基于强化T-S模糊神经网络的径向锻造凹坑预测优化方法技术

一种基于强化T‑S模糊神经网络的径向锻造凹坑预测优化方法，通过从径向锻造试验和有限元仿真结果中提取出样本的端部凹坑值和对应的工艺参数并构建得到T‑S模糊神经网络的训练集合，用其对T‑S模糊神经网络的输出值进行误差估计后，得到AdaBoost算法强化T‑S模糊神经网络并再次对无量纲端部凹坑值进行预测，得到优化工艺参数组合。本发明专利技术将强化T‑S模糊神经网络运用于工业生产过程中，能有效地提高工艺优化的准确性和效率，降低优化成本，提高径向锻造尺寸精度、节省材料。

【技术实现步骤摘要】
基于强化T-S模糊神经网络的径向锻造凹坑预测优化方法
本专利技术涉及的是一种自动化锻造领域的技术，具体是一种基于强化T-S模糊神经网络的径向锻造凹坑预测优化方法。
技术介绍
目前，对径向锻造锻件的端面形态研究主要有解析法(如上限法)和数值分析法(如有限元法)。但解析法通常采用简化的分析模型，能够研究的工艺参数较少，不足以揭示径向锻造过程的一般规律；数值分析法可以采用更符合实际的三维模型进行分析探究，但效率较低。
技术实现思路
本专利技术针对现有技术存在的上述不足，提出一种基于强化T-S模糊神经网络的径向锻造凹坑预测优化方法。本专利技术是通过以下技术方案实现的：本专利技术涉及一种基于强化T-S模糊神经网络的径向锻造凹坑预测优化方法，从径向锻造试验和有限元仿真结果中提取出样本的端部凹坑值和对应的工艺参数并构建得到T-S模糊神经网络的训练集合，用其对T-S模糊神经网络的输出值进行误差估计后，得到AdaBoost算法强化T-S模糊神经网络并再次对无量纲端部凹坑值进行预测，得到优化工艺参数组合。所述的训练集合包括：训练集、验证集和预测集的输入数据和训练集、验证集的预期输出数据，其分别通过以下方式得到：通过从径向锻造试验和有限元仿真结果中提取出样本的端部凹坑值和相对应的工艺参数，对样本的工艺参数和端部凹坑值进行无量纲化处理后作为样本空间，然后从样本空间中随机选取若干组数据分别作为T-S模糊神经网络的训练集、验证集的输入数据和预期输出数据，然后遍历所有可能的工艺参数组合，经无量纲化后作为T-S模糊神经网络的预测集的输入数据。所述的T-S模糊神经网络包括前期网络和后期网络，前期网络为T-S模糊系统，采用T-S模糊模型的“if-then”规则形式定义。所述的误差估计包括：误差计算和参数修正，通过不断修正模糊子集的隶属函数，保证了T-S模糊神经网络的自适应能力。所述的参数修正是指：通过将训练集、验证集、预测集输入，得到每次迭代时T-S模糊神经网络对应的训练结果及其误差值、对无量纲端部凹坑值的预测结果。所述的AdaBoost算法强化T-S模糊神经网络是指：基于误差估计，重新为每次迭代的神经网络赋予权值。所述的再次对无量纲端部凹坑值进行预测是指：由强化T-S模糊神经网络的预测结果加权组合，得到强化T-S模糊神经网络的对无量纲端部凹坑值的预测结果，再从强化T-S模糊神经网络对无量纲端部凹坑值的预测结果中，选取满工艺足条件下无量纲端部凹坑值最接近零的结果，输出对应的工艺参数组合。本专利技术涉及一种实现上述方法的系统，包括：样本提取模块、强化T-S模糊神经网络模块以及参数组合输出模块，其中：样本提取模块与强化T-S模糊神经网络模块相连并输出从径向锻造试验和有限元仿真结果中提取出样本的端部凹坑值和对应的工艺参数并构建得到T-S模糊神经网络的训练集合和验证集合，强化T-S模糊神经网络模块与参数组合输出模块相连，参数组合输出模块对最终得到的预测结果进行选取并输出最优工艺参数组合。技术效果与现有技术相比，本专利技术可以在生产中方便高效地预测工艺结果并输出最优工艺参数组合，克服了传统解析法的局限性和传统数值分析法的低效率，推动了依靠工人经验的传统制造向智能制造的转变，具有良好的应用价值。附图说明图1是本专利技术方法流程图；图2是径向锻造工艺参数示意图；图3是径向锻造锤头参数示意图；图4是T-S模糊神经网络结构示意图。具体实施方式如图1所示，本实施例包括以下步骤：步骤1、数据的采集与处理1.1从径向锻造试验和有限元仿真结果中提取出样本的端部凹坑值和相对应的工艺参数，包括锻件初始直径d0、锻后直径d1、锤面直径D、锤面宽度W、初次锻打时锻件与锤头整形面接触部分的咬入长度L、单次锻打过程中锻件轴向送进量l、端部凹坑值ε等(如图2、图3所示)。对样本的工艺参数和端部凹坑值进行无量纲化处理，得到锤面直径比锤宽比ω＝W/d0，咬入比λ＝L/d0，径向压下率送进率ξ＝l/d0，相对凹坑深度ε′＝ε/100η，从而构成样本空间1.2遍历可能的工艺参数组合，无量纲化后作为T-S模糊神经网络的预测集的输入数据Rr。步骤2、T-S模糊神经网络的建立与预测2.1确定T-S模糊神经网络的迭代次数T为5，每次迭代时神经网络的初始权值为0.2。根据输入数据，确定每个T-S模糊神经网络的输入层神经元节点数n为5，输出层节点数为1，模糊子集数m取16，学习率取0.01，循环次数为2000次，其余参数取[-1,1]。之间的随机数。T-S模糊神经网络为包含前期网络和后期网络，如图4所示。前期网络为T-S模糊系统，采用如下的T-S模糊模型的“if-then”规则形式定义，在规则为Ri的情况下，模糊推理满足：其中：为模糊系统的模糊集，为模糊系统参数。对于输入量x＝[x1,x2,…,x5]，首先根据模糊规则计算各输入变量xj的隶属度：其中：cij和bij分别为隶属度函数的中心和宽度。采用连乘法将各隶属度进行模糊计算：根据模糊计算结果计算T-S模糊神经网络的前期网络T-S模糊系统的输出值：T-S模糊神经网络的学习算法包括误差计算和参数修正。不断修正模糊子集的隶属函数，保证了T-S模糊神经网络的自适应能力。其中：E为T-S模糊神经网络的误差，y0为神经网络的期望输出值，y′为神经网络的实际输出值。其中：为模糊系统参数，η为T-S模糊神经网络的学习率，cij和bij分别为隶属度函数的中心和宽度。2.2从样本空间R中随机选取K组、L组数据作为T-S模糊神经网络的训练集Rt、验证集Rv的输入数据和预期输出数据例如对于第一个T-S模糊神经网络，其训练集Rt1、验证集Rv1的输入数据和预期输出数据分别为：其中各数据集的数据序列已随机打乱，此处的数据下标仅作示意，与样本空间R的顺序并不一定相同。2.3将训练集Rt、验证集Rv、预测集Rr输入，得到每次迭代时T-S模糊神经网络对应的验证集结果及其误差值、对无量纲端部凹坑值的预测结果。由于每次迭代时T-S模糊神经网络验证集的数据量为L，则第t(t≤5)次迭代时T-S模糊神经网络的误差et＝∑lDt(l),t＝1,2,…,5，其中：l应满足l≤L，且其中：y0为神经网络的期望输出值，y′为神经网络的实际输出值，ε为预测误差阈值。所述的预测误差中超过阈值的样本被赋予更高的权值，即：Dt+1(l)＝βDt(l)，其中：β是大于1的实数，l是预测误差超过阈值的样本。下一次迭代前，所有样本权值归一化：Dt+1(l)＝Dt+1(l)/∑lDt+1(l),t＝1,2,…,5；l＝1,2,3,…,L。步骤3、强化T-S模糊神经网络的预测3.1基于误差值的大小，重新为每个神经网络赋予权值。根据第t次迭代时T-S模糊神经网络的的误差et计算第t次迭代时神经网络的权重α′t，并由α′t归一化得到各次迭代神经网络的权值αt：αt＝α′t/∑tα′t,t＝1,2,…,53.2由以上神经网络的预测结果加权组合，得到强化T-S模糊神经网络对无量纲端部凹坑值的预测结果，即步骤4、工艺优化结果的判定与输出：从强化T-S模糊神经网络对无量纲端部凹坑值的预测结果中，选取满工艺足条件下无量纲端部凹坑值最接近零的结果，输出对应的工艺参数组合。例如，需要将直径为Φ100mm的棒材锻造至直径为Φ85mm，则径向压下率本文档来自技高网...

【技术保护点】
1.一种基于强化T‑S模糊神经网络的径向锻造凹坑预测优化方法，其特征在于，通过从径向锻造试验和有限元仿真结果中提取出样本的端部凹坑值和对应的工艺参数并构建得到T‑S模糊神经网络的训练集合，用其对T‑S模糊神经网络的输出值进行误差估计后，得到AdaBoost算法强化T‑S模糊神经网络并再次对无量纲端部凹坑值进行预测，得到优化工艺参数组合；所述的训练集合包括：训练集、验证集和预测集的输入数据和训练集、验证集的预期输出数据。

【技术特征摘要】
1.一种基于强化T-S模糊神经网络的径向锻造凹坑预测优化方法，其特征在于，通过从径向锻造试验和有限元仿真结果中提取出样本的端部凹坑值和对应的工艺参数并构建得到T-S模糊神经网络的训练集合，用其对T-S模糊神经网络的输出值进行误差估计后，得到AdaBoost算法强化T-S模糊神经网络并再次对无量纲端部凹坑值进行预测，得到优化工艺参数组合；所述的训练集合包括：训练集、验证集和预测集的输入数据和训练集、验证集的预期输出数据。2.根据权利要求1所述的方法，其特征是，所述的训练集合，通过以下方式得到：通过从径向锻造试验和有限元仿真结果中提取出样本的端部凹坑值和相对应的工艺参数，对样本的工艺参数和端部凹坑值进行无量纲化处理后作为样本空间，然后从样本空间中随机选取若干组数据分别作为T-S模糊神经网络的训练集、验证集的输入数据和预期输出数据，然后遍历所有可能的工艺参数组合，经无量纲化后作为T-S模糊神经网络的预测集的输入数据。3.根据权利要求1所述的方法，其特征是，所述的T-S模糊神经网络包括前期网络和后期网络，前期网络为T-S模糊系统，采用T-S模糊模型的“if-then”规则形式定义。4.根据权利要求1或3所述的方法，其特征是，所述的T-S模糊神经网络，通过以下方式建立：确定迭代次数T，每次迭代时T-S模糊神经网络的初始权值为1/T，T取大于等于2的任意整数；根据输入数据，确定每个T-S模糊神经网络的输入层神经元节点数为n，输出层节点数为1，模糊子集数m通常取10～20之间的整数。5.根据权利要求3所述的方法，其特征是，所述的T-S模糊模型的“if-then”规则形式是指：在规则为Ri的情况下，模糊推理为：其中：模糊系统的模糊集模糊系统参数6.根据权利要求1所述的方法，其特征是，所述的T-S模糊神经网络的输出值，根据模糊规则计算各输入变量xj的隶属度其中：cij和bij分别为隶属度函数的中心和宽度，输入量x＝[x1,x2,…,xn]，根据模糊计算结果计算前期网络的输出值为：其中：即采用连乘法将各隶属度进行模糊计算得到。7.根据权利要求1所述的方法，其特征是，所述的误差估计包括：误差计算和参数修正，通过不断修正模糊子集的隶属函数，保证了T-S模糊神经网络的自适应...

【专利技术属性】
技术研发人员：董湘怀，王碧凝，王新宝，黄艳龙，何雪龙，苏建婷，
申请(专利权)人：上海交通大学，兰州兰石能源装备工程研究院有限公司，
类型：发明
国别省市：上海,31