次矫正产生历史数据s′_k＝[d0′_k,p0′_k,d1′_k,d2′_k],所有保存的历史数据构成历史数据集，S′＝{s′_k},k＝1,2,...；

由历史记录集S′生成样本集S＝{s_k},k＝1,2,...,m,，其中m为样本集长度；

历史记录集S′生成样本集S的生成的方法如下：将矫正量d0的有效存在区间R_d0划分为左中右三个子区间：其中: 高精度子区间内样本按照1mm和0.15MPa的分辨率进行量化，而低精度子区间和内样本按照2mm和0.3MPa的分辨率进行量化；之后具有相同输入的矫正历史数据子集再进行输出均化以减小随机误差；

以样本集S内所有样本输出与样本输入作用下的模型估计输出的误差平方和为代价函数，使用梯度下降法从输出层反向调整各神经元权值，见式2：

式中，J(t)为代价函数，其中的d2_k直接由第k个样本输出获得，由第k个样本输入经神经网络模型激励获得；ω_ij(t)为第t次调整中神经元j到神经元i的权值；η为可设置的调整步长；

对于后矫正阶段BP神经网络模型：

当前矫正装置对动臂板的第二次矫正及以后的矫正，每次矫正产生一条历史数据,收集多组动臂的该矫正位置的第二次矫正及以后的矫正，产生出多条历史数据，如第k次矫正产生历史数据s′_k＝[d0′_k,p0′_k,d1′_k,d2′_k],所有保存的历史数据构成历史数据集，S′＝{s′_k},k＝1,2,...；

由历史记录集S′生成样本集S＝{s_k},k＝1,2,...,m,，其中m为样本集长度；

历史记录集S′生成样本集S的生成的方法如下：将矫正量d0的有效存在区间R_d0划分为左中右三个子区间：其中: 高精度子区间内样本按照1mm和0.15MPa的分辨率进行量化，而低精度子区间和内样本按照2mm和0.3MPa的分辨率进行量化；之后具有相同输入的矫正历史数据子集再进行输出均化以减小随机误差；

以样本集S内所有样本输出与样本输入作用下的模型估计输出的误差平方和为代价函数，使用梯度下降法从输出层反向调整各神经元权值，见式2：

式中，J(t)为代价函数，其中的d2_k直接由第k个样本输出获得，由第k个样本输入经神经网络模型激励获得；ω_ij(t)为第t次调整中神经元j到神经元i的权值；η为可设置的调整步长。

所述的每组矫正装置进行矫正作业时，其他各组矫正装置的矫正油缸不进行矫正作业，只起到辅助夹紧作用。

所述的动臂包括两块平行设置动臂板，以及分别与两块平行设置动臂板中部垂直连接的横梁；所述的矫正装置设有四组。

所述的基于BP神经网络的装载机动臂焊后变形矫正方法，应用了上述的BP神经网络，包括以下步骤：

(1)、选择其中一组矫正位置作为当前矫正位置，读取当前矫正位置处的测距传感器的位移信号，结合动臂整体偏移量获得该处矫正臂的变形方向和变形量d0，同时确认相应的进行动作的矫正油缸，接着动作该矫正油缸使该处臂推至理想标准线并获取压力变送器的当前压力值p0；期望矫正后变形量d1为0，结合初始变形量d0、初始变形量基础上弹性反变形至标准线所需要的油缸推力p0，构成首矫正阶段BP神经网络模型的输入(d0,p0,d1＝0)，输入首矫正阶段BP神经网络模型中进行激励，计算出神经网络输出继续动作相应矫正油缸，使矫正臂推至的位置后稍作停留；动作相应矫正油缸回到零位，获取测距传感器的位移信号并计算实际矫正后偏移量d1；

(2)、对比实际矫正后偏移量d1与矫正目标值的偏差,判断矫正臂是否矫正达标，若不达标，则以该d1作为新的初始偏移量d0，确认相应的进行动作的矫正油缸，接着动作该矫正油缸使该处臂推至理想标准线并获取压力变送器的当前压力值p0，重新获得一个输入(d0,p0,d1＝0)，输入后矫正阶段BP神经网络模型,计算出新的神经网络输出继续动作相应矫正油缸，使矫正臂推至的位置后稍作停留；动作相应矫正油缸回到零位，获取测距传感器的位移信号并计算实际矫正后偏移量d1；重复这一步骤，直至实际矫正后偏移量d1达到矫正目标值，该位置的矫正完成；

(3)、转至下一矫正位置，重复进行步骤(1)和(2)，完成各个矫正位置的矫正。

所述的步骤(1)和(2)中首矫正阶段BP神经网络模型的神经网络输出和后矫正阶段BP神经网络模型的神经网络输出的计算采用如下式1的神经网络信号传导：

其中，y^e表示输入层各神经元输出，y^h _i表示隐层第i个神经元输出，y^o ₁表示输出层神经元输出,f₁为对称Sigmoid函数，f₂为线性函数；

y^h _i中，对于首矫正阶段BP神经网络模型i＝7，对于后矫正阶段BP神经网络模型i＝5。

本发明对装载机动臂的变形矫正过程进行力学分析，成功识别出矫正臂需要的矫正量d2与初始变形量d0、初始变形量基础上弹性反变形至标准线所需要的油缸推力p0、矫正后变形量d1有关。基于这些数据之间的关联系，通过建立独特结构的BP神经网络模型进行计算，最终获得较为准确的矫正臂需要的矫正量d2，实现大为减少矫正次数，提高矫正精度的技术效果。

本发明巧妙的设计了两个BP神经网络模型，装载机动臂焊后变形矫正首矫正阶段BP神经网络模型和后矫正阶段BP神经网络模型，首矫正阶段BP神经网络模型在第一次矫正时使用，用于对焊接残余应力进行矫正量估计，能够有效提高后续矫正的精确度，减少矫正次数。后矫正阶段BP神经网络模型在第二次及以后的矫正使用，能够更好用于对每次弹性和塑性变形进行矫正量估计，提高矫正的精确度，进一步减少矫正次数。

本发明的BP神经网络模型应用于装载机动臂焊后变形矫正，充分利用了BP神经网络可以无限逼近任意连续函数关系，因此以矫正前偏差量、矫正装置油缸压力值、矫正后偏差量为输入，矫正极限位置为输出，选择合适的网络结构和参数，建立神经模型；利用大量的历史数据构成样本集训练神经模型，使用训练后成熟的神经模型输出预测矫正极限位置，大大提高矫正的效率与准确率。

本发明的BP神经网络模型能够充分利用批量生产过程中的大量历史数据不断完善估计精度，并且具有不依赖数学模型的优点。

附图说明

图1为本发明实施例提供的装载机动臂及矫正装置的装配结构示意图；

图2为本发明实施例提供的动臂板矫正变形动作的示意图；

图3为本发明实施例提供的前矫正BP神经网络模型的示意图；

图4为本发明实施例提供的后矫正BP神经网络模型的示意图。

图中各部分名称及序号如下：

1-矫正油缸，2-夹紧油缸，3-激光测距传感器I，4-压力变送器，5-激光测距传感器II，6-动臂板，7-连接横梁。

具体实施方式

下面结合附图和实施例具体说明本发明。

实施例1

如图1-3所示：

本实施例基于以下结构的装载机动臂位置矫正装置来进行动臂矫正：

工字形结构的动臂由两块平行动臂板6，以及分别与两块平行动臂板6中部垂直连接的横梁7组成；所述的矫正装置设有四组，分别设于两块动臂板6的两端，每组矫正装置通过两个相对设置的矫正油缸1将动臂板6夹紧，并根据控制系统指令做出矫正动作，夹紧油缸2起到辅助夹紧作用，激光测距传感器I3、激光测距传感器II5分别用于测试动臂板6的位移信号，压力变送器4分别设于各个矫正油缸1上，测试矫正时的油缸推力。

本实施例的用于装载机动臂焊后变形矫正的BP神经网络，其构成如下：

通过设置如下结构的矫正装置作为BP神经网络模型的基础：

动臂的每块动臂板6的两端分别设为一个矫正位置，在各个矫正位置上分别设置一组矫正装置，每组矫正装置由两个矫正油缸1将动臂板6夹紧,并设置测距传感器测量获得该处矫正位置的安装偏移量；

对于每组矫正装置分别建立两个BP神经网络模型，分别为首矫正阶段BP神经网络模型和后矫正阶段BP神经网络模型；

首矫正阶段BP神经网络模型，第一次矫正时使用，用于对焊接残余应力进行矫正量估计，首矫正阶段BP神经网络模型的构成如下：

以初始偏移量d0、初始偏移量基础上弹性反变形至标准线所需要的油缸推力p0、矫正后偏移量d1作为3个输入神经元；以矫正量估计值为输出神经元，中间隐层选择7个神经元；设定输入层各神经元的激发函数为权值恒为1的线性函数，隐层各神经元的激发函数为权值可调的对称Sigmoid函数，输出层神经元的激发函数为权值可调的线性函数；

后矫正阶段BP神经网络模型，第二次及以后的矫正使用，用于用于对每次弹性和塑性变形进行矫正量估计，后矫正阶段BP神经网络模型的构成如下：

以初始偏移量d0、初始偏移量基础上弹性反变形至标准线所需要的油缸推力p0、矫正后偏移量d1作为3个输入神经元；以矫正量估计值为输出神经元，中间隐层选择5个神经元；设定输入层各神经元的激发函数为权值恒为1的线性函数，隐层各神经元的激发函数为权值可调的对称Sigmoid函数，输出层神经元的激发函数为权值可调的线性函数。

所述的首矫正阶段BP神经网络模型和后矫正阶段BP神经网络模型的训练过程包括如下步骤：

读取当前矫正位置处的测距传感器的位移信号，结合动臂整体偏移量获得该处矫正臂的变形方向和偏移量d0，同时确认相应的进行动作的矫正油缸，接着动作该矫正油缸使该处臂推至理想标准线并获取压力变送器的当前压力值p0；利用人工现场经验或简单理论分析,构造初始样本集S₀＝{(d0_k,p0_k,d1_k,d2_k)|k＝1,2,...}，利用初始样本集S₀对各神经网络模型进行反复学习训练以便使神经网络模型初步成熟；

重复上述步骤，对各个矫正装置对应的首矫正阶段BP神经网络模型和后矫正阶段BP神经网络模型的训练分别进行训练，使其初步成熟。

所述的首矫正阶段BP神经网络模型和后矫正阶段BP神经网络模型的训练过程还包括在实际使用中收集历史样本集，用于定期训练的步骤，具体如下：

a、选择其中一组矫正位置作为当前矫正位置，读取当前矫正位置处的测距传感器的位移信号，结合动臂整体偏移量获得该处矫正臂的变形方向和偏移量d0，同时确认相应的进行动作的矫正油缸，接着动作该矫正油缸使该处臂推至理想标准线并获取压力变送器的当前压力值p0；

b、由于总是期望本次矫正能够使矫正臂直接矫正至理想标准线，即期望矫正后偏移量d1为0，结合初始偏移量d0、初始偏移量基础上弹性反变形至标准线所需要的油缸推力p0，构成首矫正阶段BP神经网络模型的输入(d0,p0,d1＝0)，输入首矫正阶段BP神经网络模型中进行激励，计算出神经网络输出继续动作相应矫正油缸，使矫正臂推至的位置后稍作停留；动作相应矫正油缸回到零位，获取测距传感器的位移信号并计算实际矫正后偏移量d1；

c、对比实际矫正后偏移量d1与矫正目标值的偏差,判断矫正臂是否矫正达标，若不达标，则以该d1作为新的初始偏移量d0，确认相应的进行动作的矫正油缸，接着动作该矫正油缸使该处臂推至理想标准线并获取压力变送器的当前压力值p0，重新获得一个输入(d0,p0,d1＝0)，输入当前的后矫正阶段BP神经网络模型,计算出新的神经网络输出继续动作相应矫正油缸，使矫正臂推至的位置后稍作停留；动作相应矫正油缸回到零位，获取测距传感器的位移信号并计算实际矫正后偏移量d1；重复这一步骤，直至实际矫正后偏移量d1达到矫正目标值；

d、收集整个过程中每一次首矫正阶段BP神经网络模型矫正的各个d0,p0,d1、构成新的历史数据集基于这些采集的历史数据，定期对首矫正阶段BP神经网络模型进行训练学习；

收集整个过程中每一次后矫正阶段BP神经网络模型矫正的各个d0,p0,d1、构成新的历史数据集基于这些采集的历史数据，定期对后矫正阶段BP神经网络模型进行训练学习；

e、转至下一矫正位置，重复进行步骤a-d，继续对其他各组的首矫正阶段BP神经网络模型、后矫正阶段BP神经网络模型进行历史数据收集，定期进行训练。

所述的步骤b和c中首矫正阶段BP神经网络模型的神经网络输出和后矫正阶段BP神经网络模型的神经网络输出的计算采用如下式1的神经网络信号传导：

其中，y^e表示输入层各神经元输出，y^h _i表示隐层第i个神经元输出，y^o ₁表示输出层神经元输出,f₁为对称Sigmoid函数，f₂为线性函数；

y^h _i中，对于首矫正阶段BP神经网络模型i＝7，对于后矫正阶段BP神经网络模型i＝5。

所述的步骤d的详细过程为：

对于首矫正阶段BP神经网络模型：

取当前矫正装置对动臂板的第一次矫正，产生一条历史数据，收集多组动臂的该矫正位置的第一次矫正，产生出多条历史数据，如第k次矫正产生历史数据s′_k＝[d0′_k,p0′_k,d1′_k,d2′_k],所有保存的历史数据构成历史数据集，S′＝{s′_k},k＝1,2,...；

由历史记录集S′生成样本集S＝{s_k},k＝1,2,...,m,，其中m为样本集长度；

历史记录集S′生成样本集S的生成的方法如下：将矫正量d0的有效存在区间R_d0划分为左中右三个子区间：其中: 高精度子区间内样本按照1mm和0.15MPa的分辨率进行量化，而低精度子区间和内样本按照2mm和0.3MPa的分辨率进行量化；之后具有相同输入的矫正历史数据子集再进行输出均化以减小随机误差；

以样本集S内所有样本输出与样本输入作用下的模型估计输出的误差平方和为代价函数，使用梯度下降法从输出层反向调整各神经元权值，见式2：

式中，J(t)为代价函数，其中的d2_k直接由第k个样本输出获得，由第k个样本输入经神经网络模型激励获得；ω_ij(t)为第t次调整中神经元j到神经元i的权值；η为可设置的调整步长；

对于后矫正阶段BP神经网络模型：

当前矫正装置对动臂板的第二次矫正及以后的矫正，每次矫正产生一条历史数据,收集多组动臂的该矫正位置的第二次矫正及以后的矫正，产生出多条历史数据，如第k次矫正产生历史数据s′_k＝[d0′_k,p0′_k,d1′_k,d2′_k],所有保存的历史数据构成历史数据集，S′＝{s′_k},k＝1,2,...；

由历史记录集S′生成样本集S＝{s_k},k＝1,2,...,m,，其中m为样本集长度；

历史记录集S′生成样本集S的生成的方法如下：将矫正量d0的有效存在区间R_d0划分为左中右三个子区间：其中: 高精度子区间内样本按照1mm和0.15MPa的分辨率进行量化，而低精度子区间和内样本按照2mm和0.3MPa的分辨率进行量化；之后具有相同输入的矫正历史数据子集再进行输出均化以减小随机误差；

以样本集S内所有样本输出与样本输入作用下的模型估计输出的误差平方和为代价函数，使用梯度下降法从输出层反向调整各神经元权值，见式2：

式中，J(t)为代价函数，其中的d2_k直接由第k个样本输出获得，由第k个样本输入经神经网络模型激励获得；ω_ij(t)为第t次调整中神经元j到神经元i的权值；η为可设置的调整步长。

所述的每组矫正装置进行矫正作业时，其他各组矫正装置的矫正油缸不进行矫正作业，只起到辅助夹紧作用。

所述的动臂包括两块平行设置动臂板6，以及分别与两块平行设置动臂板6中部垂直连接的横梁7；所述的矫正装置设有四组。

所述的基于BP神经网络的装载机动臂焊后变形矫正方法，应用了上述的BP神经网络，包括以下步骤：

(1)、选择其中一组矫正位置作为当前矫正位置，读取当前矫正位置处的测距传感器的位移信号，结合动臂整体偏移量获得该处矫正臂的变形方向和变形量d0，同时确认相应的进行动作的矫正油缸，接着动作该矫正油缸使该处臂推至理想标准线并获取压力变送器的当前压力值p0；期望矫正后变形量d1为0，结合初始变形量d0、初始变形量基础上弹性反变形至标准线所需要的油缸推力p0，构成首矫正阶段BP神经网络模型的输入(d0,p0,d1＝0)，输入首矫正阶段BP神经网络模型中进行激励，计算出神经网络输出继续动作相应矫正油缸，使矫正臂推至的位置后稍作停留；动作相应矫正油缸回到零位，获取测距传感器的位移信号并计算实际矫正后偏移量d1；

(2)、对比实际矫正后偏移量d1与矫正目标值的偏差,判断矫正臂是否矫正达标，若不达标，则以该d1作为新的初始偏移量d0，确认相应的进行动作的矫正油缸，接着动作该矫正油缸使该处臂推至理想标准线并获取压力变送器的当前压力值p0，重新获得一个输入(d0,p0,d1＝0)，输入后矫正阶段BP神经网络模型,计算出新的神经网络输出继续动作相应矫正油缸，使矫正臂推至的位置后稍作停留；动作相应矫正油缸回到零位，获取测距传感器的位移信号并计算实际矫正后偏移量d1；重复这一步骤，直至实际矫正后偏移量d1达到矫正目标值，该位置的矫正完成；

(3)、转至下一矫正位置，重复进行步骤a-c，完成各个矫正位置的矫正。

(3)、转至下一矫正位置，重复进行步骤(1)和(2)，完成各个矫正位置的矫正。

所述的步骤(1)和(2)中首矫正阶段BP神经网络模型的神经网络输出和后矫正阶段BP神经网络模型的神经网络输出的计算采用如下式1的神经网络信号传导：

其中，y^e表示输入层各神经元输出，y^h _i表示隐层第i个神经元输出，y^o ₁表示输出层神经元输出,f₁为对称Sigmoid函数，f₂为线性函数；

y^h _i中，对于首矫正阶段BP神经网络模型i＝7，对于后矫正阶段BP神经网络模型i＝5。

Claims (9)

1.一种用于装载机动臂焊后变形矫正的神经网络，其特征在于其构成如下：

通过设置如下结构的矫正装置作为BP神经网络模型的基础：

动臂的每块动臂板(6)的两端分别设为一个矫正位置，在各个矫正位置上分别设置一组矫正装置，每组矫正装置由两个矫正油缸(1)将动臂板(6)夹紧,并设置测距传感器测量获得该处矫正位置的安装偏移量；

对于每组矫正装置分别建立两个BP神经网络模型，分别为首矫正阶段BP神经网络模型和后矫正阶段BP神经网络模型；

首矫正阶段BP神经网络模型，第一次矫正时使用，用于对焊接残余应力进行矫正量估计，首矫正阶段BP神经网络模型的构成如下：

以初始偏移量d0、初始偏移量基础上弹性反变形至标准线所需要的油缸推力p0、矫正后偏移量d1作为3个输入神经元；以矫正量估计值为输出神经元，中间隐层选择7个神经元；设定输入层各神经元的激发函数为权值恒为1的线性函数，隐层各神经元的激发函数为权值可调的对称Sigmoid函数，输出层神经元的激发函数为权值可调的线性函数；

后矫正阶段BP神经网络模型，第二次及以后的矫正使用，用于对每次弹性和塑性变形进行矫正量估计，后矫正阶段BP神经网络模型的构成如下：

以初始偏移量d0、初始偏移量基础上弹性反变形至标准线所需要的油缸推力p0、矫正后偏移量d1作为3个输入神经元；以矫正量估计值为输出神经元，中间隐层选择5个神经元；设定输入层各神经元的激发函数为权值恒为1的线性函数，隐层各神经元的激发函数为权值可调的对称Sigmoid函数，输出层神经元的激发函数为权值可调的线性函数。

2.如权利要求1所述的用于装载机动臂焊后变形矫正的神经网络，其特征在于：

所述的首矫正阶段BP神经网络模型和后矫正阶段BP神经网络模型的训练过程包括如下步骤：

读取当前矫正位置处的测距传感器的位移信号，结合动臂整体偏移量获得该处矫正臂的变形方向和偏移量d0，同时确认相应的进行动作的矫正油缸，接着动作该矫正油缸使该处臂推至理想标准线并获取压力变送器的当前压力值p0；利用人工现场经验或简单理论分析,构造初始样本集S₀＝{(d0_k,p0_k,d1_k,d2_k)|k＝1,2,...}，利用初始样本集S₀对各神经网络模型进行反复学习训练以便使神经网络模型初步成熟；

重复上述步骤，对各个矫正装置对应的首矫正阶段BP神经网络模型和后矫正阶段BP神经网络模型的训练分别进行训练，使其初步成熟。

3.如权利要求2所述的用于装载机动臂焊后变形矫正的神经网络，其特征在于：

所述的首矫正阶段BP神经网络模型和后矫正阶段BP神经网络模型的训练过程还包括在实际使用中收集历史样本集，用于定期训练的步骤，具体如下：

a、选择其中一组矫正位置作为当前矫正位置，读取当前矫正位置处的测距传感器的位移信号，结合动臂整体偏移量获得该处矫正臂的变形方向和偏移量d0，同时确认相应的进行动作的矫正油缸，接着动作该矫正油缸使该处臂推至理想标准线并获取压力变送器的当前压力值p0；

b、由于总是期望本次矫正能够使矫正臂直接矫正至理想标准线，即期望矫正后偏移量d1为0，结合初始偏移量d0、初始偏移量基础上弹性反变形至标准线所需要的油缸推力p0，构成首矫正阶段BP神经网络模型的输入(d0,p0,d1＝0)，输入首矫正阶段BP神经网络模型中进行激励，计算出神经网络输出继续动作相应矫正油缸，使矫正臂推至的位置后稍作停留；动作相应矫正油缸回到零位，获取测距传感器的位移信号并计算实际矫正后偏移量d1；

c、对比实际矫正后偏移量d1与矫正目标值的偏差,判断矫正臂是否矫正达标，若不达标，则以该d1作为新的初始偏移量d0，确认相应的进行动作的矫正油缸，接着动作该矫正油缸使该处臂推至理想标准线并获取压力变送器的当前压力值p0，重新获得一个输入(d0,p0,d1＝0)，输入当前的后矫正阶段BP神经网络模型,计算出新的神经网络输出继续动作相应矫正油缸，使矫正臂推至的位置后稍作停留；动作相应矫正油缸回到零位，获取测距传感器的位移信号并计算实际矫正后偏移量d1；重复这一步骤，直至实际矫正后偏移量d1达到矫正目标值；

d、收集整个过程中每一次首矫正阶段BP神经网络模型矫正的各个d0,p0,d1、构成新的历史数据集基于这些采集的历史数据，定期对首矫正阶段BP神经网络模型进行训练学习；

收集整个过程中每一次后矫正阶段BP神经网络模型矫正的各个d0,p0,d1、构成新的历史数据集基于这些采集的历史数据，定期对后矫正阶段BP神经网络模型进行训练学习；

e、转至下一矫正位置，重复进行步骤a-d，继续对其他各组的首矫正阶段BP神经网络模型、后矫正阶段BP神经网络模型进行历史数据收集，定期进行训练。

4.如权利要求3所述的基于BP神经网络的装载机动臂位置矫正方法，其特征在于：

所述的步骤b和c中首矫正阶段BP神经网络模型的神经网络输出和后矫正阶段BP神经网络模型的神经网络输出的计算采用如下式1的神经网络信号传导：

其中，y^e表示输入层各神经元输出，y^h _i表示隐层第i个神经元输出，y^o ₁表示输出层神经元输出,f₁为对称Sigmoid函数，f₂为线性函数；

y^h _i中，对于首矫正阶段BP神经网络模型i＝7，对于后矫正阶段BP神经网络模型i＝5。

5.如权利要求3所述的用于装载机动臂焊后变形矫正的BP神经网络，其特征在于：

所述的步骤d的详细过程为：

对于首矫正阶段BP神经网络模型：

取当前矫正装置对动臂板的第一次矫正，产生一条历史数据，收集多组动臂的该矫正位置的第一次矫正，产生出多条历史数据，如第k次矫正产生历史数据s′_k＝[d0′_k,p0′_k,d1′_k,d2′_k],所有保存的历史数据构成历史数据集，S′＝{s′_k},k＝1,2,...；

由历史记录集S′生成样本集S＝{s_k},k＝1,2,...,m,，其中m为样本集长度；

历史记录集S′生成样本集S的生成的方法如下：将矫正量d0的有效存在区间R_d0划分为左中右三个子区间：其中: 高精度子区间内样本按照1mm和0.15MPa的分辨率进行量化，而低精度子区间和内样本按照2mm和0.3MPa的分辨率进行量化；之后具有相同输入的矫正历史数据子集再进行输出均化以减小随机误差；

以样本集S内所有样本输出与样本输入作用下的模型估计输出的误差平方和为代价函数，使用梯度下降法从输出层反向调整各神经元权值，见式2：

式中，J(t)为代价函数，其中的d2_k直接由第k个样本输出获得，由第k个样本输入经神经网络模型激励获得；ω_ij(t)为第t次调整中神经元j到神经元i的权值；η为可设置的调整步长；

对于后矫正阶段BP神经网络模型：

当前矫正装置对动臂板的第二次矫正及以后的矫正，每次矫正产生一条历史数据,收集多组动臂的该矫正位置的第二次矫正及以后的矫正，产生出多条历史数据，如第k次矫正产生历史数据s′_k＝[d0′_k,p0′_k,d1′_k,d2′_k],所有保存的历史数据构成历史数据集，S′＝{s′_k},k＝1,2,...；

由历史记录集S′生成样本集S＝{s_k},k＝1,2,...,m,，其中m为样本集长度；

历史记录集S′生成样本集S的生成的方法如下：将矫正量d0的有效存在区间R_d0划分为左中右三个子区间：其中: 高精度子区间内样本按照1mm和0.15MPa的分辨率进行量化，而低精度子区间和内样本按照2mm和0.3MPa的分辨率进行量化；之后具有相同输入的矫正历史数据子集再进行输出均化以减小随机误差；

以样本集S内所有样本输出与样本输入作用下的模型估计输出的误差平方和为代价函数，使用梯度下降法从输出层反向调整各神经元权值，见式2：

式中，J(t)为代价函数，其中的d2_k直接由第k个样本输出获得，由第k个样本输入经神经网络模型激励获得；ω_ij(t)为第t次调整中神经元j到神经元i的权值；η为可设置的调整步长。

6.如权利要求1所述的用于装载机动臂焊后变形矫正的神经网络，其特征在于：

所述的每组矫正装置进行矫正作业时，其他各组矫正装置的矫正油缸不进行矫正作业，只起到辅助夹紧作用。

7.如权利要求1所述的用于装载机动臂焊后变形矫正的神经网络，其特征在于：所述的动臂包括两块平行设置动臂板(6)，以及分别与两块平行设置动臂板(6)中部垂直连接的横梁(7)；所述的矫正装置设有四组。

8.一种基于BP神经网络的装载机动臂焊后变形矫正方法，应用了如权利要求1-7任何一项所述的BP神经网络，其特征在于包括以下步骤：

(1)、选择其中一组矫正位置作为当前矫正位置，读取当前矫正位置处的测距传感器的位移信号，结合动臂整体偏移量获得该处矫正臂的变形方向和变形量d0，同时确认相应的进行动作的矫正油缸，接着动作该矫正油缸使该处臂推至理想标准线并获取压力变送器的当前压力值p0；期望矫正后变形量d1为0，结合初始变形量d0、初始变形量基础上弹性反变形至标准线所需要的油缸推力p0，构成首矫正阶段BP神经网络模型的输入(d0,p0,d1＝0)，输入首矫正阶段BP神经网络模型中进行激励，计算出神经网络输出继续动作相应矫正油缸，使矫正臂推至的位置后稍作停留；动作相应矫正油缸回到零位，获取测距传感器的位移信号并计算实际矫正后偏移量d1；

(2)、对比实际矫正后偏移量d1与矫正目标值的偏差,判断矫正臂是否矫正达标，若不达标，则以该d1作为新的初始偏移量d0，确认相应的进行动作的矫正油缸，接着动作该矫正油缸使该处臂推至理想标准线并获取压力变送器的当前压力值p0，重新获得一个输入(d0,p0,d1＝0)，输入后矫正阶段BP神经网络模型,计算出新的神经网络输出继续动作相应矫正油缸，使矫正臂推至的位置后稍作停留；动作相应矫正油缸回到零位，获取测距传感器的位移信号并计算实际矫正后偏移量d1；重复这一步骤，直至实际矫正后偏移量d1达到矫正目标值，该位置的矫正完成；

(3)、转至下一矫正位置，重复进行步骤(1)和(2)，完成各个矫正位置的矫正。

9.如权利要求8所述的基于BP神经网络的装载机动臂焊后变形矫正方法，其特征在于：

所述的步骤(1)和(2)中首矫正阶段BP神经网络模型的神经网络输出和后矫正阶段BP神经网络模型的神经网络输出的计算采用如下式1的神经网络信号传导：

其中，y^e表示输入层各神经元输出，y^h _i表示隐层第i个神经元输出，y^o ₁表示输出层神经元输出,f₁为对称Sigmoid函数，f₂为线性函数；

y^h _i中，对于首矫正阶段BP神经网络模型i＝7，对于后矫正阶段BP神经网络模型i＝5。