一种基于机器学习预测管材弯曲回弹角度的方法技术

本发明专利技术涉及机器学习技术领域，公开了一种基于机器学习预测管材弯曲回弹角度的方法，一方面通过引入杂交算子的改进粒子群算法PSO对BP神经网络进行优化，构建出回弹预测模型；另一方面提取不同规格的管材的管径、壁厚、弯曲半径、弯曲角度作为输入数据，对应的回弹角度作为输出数据，并将经过归一化计算的输入数据、输出数据作为训练样本数据；然后使用训练样本数据对回弹预测模型进行训练；最后使用完成训练的回弹预测模型对管材弯曲回弹角度进行预测。采用本发明专利技术仅需有限次的参数调整，即可高效准确的预测出弯曲回弹角，预测周期短、精度高，实现了对回弹补偿的有力指导。实现了对回弹补偿的有力指导。实现了对回弹补偿的有力指导。

【技术实现步骤摘要】
一种基于机器学习预测管材弯曲回弹角度的方法


[0001]本专利技术涉及机器学习
，具体的说，是一种基于机器学习预测管材弯曲回弹角度的方法。

技术介绍

[0002]弯管类构件广泛应用于飞机燃油、液压、气动、环境控制等关键管路系统，被称为飞机“血管类生命控制线”。以一架装配两台发动机的军用飞机为例，其导管构件的数量高达2000余项，种类多样，量大面广，飞机管路系统的精确成形制造则是现代飞机制造的关键技术之一。
[0003]在管材弯曲成形过程中，回弹是不可避免的缺陷，回弹会影响到零件的几何精度，进而直接影响到管材和其它部件的连接、密封性能及产品内部结构的紧凑性，因此回弹一直是制约模具和产品质量、成本，并限制生产效率的关键因素之一，同时也是导管弯曲成形加工工艺未能有效解决的技术难题。
[0004]为了实现弯管回弹控制，提高成形精度，工厂通常会在每项导管投产时配套3件试验件，通过试验件的试弯曲、检测，获得导管弯曲回弹数据，用合格后的数据进行实际导管生产，但这样会大大提高生产成本和弯管构件研发与生产周期，造成大量人力、物力、财力和时间的消耗。因此，亟待实现铝合金导管弯曲回弹的精确预测与补偿控制，提高导管零件成形精度，降低生产成本，提升生产效率。
[0005]目前，国内外针对管材弯曲回弹预测的方法已有大量的研究。
[0006]例如：专利(申请)号为“CN201310377197.6”，专利技术创造名称为“小直径厚壁管材二维变曲率弯曲回弹预测方法”的中国专利技术专利公开了一种小直径厚壁管材二维变曲率弯曲回弹预测方法，通过建立小直径厚壁管材弯曲回弹的解析模型，将二维变曲率弯管轴线离散，利用近似纯弯曲回弹实验建立弯曲回弹半径关系式，离散弯管回弹预测，回弹预测离散弯管简单拼接，离散弯管回弹拼接修正，从而对小直径厚壁管材二维变曲率弯曲回弹进行预测。此方法主要针对小直径管材，应用范围有所局限。
[0007]又例如：专利(申请)号为“CN201610228006.3”，专利技术创造名称为“一种确定管材数控弯曲回弹角的方法”的中国专利技术专利基于平衡条件，提出了一种考虑弹性模量变化、壁厚变化、中性层偏移的管材弯曲回弹计算方法，以提高回弹预测精度。但是此方法需要考虑了管材弯曲过程中的弹性模量变化、壁厚变化、中性层偏移等因素，测量计算较为复杂。
[0008]虽然目前国内外学者进行了大量工作，但由于管材种类繁多，弯管工艺复杂，弯曲成形过程中受到多场耦合作用和多模具复合约束，因此这些预测回弹的方法大多都需要进行复杂计算甚至是大量力学测试与表征试验，对于实现弯曲回弹预测不够简便且周期长。因此，亟需专利技术一种更为简便易于操作，精度高且周期短的预测方法。

技术实现思路

[0009]本专利技术针对现有技术中无法解决金属管材回弹角度精确预测的难题，提供了一种
基于机器学习预测管材弯曲回弹角度的方法，不仅能精确预测金属管材回弹角度，还能对回弹补偿进行有力指导。
[0010]本专利技术通过下述技术方案实现：
[0011]一种基于机器学习预测管材弯曲回弹角度的方法，一方面通过引入杂交算子的改进粒子群算法PSO对BP神经网络进行优化，构建出回弹预测模型；另一方面提取不同规格的管材的管径、壁厚、弯曲半径、弯曲角度作为输入数据，对应的回弹角度作为输出数据，并将经过归一化计算的输入数据、输出数据作为训练样本数据；然后使用训练样本数据对回弹预测模型进行训练；最后使用完成训练的回弹预测模型对管材弯曲回弹角度进行预测。
[0012]其中，构建出回弹预测模型和提取训练模型用的训练样本数据的顺序不分先后，既可以一先一后，也可以同时进行。
[0013]进一步地，为了更好的实现本专利技术，在通过引入杂交算子的改进粒子群算法PSO对BP神经网络进行优化的过程中，为了避免粒子群算法出现早熟或陷入全局最优，需要采用遗传算法中交叉算子的算法，确定杂交概率的取值后对粒子群的位置进行杂交。
[0014]进一步地，为了更好的实现本专利技术，所述改进粒子群算法PSO对BP神经网络进行优化的具体步骤包括：
[0015]步骤a：粒子和速度初始化：初始化BP神经网络的拓扑结构后，确定初始权值和阈值，将初始权值和阈值编码为粒子；
[0016]步骤b：确定BP神经网络的隐含层数，及隐含层单元数；
[0017]步骤c：确定粒子群算法PSO的加速度因子，粒子的维度与种群数；
[0018]步骤d：确定交叉算子的交叉概率，染色体条数；
[0019]步骤e：对粒子群的位置与速度进行初始化，并获得初始适应度值；
[0020]步骤f：确定粒子群的初始个体极值与全局极值；
[0021]步骤g：采用非线性梯度下降法对权值进行更新；
[0022]步骤h：采用遗传算法中交叉算子的算法，确定杂交概率的取值后对粒子群的位置进行杂交；
[0023]步骤i：计算粒子群中各粒子的适应度，得到最优适应度值，并确定个体最优与全局最优；
[0024]步骤j：粒子群算法进行迭代，直至满足停止条件，获得全局最优位置；所述全局最优位置即BP神经网络的初始最优权值与阈值。
[0025]进一步地，为了更好的实现本专利技术，所述步骤c具体是指，设置粒子群算法的最大迭代次数；确定粒子的最大速度以及最大权重、最小权重；以均方误差作为粒子群算法的适应度函数。
[0026]进一步地，为了更好的实现本专利技术，所述步骤g具体是指，采用非线性梯度下降法对粒子的位置与速度进行更新。
[0027]进一步地，为了更好的实现本专利技术，所述使用训练样本数据对回弹预测模型进行训练的具体步骤包括：
[0028]步骤k：确定BP神经网络输入层与隐含层激活函数、隐含层与输出层的激活函数以及神经网络的训练函数；
[0029]步骤l：确定回弹预测模型的最大训练次数、学习速率；
[0030]步骤m：确定回弹预测模型训练结束的误差限；
[0031]步骤n：通过训练样本数据对回弹预测模型进行训练，直到满足最大训练次数或者误差限条件停止训练。
[0032]本专利技术与现有技术相比，具有以下优点及有益效果。
[0033](1)本专利技术提供的一种基于机器学习预测管材弯曲回弹角度的方法，通过引入杂交算子的改进粒子群算法对BP神经网络进行优化，构建出回弹角度预测模型；采用遗传算法中交叉算子的算法，对粒子群的位置进行杂交，避免粒子群算法出现早熟或陷入全局最优。
[0034](2)本专利技术提供的一种基于机器学习预测管材弯曲回弹角度的方法，其中以管材的管径、壁厚、弯曲半径、弯曲角度作为输入数据，以所对应的回弹角度作为输出数据；上述输入参数的选择是影响回弹最重要的四个因素，通过此四个输入参数能辅助提高回弹角度预测模型的预测速度。
[0035](3)本专利技术通过引入遗传算法杂交算子对粒子群算法进行改进，继而使用改进的粒子群算法对BP神经网络进行优化，从而避免了复杂材料本构模型的构建、有限元建模等难以表征试验参数且计算量大的缺点。也就本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于机器学习预测管材弯曲回弹角度的方法，其特征在于，一方面通过引入杂交算子的改进粒子群算法PSO对BP神经网络进行优化，构建出回弹预测模型；另一方面提取不同规格的管材的管径、壁厚、弯曲半径、弯曲角度作为输入数据，对应的回弹角度作为输出数据，并将经过归一化计算的输入数据、输出数据作为训练样本数据；使用训练样本数据对回弹预测模型进行训练；最后使用完成训练的回弹预测模型对管材弯曲回弹角度进行预测。2.根据权利要求1所述的一种基于机器学习预测管材弯曲回弹角度的方法，其特征在于：在通过引入杂交算子的改进粒子群算法PSO对BP神经网络进行优化的过程中，为了避免粒子群算法出现早熟或陷入全局最优，需要采用遗传算法中交叉算子的算法，确定杂交概率的取值后对粒子群的位置进行杂交。3.根据权利要求2所述的一种基于机器学习预测管材弯曲回弹角度的方法，其特征在于：所述改进粒子群算法PSO对BP神经网络进行优化的具体步骤包括：步骤a：粒子和速度初始化：初始化BP神经网络的拓扑结构后，确定初始权值和阈值，将初始权值和阈值编码为粒子；步骤b：确定BP神经网络的隐含层数，及隐含层单元数；步骤c：确定粒子群算法PSO的加速度因子，粒子的维度与种群数；步骤d：确定交叉算子的交叉概率，染色体条数；步骤e：对粒子群的位置与速度进行初始化，并获得初始适应度值；步骤f：确定粒...

【专利技术属性】
技术研发人员：付颖，黄丹，李光俊，李恒，陈光耀，贺子芮，马俊，
申请(专利权)人：西北工业大学，
类型：发明
国别省市：