一种基于RBF神经网络的铝型材机械性能预测方法技术

一种基于RBF神经网络的铝型材机械性能预测方法，包括以下步骤：1)实测样本变量的聚类分析；2)子空间内工艺参数空间到产品机械性能指标空间的直接映射关系；3)子空间和全空间内工艺参数到产品机械性能指标的RBF神经网络模型；4)针对铝型材机械性能预测的RBF神经网络参数确定；5)基于RBF神经网络的铝型材生产工艺智能优化。本发明专利技术通过聚类分析，子空间内工艺参数到产品机械性能空间的映射关系分析，进一步分析子空间和全空间内工艺参数到产品性能指标的RBF神经网络模型，分析铝型材机械性能预测的RBF神经网络参数确定，并基于RBF神经网络的铝型材的生产智能化优化，本方法使用方便，易于实现。

A Prediction Method of Mechanical Properties of Aluminum Profiles Based on RBF Neural Network

A method for predicting mechanical properties of aluminium profiles based on RBF neural network includes the following steps: 1) clustering analysis of measured sample variables; 2) direct mapping relationship between process parameters space and product mechanical properties index space in subspace; 3) RBF neural network model from process parameters to product mechanical properties index in subspace and whole space; 4) RBF neural network model for predicting mechanical properties of aluminium profiles. Neural network parameter determination; 5) Intelligent optimization of aluminium profile production process based on RBF neural network. The method further analyses the RBF neural network model from the subspace and the whole space to the product performance index by clustering analysis and mapping analysis of the process parameters to the product mechanical performance space. It also analyses the determination of the RBF neural network parameters for predicting the mechanical performance of aluminum profiles, and intellectualizes the optimization of the production of aluminum profiles based on RBF neural network. The method is used to optimize the production of aluminum profiles. Convenient and easy to implement.

【技术实现步骤摘要】
一种基于RBF神经网络的铝型材机械性能预测方法
本专利技术涉及一种型材机械性能预测方法，尤其是一种基于RBF神经网络的铝型材机械性能预测方法。
技术介绍
我国是世界上铝型材产量占比较高的国家，也是世界上铝型材生产量和使用量最多的国家。由于铝型材具有强度高、韧性好等特点，广泛应用在建筑和制造业，发挥了巨大的作用，带来了明显的社会效益和经济效益。铝型材的生产过程是一个综合复杂的多因素生产过程，其产品质量受多方面因素的影响，其中原材料的性能(主要是抗拉强度σ0)和工艺参数对产品质量有非常直接的影响。确定原材料抗拉强度和这些工艺参数的优化组合是铝型材生产中的重要环节，对保证加工质量和降低加工成本具有重要意义。针对铝型材生产中存在产品性能不稳定、合格率低等问题，通过分析研究其生产工艺过程，笔者认为，为了提高铝型材产品生产质量，必须加强生产工艺研究，具体来讲，需进一步开展两方面的研究工作：一是针对工艺参数的特定组合，较精确地预测铝型材产品的力学性能；二是针对产品的力学性能要求，确定生产产品所需的工艺参数优化组合。评测铝型材产品质量的两个重要指标是产品的抗拉强度和延伸率，因此，为了较精确地预测产品的力学性能和优化工艺参数，需要建立工艺参数和产品抗拉强度、延伸率之间的映射关系。铝型材生产过程是一个非常复杂的物理过程，在生产过程中原材料受到多次轧制处理，受到的约束形式综合复杂，轧件条件和状态不断发生变化，而且该过程又必须保持各机架间金属秒流量相等和遵从能量守恒定律，过程特性更趋复杂和难以掌握。具体体现在：1)多变量生产过程中涉及的物理量很多，它们随着时间进程与空间位置变化而变化的，如压力、速度、流量、张力等，而且很多物理量是以场的形式存在的，如应力场、应变场、速度场等。2)强耦合上述变量中，其中任何一个变量发生变化都将引起其他多个变量发生变化。3)非线性生产过程中的很多相关关系是非线性的，这里既有几何非线性问题，也有物理非线性问题。例如，应力应变关系、轧机刚度曲线、轧件塑性曲线等。4)时变性生产过程不可能长期稳定地维持在一个理想的最佳点，上述大量的非线性、强耦合的变量随时在变化着，并影响着目标控制量的变化。因此，直接从约束条件和几何变形角度出发，建立铝型材的工艺参数和产品机械性能指标之间精确的数学物理方程相当困难。目前实际生产中确定生产工艺参数的传统方法有工艺实验法、理论计算法和有限元法。工艺实验法的优点是能够反映生产或实验中实测数据的规律，所得的结果准确可靠，缺点是成本较高，且实验周期较长。理论计算法是将平衡微分方程和塑性条件联立，以求出物体塑性变形时的应力分布和应变状态，进而求出变形力。实际上由于生产过程的复杂性、深度非线性、影响因素众多，在进行建模时不得不引入许多简化和假设，致使模型精度较低，计算结果偏离实际工况，即使利用生产中实测数据重新修正模型的参数，由于模型结构本身的限制，也难以适应生产过程的要求。受限于建模和求解的困难，通常理论计算法只能求解一些较简单的二维问题。有限元法虽能求得精度较高的满意解，但需要反复迭代，运算时间长，计算效率低。所以有必要从生产工艺参数及据此加工的产品机械性能参数实测数据出发，研究生产工艺参数和产品机械性能指标之间的联系。国内外在铝型材工艺优化和性能预测方面研究成果较少，研究既不深入，又不全面，只是作了定性分析，而没有进行定量研究，远远不能满足建筑业、制造业快速发展的要求。
技术实现思路
为了克服现有技术的上述不足，本专利技术提供一种基于RBF神经网络的铝型材机械性能预测方法，能够建立铝型材生产工艺参数和产品机械性能参数之间的联系，方法简单，易于实现。本专利技术解决其技术问题采用的技术方案是：包括以下步骤：1)实测样本变量的聚类分析；2)子空间内工艺参数空间到产品机械性能指标空间的直接映射关系；3)子空间和全空间内工艺参数到产品机械性能指标的RBF神经网络模型；4)针对铝型材机械性能预测的RBF神经网络参数确定；5)基于RBF神经网络的铝型材生产工艺智能优化。相比现有技术，本专利技术的一种基于RBF神经网络的铝型材机械性能预测方法，研究了生产技术对铝型材机械性能的影响规律，建立了基于RBF神经网络的预测和优化系统，能预测铝型材的机械性能。是针对铝型材工艺参数优化这一复杂的实际组合优化问题，以铝型材产品的抗拉强度和延伸率作为最终优化目标，找到的一条多目标优化的合理途径，获得了最优工艺参数组合，提高了铝型材的机械性能。具有节约原材料，降低成本，提高企业经济效益，产业化前景良好的优势。附图说明下面结合附图和实施例对本专利技术进一步说明。图1是本专利技术一个实施例的流程图。具体实施方式为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术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专利技术的一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，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，都属于本专利技术的保护范围。参见图1，本专利技术一种基于RBF神经网络的铝型材机械性能预测方法，需要以下步骤：1)实测样本变量的聚类分析采用聚类分析的方法，以检验样本变量为中心，对实测已知样本变量进行处理，构造出与检验样本变量最相似的聚类，从而构造出以检验样本变量为中心的子空间。2)子空间内工艺参数空间到产品机械性能指标空间的直接映射关系根据研究问题的需要，样本空间中变量Xi有5个分量，分别为原材料抗拉强度σ0、减径量△、拉拔线速度v、滚轮起伏量I和滚轮间距s，分别记为xi1，xi2，xi3，xi4，xi5。Xi对应的性能参数变量Yi有2个分量，分别为产品的抗拉强度σb和延伸率δb，记为yi1，yi2。设子空间Pk内，xij对yi1的影响因子为aki，对yi2的影响因子为bki。在Pk范围内，利用下面关系XkAk＝Yk1XkBk＝Yk2求出矩阵Ak和Bk，之后用该映射关系预测检验样本的性能参数。3)子空间和全空间内工艺参数到产品机械性能指标的RBF神经网络模型径向基函数网络是一种局部逼近网络，理论上能以任意精度逼近任意连续函数。一般地，RBF网络可视为由n个感觉神经元、h个联想神经元以及m个反映神经元为元素组成的系统。由于生产工艺过程的复杂性，直接从约束条件和几何变形角度出发，建立铝型材的工艺参数和产品机械性能指标之间精确的数学物理方程相当困难，甚至是不可能的。所以，用RBF网络来逼近铝型材生产工艺参数和产品机械性能之间的复杂映射关系。4)针对铝型材机械性能预测的RBF神经网络参数确定RBF网络神经元层宽度系数、网络误差以及联想神经元个数对网络的逼近效果具有重要影响。宽度系数要足够大，使神经元对输入产生的响应范围能够覆盖足够大的区域，同时又不能太大，而使各个神经元都具有相互重叠的输入向量响应区域；网络误差的值同样也不能太大或太小，否则将对RBF网络性能产生不利影响。对于联想神经元个数，拟采用迭代方式确定，在创建网络时，每添加一个RBF神经元，计算网络的当前误差。如果网络误差小于期望值，停止迭代；否则，将神经元不断地加入网络中，直到均方误差下降到期望的误差之下，或者网络神经元数目达到允许的最大值。总之，本项目研究针对铝型材产品机械性能预测的RBF网络参数确本文档来自技高网...

【技术保护点】
1.一种基于RBF神经网络的铝型材机械性能预测方法，其特征是，包括以下步骤：1)实测样本变量的聚类分析；2)子空间内工艺参数空间到产品机械性能指标空间的直接映射关系；3)子空间和全空间内工艺参数到产品机械性能指标的RBF神经网络模型；4)针对铝型材机械性能预测的RBF神经网络参数确定；5)基于RBF神经网络的铝型材生产工艺智能优化。

【技术特征摘要】
1.一种基于RBF神经网络的铝型材机械性能预测方法，其特征是，包括以下步骤：1)实测样本变量的聚类分析；2)子空间内工艺参数空间到产品机械性能指标空间的直接映射关系；3)子空间和全空间内工艺参数到产品机械性能指标的RBF神经网络模型；4)针对铝型材机械性能预测的RBF神经网络参数确定；5)基于RBF神经网络的铝型材生产工艺智能优化。2.根据权利要求1所述的一种基于RBF神经网络的铝型材机械性能预测方法，其特征是，所述步骤1)的过程如下：采用聚类分析的方法，以检验样本变量为中心，对实测已知样本变量进行处理，构造出与检验样本变量最相似的聚类，从而构造出以检验样本变量为中心的子空间。3.根据权利要求1所述的一种基于RBF神经网络的铝型材机械性能预测方法，其特征是，所述步骤2)的过程如下：根据研究问题的需要，样本空间中变量Xi有5个分量，分别为原材料抗拉强度σ0、减径量△、拉拔线速度v、滚轮起伏量I和滚轮间距s，分别记为xi1，xi2，xi3，xi4，xi5。Xi对应的性能参数变量Yi有2个分量，分别为产品的抗拉强度σb和延伸率δb，记为yi1，yi2；设子空间Pk内，xij对yi1的影响因子为aki，对yi2的影响因子为bki。在Pk范围内，利用下面关系XkAk＝Yk1XkBk＝Yk2求出矩阵Ak和Bk，之后用该...

【专利技术属性】
技术研发人员：邢邦圣，
申请(专利权)人：江苏师范大学，
类型：发明
国别省市：江苏,32