一种液压机加工工艺的模拟方法及系统技术方案

本发明专利技术公开了一种液压机加工工艺的模拟方法及系统。方法包括：建立液压机加工过程中的每个工艺过程的径向基函数神经网络；采集液压机加工过程的输入向量和输出向量，获得训练样本，并设置初始参数，对所述径向基函数神经网络进行训练。本发明专利技术的方法和系统将液压机加工过程看做一个非线性时变系统，对加工过程中的每个工艺过程建立径向基函数神经网络，并通过采集实际工况的输入输出向量获取训练样本，通过训练样本对径向基函数神经网络进行训练，提高了液压机的加工工艺的模拟精度。

Simulation method and system for machining process of hydraulic press

The invention discloses a simulation method and a system for the processing technology of hydraulic press. The method includes: radial basis function neural network for each process in the processing process to build the hydraulic machine; the input vector and output vector acquisition hydraulic machine of machining process, get the training samples, and set the initial parameters, the training of the RBF neural network. The method and system of the invention of the hydraulic machine process as a nonlinear time-varying system, a radial basis function neural network to each process in the processing process, and get the training samples by collecting the actual condition of the input and output vectors, by training samples on radial basis function neural network is trained to improve the simulation accuracy the processing technology of hydraulic machine.

【技术实现步骤摘要】
一种液压机加工工艺的模拟方法及系统
本专利技术涉及液压机智能控制领域，特别涉及一种液压机加工过程的模拟方法及系统。
技术介绍
液压机是一种重要的零件加工机床，被广泛应用于各类金属及非金属的加工成形中。液压机以液体作为工作介质实现能量的传递，通过对坯件施加强大的压力使其发生形变来完成其成形加工工艺。液压机的控制精度将直接影响到零件生产加工的质量和成品率等指标。目前，大部分液压机控制方式都是根据大量生产经验归纳总结得到，并没有建立特定的系统模型，这种方法很难进行扩展和推广，且将难以适应未来的定制化柔性生产模式。建立液压机的精确模型，可以为优化其控制过程提供理论基础，具有重要意义。建立液压机的模型，一种解决方案是采用机理建模结合线性定常系统辨识的方法。机理建模，即利用各种数学方程来描述液压机工作过程，具体是根据液压机固有参数(液压缸截面积、液压泵排量、供油压力等等)，利用力学原理进行一系列的复杂公式推导和简化，得到的是系统的二阶线性模型。然而，由于液压机的工作工况相对其他机械加工设备更加复杂多变，是复杂的非线性时变系统，通过传统的数学建模方法获得的系统模型与其实际工况下工作过程有很大的误差。
技术实现思路
本专利技术的目的是，为了提高液压机的加工工艺的模拟精度，提供一种液压机加工工艺的模拟方法及系统。为实现上述目的，本专利技术提供了如下方案：一种液压机加工工艺的模拟方法，包括如下步骤：建立液压机加工过程中的每个工艺过程的径向基函数神经网络；采集液压机加工过程的每个工艺过程的输入向量和输出向量，获得训练样本；根据所述训练样本，设置初始参数，对所述径向基函数神经网络进行训练，直到每个工艺过程的径向基函数神经网络与该径向基函数神经网络所对应的工艺过程的实际工况误差小于设定值，得到液压机加工工艺模型；根据液压机加工过程的实际输入向量，采用所述液压机加工工艺模型，进行所述液压机加工工艺的模拟。可选的，所述径向基函数神经网络包括输入层、隐含层和输出层，所述建立液压机加工过程中的每个工艺过程的径向基函数神经网络，具体包括：采用公式x＝[y(k-1),…,y(k-ny)；u(k),u(k-1),…,u(k-nu)；j；k]计算输入层的网络输入；其中，y(k)，u(k)分别为第k次采样得到的输出向量、输入向量，ny和nu分别为输出和输入的最大延迟；j表示液压机系统在第j个工艺过程；采用计算隐含层的的激励函数；其中，cm为第m个径向基函数的中心点向量，G为Gauss函数，σm为第m个径向基函数的特征参数；M为隐含层神经元个数；采用公式b＝[yM(k)]和公式计算输出层的网络输出；其中，wm为隐含层与输出层单元间权重。可选的，所述根据所述训练样本，设置初始参数，对所述径向基函数神经网络进行训练，直到每个工艺过程的径向基函数神经网络与该径向基函数神经网络所对应的工艺过程的实际工况误差小于设定值，具体包括：步骤1，设置所述径向基函数神经网络中的参数的初始值；所述参数包括中心点向量cm、特征参数σm和隐含层与输出层单元间权重wm；步骤2，根据所述训练样本中的输入向量和输出向量确定所述径向基函数神经网络的网络输入；步骤3，根据所述网络输入计算网络输出；步骤4，计算所述训练样本中的输出向量和所述网络输出的误差，判断所述误差是否小于所述设定值，若否，则执行步骤5，若是，则结束训练；步骤5，基于学习算法，调整径向基函数神经网络中的参数，返回步骤2。可选的，所述基于学习算法，调整径向基函数神经网络中的参数，具体包括：根据各径向基函数的中心之间的距离确定各径向基函数的中心与其它径向基函数中心的最小距离作为各径向基函数对应的扩展常数；根据所述输出向量和所述网络输出的误差，计算网络输出和输出向量的均方误差作为误差梯度的代价函数；根据所述扩展常数和所述代价函数，在误差梯度的负方向以设定的学习率调整所述径向基函数神经网络中的参数。一种液压机加工工艺的模拟系统，包括径向基函数神经网络建立模块、数据采集模块、径向基函数神经网络训练模块、液压机加工工艺模拟模块；所径向基函数神经网络建立模块，用于建立液压机加工过程中的每个工艺过程的径向基函数神经网络；所述数据采集模块，用于采集液压机加工过程的每个工艺过程的输入向量和输出向量，获得训练样本；所述径向基函数神经网络训练模块，用于根据所述训练样本，设置初始参数，对所述径向基函数神经网络中进行训练，直到每个工艺过程的径向基函数神经网络与该径向基函数神经网络所对应的工艺过程的实际工况误差小于设定值，得到液压机加工工艺模型。所述液压机加工工艺模拟模块，用于根据液压机加工过程的实际输入向量，采用所述液压机加工工艺模型，进行液压机加工工艺的模拟。可选的，所述径向基函数神经网络建立模块，具体包括：输入层建立子模块，用于采用公式x＝[y(k-1),…,y(k-ny)；u(k),u(k-1),…,u(k-nu)；j；k]计算输入层的网络输入；其中，y(k)，u(k)分别为第k次采样得到的输出向量、输入向量，ny和nu分别为输出和输入的最大延迟；j表示液压机系统在第j个工艺过程；隐含层建立子模块，用于采用计算隐含层的的激励函数；其中，cm为第m个径向基函数的中心点向量，G为Gauss函数，σm为第m个径向基函数的特征参数；M为隐含层神经元个数；输出层建立子模块，用于采用公式b＝[yM(k)]和公式计算输出层的网络输出；其中，wm为隐含层与输出层单元间权重。可选的，所述径向基函数神经网络训练模块具体包括：初始参数设置子模块，用于设置所述径向基函数神经网络中的参数的初始值；所述参数包括中心点向量cm、特征参数σm和隐含层与输出层单元间权重wm；网络输入确定子模块，用于根据所述训练样本的输入向量和输出向量确定所述径向基函数神经网络的网络输入；网络输出计算子模块，用于根据所述网络输入计算网络输出；误差判断子模块，用于计算所述训练样本的输出向量和所述网络输出的误差，判断所述误差是否小于设定值，若否，则进行参数调整，若是，结束训练；参数调整子模块，用于基于学习算法，调整径向基函数神经网络中的参数。可选的，所述参数调整子模块具体包括：扩展常数确定单元，用于根据各径向基函数的中心之间的距离确定各径向基函数的中心与其它径向基函数中心的最小距离作为各径向基函数对应的扩展常数；代价函数计算单元，用于根据所述输出向量和所述网络输出的误差，计算网络输出和输出向量的均方误差作为误差梯度的代价函数；参数调整单元，用于根据所述扩展常数和所述代价函数，在误差梯度的负方向以设定的学习率调整参数。根据本专利技术提供的具体实施例，本专利技术公开了以下技术效果：本专利技术公开了一种液压机加工工艺的模拟方法及系统，将液压机加工过程看做一个非线性时变系统，建立液压机加工过程中的每个工艺过程的径向基函数神经网络；采集液压机加工过程的输入向量和输出向量，获得训练样本，并设置初始参数，对所述径向基函数神经网络进行训练，直到RBF(RadicalBasisFunction，径向基函数)神经网络的精度满足要求，采用本专利技术的方法和系统，可以提高液压机的加工工艺的模拟精度。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例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本文档来自技高网...

【技术保护点】
一种液压机加工工艺的模拟方法，其特征在于，包括如下步骤：建立液压机加工过程中的每个工艺过程的径向基函数神经网络；采集液压机加工过程的每个工艺过程的输入向量和输出向量，获得训练样本；根据所述训练样本，设置初始参数，对所述径向基函数神经网络进行训练，直到每个工艺过程的径向基函数神经网络与该径向基函数神经网络所对应的工艺过程的实际工况误差小于设定值，得到液压机加工工艺模型；根据液压机加工过程的实际输入向量，采用所述液压机加工工艺模型，进行所述液压机加工工艺的模拟。

【技术特征摘要】
1.一种液压机加工工艺的模拟方法，其特征在于，包括如下步骤：建立液压机加工过程中的每个工艺过程的径向基函数神经网络；采集液压机加工过程的每个工艺过程的输入向量和输出向量，获得训练样本；根据所述训练样本，设置初始参数，对所述径向基函数神经网络进行训练，直到每个工艺过程的径向基函数神经网络与该径向基函数神经网络所对应的工艺过程的实际工况误差小于设定值，得到液压机加工工艺模型；根据液压机加工过程的实际输入向量，采用所述液压机加工工艺模型，进行所述液压机加工工艺的模拟。2.根据权利要求1所述的方法，其特征在于，所述径向基函数神经网络包括输入层、隐含层和输出层，所述建立液压机加工过程中的每个工艺过程的径向基函数神经网络，具体包括：采用公式x＝[y(k-1),…,y(k-ny)；u(k),u(k-1),…,u(k-nu)；j；k]计算输入层的网络输入；其中，y(k)，u(k)分别为第k次采样得到的输出向量、输入向量，ny和nu分别为输出和输入的最大延迟；j表示液压机系统在第j个工艺过程；采用计算隐含层的的激励函数；其中，cm为第m个径向基函数的中心点向量，G为Gauss函数，σm为第m个径向基函数的特征参数；M为隐含层神经元个数；采用公式b＝[yM(k)]和公式计算输出层的网络输出；其中，wm为隐含层与输出层单元间权重。3.根据权利要求1所述的方法，其特征在于，所述根据所述训练样本，设置初始参数，对所述径向基函数神经网络进行训练，直到每个工艺过程的径向基函数神经网络与该径向基函数神经网络所对应的工艺过程的实际工况误差小于设定值，得到液压机加工工艺模型，具体包括：步骤1，设置所述径向基函数神经网络中的参数的初始值；所述参数包括中心点向量cm、特征参数σm和隐含层与输出层单元间权重wm；步骤2，根据所述训练样本中的输入向量和输出向量确定所述径向基函数神经网络的网络输入；步骤3，根据所述网络输入计算网络输出；步骤4，计算所述训练样本中的输出向量和所述网络输出的误差，判断所述误差是否小于所述设定值，若否，则执行步骤5，若是，则结束训练；步骤5，基于学习算法，调整径向基函数神经网络中的参数，返回步骤2。4.根据权利要求3所述的方法，其特征在于，所述基于学习算法，调整径向基函数神经网络中的参数，具体包括：根据各径向基函数的中心之间的距离确定各径向基函数的中心与其它径向基函数中心的最小距离作为各径向基函数对应的扩展常数；根据所述输出向量和所述网络输出的误差，计算网络输出和输出向量的均方误差作为误差梯度的代价函数；根据所述扩展常数和所述代价函数，在误差梯度的负方向以设定的学习率调整所述径向基函数神经网络中的参数。5.一种液压机加工工艺的模拟系统，其特征在...

【专利技术属性】
技术研发人员：陆效农，张强，杨善林，彭张林，王婉莹，王安宁，
申请(专利权)人：合肥工业大学，
类型：发明
国别省市：安徽,34