板材帽形件智能化弯曲参数实时识别及实时预测的研究

论文摘要

板材成形的智能化,是控制科学、计算机科学与板材成形理论的有机结合,根据被加工对象的特征,利用易于监测的物理量,识别材料的性能参数,预测最优的工艺参数,并自动以最优的工艺参数完成板材成形过程。帽形件弯曲成形的智能化控制是板材弯曲成形智能化控制技术研究的一个重要方面。材料参数实时识别和最优工艺参数的实时预测是帽形件弯曲成形智能化控制系统的主要组成部分,实时识别与实时预测精度的高低、实时识别时间的长短直接影响帽形件弯曲成形智能化的成败。本文利用人工神经网络学习能力强、容易进行模式识别与预测、容易进行信息处理的特点来实现材料参数的实时识别与最优工艺参数的实时预测,同时利用BP(Back Propagation)神经网络对材料参数进行了实时识别与最优工艺参数实时预测的研究。本文建立了帽形件弯曲成形智能化控制过程中参数识别与最优工艺参数预测的神经网络模型,用数值模拟和试验两种方法提供输入数据并为网络确定输入节点提供依据,利用MATLAB编程语言编写了BP神经网络算法程序,在数值模拟和试验提供的数据范围内,识别和预测模型的收敛精度均达到1‰,在随机抽取的样本数据中,参数的识别误差均在1%左右,压边力的平均预测误差为2.92%。此外,研究了样本数据和隐层节点数目对网络模型的效率、精度和泛化能力的影响规律。实验证明,BP神经网络适合帽形件弯曲成形智能化控制过程中参数的实时识别与最优工艺参数的预测,对以后进一步研究板材帽形件弯曲成形智能化控制具有较为重要的意义。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 课题背景
• 1.2 板材成形智能化
• 1.3 板材成形智能化研究现状及国内外发展趋势
• 1.4 选题意义与主要研究内容
• 1.4.1 课题的选题意义
• 1.4.2 课题的主要研究内容
• 第2章 帽形件弯曲智能化控制过程中BP 神经网络的应用
• 2.1 引言
• 2.2 人工神经网络简介
• 2.2.1 人工神经网络的特点
• 2.2.2 人工神经网络的发展及主要类型
• 2.2.3 BP 神经网络
• 2.3 神经网络技术再塑性加工领域的应用
• 2.4 帽形件弯曲智能化控制中神经网络结构的确定
• 2.4.1 网络输入层与输出层节点的选定
• 2.4.2 隐层数目和隐层节点的选取
• 2.4.3 神经网络的优化算法
• 2.4.4 编程语言的选择
• 2.4.5 样本数据的采集及处理
• 2.5 本章小结
• 第3章 帽形件弯曲智能化控制过程中参数实时识别与预测
• 3.1 引言
• 3.2 帽形件弯曲智能化控制过程中参数的实时识别
• 3.2.1 BP 神经网络的学习
• 3.2.2 网络模型的识别结果
• 3.2.3 帽形件弯曲过程中不同材料的识别结果
• 3.3 样本数据对网络输出变量识别精度的影响
• 3.4 网络的泛化能力
• 3.4.1 样本数据的影响
• 3.4.2 隐层节点数目的影响
• 3.5 帽形件弯曲智能化控制过程最优工艺参数的预测
• 3.5.1 网络模型预测结果
• 3.5.2 预测网络模型的泛化能力
• 3.6 本章小结
• 第4章 帽形件弯曲样本数据采集及实验
• 4.1 引言
• 4.2 帽形件弯曲控制成形中信号采集系统的建立
• 4.2.1 LabVIEW 虚拟仪器控制程序简介
• 4.2.2 基于LabVIEW 的数据采集系统
• 4.3 帽形件弯曲实验系统
• 4.4 帽形件弯曲试验结果
• 4.4.1 压边力对回弹的影响
• 4.4.2 板材厚度对回弹的影响
• 4.4.3 材料性能对回弹的影响
• 4.4.4 摩擦对回弹的影响
• 4.5 本章小结
• 结论
• 参考文献
• 攻读硕士期间承担的科研任务与主要成果
• 致谢
• 作者简介