CN112692147B - 一种轧制差厚板盒形件智能拉深控制系统及方法 - Google Patents
一种轧制差厚板盒形件智能拉深控制系统及方法 Download PDFInfo
- Publication number
- CN112692147B CN112692147B CN202011419275.0A CN202011419275A CN112692147B CN 112692147 B CN112692147 B CN 112692147B CN 202011419275 A CN202011419275 A CN 202011419275A CN 112692147 B CN112692147 B CN 112692147B
- Authority
- CN
- China
- Prior art keywords
- neural network
- control
- optimal
- thick plate
- differential
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 124
- 230000008569 process Effects 0.000 claims abstract description 77
- 238000005096 rolling process Methods 0.000 claims abstract description 10
- 238000013528 artificial neural network Methods 0.000 claims description 148
- 238000003825 pressing Methods 0.000 claims description 101
- 238000003062 neural network model Methods 0.000 claims description 60
- 230000006870 function Effects 0.000 claims description 52
- 238000004422 calculation algorithm Methods 0.000 claims description 38
- 238000006073 displacement reaction Methods 0.000 claims description 30
- 239000000463 material Substances 0.000 claims description 29
- 108090000623 proteins and genes Proteins 0.000 claims description 23
- 230000002068 genetic effect Effects 0.000 claims description 22
- 238000012544 monitoring process Methods 0.000 claims description 21
- 238000006243 chemical reaction Methods 0.000 claims description 20
- 210000002569 neuron Anatomy 0.000 claims description 15
- 230000035772 mutation Effects 0.000 claims description 14
- 238000013507 mapping Methods 0.000 claims description 10
- 238000005457 optimization Methods 0.000 claims description 10
- 230000004913 activation Effects 0.000 claims description 8
- 230000009471 action Effects 0.000 claims description 6
- 230000001360 synchronised effect Effects 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 5
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 230000014759 maintenance of location Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000004088 simulation Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 abstract description 7
- 238000005516 engineering process Methods 0.000 description 9
- 230000008859 change Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000004044 response Effects 0.000 description 4
- 230000003321 amplification Effects 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000003199 nucleic acid amplification method Methods 0.000 description 3
- 230000007704 transition Effects 0.000 description 3
- 230000001174 ascending effect Effects 0.000 description 2
- 238000000418 atomic force spectrum Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000005192 partition Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 238000005336 cracking Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000013585 weight reducing agent Substances 0.000 description 1
- 230000037303 wrinkles Effects 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B21—MECHANICAL METAL-WORKING WITHOUT ESSENTIALLY REMOVING MATERIAL; PUNCHING METAL
- B21D—WORKING OR PROCESSING OF SHEET METAL OR METAL TUBES, RODS OR PROFILES WITHOUT ESSENTIALLY REMOVING MATERIAL; PUNCHING METAL
- B21D22/00—Shaping without cutting, by stamping, spinning, or deep-drawing
- B21D22/20—Deep-drawing
- B21D22/22—Deep-drawing with devices for holding the edge of the blanks
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B21—MECHANICAL METAL-WORKING WITHOUT ESSENTIALLY REMOVING MATERIAL; PUNCHING METAL
- B21C—MANUFACTURE OF METAL SHEETS, WIRE, RODS, TUBES OR PROFILES, OTHERWISE THAN BY ROLLING; AUXILIARY OPERATIONS USED IN CONNECTION WITH METAL-WORKING WITHOUT ESSENTIALLY REMOVING MATERIAL
- B21C51/00—Measuring, gauging, indicating, counting, or marking devices specially adapted for use in the production or manipulation of material in accordance with subclasses B21B - B21F
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B11/00—Automatic controllers
- G05B11/01—Automatic controllers electric
- G05B11/36—Automatic controllers electric with provision for obtaining particular characteristics, e.g. proportional, integral, differential
- G05B11/42—Automatic controllers electric with provision for obtaining particular characteristics, e.g. proportional, integral, differential for obtaining a characteristic which is both proportional and time-dependent, e.g. P. I., P. I. D.
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Abstract
本发明适用于差厚板制作技术领域，提供了一种轧制差厚板盒形件智能拉深控制系统及方法，其系统包括过程监测模块、识别预测模块、实时控制模块和系统执行模块，能够完成差厚板盒形件拉深成形过程的实时监测、识别、预测以及控制，进而实现对差厚板盒形件拉深成形过程的智能控制，获得高质量的差厚板盒形件。本发明的技术方案能够为大型复杂差厚板拉深零件的实际制造奠定工艺和技术基础，为提高差厚板零件的成形性能以及生产效率提供新思路。
Description
技术领域
本发明涉及差厚板制作技术领域，更具体的说是涉及一种用于轧制差厚板盒形件智能拉深的控制系统及方法。
背景技术
轧制差厚板是通过柔性轧制技术生产的一种结构轻量化板材，于20世纪90年代在德国亚琛工业大学金属成形研究所被开发出来。与激光拼焊板相比，差厚板在机械性能、减重效果、表面质量、生产成本等方面具有独特的优势，可以替代同等材质、同等宽度、不同厚度的拼焊板在汽车领域发挥巨大的作用。将差厚板应用于汽车零部件的制造，能够进一步提升汽车行业的轻量化水平，实现节能减排，助力汽车产业的发展。
然而从目前实际应用情况来看，差厚板主要用于汽车梁结构的制造，对于更为复杂的车身覆盖件则很少采用差厚板进行生产。一方面是由于汽车梁结构比较简单，其成形过程更加容易控制，另一方面则是因为差厚板存在板料厚度、机械性能的差异，在成形过程中应力与应变分布不均匀，从而导致差厚板在拉深成形过程中存在破裂、起皱、过渡区移动等缺陷，并且会使得模具产生不均匀磨损，降低模具的使用寿命。这样就限制了差厚板应用范围的进一步拓宽，严重阻碍了差厚板在汽车轻量化领域的应用进程。如何解决这些工艺问题，成为差厚板拉深成形技术应用与发展的关键。
盒形件是一种常见的冲压件，几何形状规则，应用也较为广泛。它属于非轴对称零件中具有代表性而又较难成形的一类零件，将其作为目标零件来研究差厚板的成形性能，获取差厚板的成形规律是非常理想的。将轧制差厚板应用到盒形件后，差厚板在拉深成形过程中最突出的问题除了破裂以及起皱缺陷外，板料厚度以及力学性能的不均一还会导致厚度过渡区的移动。由于差厚板薄、厚侧板料厚度以及性能的差异，再加之过渡区移动的影响，差厚板的变形过程变得更为复杂，其薄厚两侧的不均匀变形将会使整个零件的成形变得更加困难。
对工艺参数进行智能控制是防止差厚板拉深成形缺陷出现的有效手段。然而，截止目前，国内外还未见有差厚板拉深成形过程控制技术等方面的显著成果。因此，开展差厚板拉深成形控制技术研究，建立差厚板拉深成形智能化控制系统等工作，对于推动差厚板拉深件在汽车工业中的广泛应用将有重要意义。
发明内容
有鉴于此，本发明提供了一种轧制差厚板盒形件智能拉深控制系统及方法。
为了实现上述目的，本发明采用如下技术方案：
本发明公开了一种轧制差厚板盒形件智能拉深控制系统，包括过程监测模块、识别预测模块、实时控制模块和系统执行模块，所述过程监测模块通过所述识别预测模块与所述实时控制模块连接，所述实时控制模块与所述系统执行模块连接，所述过程监测模块，采用基于LabVIEW的数据采集系统，实时监测拉深过程变量，所述拉深过程变量包括拉深力、压边力和拉深行程等，所述识别预测模块，建立神经网络模型，所述神经网络模型包括神经网络识别模型和神经网络预测模型，所述神经网络识别模型根据所述过程监测模块得到的拉深力、压边力、拉深行程以及差厚板的几何参数，得出差厚板的材料性能参数，所述神经网络预测模型根据所述神经网络识别模型得出的差厚板的材料性能参数、所述差厚板的几何参数以及所述拉深行程，得出最优压边力和最优拉深速度，所述实时控制模块，依据所述识别预测模块得出的所述最优压边力和所述最优拉深速度，采用基于灰色预测的神经网络PID控制系统控制不同位置的压边力值和拉深速度值，所述系统执行模块，依据所述神经网络PID控制系统控制不同位置的压边力值和拉深速度值，进行差厚板的拉深成形。
所述过程监测模块的数据采集系统包括A/D转换卡(数据采集卡)、工控机、限压器、动态应变仪，所述动态应变仪为多通道动态应变仪、传感器及基于LabVIEW的采集、记录和显示程序，所述动态应变仪和所述传感器连接，可以实现动态应力、应变测量，并能够实现信号放大、滤波解调等功能。所述传感器分为直线位移传感器和经动态应变仪进行信号放大的应变片式压力传感器，通过标定所述压力传感器和所述位移传感器，得到所述传感器电压同所述拉深力、所述压边力、所述拉深行程之间的对应关系，所述传感器依据所述对应关系将所述拉深过程变量转换成模拟电压信号，所述A/D转换卡接收所述模拟电压信号，并将所述模拟电压信号转换为数字信号输入至所述工控机，并以数据文件的格式保存，所述工控机利用速度与位移的微分关系计算得到拉深速度-行程曲线，与拉深力-行程曲线和压边力-行程曲线一起实时呈现，所述限压器置于所述动态应变仪与所述A/D转换卡之间，所述限压器将电压限制在一定范围内，对所述轧制差厚板盒形件智能拉深控制系统起到保护作用。
所述识别预测模块主要由计算机和相应的程序组成，采用基于遗传算法优化的Matlab神经网络模型进行材料性能参数的在线识别和最优工艺参数的在线预测，所述最优工艺参数即为所述最优压边力和所述最优拉深速度。控制系统的LabVIEW主程序对过程检测模块获得的被加工对象的特征信息进行分析处理，通过神经网络识别模型实时识别被加工对象的材料性能参数，并采用神经网络预测模型给出最优的变压边力曲线和最优的拉深速度曲线。
所述神经网络识别模型，基于Matlab神经网络技术，将所述拉深过程变量以及差厚板几何参数作为输入层参数，差厚板材料性能参数作为输出层参数，建立所述差厚板材料性能参数与所述拉深过程变量、所述差厚板几何参数间的非线性映射关系；所述神经网络预测模型，是将所述差厚板材料性能参数、所述差厚板几何参数以及所述拉深行程作为神经网络输入层变量，所述最优压边力和所述最优拉深速度作为输出层变量，建立所述最优压边力和所述最优拉深速度与所述差厚板材料性能参数、所述差厚板几何参数、所述拉深行程之间的非线性映射关系。
所述实时控制模块主要包括D/A转换卡(高速模拟输出卡)、控制程序、比例溢流阀、比例放大器和电液比例阀等。基于LabVIEW软件平台开发实时控制模块，采用基于灰色预测模型的神经网络PID算法形成神经网络PID控制系统，将所述拉深行程作为反馈信号，将所述最优压边力和所述最优拉深速度作为控制信号，通过标定所述比例溢流阀获取所述压边力值与所述比例溢流阀控制电压之间的关系曲线，通过标定所述电液比例阀获取所述拉深速度值与所述电液比例阀控制电压之间的关系曲线，依据所述关系曲线将所述压边力值和所述拉深速度值转换为控制电压信号，由D/A转换卡将控制电压信号的数字量转换为模拟量，再由所述比例放大器将其转换为控制电流信号以控制所述比例溢流阀和所述电液比例阀开启量的大小，压边圈液压缸压力和液压机主缸速度随之发生变化，压边力和拉深速度亦发生变化。
所述系统执行模块包括液压控制部分和拉深部分。所述拉深部分包括拉深模具、液压机主滑块、凹模、凸模、第一压力传感器、第二压力传感器、第一位移传感器、第二位移传感器、压边缸、压边圈、下模板活塞杆和压边块，所述压边缸可以根据差厚板不同位置所需的压边力不同而设置多组压边缸，并对应设置多组第二压力传感器和第二位移传感器；所述拉深模具采用倒装形式，所述液压机主滑块与所述凹模板之间安装所述第一压力传感器与所述第一位移传感器，监测拉深力并获取拉深行程，压边装置底部安装有所述第二位移传感器，用来测量所述压边装置整体位移，所述压边缸与所述凸模一起置于所述下模板上，在所述下模板活塞杆的杆头和所述压边块之间安装有所述第二压力传感器，测量压边缸所提供的实时压边力值。
根据盒形件成形特点的要求，需要实现分区变压边力控制，因此所述液压控制部分需要在拉深模具上设置与各控制区域对应的压边力控制单元，每个压边力控制单元独立控制压边力，并随着测量的拉深行程由控制算法提供控制量，所述液压控制部分依据各区域所需的最优压边力和最优拉深速度不同，对应不同的压边力控制单元，所述不同的压边力控制单元均包括电机、柱塞泵、油箱、液压缸、过滤器、电磁换向阀、节流阀、液控单向阀，所述电机通过所述柱塞泵将油液从所述油箱中泵出，依次经过所述过滤器、所述液控单向阀、所述节流阀进入所述电磁换向阀，实现油液的正反向流动，最后进入所述液压缸，其中，所述电磁换向阀的作用是控制压边缸活塞的上行和下行，所述节流阀的作用是控制压边缸活塞上行和下行的速度，所述液控单向阀的作用是保证油液的正向流动。所述神经网络PID控制系统通过液压控制部分完成工艺动作以及压边力调整，同时通过控制液压控制部分配合拉深部分完成拉深成形，所述液压机主滑块运动速度的变化通过调节所述实时控制模块中的所述电液比例阀实现。
本发明还提供了一种轧制差厚板盒形件智能拉深方法，包括如下步骤：
A.依据基于LabVIEW的数据采集系统，实时监测拉深过程变量，所述拉深过程变量包括拉深力、压边力和拉深行程。
B.建立神经网络模型，采用改进型递阶遗传算法对神经网络结构及权值、阈值进行优化，所述神经网络模型包括神经网络识别模型和神经网络预测模型，所述神经网络识别模型根据所述数据采集系统得到的拉深力、压边力、拉深行程以及差厚板的几何参数，得出差厚板的材料性能参数，所述神经网络预测模型根据所述所述神经网络识别模型得出的所述差厚板的材料性能参数、所述差厚板的几何参数以及所述拉深行程，得出最优压边力和最优拉深速度。
C.依据所述神经网络模型得出的最优压边力和最优拉深速度，结合基于灰色预测模型的神经网络PID控制系统，控制施加在差厚板不同位置上的压边力值和拉深速度值，所述基于灰色预测模型的神经网络PID控制系统，是由灰色理论、BP神经网络与PID控制算法进行结合而得到的。
D.依据所述神经网络PID控制系统控制不同位置的压边力值和拉深速度值，进行差厚板的拉深成形。
上述步骤中，所述数据采集系统的建立方法为：
通过标定所述压力传感器和所述位移传感器，得到所述传感器电压同所述拉深力、所述压边力、所述拉深行程之间的对应关系，所述传感器依据所述对应关系将所述拉深过程变量转换成模拟电压信号，所述A/D转换卡接收所述模拟电压信号，并将所述模拟电压信号转换为数字信号输入至所述工控机，并以数据文件的格式保存，所述工控机利用速度与位移的微分关系计算得到拉深速度-行程曲线，与拉深力-行程曲线和压边力-行程曲线一起实时呈现。
所述神经网络模型的建立方法为：
基于前向网络模型建立神经网络模型，所述神经网络为BP神经网络，根据所述神经网络识别模型和所述神经网络预测模型的输入变量和输出变量确定输入层和输出层节点数，综合考虑网络的泛化能力，确定较优的隐层节点数；基于差厚板单向拉深试验和数值模拟以及所述神经网络识别模型和所述神经网络预测模型建立样本数据库，样本数据采用归一化处理，同时采用平均值和去除奇异点的方法以减小或消除奇异数据的影响，获取较高的泛化精度；学习函数采用梯度下降的动量学习函数，确定网络学习速率、惯量因子和各层传递函数，构造误差指标函数，选用贝叶斯正则化的训练方法训练所述神经网络模型来提高网络性能。
为了提高神经网络的学习效率和收敛性，将遗传算法与所述神经网络模型进行结合，为改善标准遗传算法的性能，提出了一种改进型递阶遗传算法对所述神经网络模型的结构及权值、阈值进行优化，所述优化方法为：
设置最大进化代数以及种群规模，采用具有层次结构的递阶遗传算法对所述神经网络模型的拓扑结构和权值、阈值信息同时进行编码，并随机产生初始种群，所述递阶遗传算法采用三层递阶结构，前两层控制基因分别决定所述神经网络模型的隐层数和每个隐层被激活的神经元，最后一层参数基因表示每个神经元的连接权值和阈值，控制基因采用二进制编码，用“1”和“0”分别表示下层基因处于激活状态和非激活状态，参数基因采用实数编码，依次对所述神经网络模型输入层与隐含层之间连接权值、隐含层阈值、隐含层与输出层之间连接权值、输出层阈值进行编码；随后，将所有的种群个体带入所述神经网络模型，并计算各自的预测误差，选取误差平方和的倒数作为适应度函数，将BP神经网络和遗传算法的评估标准融为一体，提高网络的优化性能；接着，将个体适应度值按顺序排列，选用轮盘赌法完成选择操作，在选择过程中加入精英保留策略，保证适应度最高的个体可直接被选择组成新种群,同时采用稳态繁殖方法，即在将个体加入到新一代种群之前，先检查该个体与种群中现有个体是否重复，如果重复就舍弃；层控制基因采用单点交叉或多点交叉，神经元控制基因采用单点交叉或多点交叉，参数基因采用算术交叉，变异算子采用连接变异和有偏权值变异,交叉概率和变异概率自适应调整，进而完成交叉和变异操作产生下一代，直至进化代数达到预先设定值，优化过程结束,获取最优个体，经解码后得到所述神经网络模型的隐层数、神经元个数、权值、阈值，并赋值给所述神经网络模型，完成对所述神经网络模型的优化。
所述神经网络识别模型，基于Matlab神经网络技术，将所述拉深过程变量以及差厚板几何参数作为输入层参数，差厚板材料性能参数作为输出层参数，建立所述差厚板材料性能参数与所述拉深过程变量、所述差厚板几何参数间的非线性映射关系；所述神经网络预测模型，是将所述差厚板材料性能参数、所述差厚板几何参数以及所述拉深行程作为神经网络输入层变量，所述最优压边力和所述最优拉深速度作为输出层变量，建立所述最优压边力和所述最优拉深速度与所述差厚板材料性能参数、所述差厚板几何参数、所述拉深行程之间的非线性映射关系。
依据所述优化后的神经网络预测出最优压边力和最优拉深速度的步骤为：
采用基于LabVIEW的虚拟仪器技术，开发出差厚板盒形件拉深成形信号采集程序，利用LabVIEW软件提供的Matlab Script脚本函数节点，完成所述数据采集系统和所述神经网络识别模型以及所述神经网络预测模型之间的高效接口程序，嵌入经过网络学习得到的所述神经网络识别模型和所述神经网络预测模型，根据所述神经网络模型输入变量的要求，把所述差厚板几何参数和所述拉深过程变量实时输入给网络模型，框架中嵌入的Matlab脚本程序即为已完成样本训练的实时识别神经网络模型，脚本框架的输出变量即为识别出来的材料参数，同样的方法把识别出来的所述差厚板材料性能参数、所述差厚板几何参数和所述拉深行程实时输入给脚本中经过训练的所述神经网络模型，实时预测出所述最优压边力和所述最优拉深速度，得到最优预测曲线。
由于所述拉深速度和不同位置的压边力之间具有相对独立性、控制同步性以及控制系统小时滞的要求，将灰色预测模型、BP神经网络与PID控制器相结合，构成神经网络PID控制系统，通过神经网络针对各个区域提供相对独立的压边力控制量，并保证各压边力和拉深速度的同步性，通过灰色理论模型实现超前控制，减少样本数据，实现快速响应预测并提高预测的准确性。
所述神经网络PID控制系统控制不同位置压边力值和拉深速度值的方法为：
所述神经网络PID控制系统由三部分组成，第一部分为最优压边力和最优拉深速度输入、PID控制器网络、比例阀及传感器组成的独立增量式PID闭环控制网络，这部分程序基于LabVIEW平台进行开发。第二部分为BP神经网络，输入分别为最优参数设定值、灰色预测值以及两者的误差，输出为PID控制器网络的3个参数KP、KI、KD，这部分程序采用Matlab软件编制。BP神经网络选取每一控制回路的误差函数以及回路之间的误差函数作为性能指标函数，从而保证控制精度与同步性要求，输出节点采用非负的S函数作为其活化函数，而隐含层神经元的活化函数采用正负对称的S函数，网络加权系数的修正采用梯度下降法，第三部分为灰色预测模型，分别以所述最优压边力值、所述最优拉深速度值和所述比例溢流阀输出值、所述电液比例阀输出值作为输入，灰色预测值为输出，这部分也采用Matlab软件编程。控制系统第二、三部分与第一部分的接口程序利用LabVIEW软件的Matlab Script脚本函数节点进行开发，通过初始化、信息的正向传播、误差的反向传播以及连接权值和阈值的修正等步骤完成神经网络的自学习过程，实现每个PID控制器网络3个参数的自适应调整，保证任意拉深时刻能够对各个变量施加同步且相对独立的控制量，并通过灰色预测模型实现超前控制。灰色理论实现超前控制的原理为(以压边力控制为例)：由当前时刻t通过所述传感器获得输出压边力p(t)，其与t时刻之前的数据构成一组数据序列，另有一组输入数据序列r(t)，由两组数据可建立GM(1,N)模型，通过模型可预测下一时刻的输出数据y(t+1)，由y(t+1)代替实际输出中的p(t)与t+1时刻的输入r(t+1)进行比较得到误差Δe(t+1)，达到预先控制、减小误差的目的，从而提高BP神经网络的收敛速度以及PID控制器网络的响应速度，所述u(t)为控制电压。将灰色预测模型、BP神经网络与PID控制器网络相结合组成的控制系统能够在同步性、动态和稳态性能、鲁棒性等方面实现最优控制。
基于LabVIEW软件平台开发实时控制模块，采用基于灰色预测的神经网络PID算法形成神经网络PID控制系统，将所述拉深行程作为反馈信号，将所述最优压边力和所述最优拉深速度作为控制信号，通过标定所述比例溢流阀获取所述压边力值与所述比例溢流阀控制电压之间的关系曲线，通过标定所述电液比例阀获取所述拉深速度值与所述电液比例阀控制电压之间的关系曲线，依据所述关系曲线将所述压边力值和所述拉深速度值转换为控制电压信号，由D/A转换卡将控制电压信号的数字量转换为模拟量，再由所述比例放大器将其转换为控制电流信号以控制所述比例溢流阀和所述电液比例阀开启量的大小，压边圈液压缸压力和液压机主缸速度随之发生变化，压边力和拉深速度亦发生变化。
压边力控制部分主要通过调整所述比例溢流阀的开启量达到控制压边力的目的，因此需要寻找所述压边力同所述比例溢流阀控制电压的对应关系以及所述拉深速度同所述电液比例阀控制电压的对应关系，通过标定所述比例溢流阀获取所述压边力值与所述比例溢流阀控制电压之间的关系曲线以及通过标定所述电液比例阀获取所述拉深速度值与所述电液比例阀控制电压之间的关系曲线的具体方法如下：
在模具空载下压过程中多次变换所述比例溢流阀的电压，测得不同电压值时对应的压边力值，获取所述比例溢流阀控制电压和所述压边力的关系曲线，采用高次曲线拟合得到二者的函数关系，并将其写入LabVIEW实验程序中，进而由预测出来的压边力值驱动所述比例溢流阀的电压调节，通过改变所述比例溢流阀的开启量控制液压缸的压力，进而控制所述压边力的大小，采用同样方法，确定所述拉深速度和所述电液比例阀控制电压之间的关系，保证拉深速度按照最优预测曲线变化，所述实时控制装置可以实现随行程和位置联动的压边力控制，随行程变化的压边力可以通过压边力-行程曲线设定，给不同压边缸设置不同的压边力-行程曲线就实现了随位置变化的压边力。
依据所述神经网络PID控制系统控制不同位置的压边力值和拉深速度值，进行差厚板拉深成形的具体步骤为：
在开始阶段，压边缸带动压边圈上行，压边圈的位置由第二位移传感器将位移信息反馈到工控机的控制软件中，在达到预先设定的压边力零位后，工控机发控制指令将上行阀门断电，使所述压边圈在预定位置就位，在所述压边圈就位之后，将差厚板放置到所述压边圈与凹模之间，工控机控制软件发控制指令使液压机主滑块下行，拉深动作开始，在拉深成形阶段第一位移传感器将拉深行程反馈给工控机，第二压力传感器的压边力和第一压力传感器的拉深力实时传输给工控机，通过控制算法实现对拉深速度和各分区压边力的实时反馈控制，保证拉深速度以及压边力按照最优预测曲线进行同步输出，直至拉深结束。
经由上述的技术方案可知，与现有技术相比，本发明公开提供了一种更先进的技术方案，在轧制差厚板盒形件拉深成形过程的实时监测、识别预测和控制方面有很好地进步性，可以生产出更高质量的差厚板拉深件。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1是一种轧制差厚板盒形件智能拉深控制系统的模块连接示意图。
图2是基于灰色预测的神经网络PID控制系统结构图。
图3是差厚板盒形件智能化拉深实验系统工作原理图。
具体实施方式
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，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做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。
本发明实施例公开了一种轧制差厚板盒形件智能拉深控制系统，包括过程监测模块、识别预测模块、实时控制模块和系统执行模块，连接方式如图1所示，过程监测模块通过识别预测模块与实时控制模块连接，实时控制模块与系统执行模块连接。过程监测模块，采用基于LabVIEW的数据采集系统，实时监测拉深过程变量，拉深过程变量包括拉深力、压边力和拉深行程等，识别预测模块，建立神经网络模型，神经网络模型包括神经网络识别模型和神经网络预测模型，神经网络识别模型根据过程监测模块得到的拉深力、压边力、拉深行程以及差厚板的几何参数，得出差厚板的材料性能参数，神经网络预测模型根据神经网络识别模型得出的差厚板的材料性能参数、差厚板的几何参数以及拉深行程，得出最优压边力和最优拉深速度，实时控制模块，依据识别预测模块得出的最优压边力和最优拉深速度，采用基于灰色预测的神经网络PID控制系统控制不同位置的压边力值和拉深速度值，系统执行模块，依据所述神经网络PID控制系统控制不同位置的压边力值和拉深速度值，进行差厚板的拉深成形。
过程监测模块的数据采集系统包括A/D转换卡、工控机、限压器、动态应变仪、传感器及基于LabVIEW的采集、记录和显示程序，A/D转换卡可以用研华PCI-1711A/D转换卡(数据采集卡)，工控机可以采用研华IPC-610H工控机，本实施例对此不做限制。动态应变仪同时接入多路传感器，实现动态应力、应变测量，并能够实现信号方法、滤波、解调等功能，传感器分为直线位移传感器和经动态应变仪进行信号放大的应变片式压力传感器，通过标定压力传感器和位移传感器，得到传感器电压同拉深力、压边力、拉深行程之间的对应关系，传感器依据对应关系将拉深过程变量转换成模拟电压信号，A/D转换卡接收模拟电压信号，并将模拟电压信号转换为数字信号输入至工控机，并以数据文件的格式保存，工控机利用速度与位移的微分关系计算得到拉深速度-行程曲线，与拉深力-行程曲线和压边力-行程曲线一起实时呈现，限压器置于动态应变仪与A/D转换卡之间，限压器将电压限制在一定范围内，对轧制差厚板盒形件智能拉深控制系统起到保护作用。
识别预测模块主要由计算机和相应的程序组成，采用基于遗传算法优化的Matlab神经网络模型进行材料性能参数的在线识别和最优工艺参数的在线预测，最优工艺参数即为最优压边力和最优拉深速度。控制系统的LabVIEW主程序对过程检测模块获得的被加工对象的特征信息进行分析处理，通过神经网络识别模型实时识别被加工对象的材料性能参数，并采用神经网络预测模型给出最优的变压边力曲线和最优的拉深速度曲线。
神经网络识别模型，基于Matlab神经网络技术，将拉深过程变量以及差厚板几何参数作为输入层参数，差厚板材料性能参数作为输出层参数，建立差厚板材料性能参数与拉深过程变量、差厚板几何参数间的非线性映射关系；神经网络预测模型，是将差厚板材料性能参数、差厚板几何参数以及拉深行程作为神经网络输入层变量，最优压边力和最优拉深速度作为输出层变量，建立最优压边力和最优拉深速度与差厚板材料性能参数、差厚板几何参数、拉深行程之间的非线性映射关系。
实时控制模块主要包括D/A转换卡、控制程序、比例溢流阀、比例放大器和电液比例阀等，D/A转换卡可以采用PCI-1721D/A转换卡(高速模拟输出卡)，本实施例对此不做限制。基于LabVIEW软件平台开发实时控制模块，采用基于灰色预测的神经网络PID算法形成神经网络PID控制系统，将拉深行程作为反馈信号，将最优压边力和最优拉深速度作为控制信号，通过标定比例溢流阀获取压边力值与比例溢流阀控制电压之间的关系曲线，通过标定电液比例阀获取拉深速度值与电液比例阀控制电压之间的关系曲线，依据关系曲线将压边力值和拉深速度值转换为控制电压信号，由D/A转换卡将控制电压信号的数字量转换为模拟量，再由比例放大器将其转换为控制电流信号以控制比例溢流阀和电液比例阀开启量的大小，压边圈液压缸压力和液压机主缸速度随之发生变化，压边力和拉深速度亦发生变化。
系统执行模块包括液压控制部分和拉深部分。拉深部分包括拉深模具、液压机主滑块、凹模、凸模、第一压力传感器、第二压力传感器、第一位移传感器、第二位移传感器、压边缸、压边圈、下模板活塞杆和压边块，压边缸可以根据差厚板不同位置所需的压边力不同而设置多组压边缸，每一组压边缸对应一组液压控制部分和拉深部分，图3中展示了四组压边缸的结构示意图，压边缸的数目根据需求可以设定不同的数量，本实施例对此不做限制；拉深模具采用倒装形式，液压机主滑块与凹模板之间安装第一压力传感器与第一位移传感器，监测拉深力并获取拉深行程，压边装置底部安装有第二位移传感器，用来测量压边装置整体位移，压边缸与凸模一起置于下模板上，在下模板活塞杆的杆头和压边块之间安装有第二压力传感器，测量压边缸所提供的实时压边力值。
根据盒形件成形特点的要求，需要实现分区变压边力控制，因此液压控制部分需要在拉深模具上设置与各控制区域对应的压边力控制单元，每个压边力控制单元独立控制压边力，并随着测量的拉深行程由控制算法提供控制量，液压控制部分依据各区域所需的最优压边力和最优拉深速度不同，对应不同的压边力控制单元，不同的压边力控制单元均包括电机、柱塞泵、油箱、液压缸、过滤器、电磁换向阀、节流阀、液控单向阀，电机通过柱塞泵将油液从油箱中泵出，依次经过过滤器、液控单向阀、节流阀进入电磁换向阀，实现油液的正反向流动，最后进入液压缸，其中，电磁换向阀的作用是控制压边缸活塞的上行和下行，节流阀的作用是控制压边缸活塞上行和下行的速度，液控单向阀的作用是保证油液的正向流动。神经网络PID控制系统通过液压控制部分完成工艺动作以及压边力调整，同时通过控制液压控制部分配合拉深部分完成拉深成形，液压机主滑块运动速度的变化通过调节实时控制模块中的电液比例阀实现。
本发明实施例还公开了一种轧制差厚板盒形件智能拉深方法，包括如下步骤：
A.依据基于LabVIEW的数据采集系统，实时监测拉深过程变量，拉深过程变量包括拉深力、压边力和拉深行程。
B.建立神经网络模型，采用改进型递阶遗传算法对神经网络结构及权值、阈值进行优化，神经网络模型包括神经网络识别模型和神经网络预测模型，神经网络识别模型根据数据采集系统得到的拉深力、压边力、拉深行程以及差厚板的几何参数，得出差厚板的材料性能参数，神经网络预测模型根据神经网络识别模型得出的差厚板的材料性能参数、差厚板的几何参数以及拉深行程，得出最优压边力和最优拉深速度。
C.依据神经网络模型得出的最优压边力和最优拉深速度，结合基于灰色预测模型的神经网络PID控制系统，控制施加在差厚板不同位置上的压边力值和拉深速度值，基于灰色预测模型的神经网络PID控制系统，是由灰色理论、BP神经网络与PID控制算法进行结合而得到的。
D.依据神经网络PID控制系统控制不同位置的压边力值和拉深速度值，进行差厚板的拉深成形。
上述步骤中，数据采集系统的建立方法为：
通过标定压力传感器和位移传感器，得到传感器电压同拉深力、压边力、拉深行程之间的对应关系，传感器依据对应关系将拉深过程变量转换成模拟电压信号，A/D转换卡接收模拟电压信号，并将模拟电压信号转换为数字信号输入至工控机，并以数据文件的格式保存，工控机利用速度与位移的微分关系计算得到拉深速度-行程曲线，与拉深力-行程曲线和压边力-行程曲线一起实时呈现。
神经网络模型的建立方法为：
基于前向网络模型建立神经网络模型，神经网络为BP神经网络，根据神经网络识别模型和神经网络预测模型的输入变量和输出变量确定输入层和输出层节点数，综合考虑网络的泛化能力，确定较优的隐层节点数；基于差厚板单向拉深试验和数值模拟以及神经网络识别模型和神经网络预测模型建立样本数据库，样本数据采用归一化处理，同时采用平均值和去除奇异点的方法以减小或消除奇异数据的影响，获取较高的泛化精度；学习函数采用梯度下降的动量学习函数，确定网络学习速率、惯量因子和各层传递函数，构造误差指标函数，选用贝叶斯正则化的训练方法训练神经网络模型来提高网络性能。
为了提高神经网络的学习效率和收敛性，将遗传算法与神经网络模型进行结合，为改善标准遗传算法的性能，提出了一种改进型递阶遗传算法对神经网络模型的结构及权值、阈值进行优化，优化方法为：
设置最大进化代数以及种群规模，采用具有层次结构的递阶遗传算法对神经网络模型的拓扑结构和权值、阈值信息同时进行编码，并随机产生初始种群，递阶遗传算法采用三层递阶结构，前两层控制基因分别决定神经网络模型的隐层数和每个隐层被激活的神经元，最后一层参数基因表示每个神经元的连接权值和阈值，控制基因采用二进制编码，用“1”和“0”分别表示下层基因处于激活状态和非激活状态，参数基因采用实数编码，依次对神经网络模型输入层与隐含层之间连接权值、隐含层阈值、隐含层与输出层之间连接权值、输出层阈值进行编码；随后，将所有的种群个体带入神经网络模型，并计算各自的预测误差，选取误差平方和的倒数作为适应度函数，将BP神经网络和遗传算法的评估标准融为一体，提高网络的优化性能；接着，将个体适应度值按顺序排列，可以采用从大到小的顺序进行排列，本申请对此不做限制，然后选用轮盘赌法完成选择操作，在选择过程中加入精英保留策略，保证适应度最高的个体可直接被选择组成新种群,同时采用稳态繁殖方法，即在将个体加入到新一代种群之前，先检查该个体与种群中现有个体是否重复，如果重复就舍弃；层控制基因采用单点交叉或多点交叉，神经元控制基因采用单点交叉或多点交叉，参数基因采用算术交叉，变异算子采用连接变异和有偏权值变异,交叉概率和变异概率自适应调整，进而完成交叉和变异操作产生下一代，直至进化代数达到预先设定值，优化过程结束,获取最优个体，经解码后得到神经网络模型的隐层数、神经元个数、权值、阈值，并赋值给神经网络模型，完成对神经网络模型的优化。
神经网络识别模型，基于Matlab神经网络技术，将拉深过程变量以及差厚板几何参数作为输入层参数，差厚板材料性能参数作为输出层参数，建立差厚板材料性能参数与拉深过程变量、差厚板几何参数间的非线性映射关系；神经网络预测模型，是将差厚板材料性能参数、差厚板几何参数以及拉深行程作为神经网络输入层变量，最优压边力和最优拉深速度作为输出层变量，建立最优压边力和最优拉深速度与差厚板材料性能参数、差厚板几何参数、拉深行程之间的非线性映射关系。
依据优化后的神经网络预测出最优压边力和最优拉深速度的步骤为：
采用基于LabVIEW的虚拟仪器技术，开发出差厚板盒形件拉深成形信号采集程序，利用LabVIEW软件提供的Matlab Script脚本函数节点，完成数据采集系统和神经网络识别模型以及神经网络预测模型之间的高效接口程序，嵌入经过网络学习得到的神经网络识别模型和神经网络预测模型，根据神经网络模型输入变量的要求，把差厚板几何参数和拉深过程变量实时输入给网络模型，框架中嵌入的Matlab脚本程序即为已完成样本训练的实时识别神经网络模型，脚本框架的输出变量即为识别出来的材料参数，同样的方法把识别出来的差厚板材料性能参数、差厚板几何参数和拉深行程实时输入给脚本中经过训练的神经网络模型，实时预测出最优压边力和最优拉深速度，得到最优预测曲线。
由于拉深速度和不同位置的压边力之间具有相对独立性、控制同步性以及控制系统小时滞的要求，将灰色理论、BP神经网络与PID控制算法相结合，构成神经网络PID控制系统，通过神经网络针对各个区域提供相对独立的压边力控制量，并保证各压边力和拉深速度的同步性，通过灰色理论实现超前控制，减少样本数据，实现快速响应预测并提高预测的准确性。
神经网络PID控制系统控制不同位置压边力值和拉深速度值的方法为：
图2为基于灰色预测的神经网络PID控制系统结构图，神经网络PID控制系统由三部分组成，第一部分为最优压边力和最优拉深速度输入、PID控制器网络、比例阀及传感器组成的独立增量式PID闭环控制网络，这部分程序基于LabVIEW平台进行开发。第二部分为BP神经网络，输入分别为最优参数设定值、灰色预测值以及两者的误差，输出为PID控制器网络的3个参数KP、KI、KD，这部分程序采用Matlab软件编制。BP神经网络选取每一控制回路的误差函数以及回路之间的误差函数作为性能指标函数，从而保证控制精度与同步性要求，输出节点采用非负的S函数作为其活化函数，而隐含层神经元的活化函数采用正负对称的S函数，网络加权系数的修正采用梯度下降法，第三部分为灰色预测模型，分别以最优压边力值、最优拉深速度值和比例溢流阀输出值、电液比例阀输出值作为输入，灰色预测值为输出，这部分也采用Matlab软件编程。控制系统第二、三部分与第一部分的接口程序利用LabVIEW软件的Matlab Script脚本函数节点进行开发，通过初始化、信息的正向传播、误差的反向传播以及连接权值和阈值的修正等步骤完成神经网络的自学习过程，实现每个PID控制器网络3个参数的自适应调整，保证任意拉深时刻能够对各个变量施加同步且相对独立的控制量，并通过灰色预测模型实现超前控制。灰色预测模型实现超前控制的原理为(以压边力控制为例)：由当前时刻t通过传感器获得输出压边力p(t)，其与t时刻之前的数据构成一组数据序列，另有一组输入数据序列r(t)，由两组数据可建立GM(1,N)模型，通过模型可预测下一时刻的输出数据y(t+1)，由y(t+1)代替实际输出中的p(t)与t+1时刻的输入r(t+1)进行比较得到误差Δe(t+1)，达到预先控制、减小误差的目的，从而提高BP神经网络的收敛速度以及PID控制器网络的响应速度，u(t)为控制电压。将灰色预测、BP神经网络与PID控制器网络相结合组成的控制系统能够在同步性、动态和稳态性能、鲁棒性等方面实现最优控制。
基于LabVIEW软件平台开发实时控制模块，采用基于灰色预测模型的神经网络PID算法形成神经网络PID控制系统，将拉深行程作为反馈信号，将最优压边力和最优拉深速度作为控制信号，通过标定比例溢流阀获取压边力值与比例溢流阀控制电压之间的关系曲线，通过标定电液比例阀获取拉深速度值与电液比例阀控制电压之间的关系曲线，依据关系曲线将压边力值和拉深速度值转换为控制电压信号，由D/A转换卡将控制电压信号的数字量转换为模拟量，再由比例放大器将其转换为控制电流信号以控制比例溢流阀和电液比例阀开启量的大小，压边圈液压缸压力和液压机主缸速度随之发生变化，压边力和拉深速度亦发生变化。
压边力控制部分主要通过调整比例溢流阀的开启量达到控制压边力的目的，因此需要寻找压边力同比例溢流阀控制电压的对应关系以及拉深速度同电液比例阀控制电压的对应关系，具体方法如下：
在模具空载下压过程中多次变换比例溢流阀的电压，测得不同电压值时对应的压边力值，获取比例溢流阀控制电压和压边力的关系曲线，采用高次曲线拟合得到二者的函数关系，并将其写入LabVIEW实验程序中，进而由预测出来的压边力值驱动比例溢流阀的电压调节，通过改变比例溢流阀的开启量控制液压缸的压力，进而控制压边力的大小，采用同样方法，确定拉深速度和电液比例阀控制电压之间的关系，保证拉深速度按照最优预测曲线变化，实时控制装置可以实现随行程和位置联动的压边力控制，随行程变化的压边力可以通过压边力-行程曲线设定，给不同压边缸设置不同的压边力-行程曲线就实现了随位置变化的压边力。
依据神经网络PID控制系统控制不同位置的压边力值和拉深速度值，进行差厚板拉深成形的具体步骤为：
在开始阶段，压边缸带动压边圈上行，压边圈的位置由第二位移传感器将位移信息反馈到工控机的控制软件中，在达到预先设定的压边力零位后，工控机发控制指令将上行阀门断电，使压边圈在预定位置就位，在压边圈就位之后，将差厚板放置到压边圈与凹模之间，工控机控制软件发控制指令使液压机主滑块下行，拉深动作开始，在拉深成形阶段第一位移传感器将拉深行程反馈给工控机，第二压力传感器的压边力和第一压力传感器的拉深力实时传输给工控机，通过控制算法实现对拉深速度和各分区压边力的实时反馈控制，保证拉深速度以及压边力按照最优预测曲线进行同步输出，直至拉深结束。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的内容相对应，所以描述的比较简单，相关之处参见说明书部分即可。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (9)
1.一种轧制差厚板盒形件智能拉深控制系统，其特征在于，包括过程监测模块、识别预测模块、实时控制模块和系统执行模块；
所述过程监测模块通过所述识别预测模块与所述实时控制模块连接，所述实时控制模块与所述系统执行模块连接；
所述过程监测模块，采用数据采集系统实时监测拉深过程变量，所述拉深过程变量包括拉深力、压边力和拉深行程；
所述识别预测模块，建立神经网络模型，采用改进型递阶遗传算法对神经网络模型的拓扑结构及权值、阈值进行优化，所述神经网络模型包括神经网络识别模型和神经网络预测模型，所述神经网络识别模型根据所述过程监测模块得到的所述拉深过程变量以及差厚板的几何参数，得出差厚板的材料性能参数，所述神经网络预测模型根据所述差厚板的材料性能参数、所述差厚板的几何参数以及所述拉深行程，得出最优压边力和最优拉深速度；
所述实时控制模块，依据所述识别预测模块得出的所述最优压边力和所述最优拉深速度，采用基于灰色预测模型的神经网络PID控制系统控制不同位置的压边力值和拉深速度值；所述基于灰色预测模型的神经网络PID控制系统，是由灰色理论、BP神经网络与PID控制算法进行结合而得到的；神经网络PID控制系统，由三部分组成，第一部分为最优压边力和最优拉深速度输入、PID控制器网络、比例阀及传感器组成的独立增量式PID闭环控制网络；第二部分为BP神经网络，输入分别为最优参数设定值、灰色预测值以及两者的误差，输出为PID控制器网络的3个参数KP、KI、KD，BP神经网络选取每一控制回路的误差函数以及回路之间的误差函数作为性能指标函数，从而保证控制精度与同步性要求，输出节点采用非负的S函数作为其活化函数，而隐含层神经元的活化函数采用正负对称的S函数，网络加权系数的修正采用梯度下降法；第三部分为灰色预测模型，分别以最优压边力值、最优拉深速度值和比例溢流阀输出值、电液比例阀输出值作为输入，灰色预测值为输出；
所述系统执行模块，依据所述神经网络PID控制系统控制不同位置的压边力值和拉深速度值，进行差厚板的拉深成形。
2.根据权利要求1所述的一种轧制差厚板盒形件智能拉深控制系统，其特征在于，所述过程监测模块的数据采集系统包括A/D转换卡、工控机、限压器、动态应变仪、传感器；
所述动态应变仪连接所述传感器，所述传感器分为位移传感器和压力传感器，所述传感器将所述拉深过程变量转换成模拟电压信号，所述A/D转换卡接收所述模拟电压信号，并将所述模拟电压信号转换为数字信号输入至所述工控机，所述工控机利用速度与位移的微分关系计算得到拉深速度-行程曲线，所述限压器置于所述动态应变仪与所述A/D转换卡之间，保护所述轧制差厚板盒形件智能拉深控制系统。
3.根据权利要求1所述的一种轧制差厚板盒形件智能拉深控制系统，其特征在于，所述神经网络识别模型将所述拉深过程变量以及差厚板几何参数作为输入层参数，差厚板材料性能参数作为输出层参数，建立所述差厚板材料性能参数与所述拉深过程变量、所述差厚板几何参数间的非线性映射关系；
所述神经网络预测模型，是将所述差厚板材料性能参数、所述差厚板几何参数以及所述拉深行程作为神经网络输入层变量，所述最优压边力和所述最优拉深速度作为输出层变量，建立所述最优压边力和所述最优拉深速度与所述差厚板材料性能参数、所述差厚板几何参数、所述拉深行程之间的非线性映射关系。
4.根据权利要求1所述的一种轧制差厚板盒形件智能拉深控制系统，其特征在于，所述实时控制模块包括D/A转换卡、比例溢流阀、比例放大器和电液比例阀，所述实时控制模块采用基于灰色预测模型的神经网络PID算法形成神经网络PID控制系统，将所述拉深行程作为反馈信号，将所述最优压边力和所述最优拉深速度作为控制信号，通过标定所述比例溢流阀获取所述压边力值与所述比例溢流阀控制电压之间的关系曲线，通过标定所述电液比例阀获取所述拉深速度值与所述电液比例阀控制电压之间的关系曲线，依据所述关系曲线将所述压边力值和所述拉深速度值转换为控制电压信号，由所述D/A转换卡将所述控制电压信号的数字量转换为模拟量，再由所述比例放大器将所述模拟量转换为控制电流信号以控制所述比例溢流阀和所述电液比例阀开启量的大小。
5.根据权利要求4所述的一种轧制差厚板盒形件智能拉深控制系统，其特征在于，所述系统执行模块包括液压控制部分和拉深成形部分；
所述液压控制部分依据各区域所需的最优压边力和最优拉深速度不同，对应不同的压边力控制单元，所述不同的压边力控制单元均包括电机、柱塞泵、油箱、液压缸、过滤器、电磁换向阀、节流阀、液控单向阀，所述电机通过所述柱塞泵将油液从所述油箱中泵出，依次经过所述过滤器、所述液控单向阀、所述节流阀进入所述电磁换向阀，实现油液的正反向流动，最后进入所述液压缸；
所述拉深成形部分进行拉深成形的过程为：压边缸带动压边圈上行，压边圈的位置由第二位移传感器将位移信息反馈到工控机的控制软件中，在达到预先设定的压边力零位后，工控机发控制指令将上行阀门断电，使所述压边圈在预定位置就位，在所述压边圈就位之后，将差厚板放置到所述压边圈与凹模之间，工控机控制软件发控制指令使液压机主滑块下行，拉深动作开始，在拉深成形阶段第一位移传感器将拉深行程反馈给工控机，第二压力传感器的压边力和第一压力传感器的拉深力实时传输给工控机，通过控制算法实现对拉深速度和各分区压边力的实时反馈控制，保证拉深速度以及压边力按照最优预测曲线进行同步输出，直至拉深结束。
6.一种轧制差厚板盒形件智能拉深方法，其特征在于，包括如下步骤：
A.依据基于LabVIEW的数据采集系统，实时监测拉深过程变量，所述拉深过程变量包括拉深力、压边力和拉深行程；
B.建立神经网络模型，采用改进型递阶遗传算法对神经网络模型的拓扑结构及权值、阈值进行优化，所述神经网络模型包括神经网络识别模型和神经网络预测模型，所述神经网络识别模型根据所述数据采集系统得到的拉深过程变量以及差厚板的几何参数，得出差厚板的材料性能参数，所述神经网络预测模型根据所述神经网络识别模型得出的所述差厚板的材料性能参数、所述差厚板的几何参数以及所述拉深行程，得出最优压边力和最优拉深速度；
C.依据所述神经网络模型得出的最优压边力和最优拉深速度，结合基于灰色预测模型的神经网络PID控制系统，控制施加在差厚板不同位置上的压边力值和拉深速度值，所述基于灰色预测模型的神经网络PID控制系统，是由灰色理论、BP神经网络与PID控制算法进行结合而得到的；神经网络PID控制系统，由三部分组成，第一部分为最优压边力和最优拉深速度输入、PID控制器网络、比例阀及传感器组成的独立增量式PID闭环控制网络；第二部分为BP神经网络，输入分别为最优参数设定值、灰色预测值以及两者的误差，输出为PID控制器网络的3个参数KP、KI、KD，BP神经网络选取每一控制回路的误差函数以及回路之间的误差函数作为性能指标函数，从而保证控制精度与同步性要求，输出节点采用非负的S函数作为其活化函数，而隐含层神经元的活化函数采用正负对称的S函数，网络加权系数的修正采用梯度下降法；第三部分为灰色预测模型，分别以最优压边力值、最优拉深速度值和比例溢流阀输出值、电液比例阀输出值作为输入，灰色预测值为输出；
D.依据所述神经网络PID控制系统控制不同位置的压边力值和拉深速度值，进行差厚板的拉深成形。
7.根据权利要求6所述的一种轧制差厚板盒形件智能拉深方法，其特征在于，所述神经网络模型的建立方法为：
基于前向网络模型建立神经网络模型，根据所述神经网络识别模型和所述神经网络预测模型的输入变量和输出变量确定输入层和输出层节点数，综合考虑网络的泛化能力，确定较优的隐层节点数；基于差厚板单向拉深试验和数值模拟以及所述神经网络识别模型和所述神经网络预测模型建立样本数据库，样本数据采用归一化处理，同时采用平均值和去除奇异点的方法以减小或消除奇异数据的影响，获取较高的泛化精度；学习函数采用梯度下降的动量学习函数，确定网络学习速率、惯量因子和各层传递函数，构造误差指标函数，选用贝叶斯正则化的训练方法训练所述神经网络模型来提高网络性能。
8.根据权利要求6所述的一种轧制差厚板盒形件智能拉深方法，其特征在于，所述采用改进型递阶遗传算法对所述神经网络模型的拓扑结构及权值、阈值进行优化的方法为：
设置最大进化代数以及种群规模，采用改进型递阶遗传算法对所述神经网络模型的拓扑结构和权值、阈值信息同时进行编码，并随机产生初始种群，所述改进型递阶遗传算法采用三层递阶结构，前两层控制基因分别决定所述神经网络模型的隐层数和每个隐层被激活的神经元，最后一层参数基因表示每个神经元的连接权值和阈值，控制基因采用二进制编码，用“1”和“0”分别表示下层控制基因处于激活状态和非激活状态，参数基因采用实数编码，依次对所述神经网络模型输入层与隐含层之间连接权值、隐含层阈值、隐含层与输出层之间连接权值、输出层阈值进行编码；将所有的种群个体带入所述神经网络模型，并计算各自的预测误差，选取误差平方和的倒数作为适应度函数，将BP神经网络和遗传算法的评估标准融为一体；将个体适应度值按顺序排列，选用轮盘赌法完成选择操作，在选择过程中加入精英保留策略，保证适应度最高的个体可直接被选择组成新种群，同时采用稳态繁殖方法，即在将个体加入到新一代种群之前，先检查该个体与种群中现有个体是否重复，如果重复就舍弃；控制基因采用单点交叉或多点交叉，参数基因采用算术交叉，变异算子采用连接变异和有偏权值变异，交叉概率和变异概率自适应调整，进而完成交叉和变异操作产生下一代，直至进化代数达到预先设定值，优化过程结束,获取最优个体，经解码后得到所述神经网络模型的隐层数、神经元个数、权值、阈值，并赋值给所述神经网络模型，完成对所述神经网络模型的优化。
9.根据权利要求6所述的一种轧制差厚板盒形件智能拉深方法，其特征在于，依据所述神经网络PID控制系统控制不同位置的压边力值和拉深速度值，进行差厚板拉深成形的步骤为：
压边缸带动压边圈上行，压边圈的位置由第二位移传感器将位移信息反馈到工控机的控制软件中，在达到预先设定的压边力零位后，工控机发控制指令将上行阀门断电，使所述压边圈在预定位置就位，在所述压边圈就位之后，将差厚板放置到所述压边圈与凹模之间，工控机控制软件发控制指令使液压机主滑块下行，拉深动作开始，在拉深成形阶段第一位移传感器将拉深行程反馈给工控机，第二压力传感器的压边力和第一压力传感器的拉深力实时传输给工控机，通过控制算法实现对拉深速度和各分区压边力的实时反馈控制，保证拉深速度以及压边力按照最优预测曲线进行同步输出，直至拉深结束。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011419275.0A CN112692147B (zh) | 2020-12-07 | 2020-12-07 | 一种轧制差厚板盒形件智能拉深控制系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011419275.0A CN112692147B (zh) | 2020-12-07 | 2020-12-07 | 一种轧制差厚板盒形件智能拉深控制系统及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112692147A CN112692147A (zh) | 2021-04-23 |
| CN112692147B true CN112692147B (zh) | 2022-12-02 |
Family
ID=75506350
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011419275.0A Active CN112692147B (zh) | 2020-12-07 | 2020-12-07 | 一种轧制差厚板盒形件智能拉深控制系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112692147B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113695398A (zh) * | 2021-09-01 | 2021-11-26 | 苏州东宝海星金属材料科技有限公司 | 一种不锈钢轧制差厚板相关产品的制造方法 |
| CN116360369B (zh) * | 2023-03-29 | 2024-04-19 | 山东农业工程学院 | 一种陶瓷刀片智能配料控制方法及系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH0518904A (ja) * | 1991-07-09 | 1993-01-26 | Nippon Steel Corp | 鋼管の溶接部検出方法 |
| WO2008081662A1 (ja) * | 2006-12-28 | 2008-07-10 | Kao Corporation | 伸縮シート及びその製造方法 |
| CN101598927A (zh) * | 2009-05-15 | 2009-12-09 | 广东工业大学 | 一种基于神经网络的纯碱碳化工艺控制系统及其控制方法 |
| CN104550252A (zh) * | 2013-10-18 | 2015-04-29 | 沈阳东宝海星金属材料科技有限公司 | 轧制差厚板力学性能差异化控制方法 |
| CN104677706A (zh) * | 2015-02-09 | 2015-06-03 | 湖南大学 | 一种变厚板等截面积单向拉伸实验试样的制备方法 |
| CN110814050A (zh) * | 2019-10-24 | 2020-02-21 | 唐山钢铁集团有限责任公司 | 一种基于bp神经网络的轧机模型控制方法 |
-
2020
- 2020-12-07 CN CN202011419275.0A patent/CN112692147B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH0518904A (ja) * | 1991-07-09 | 1993-01-26 | Nippon Steel Corp | 鋼管の溶接部検出方法 |
| WO2008081662A1 (ja) * | 2006-12-28 | 2008-07-10 | Kao Corporation | 伸縮シート及びその製造方法 |
| CN101598927A (zh) * | 2009-05-15 | 2009-12-09 | 广东工业大学 | 一种基于神经网络的纯碱碳化工艺控制系统及其控制方法 |
| CN104550252A (zh) * | 2013-10-18 | 2015-04-29 | 沈阳东宝海星金属材料科技有限公司 | 轧制差厚板力学性能差异化控制方法 |
| CN104677706A (zh) * | 2015-02-09 | 2015-06-03 | 湖南大学 | 一种变厚板等截面积单向拉伸实验试样的制备方法 |
| CN110814050A (zh) * | 2019-10-24 | 2020-02-21 | 唐山钢铁集团有限责任公司 | 一种基于bp神经网络的轧机模型控制方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112692147A (zh) | 2021-04-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112692147B (zh) | 一种轧制差厚板盒形件智能拉深控制系统及方法 | |
| CN100383796C (zh) | 铜合金管材铸轧工艺参数设计及优化的方法 | |
| CN1181332C (zh) | 变压边力和变冲压速度的薄板成形方法及其装置 | |
| CN101644921A (zh) | 一种改进型板料数控折弯设计方法 | |
| CN105234239B (zh) | 基于渐变模具型面的大曲率三维曲面的多步成形方法 | |
| CN106457343A (zh) | 冲压成型方法及冲压成型用模具 | |
| CN104998947B (zh) | 一种基于多点模具的厚板空间曲面成形方法 | |
| CN111126255A (zh) | 基于深度学习回归算法的数控机床刀具磨损值预测方法 | |
| CN107321799A (zh) | 一种新型二十辊轧机控制工艺的参数制定集成系统 | |
| CN101522332B (zh) | 成形条件确定方法及成形条件确定系统 | |
| CN113941624B (zh) | 板料的折弯成形方法、装置、系统及计算机可读存储介质 | |
| CN112692169B (zh) | 一种轧制差厚板盒形件拉深成形的模具 | |
| CN106958548A (zh) | 一种基于比例同步的冷床横移控制方法 | |
| GB2455941A (en) | Shaping condition deciding method, and shaping condition deciding system | |
| CN102527737B (zh) | 冷轧机板形调控功效系数离线自学习系统 | |
| CN111673026B (zh) | 一种锻压机压制过程的在线控制方法及其控制系统 | |
| CN108515133A (zh) | 一种多工位双动锻造液压机 | |
| CN103370666B (zh) | 用于生成指数以量化连续过程的操作转变效能的系统和方法 | |
| LU501666B1 (en) | An Intelligent Deep Drawing Control System for Box Parts of Tailor Rolled Blanks | |
| CN111906228A (zh) | 一种四锤头径向锻造液压机自适应锻造控制系统及方法 | |
| CN115952597A (zh) | 一种汽车翼子板锐棱成形模具磨损仿真方法 | |
| CN101344935B (zh) | 用于预测折弯机补偿力的神经网络建模方法 | |
| CN105082609A (zh) | 一种油缸自动调整行程的方法 | |
| CN212349972U (zh) | 一种基于模糊pid控制的变压边力板料回弹装置 | |
| TWI824834B (zh) | 連續輥軋製程檢測方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |