一種基于BP神經網絡算法的銅管內螺紋成形質量預測方法技術

本發明專利技術涉及一種基于BP神經網絡算法的銅管內螺紋成形質量預測方法，屬于銅材內螺紋質量預測技術領域。目的是為了提供一種應用簡單、質量可控、效率高的銅管內螺紋制造前期預測方法了，本發明專利技術以電機轉速、拉拔速度和旋壓位置3個要素為自變量，以內螺紋齒高為因變量建立了基于遺傳算法的BP神經網絡對內螺紋成形質量進行預測，從離散的實驗數據中通過訓練學習，將復雜的數學建模問題轉化為求解網絡連接權值和閾值的問題，建立了反映內螺紋成形過程中各主要工藝參數與成形質量內在規律的系統模型，從而為內螺紋成形質量和缺陷的預測提供有效途徑。

【技術實現步驟摘要】

本專利技術屬于銅材內螺紋質量預測
，主要涉及一種基于BP神經網絡算法的銅管內螺紋成形質量預測方法。
技術介紹
根據國家可持續發展要求和十二五規劃綱要，空調制造業正向著節能、環保、健康的方向發展。二號磷脫氧銅(TP2)因其具有良好的導熱性、耐腐蝕性和優良的加工性能而被廣泛用于熱交換器、燃油系統、空氣限制器和泵管道及其他深沖和焊接制件中，尤其是在空調行業更是備受青睞。TP2內螺紋銅管具有良好的導熱性、抗磁性、耐腐蝕性和優良的加工性能，廣泛應用于空調和制冷用蒸發器和熱交換器管，冰箱用制冷管、冷凝管等。與傳統的光管相比，內螺紋管可增加熱交換面積2～3倍，加之因螺旋狀內螺紋而形成的湍流作用，可提高熱交換率20％～30％，節能15％。但是由于內螺紋銅管的加工技術要求非常高，形成機理復雜，實際生成過程中主要依靠工人以往的生成經驗來摸索確定成形工藝參數，加上我國的加工設備自動化程度相對較低，過分依賴操作人員的素質，導致TP2內螺紋銅管在內螺紋成形階段經常出現如折疊、齒形充不滿、外表面鋸齒傷等缺陷，品質無法得到完全保證。目前，TP2內螺紋銅管主要通過鋼球行星旋壓來形成銅管內部的螺紋。由于內螺紋銅管成形過程中具有電機高速旋壓、擠壓和旋壓相結合的特點，其成形機理十分復雜，因此利用遺傳算法的適應度函數計算個體的適應度值，建立基于遺傳算法的BP神經網絡預測模型，對內螺紋成形質量進行預測具有重要的意義。國內外的眾多專家學者對旋壓成形工藝做了深入研究，但由于內螺紋成形工藝的復雜性，初期的研究成果基本來源于基礎實驗和經驗總結，沒有形成完整的理論。90年代后，研究的重點逐漸向著形成機理方向發展。Rotarescu分析了接觸區受力情況，咬入角大小、以及鋼球的大小和個數對內螺紋成形質量的影響，并形成了一定的理論。李茂盛等提出了利用平面應變狀態下圓弧形沖頭壓入半無限體時平均接觸壓力來間接推算出加工過程中成形區平均接觸壓力的方法，討論了鋼球壓入半無限體的平均接觸壓力與鋼珠旋壓時接觸壓力以及平面應變狀態下圓弧形沖頭壓入半無限體時平均接觸壓力之間的關系。王淼等通過有限元數值模擬的方法研究了在不同凹模轉速下軸向進給比的變化規律及工件的成形規律，對模擬結果中應力應變的分布進行了分析，并給出了薄壁滾珠旋壓時進給比的選取范圍。上述研究大多從光管滾珠旋壓的受力和工藝參數角度來分析滾珠旋壓工藝對成形管件質量的影響，很少涉及到成形機理和受力情況更復雜的內螺紋成形研究。江樹勇等分析了薄壁筒縱向內筋的成形過程，揭示了旋壓件內筋的成形機理，但縱向內筋成形完后脫模相對簡單。張光亮等分析了TP2內螺紋成形工藝過程中折疊缺陷產生的原因，得出管坯與螺紋芯頭之間存在間隙是導致折疊形成的原因，但是未將該因素與具體的成形工藝參數聯系起來，分析不夠深入。內螺紋成形工序中，旋壓起槽階段是影響內螺紋銅管成形質量的關鍵步驟。內螺紋滾珠旋壓工藝除了具有局部成形的旋壓特點以外，同時還具備了軋制和擠壓等諸多特點，金屬向齒槽內填充是一個成形機理復雜、變形受模具、潤滑條件等眾多因素影響、易在銅管內表面出現多種缺陷的力學過程，它所包含的幾何條件、邊界條件、接觸條件均是非線性的，屬于非線性問題范疇。有限元模擬對于解決非線性問題是一種強有力的設計、分析和優化工具，可用于分析和預測成形期間零件形狀的變化、坯料的變形規律、工藝參數對產品質量和尺寸精度的影響規律以及缺陷形成區域等問題。但在實際生產中，工藝參數、潤滑條件、管坯的力學性能等都在時刻變化，加上模擬過程中受幾何模型、邊界條件等簡化的影響，有限元模擬的結果往往達不到實際生產的工藝參數要求，而BP神經網絡通過從離散的實驗數據中進行訓練學習，可將內螺紋成形質量的預測轉化為求解網絡連接權值和閾值問題的信息系統，它可通過神經元之間的相互連接和數學計算，建立起反應內螺紋成形過程中成形工藝參數與內螺紋成形質量之間內在規律的系統模型。
技術實現思路
為了克服
技術介紹
的不足，本專利技術提供了一種基于BP神經網絡算法的銅管內螺紋成形質量預測方法。主要建立了反映內螺紋成形過程中各主要工藝參數與成形質量內在規律的系統模型，從而為內螺紋成形質量和缺陷的預測提供有效途徑。本專利技術所采用的技術方案是：一種基于BP神經網絡算法的銅管內螺紋成形質量預測方法，包括以下步驟：S1.神經網絡預測模型的確定：確定神經網絡的結構，包括網絡層數、隱含層的節點數和神經網絡的輸入層節點數和輸出層節點數，采用實數編碼，將各層權值和閾值作為基因進行初始值編碼，編碼后每個神經網絡對應一條染色體；S2.對訓練樣本和檢驗樣本的歸一化處理，使用修正的線性函數Mapminmax將數據都映射到[0.1,0.9]范圍內；樣本歸一化處理計算方法如下：xi=0.8(x-xmin)xmax-xmin+0.1]]>其中，x為待歸一化的數據；xmax，xmin分別為一列中的最大值和最小值，xi歸一化后的數據。S3.采用遺傳算法對神經網絡進行選擇操作，確定種群規模N，隨機生成N條染色體，確定控制參數：控件參數包括交叉概率、變異概率和終止條件，確定適應性函數，適應性函數用來評判個體對環境的適應性，根據適應性函數對神經網絡進行訓練得到誤差作為初始適應度值，并選擇適應度高的個體；S4.將選擇的兩個適應度高的個體作為母體，依據步驟S3中設置的交叉概率，運用交叉算子進行交叉操作，依據步驟S3中設置的變異概率進行變異操作；S5.根據適應度函數，計算適應度值；S6.檢驗是否滿足終止條件，若滿足，選擇最優權值閾值，計算誤差更新權值閾值；S7.根據步驟S6計算的誤差，滿足設定精度條件的終止循環，預測得到銅管內螺紋的成形結果，若未滿足設定精度條件則回轉步驟S6。本專利技術提供的工藝方法中，步驟S1中所述的隱含層的節點數根據2n+1(n為輸入層節點數)確定。本專利技術提供的工藝方法中，步驟S1中所述的神經網絡的輸入層節點數根據研究設定的自變量數確定，所述的神經網絡的輸出層節點數根據研究設定的因變量數確定。本專利技術提供的工藝方法中，步驟S1中所述的神經網絡結構為3-7-1型網絡結構。本專利技術提供的工藝方法中，所述設定的自變量為電機轉速、拉拔速度和旋壓位置3個自變量。本專利技術提供的工藝方法中，所述設定的因變量為內螺紋齒高1個因變量。本專利技術提供的工藝方法中，所述步驟S7中精度條件為誤差小于0.00001。附圖說明圖1為銅材成形數據作為樣本對神經網絡模型進行訓練和測試后得到的均方差。圖2為本專利技術方法預測結果與實測結果對比圖。具體實施方式下面將結合本專利技術實施例中的附圖，技術工藝步驟，具體實施條件，對本專利技術實施例中的技術方案進行清楚、完整地描述，顯然，所描述的實施例僅僅是本專利技術一部分實施例，而不是全部的實施例。基于本專利技術中的實施例，本領域普通技術人員在沒有付出創造性勞動前提下所獲得的所有其他實施例，都屬于本專利技術保護的范圍。實施例1(1)確定BP神經網絡模型的三個自變量為電機轉速、拉拔速度和旋壓位置以及一個因變量內螺紋齒高，BP神經網絡的輸入層節點數設為3個，輸出層節點數設為1個。(2)隱含層的節點數則根據Hecht-Nielsen提出的經驗公式2n+1(n為輸入層節點數)，分別選擇5、7和9，訓練目標0.00001，學習率0.1。(3)BP神經網絡選用3-7-1的網絡本文檔來自技高網...

【技術保護點】
一種基于BP神經網絡算法的銅管內螺紋成形質量預測方法，其特征在于包含以下步驟：S1.神經網絡預測模型的確定：確定神經網絡的結構，包括網絡層數、隱含層的節點數和神經網絡的輸入層節點數和輸出層節點數，采用實數編碼，將各層權值和閾值作為基因進行初始值編碼，編碼后每個神經網絡對應一條染色體；S2.對訓練樣本和檢驗樣本的歸一化處理，使用修正的線性函數Mapminmax將數據都映射到[0.1,0.9]范圍內；樣本歸一化處理計算方法如下：xi=0.8(x-xmin)xmax-xmin+0.1]]>其中，x為待歸一化的數據；xmax，xmin分別為一列中的最大值和最小值，xi歸一化后的數據。S3.采用遺傳算法對神經網絡進行選擇操作，確定種群規模N，隨機生成N條染色體，確定控制參數：控件參數包括交叉概率、變異概率和終止條件，確定適應性函數，適應性函數用來評判個體對環境的適應性，根據適應性函數對神經網絡進行訓練得到誤差作為初始適應度值，并選擇適應度高的個體；S4.將選擇的兩個適應度高的個體作為母體，依據步驟S3中設置的交叉概率，運用交叉算子進行交叉操作，依據步驟S3中設置的變異概率進行變異操作；S5.根據適應度函數，計算適應度值；S6.檢驗是否滿足終止條件，若滿足，選擇最優權值閾值，計算誤差更新權值閾值；S7.根據步驟S6計算的誤差，滿足設定精度條件的終止循環，預測得到銅管內螺紋的成形結果，若未滿足設定精度條件則回轉步驟S6。...

【技術特征摘要】
1.一種基于BP神經網絡算法的銅管內螺紋成形質量預測方法，其特征在于包含以下步驟：S1.神經網絡預測模型的確定：確定神經網絡的結構，包括網絡層數、隱含層的節點數和神經網絡的輸入層節點數和輸出層節點數，采用實數編碼，將各層權值和閾值作為基因進行初始值編碼，編碼后每個神經網絡對應一條染色體；S2.對訓練樣本和檢驗樣本的歸一化處理，使用修正的線性函數Mapminmax將數據都映射到[0.1,0.9]范圍內；樣本歸一化處理計算方法如下：xi=0.8(x-xmin)xmax-xmin+0.1]]>其中，x為待歸一化的數據；xmax，xmin分別為一列中的最大值和最小值，xi歸一化后的數據。S3.采用遺傳算法對神經網絡進行選擇操作，確定種群規模N，隨機生成N條染色體，確定控制參數：控件參數包括交叉概率、變異概率和終止條件，確定適應性函數，適應性函數用來評判個體對環境的適應性，根據適應性函數對神經網絡進行訓練得到誤差作為初始適應度值，并選擇適應度高的個體；S4.將選擇的兩個適應度高的個體作為母體，依據步驟S3中設置的交叉概率，運用交叉算子進行交叉操作，依據步驟S3中設置的變異概率進行變異操作；S5.根據適應度函數，計算適應度值；S6.檢驗是否滿足終止...

【專利技術屬性】
技術研發人員：姜春娣，
申請(專利權)人：衢州學院，
類型：發明
國別省市：浙江;33