CN112613146A - 一种校直自适应优化方法、系统、存储介质及计算设备 - Google Patents
一种校直自适应优化方法、系统、存储介质及计算设备 Download PDFInfo
- Publication number
- CN112613146A CN112613146A CN202011607596.3A CN202011607596A CN112613146A CN 112613146 A CN112613146 A CN 112613146A CN 202011607596 A CN202011607596 A CN 202011607596A CN 112613146 A CN112613146 A CN 112613146A
- Authority
- CN
- China
- Prior art keywords
- data
- straightening
- database
- point
- alignment
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Mathematical Optimization (AREA)
- Biophysics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Pure & Applied Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Medical Informatics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Length Measuring Devices With Unspecified Measuring Means (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种校直自适应优化方法、系统、存储介质及计算设备,通过采集细长轴三点弯曲校直流程中的数据,择优选择细长轴形变量没有达到最佳期望值、但是弯曲量误差波动较大的潜力数据整合形成新数据库,开发BP神经网络并采用新数据库进行训练学习,使得三点弯曲智能校直机实现高效高精度的自主校直,具有自学习能力强,自适应水平高,性能优越的特点,充分考虑潜力数据,预测结果科学准确,在机器人、高端装备及电子电器等领域具有广泛的应用前景。
Description
技术领域
本发明属于训练机器学习技术领域,具体涉及一种校直自适应优化方法、系统、存储介质及计算设备。
背景技术
细长轴零件是机械工业上使用最普遍的零件之一,广泛应用于汽车、轮船、航空、航天、石油等多个工业领域。随着工业的发展,对这些零件的精度要求也越来越高,如航空发动机主轴在某些工序后,要求直线度精度高于0.3mm·m-1。这些零件从毛坯料到成品的过程中,经历了切削、热处理等多道复杂工序,极易产生弯曲变形,很多较小弯曲变形(弯曲量≤1mm)是肉眼难以分辨的,而这些弯曲形变如果不及时处理将会影响后续加工,甚至产生大量废品,造成极大损失。
对于细长轴零件直线度的校直,传统工厂完全依靠工人的经验确定,校直精度无法保证,这种依靠工人经验进行的直线度校直方法已不能满足工业迅速发展的要求。近年来,虽然国内市场上逐渐出现了一些自动化校直设备,但没有很好的解决直线度测量准确性和校直参数计算精度低的问题,而且存在设备不具备自学习能力,智能化程度低,价格普遍较高等缺点。
发明内容
本发明所要解决的技术问题在于针对上述现有技术中的不足,提供一种校直自适应优化方法、系统、存储介质及计算设备,将神经网络回归算法引入三点弯曲校直过程,考虑具有足够不确定性及优化潜力的数据,使得整体仿真所需数据库最小,从而使得开发周期效率更高,可作为一种新型的工艺优化算法应用于机器人、特种设备、电子电气等重大行业中。
本发明采用以下技术方案:
一种校直自适应优化方法,包括以下步骤:
S1、对细长轴进行校直,测量并收集校直点在整个校直流程中产生的数据,并将数据存储在初始数据库中;
S2、对数据进行筛选,在满足预期校直量的数据中,保留细长轴校直后弯曲量误差波动范围最大的一组数据作为潜力数据,将筛选出的潜力数据整合成新数据库;
S3、对合成的新数据库使用BP神经网络优化算法预测下一轮校直流程所需的最佳下压量与跨距;
S4、根据预测的最佳下压量与跨距再次开展细长轴校直实验,得到一组新的校直数据,将实验数据纳入数据库,训练BP神经网络,调整算法学习率,对下一次校直预测量进行优化。
具体的,步骤S1中,数据包括三点弯曲智能校直机在校直过程中细长轴实际形变量、细长轴两支撑点之间的跨距以及细长轴单次校直后产生的弯曲量波动误差。
具体的,步骤S2中,细长轴校直后,使用激光位移传感器测得最大弯曲点的位置,将与最大弯曲点空间角度之差为±15°的点作为支撑点;取+15°与-15°两个支撑点当中距离压点小于500mm的点作为最终支撑点,确定最终支撑点后,设置另一支撑点与最终支撑点关于压点对称,两点之间的距离为支撑跨距。
具体的,步骤S2中,设预期校直距离为Di,校直后细长轴实际的形变量为Li,弯曲量波动误差为Hi,对于Li相同的几组数据,当Di<Li+Hi时,保留Hi最大的一组数据作为潜力数据。
具体的,步骤S3中,使用BP神经网络开展下压量与跨距预测前,先对新数据库中的数据进行归一化处理。
进一步的,构建输入层为7节点,输出层为1节点,单隐含层6节点的BP神经网络结构预测最佳下压量与跨距,隐含层传递函数为正切S型传递函数tansig,输出层传递函数为线性传递函数purelin,目标精度为10-8,学习效率为0.1。
具体的,步骤S4中,BP神经网络与潜力数据构成的新数据库相结合后,预测得到细长轴下一轮校直流程所需最佳的下压量与跨距,使用对应数据对细长轴再次展开校直,重复此过程直到细长轴校直直线度达到要求,每次开展细长轴校直流程都会产生一组新数据,随后三点弯曲智能校直机自动存储并更新数据库,再次训练模型,重复此流程,不断提高BP神经网络的预测准确率。
本发明的另一个技术方案是,一种校直自适应优化系统,包括:
测量模块,对细长轴进行校直,测量并收集校直点在整个校直流程中产生的数据,并将数据存储在初始数据库中;
筛选模块,对数据进行筛选,保留细长轴校直后弯曲量误差波动范围最大的一组数据,将筛选出的潜力数据整合成新数据库;
预测模块,对合成的新数据库使用BP神经网络优化算法预测下一轮校直流程所需的最佳下压量与跨距;
优化模块,根据预测的最佳下压量与跨距再次开展细长轴校直实验,得到一组新的校直数据,将实验数据纳入数据库,训练BP神经网络,调整算法学习率,对下一次校直预测量进行优化。
本发明的另一个技术方案是,一种存储一个或多个程序的计算机可读存储介质,所述一个或多个程序包括指令,所述指令当由计算设备执行时,使得所述计算设备执行所述的方法中的任一方法。
本发明的另一个技术方案是,一种计算设备,包括:
一个或多个处理器、存储器及一个或多个程序,其中一个或多个程序存储在所述存储器中并被配置为所述一个或多个处理器执行,所述一个或多个程序包括用于执行所述的方法中的任一方法的指令。
与现有技术相比,本发明至少具有以下有益效果:
一种校直自适应优化方法,通过采集三点弯曲智能校直机对细长轴校直过程中产生的数据,筛选细长轴形变量没有达到最佳期望值、但是弯曲量误差波动较大的潜力数据形成新数据库,使用BP神经网络对潜力数据库进行训练,实现三点弯曲智能校直机自主判断并执行合适的下压量,自动调整跨距,大幅提高校直效率与精度。
进一步的,三点弯曲智能校直机使用激光位移传感器精准测量校直过程中细长轴实际形变量、细长轴两支撑点之间的跨距、细长轴单次校直后产生的弯曲量波动误差,形成初始数据库,作为后续算法的优化基础,使得训练学习结果更具有可靠性。
进一步的,考虑弯曲量波动误差的正态分布范围,择优选择细长轴形变量没有达到最佳期望值、但是误差波动较大的潜力数据纳入数据库进行训练学习,择优选择的数据都是具有足够不确定性及优化潜力的数据,使得整体仿真所需数据库最小,从而使得三点弯曲校直周期缩短,提高细长轴的校直效率。
进一步的,在开展优化运算前需要对潜力数据构成的新数据库进行归一化处理,优化BP神经网络算法,使得整体算法性能更佳。
进一步的,随着实际智能校直机收集到的数据库不断扩大,该优化算法与常规解法相比,优势将进一步凸显,拉大差距。当数据库数据量为500组时,2次校直即可满足精度要求;当数据量为800组时,1次校直即可满足精度要求。随着数据库数据量的增加,校直次数越来越少,神经网络计算下压量精度越来越高,最终实现1次校直即可满足精度要求。
进一步的,三点弯曲智能校直机采用BP神经网络计算下压量与跨距的方法能够有效提高计算精度,减少校直次数,从而提高校直效率,节省了优化成本同时避免了实验中的部分不确定性。
综上所述,本发明具有自学习能力强,自适应水平高,性能优越的特点,充分考虑潜力数据,预测结果科学准确,在机器人、高端装备及电子电器等领域具有广泛的应用前景。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
图1为本发明流程示意图;
图2为本发明应用于三点弯曲智能校直机校直细长轴的工艺参数优化流程图;
图3为本发明的基于择优选样的细长轴智能校直自适应优化算法应用于三点弯曲智能校直机后,细长轴达到校直精度的校直次数与数据库样本数量的关系图。
具体实施方式
应当理解,当在本说明书和所附权利要求书中使用时,术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
在本发明的描述中,需要说明的是,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
还应当理解,在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解,在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
在附图中示出了根据本发明公开实施例的各种结构示意图。这些图并非是按比例绘制的,其中为了清楚表达的目的,放大了某些细节,并且可能省略了某些细节。图中所示出的各种区域、层的形状及它们之间的相对大小、位置关系仅是示例性的,实际中可能由于制造公差或技术限制而有所偏差,并且本领域技术人员根据实际所需可以另外设计具有不同形状、大小、相对位置的区域/层。
请参阅图1,本发明一种基于择优选样的细长轴智能校直自适应优化方法,包括以下步骤:
S1、使用三点弯曲智能校直机对细长轴进行校直,使用激光位移传感器测量并收集校直点在整个校直流程中产生的数据,并存储在初始数据库中;
激光位移传感器所测得的数据包括但不限于三点弯曲智能校直机在校直过程中压头的实际下压量、细长轴两支撑点之间的跨距、细长轴单次校直后产生的弯曲量波动误差。
S2、对数据进行筛选,对于所需下压量相同的几组校直数据,保留细长轴校直后弯曲量误差波动范围最大的一组数据,将筛选出来的潜力数据整合成新数据库;
设预期校直距离为Di,实际校直距离为Li,弯曲量波动误差为Hi,对于Li相同的几组数据,当Di<Li+Hi时,保留Hi最大的一组数据,称之为潜力数据,纳入新数据库。
细长轴校直后,使用激光位移传感器测得最大弯曲点的位置,将与最大弯曲点空间角度之差为±15°的点作为支撑点;取+15°与-15°两个支撑点当中距离压点小于500mm的点作为最终支撑点,确定最终支撑点后,设置另一支撑点与最终支撑点关于压点对称,两点之间的距离为支撑跨距。
S3、对新数据库的数据进行归一化处理,使用BP神经网络优化算法预测下一轮校直流程所需的最佳下压量与跨距;
使用BP神经网络开展下压量与跨距预测前,需要对新数据库当中的筛选数值进行归一化处理,优化算法性能。
构建了一个输入层为7节点,输出层为1节点,单隐含层6节点的BP神经网络结构进行优化,其中隐含层传递函数为正切S型传递函数tansig,输出层传递函数为线性传递函数purelin,目标精度为10-8,学习效率为0.1。择优选样采用具有足够不确定性及优化潜力的数据对BP神经网络进行训练。
S4、根据预测的最佳下压量与跨距再次开展细长轴校直实验,得到一组新的校直数据,将实验数据纳入数据库,训练BP神经网络,自主调整算法学习率,使得下一次校直预测量更为准确。
BP神经网络与潜力数据构成的新数据库相结合后,预测得到细长轴下一轮校直流程所需最佳的下压量与跨距,使用该组数据对细长轴再次展开校直,重复此过程直到细长轴校直直线度达到要求。每次开展细长轴校直流程都会产生一组新数据,随后三点弯曲智能校直机自动存储并更新数据库,再次训练模型,不断提高BP神经网络的预测准确率。
本发明再一个实施例中,提供一种智能校直自适应优化系统,该系统能够用于实现上述智能校直自适应优化方法,具体的,该智能校直自适应优化系统包括测量模块、筛选模块、预测模块以及优化模块。
其中,测量模块,对细长轴进行校直,测量并收集校直点在整个校直流程中产生的数据,并将数据存储在初始数据库中;
筛选模块,对数据进行筛选,保留细长轴校直后弯曲量误差波动范围最大的一组数据,将筛选出的潜力数据整合成新数据库;
预测模块,对合成的新数据库使用BP神经网络优化算法预测下一轮校直流程所需的最佳下压量与跨距;
优化模块,根据预测的最佳下压量与跨距再次开展细长轴校直实验,得到一组新的校直数据,将实验数据纳入数据库,训练BP神经网络,调整算法学习率,对下一次校直预测量进行优化。
本发明再一个实施例中,提供了一种终端设备,该终端设备包括处理器以及存储器,所述存储器用于存储计算机程序,所述计算机程序包括程序指令,所述处理器用于执行所述计算机存储介质存储的程序指令。处理器可能是中央处理单元(Central ProcessingUnit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor、DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable GateArray,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等,其是终端的计算核心以及控制核心,其适于实现一条或一条以上指令,具体适于加载并执行一条或一条以上指令从而实现相应方法流程或相应功能;本发明实施例所述的处理器可以用于智能校直自适应优化方法、存储介质及计算设备的操作,包括:对细长轴进行校直,测量并收集校直点在整个校直流程中产生的数据,并将数据存储在初始数据库中;对数据进行筛选,在满足预期校直量的数据中,保留细长轴校直后弯曲量误差波动范围最大的一组数据作为潜力数据,将筛选出的潜力数据整合成新数据库;对合成的新数据库使用BP神经网络优化算法预测下一轮校直流程所需的最佳下压量与跨距;根据预测的最佳下压量与跨距再次开展细长轴校直实验,得到一组新的校直数据,将实验数据纳入数据库,训练BP神经网络,调整算法学习率,对下一次校直预测量进行优化。
本发明再一个实施例中,本发明还提供了一种存储介质,具体为计算机可读存储介质(Memory),所述计算机可读存储介质是终端设备中的记忆设备,用于存放程序和数据。可以理解的是,此处的计算机可读存储介质既可以包括终端设备中的内置存储介质,当然也可以包括终端设备所支持的扩展存储介质。计算机可读存储介质提供存储空间,该存储空间存储了终端的操作系统。并且,在该存储空间中还存放了适于被处理器加载并执行的一条或一条以上的指令,这些指令可以是一个或一个以上的计算机程序(包括程序代码)。需要说明的是,此处的计算机可读存储介质可以是高速RAM存储器,也可以是非不稳定的存储器(non-volatile memory),例如至少一个磁盘存储器。
可由处理器加载并执行计算机可读存储介质中存放的一条或一条以上指令,以实现上述实施例中有关智能校直自适应优化方法、存储介质及计算设备的相应步骤;计算机可读存储介质中的一条或一条以上指令由处理器加载并执行如下步骤:对细长轴进行校直,测量并收集校直点在整个校直流程中产生的数据,并将数据存储在初始数据库中;对数据进行筛选,在满足预期校直量的数据中,保留细长轴校直后弯曲量误差波动范围最大的一组数据作为潜力数据,将筛选出的潜力数据整合成新数据库;对合成的新数据库使用BP神经网络优化算法预测下一轮校直流程所需的最佳下压量与跨距;根据预测的最佳下压量与跨距再次开展细长轴校直实验,得到一组新的校直数据,将实验数据纳入数据库,训练BP神经网络,调整算法学习率,对下一次校直预测量进行优化。
请参阅图2,本发明方法应用于三点弯曲智能校直机的工艺优化流程,优化的工艺参数对象为下压量和跨距,通过收集校直流程中产生的数据形成工艺数据库,每一组下压量和跨距与一个细长轴形变量相关联,使用BP神经网络结合工艺数据库,在每次开展校直流程前,由三点弯曲智能校直机自主预测判断最佳下压量与跨距,根据预测所得工艺参数,执行校直流程。完成一次校直实验后,判断校直是否达到目标精度,反馈实验数据用以扩充工艺数据库。整体流程合理有序,高效精简;应用于三点弯曲智能校直机,对细长轴的微变形进行校直,精确程度高,自学习能力强。
请参阅图3,本发明方法应用于三点弯曲智能校直机后,细长轴达到校直精度的校直次数与数据库样本数量的关系,随着数据库数据量的增加,校直次数越来越少。当数据库数据量为500组时,2次校直即可满足精度要求;当数据量为800组时,1次校直即可满足精度要求。可见随着数据量的增多,神经网络计算下压量精度越来越高,最终实现1次校直即可满足精度要求。说明本设备采用神经网络计算下压量的方法能够有效提高计算精度,减少校直次数,从而提高校直效率。
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。通常在此处附图中的描述和所示的本发明实施例的组件可以通过各种不同的配置来布置和设计。因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例
(1)三点弯曲智能校直机收集校直过程中的下压量、两个支点之间的跨距、细长轴校直后的形变量与弯曲量波动误差等相关数据形成初始数据库,设定理想下压量Θ1与跨距Θ2为目标函数J(Θ),函数梯度为迭代公式为A为初始学习率,三点弯曲智能校直机开始进行初步学习。
(2)在初步学习的基础上,三点弯曲智能校直机自动对训练后的数据库进行BP神经网络回归分析,考虑弯曲量波动误差的正态分布范围,将择优选择细长轴形变量没有达到最佳期望值、但是误差波动较大的潜力数据纳入数据库进行训练学习,如图2的数据3。
(3)加入择优选样的数据进行训练学习后,三点弯曲智能校直机给出预测的理想下压量与跨距,随后执行三点弯曲校直流程,得到新的反馈数据。在新数据的基础上,判断本次校直是否达到预期目标,循环执行上述流程直至细长轴校直形变量达到预期目标。
(4)随着三点弯曲智能校直机的数据库数据量增加,校直次数将越来越少,神经网络计算下压量精度越来越高,最终实现1次校直即可满足精度要求。
根据以上实施例执行细长轴的三点弯曲校直流程,择优选择的数据都是具有足够不确定性及优化潜力的数据,使得整体仿真所需数据库最小,从而使得开发周期效率更高。整体优化算法的开发基于多变量函数的梯度下降原理,能够有效缩短数据更新时间。随着数据库数据量的增加,校直次数越来越少,神经网络计算下压量精度越来越高,最终实现1次校直即可满足精度要求。三点弯曲智能校直机采用神经网络计算下压量的方法能够有效提高计算精度,减少校直次数,从而提高校直效率,节省了优化成本同时避免了实验中的部分不确定性。算法的实际应用包括但不限于智能校直机,校直对象包括但不限于细长轴。
综上所述,本发明一种智能校直自适应优化方法、存储介质及计算设备,通过采集细长轴三点弯曲校直流程中的数据,择优选择细长轴形变量没有达到最佳期望值、但是弯曲量误差波动较大的潜力数据整合形成新数据库,开发BP神经网络并采用新数据库进行训练学习,使得三点弯曲智能校直机实现高效高精度的自主校直,具有自学习能力强,自适应水平高,性能优越的特点,充分考虑潜力数据,预测结果科学准确,在机器人、高端装备及电子电器等领域具有广泛的应用前景。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上内容仅为说明本发明的技术思想,不能以此限定本发明的保护范围,凡是按照本发明提出的技术思想,在技术方案基础上所做的任何改动,均落入本发明权利要求书的保护范围之内。
Claims (10)
1.一种校直自适应优化方法,其特征在于,包括以下步骤:
S1、对细长轴进行校直,测量并收集校直点在整个校直流程中产生的数据,并将数据存储在初始数据库中;
S2、对数据进行筛选,在满足预期校直量的数据中,保留细长轴校直后弯曲量误差波动范围最大的一组数据作为潜力数据,将筛选出的潜力数据整合成新数据库;
S3、对合成的新数据库使用BP神经网络优化算法预测下一轮校直流程所需的最佳下压量与跨距;
S4、根据预测的最佳下压量与跨距再次开展细长轴校直实验,得到一组新的校直数据,将实验数据纳入数据库,训练BP神经网络,调整算法学习率,对下一次校直预测量进行优化。
2.根据权利要求1所述的方法,其特征在于,步骤S1中,数据包括三点弯曲智能校直机在校直过程中细长轴实际形变量、细长轴两支撑点之间的跨距以及细长轴单次校直后产生的弯曲量波动误差。
3.根据权利要求1所述的方法,其特征在于,步骤S2中,细长轴校直后,使用激光位移传感器测得最大弯曲点的位置,将与最大弯曲点空间角度之差为±15°的点作为支撑点;取+15°与-15°两个支撑点当中距离压点小于500mm的点作为最终支撑点,确定最终支撑点后,设置另一支撑点与最终支撑点关于压点对称,两点之间的距离为支撑跨距。
4.根据权利要求1所述的方法,其特征在于,步骤S2中,设预期校直距离为Di,校直后细长轴实际的形变量为Li,弯曲量波动误差为Hi,对于Li相同的几组数据,当Di<Li+Hi时,保留Hi最大的一组数据作为潜力数据。
5.根据权利要求1所述的方法,其特征在于,步骤S3中,使用BP神经网络开展下压量与跨距预测前,先对新数据库中的数据进行归一化处理。
6.根据权利要求5所述的方法,其特征在于,构建输入层为7节点,输出层为1节点,单隐含层6节点的BP神经网络结构预测最佳下压量与跨距,隐含层传递函数为正切S型传递函数tansig,输出层传递函数为线性传递函数purelin,目标精度为10-8,学习效率为0.1。
7.根据权利要求1所述的方法,其特征在于,步骤S4中,BP神经网络与潜力数据构成的新数据库相结合后,预测得到细长轴下一轮校直流程所需最佳的下压量与跨距,使用对应数据对细长轴再次展开校直,重复此过程直到细长轴校直直线度达到要求,每次开展细长轴校直流程都会产生一组新数据,随后三点弯曲智能校直机自动存储并更新数据库,再次训练模型,重复此流程,不断提高BP神经网络的预测准确率。
8.一种校直自适应优化系统,其特征在于,包括:
测量模块,对细长轴进行校直,测量并收集校直点在整个校直流程中产生的数据,并将数据存储在初始数据库中;
筛选模块,对数据进行筛选,保留细长轴校直后弯曲量误差波动范围最大的一组数据,将筛选出的潜力数据整合成新数据库;
预测模块,对合成的新数据库使用BP神经网络优化算法预测下一轮校直流程所需的最佳下压量与跨距;
优化模块,根据预测的最佳下压量与跨距再次开展细长轴校直实验,得到一组新的校直数据,将实验数据纳入数据库,训练BP神经网络,调整算法学习率,对下一次校直预测量进行优化。
9.一种存储一个或多个程序的计算机可读存储介质,其特征在于,所述一个或多个程序包括指令,所述指令当由计算设备执行时,使得所述计算设备执行根据权利要求1至7所述的方法中的任一方法。
10.一种计算设备,其特征在于,包括:
一个或多个处理器、存储器及一个或多个程序,其中一个或多个程序存储在所述存储器中并被配置为所述一个或多个处理器执行,所述一个或多个程序包括用于执行根据权利要求1至7所述的方法中的任一方法的指令。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011607596.3A CN112613146B (zh) | 2020-12-29 | 2020-12-29 | 一种校直自适应优化方法、系统、存储介质及计算设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011607596.3A CN112613146B (zh) | 2020-12-29 | 2020-12-29 | 一种校直自适应优化方法、系统、存储介质及计算设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112613146A true CN112613146A (zh) | 2021-04-06 |
CN112613146B CN112613146B (zh) | 2023-05-05 |
Family
ID=75249564
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011607596.3A Active CN112613146B (zh) | 2020-12-29 | 2020-12-29 | 一种校直自适应优化方法、系统、存储介质及计算设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112613146B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114683091A (zh) * | 2022-03-30 | 2022-07-01 | 重庆大学 | 基于低温微量润滑切削的智能制造系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102663495A (zh) * | 2012-02-22 | 2012-09-12 | 天津大学 | 一种用于非线性器件建模的神经网络数据生成方法 |
CN106650948A (zh) * | 2016-12-09 | 2017-05-10 | 曙光信息产业(北京)有限公司 | 一种机器学习中避免大数据冗余的方法 |
CN111047002A (zh) * | 2019-11-22 | 2020-04-21 | 浙江工业大学 | 一种基于bp神经网络的校直行程预测方法 |
-
2020
- 2020-12-29 CN CN202011607596.3A patent/CN112613146B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102663495A (zh) * | 2012-02-22 | 2012-09-12 | 天津大学 | 一种用于非线性器件建模的神经网络数据生成方法 |
CN106650948A (zh) * | 2016-12-09 | 2017-05-10 | 曙光信息产业(北京)有限公司 | 一种机器学习中避免大数据冗余的方法 |
CN111047002A (zh) * | 2019-11-22 | 2020-04-21 | 浙江工业大学 | 一种基于bp神经网络的校直行程预测方法 |
Non-Patent Citations (2)
Title |
---|
YI JINGGANG 等: "Study on On-line Intelligent Measurement and Control System of Shaft Parts\' Precision Straightening Machine" * |
夏链 等: "基于人工神经网络的曲轴滚压校直系统研究", 《合肥工业大学学报(自然科学版)》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114683091A (zh) * | 2022-03-30 | 2022-07-01 | 重庆大学 | 基于低温微量润滑切削的智能制造系统 |
CN114683091B (zh) * | 2022-03-30 | 2024-04-09 | 重庆大学 | 基于低温微量润滑切削的智能制造系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112613146B (zh) | 2023-05-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104866673B (zh) | 一种轴压加筋柱壳的开口补强方法 | |
CN106140901A (zh) | 金属板材弯曲成形控制方法 | |
JP6784780B2 (ja) | 大規模再生可能エネルギーのデータについて確率モデルを構築する方法 | |
Feng et al. | Optimization of variable blank holder force in deep drawing based on support vector regression model and trust region | |
CN113343427B (zh) | 一种基于卷积神经网络的结构拓扑构型预测方法 | |
Wiebenga | Robust design and optimization of forming processes | |
CN111199305A (zh) | 基于神经网络的生产能耗预测方法、系统、电子终端及存储介质 | |
CN112613146A (zh) | 一种校直自适应优化方法、系统、存储介质及计算设备 | |
CN110246205A (zh) | 一种平面工件自动排版方法 | |
CN102129242A (zh) | 基于两层混合智能优化的批处理生产过程产品质量控制方法 | |
CN115719622A (zh) | 一种化学分子性质预测的方法、系统及介质 | |
CN113505405B (zh) | 等效荷载获取方法、基于等效荷载的拓扑优化方法及系统 | |
CN111369039B (zh) | 基于多目标优化辅助主动学习的合金热处理工艺优化方法 | |
Zhang et al. | A new method for automatic optimization of drawbead geometry in the sheet metal forming process based on an iterative learning control model | |
CN112685947B (zh) | 一种板料回弹模型参数优化方法、装置、终端及存储介质 | |
CN114880792A (zh) | 一种基于形变预测的全方位多角度优化方法 | |
CN112084723B (zh) | 光纤预制棒一次拉伸工艺仿真方法及装置 | |
CN111210877B (zh) | 一种推断物性参数的方法及装置 | |
CN105608267A (zh) | 一种多变量全局优化算法 | |
CN111275078B (zh) | 一种用于零件图像识别的支持向量机的优化方法 | |
CN113051810B (zh) | 基于约束网格层次聚类的空分过程pwa模型辨识方法 | |
Strano et al. | Hierarchical metamodeling of the air bending process | |
CN112836254B (zh) | 节点可动基结构的参数控制方法、装置、设备和存储介质 | |
CN115018162B (zh) | 一种工业精加工过程加工质量实时预测方法和系统 | |
CN115906581A (zh) | 一种恒力机构的参数优化方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20210601 Address after: Beilin District Xianning West Road 710049, Shaanxi city of Xi'an province No. 28 Applicant after: XI'AN JIAOTONG University Applicant after: AECC SOUTH INDUSTRY Co.,Ltd. Address before: 710049 No. 28 West Xianning Road, Shaanxi, Xi'an Applicant before: XI'AN JIAOTONG University |
|
GR01 | Patent grant | ||
GR01 | Patent grant |