郑祖伟[1]2002年在《基于遗传算法和神经网络模型的智能化拉深参数实时识别》文中研究指明板材成形的智能化，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。 轴对称件拉深成形的智能化是板材成形智能化研究的一个重要领域，是研究复杂曲面件智能化拉深成形的基础。材料参数和摩擦系数实时识别是轴对称件拉深成形智能化系统主要组成部分，实时识别精度高低、实时识别时间长短直接影响轴对称件拉深成形智能化的成败。人工神经网络是一门发展十分迅速的交叉学科，它具有信息的分布存储，并行处理以及自学习能力等优点，遗传算法是一种借鉴生物界自然选择和自然遗传机制的随机化搜索算法，其主要特点是群体搜索策略和群体中个体之间的信息交换，搜索不依赖于剃度信息，人工神经网络和遗传算法在信息处理、模式识别、智能控制等领域有着广泛的应用。本文正是利用人工神经网络和遗传算法自身的特点和优点来实现材料参数和摩擦系数的实时识别。 本文建立了轴对称件拉深成形智能化控制过程中参数识别的利用遗传算法优化的神经网络模型，利用可视化的编程语言编写了神经网络算法程序，进一步完善了轴对称件拉深过程智能化控制系统，同时对与模型相关的问题进行了研究。实验表明，这种模型比较适合于轴对称件拉深成形智能化控制过程中参数的实时识别，对以后进一步研究复杂曲面件拉深成形智能化具有重要意义。
王凤琴[2]2003年在《盒形件拉深智能化控制关键技术的研究》文中指出板材成形是金属塑性加工领域的一大分支，在汽车、航空、仪表等工业领域占有重要的地位，其技术水平在某种程度上反映一个国家或地区的工业现代化水平。板材成形自动化由于不具备实时监测、识别、和预测的能力，只能按照预先设定好的加工程序和工艺参数完成成形过程。当被加工对象的材质及工况条件有变化或波动时，不能对工艺参数自动地进行相应的调整。板材成形智能化，由实时监测、实时识别、实时预测和实时控制四个基本要素构成，通过控制科学、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点，利用易于监测的物理量，实时确定材料性能参数及最优的工艺参数，并自动以最优工艺参数完成板材成形过程。所以板材成形智能化过程是冲压成形过程自动化及柔性加工系统等新技术的更高级阶段，不但可以改变冲压生产工艺的面貌，而且还将促进冲压设备的变革，同时也会引起板材成形理论的进步与分析精度的提高，在降低板材级别，消除模具与设备调整的技术难度，缩短调模试模时间，提高成品率和生产率等方面都具有十分明显的意义。在工程实践中，工件多为以盒形件为典型代表的非轴对称复杂形状。因此，研究盒形件拉深过程智能化控制技术很有学术价值和实际意义。 本文在圆锥形零件拉深成形智能化控制的研究成果基础上，分析了盒形件拉深智能化需要解决的关键技术，并对其中的过程监测和识别模型等方面的相关问题展开了系统研究。 在盒形件拉深智能化控制所要求的四个基本要素中，参数识别模型和最优工艺参数预测模型的建立都是基于对盒形件成形规律的认识程度基础上的。通过假设盒形件圆角区剪应力零线的变形性质同相应的轴对称件相同，根据盒形件变形特点，推导出盒形拉深件法兰区和悬空侧壁区的理论解析，为智能拉深中的参数识别和破裂、起皱预测等问题的研究提供了理论依据。 利用理论解析和有限元仿真模拟等研究手段，分析了对盒形件拉深成形有影响的主要因素，从而确定盒形件智能拉深过程中的参数识别模型。网络拓扑结构选择前向神经网络结构，Levenberg-Marquarat算法作为网络优化算法，并利用Matlab语言进行编程计算。对于样本数据的采集问题，研究了数值模拟替代部分实验获取样本的可行性。此外，研究了样本数据和隐层节点数目对网络模型效率、精度和泛化能力的影响规律，并提出定压边和阶段识别方案作为盒形件智能拉深参数识别策略，使得多种材料样本数据达到了1‰网络平方和误差。对于泛化结果的处理问题，采用去除奇异点和平均输出的混合方法提高泛化识别精度。 实时监测和实时控制两个基本要素主要受信号采集发展水平限制，本文分析了燕山大学工学博士学位论文智能拉深实验系统中原基于控制软件Genie的信号采集系统存在的不足，采用美国M公司的虚拟仪器控制软件LabviEW、6062E数据采集卡及相关模块，建立了便携式数据采集系统。在该系统上开发了信号采集和传感器标定等程序，获得了令人满意的信号监测与控制的速度和精度。利用控制软件LabvIEw提供的Matlab scriPt节点、开发了信号控制程序和参数识别模型接口程序，解决了智能拉深过程中的参数实时识别问题。
马瑞[3]2006年在《盒形件智能化拉深压边力控制规律的研究和实时预测》文中研究说明板材成形是金属塑性加工领域的一大分支,在汽车、航空、仪表等工业领域占有重要的地位,其技术水平在某种程度上反映了一个国家或地区的工业现代化水平。板材成形自动化由于不具备实时监测、识别、预测的能力,只能按照预先设定好的加工程序和工艺参数完成成形过程,当被加工对象的材质及工况条件变化或波动时,不能对工艺参数自动地进行相应的调整。板材成形智能化,由实时监测、实时识别、实时预测和实时控制四个基本要素构成,通过控制科学、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点,利用易于监测的物理量,实时确定材料性能参数及最优的工艺参数,并自动以最优工艺参数完成板材成形过程。板材成形智能化过程是冲压成形过程自动化及柔性加工系统等新技术的更高级阶段,不但可以改变冲压生产工艺的面貌,而且还将促进冲压设备的变革,同时也会引起板材成形理论的进步与分析精度的提高,在降低板材级别,消除模具与设备调整的技术难度,缩短调模试模时间,提高成品率和生产率等方面都具有十分明显的意义。在工程实践中,工件多为以盒形件为典型代表的非轴对称复杂形状。因此,研究盒形件拉深过程智能化控制技术具有较高的学术价值和工程实际意义。本文在圆锥形零件拉深成形智能化控制的研究成果基础上,分析了非轴对称件拉深智能化需要解决的关键技术,并对其中的预测模型和实时控制等方面的相关问题展开了系统研究。在非轴对称件拉深智能化控制所要求的四个基本要素中,参数识别模型和最优工艺参数预测模型的建立都是基于对盒形件成形规律的认识程度基础上的。有限元分析的手段作为必备的研究方法在论文中得到了充分的运用。本文引入了C-B准则并根据实验结果作出两点假设,结合有限元方法研究了法兰的皱曲临界条件;通过对前人成形极限图的研究结果综合分析,结合有限元的方法研究了破裂的临界条件。这样可以找到一个压边力范围使法兰不起皱、侧壁不破裂。通过对侧壁起皱、成形质量的分析、实验,提出了一种基于节点第一主应变平均距离的侧壁质量评价函数,应用该方法对变压边力、恒定压边力进行分析,得出的结论与实验结果吻合较好。由此可以得到法兰不起皱、侧壁不破裂、侧壁质量较优的一条变压边力曲线,这为压边力智能化预测实现实时控制提供了理论依据。通过对神经网络算法的分析确定了压边力预测的模型,通过研究输入输出的方式、算法的选择、隐层及点数目、泛化结果影响等确定了盒形件拉深智能化中实时预测问题的解决方法。实时监测和实时控制两个基本要素主要受信号采集发展水平限制,本文采用虚拟仪器控制软件LabVIEW、相关数据采集卡等硬件,建立了便携式数据采集系统。在该系统上开发了信号采集和传感器标定等程序,获得了令人满意的信号监测与控制的速度和精度。利用控制软件LabVIEW提供的Matlab Script节点,开发了信号控制程序和压边力预测模型接口程序,解决了智能拉深过程中的压边力的实时预测和实时控制关键技术问题,完成了盒形件拉深智能化控制所需的模块。
官英平[4]2004年在《板材V型自由弯曲智能化控制技术的研究》文中研究表明板材成形是金属塑性加工领域的一大分支,在汽车、航空、仪表等工业领域占有重要的地位,其技术水平在某种程度上反映一个国家或地区的工业现代化水平。板材成形自动化由于不具备实时监测、识别、和预测的能力,只能按照预先设定好的加工程序和工艺参数完成成形过程。当被加工对象的材质及工况条件有变化或波动时,不能对工艺参数自动地进行相应的调整。板材成形智能化,由实时监测、实时识别、实时预测和实时控制四个基本要素构成,通过控制科学、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点,利用易于监测的物理量,实时确定材料性能参数及最优的工艺参数,并自动以最优工艺参数完成板材成形过程。所以板材成形智能化过程是冲压成形过程自动化及柔性加工系统等新技术的更高级阶段,不但可以改变冲压生产工艺的面貌,而且还将促进冲压设备的变革,同时也会引起板材成形理论的进步与分析精度的提高,在降低板材级别,消除模具与设备调整的技术难度,缩短调模试模时间,提高成品率和生产率等方面都具有十分明显的意义。板材弯曲成形在工程实践中应用极为广泛,因此,研究板材弯曲过程智能化控制技术很有学术价值和实际意义。本文在板材拉深成形智能化控制的研究成果基础上,分析了板材弯曲智能化需要解决的关键技术,在理论解析、参数识别及最优工艺参数的预测等方面的相关问题展开了系统研究。在板材弯曲智能化控制所要求的四个基本要素中,参数识别模型和最优工艺参数预测模型的建立是基于对弯曲成形规律认识的基础上的。利用板材成形塑性理论,根据弯曲变形特点,在考虑弹性变形的条件下,得出了弯曲变形应力应变分布规律,并根据回弹理论,推导出了回弹角的计算公式。为弯曲智能化控制材料参数的实时识别和预测提供了理论依据。同时,对板料弯曲过程中厚度的减薄、减小回弹的方法及利用滑移线法求解变形区应力应变问题进行了探讨。利用理论解析和有限元模拟等研究手段,分析了对弯曲成形有影响的主要因素,从而确定了弯曲智能化控制过程中的参数识别及最优工艺参数预测模型。网络拓扑结构选择前向神经网络结构,Levenberg-Marquarat 算法作为网络优化算法,并利用Matlab 语言进行编程计算。对于样本数据的采集问题,研究了数值模拟替代部分实验获取样本的可行性,使得多种样本数据达到了 1‰的平方和误差。此外,研究了样本数据和隐层节点数目对网络模型效率、精度和泛化能力的影响规律。利用美国NI公司的虚拟仪器控制软件LabVIEW、6062E数据采集卡及相关模块,建立了便携式数据采集系统。在该系统上开发了信号采集和传感器标定等程序,获
赵海会[5]2009年在《锥形件智能化拉深系统的研究》文中研究说明板材成形的智能化,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。轴对称件拉深成形的智能化是板材成形智能化研究的一个重要方面,是研究复杂曲面件智能化拉深成形的基础。材料参数和摩擦系数实时识别是轴对称件拉深成形智能化系统主要组成部分,实时识别精度的高低、实时识别时间的长短直接影响轴对称件拉深成形智能化的成败。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。本文建立了锥形件拉深成形智能化控制过程中参数识别的神经网络模型,利用MATLAB编程语言编写了BP神经网络算法程序。实验证明,BP神经网络比较适合于锥形件拉深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锥形件拉深成形智能化控制具有较为重要的意义。本文采用虚拟仪器控制软件LabVIEW,开发了材料性能参数识别模型和优化压边力预测模型接口程序,解决了智能拉深过程中的压边力的实时预测和实时控制关键技术问题。结合原有的数据采集系统以及控制系统,完成了整个锥形件智能化系统的集成和调试工作。
王凤琴, 赵军, 官英平, 郑祖伟[6]2003年在《轴对称件智能拉深系统中的神经网络参数识别》文中研究指明建立了轴对称拉深件的材料性能参数和摩擦系数实时识别前馈神经网络,采用LM算法优化网络,将参数识别精度提高到一个新水平,为智能化拉深成形的实时预测和实时控制这两个基本要素提供了前提保证,为实现整个拉深成形过程的智能化控制奠定基础。
常海欣[7]2004年在《基于Rough集理论的板材成形智能化控制神经网络识别模型研究》文中研究指明板材智能化加工就是用智能化手段对板材加工过程进行智能的控制，用在线预测的性能参数（弹性模量、硬化指数、强度系数、厚向异性系数）和最合理的行程曲线实现最好的成形效果。材料性能参数识别是材料加工智能化的重要研究课题，Rough集理论强大的数据约简功能为神经网络提供了更合理的结构和样本数据。Rosetta软件是Rough集理论专门的数据处理软件，可以进行数据离散化和数据约简等数据处理。根据Rosetta软件的约简结果，我们可以区分哪些是绝对必要的关系，哪些是非绝对必要的关系，进而优化神经网络的拓扑结构。Rosetta软件的分析结果为神经网络实验优异的收敛证实。对轴对称拉深件和盒形件，经过处理的非样本数据的预测相对误差精度都在5％以下，甚至达到0.25％。另外，本文首次提出了基于Rough集理论的并行微元神经网络，以代替原来的神经网络。利用Rough集理论卓越的分类能力，结合神经网络的非线性逼近能力，用几个微元神经网络来处理弯曲智能化控制的参数识别问题，与以前的神经网络相比，得到了比较满意的结果。并行微元神经网络可以作为对输入输出过多又无法收敛的问题的新思路。四种材料性能参数的预测相对误差都在5％以下，有的参数预测误差甚至达到0.058%。
李建[8]2009年在《大口径直缝埋弧焊管JCO成形智能化控制技术的研究》文中指出自河北青县巨龙钢管有限公司引进了我国第一条大口径直缝埋弧焊管JCO生产线后,我国开始对管坯JCO成形工艺及相关技术进行了消化和吸收,由于关键技术和设备从国外引进,对管坯成形质量控制及工艺参数调整只停留在经验层面上,存在着工艺参数调整误差大、人员工作强度大及产品质量波动大等现实情况。为此,本文提出了大口径直缝埋弧焊管JCO成形智能化控制技术,以实现管坯成形质量的实时监测和工艺参数的实时预测。本文在板材弯曲智能化控制技术的研究成果基础上,分析了管坯JCO成形智能化控制需要解决的关键技术,并对管坯JCO成形过程理论解析、成形过程中的信息监测、材料性能参数识别及工艺参数预测等方面的相关问题展开了系统研究。从板料成形状态和板料内质点变形状态出发,基于塑性弯曲工程理论,建立了管坯JCO弯曲成形过程的力学模型,推导出了板料任一成形状态板料内任一质点卸载前后的转角、弯曲半径数学表达式,分别给出了描述弯曲力和弯曲行程、弯曲角和弯曲行程之间关系的更为精确的解析表达式。根据卸载理论,建立了精确的回弹计算模型,并利用有限元和实验研究等方法对理论计算结果进行了数值验证,为管坯JCO成形智能化控制技术中识别和预测模型的建立奠定了理论基础。利用机器视觉和传感器技术,开发了管坯JCO成形过程实时监测系统,实现了弯曲力、弯曲行程和弯曲角等物理参数的非接触、高精度的实时测量。详细研究了管坯端面图像处理和直线检测算法,在试验和结果比较基础上,提出了适合管坯端面的图像处理流程。系统地研究了摄像机标定方法,为克服传统标定方法的标定过程繁琐、需高精度标定参照物的不足,本文提出了适合现场使用的正叁角形标定方法,并用实验验证了该方法的正确性和有效性。通过对管坯JCO成形及弹复过程中的特征变量进行分析和研究,完成了神经网络识别模型的输入、输出层设计,利用MATLAB编程语言,开发了管坯JCO成形过程中的参数识别和预测程序。选择前馈BP网络作为识别和预测模型的神经网络结构、LM算法作为网络优化算法,提高了网络收敛和泛化精度。在上述研究基础上,利用Visual C++编程语言开发了管坯JCO成形智能化控制系统软件,主要内容包括:管坯弯曲成形过程理论解析计算程序开发,神经网络训练样本自动创建程序开发,弯曲力、弯曲行程数据采集程序开发,管坯端面图像处理及直线检测程序开发,摄像机标定程序开发以及Visual C++与MATLAB接口程序开发。最后利用PCI总线数据采集卡、面阵CCD及相关硬件,完成了管坯JCO成形智能化控制硬件系统开发。利用管坯JCO成形智能化控制系统进行了物理模拟实验,实验结果表明系统运行稳定,行程工艺参数预测精度可靠,制品椭圆度具有较高的一致性。作为研究工作的最终成果,成功地将自主开发的智能化控制系统移植到了大口径直缝埋弧焊管JCO成形生产线上。
杜俊雷[9]2007年在《板材帽形件智能化弯曲参数实时识别及实时预测的研究》文中研究表明板材成形的智能化,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。
赵军, 郑祖伟, 王凤琴[10]2003年在《轴对称件拉深成形智能化控制过程中参数实时识别的GA-ENN建模》文中研究说明材料性能参数和摩擦系数的实时识别是实现拉深过程智能化控制的关键。建立了遗传算法与神经网络相结合的识别模型 ( GA- ENN) ,利用遗传算法进行网络权系的训练和优化。给出了网络输入层、输出层和隐层的确定方法以及 GA- ENN模型的学习算法。验证结果表明 ,与 BP网络模型比较 ,GA- ENN模型的学习效率和学习精度均有明显的提高 ,是一种有效的识别模型 ,为实现拉深成形过程的智能化控制奠定了基础。
参考文献：
[1]. 基于遗传算法和神经网络模型的智能化拉深参数实时识别[D]. 郑祖伟. 燕山大学. 2002
[2]. 盒形件拉深智能化控制关键技术的研究[D]. 王凤琴. 燕山大学. 2003
[3]. 盒形件智能化拉深压边力控制规律的研究和实时预测[D]. 马瑞. 燕山大学. 2006
[4]. 板材V型自由弯曲智能化控制技术的研究[D]. 官英平. 燕山大学. 2004
[5]. 锥形件智能化拉深系统的研究[D]. 赵海会. 燕山大学. 2009
[6]. 轴对称件智能拉深系统中的神经网络参数识别[J]. 王凤琴, 赵军, 官英平, 郑祖伟. 锻压装备与制造技术. 2003
[7]. 基于Rough集理论的板材成形智能化控制神经网络识别模型研究[D]. 常海欣. 燕山大学. 2004
[8]. 大口径直缝埋弧焊管JCO成形智能化控制技术的研究[D]. 李建. 燕山大学. 2009
[9]. 板材帽形件智能化弯曲参数实时识别及实时预测的研究[D]. 杜俊雷. 燕山大学. 2007
[10]. 轴对称件拉深成形智能化控制过程中参数实时识别的GA-ENN建模[J]. 赵军, 郑祖伟, 王凤琴. 中国机械工程. 2003
标签：金属学及金属工艺论文; 自动化技术论文; 神经网络模型论文; 网络模型论文; 预测模型论文; 遗传算法论文; 加工精度论文; 预测控制论文; 弯曲试验论文; 实时系统论文; 智能化技术论文; 板材论文; 轴对称论文;