在V形自由折彎中,準(zhǔn)確地預(yù)測(cè)板料回彈,有利于實(shí)際生產(chǎn)中精確地控制回彈以提高生產(chǎn)效率。由于板料回彈的影響因素眾多,呈現(xiàn)出復(fù)雜的非線性變化特征,采用傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)難以滿足高精度的預(yù)測(cè)要求,因此為了進(jìn)一步有效預(yù)測(cè)板料的回彈,提出基于改進(jìn)粒子群算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型。對(duì)標(biāo)準(zhǔn)粒子群算法的缺陷進(jìn)行改進(jìn),利用改進(jìn)粒子群算法的全局搜索能力對(duì)BP神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值進(jìn)行優(yōu)化求解,提高了BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型的收斂精度和泛化能力。將改進(jìn)PSO-BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型應(yīng)用在板料回彈預(yù)測(cè)中,并與LM-BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型進(jìn)行對(duì)比仿真,結(jié)果表明改進(jìn)PSO-BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型具有更高的非線性擬合優(yōu)度和預(yù)測(cè)精度。 

【文章來(lái)源】：現(xiàn)代電子技術(shù). 2019,42(01)北大核心

【文章頁(yè)數(shù)】：6 頁(yè)

【部分圖文】：

板料自由折彎模型Fig.1Freebendingmodelofsheetmetal

捎?BP神經(jīng)網(wǎng)絡(luò)具有自身的局限性，使得預(yù)測(cè)效果并不理想。本文在綜合板料回彈已有研究的基礎(chǔ)上，提出基于改進(jìn)粒子群算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型來(lái)進(jìn)一步提高回彈的預(yù)測(cè)精度。由于改進(jìn)粒子群算法采用記憶動(dòng)態(tài)跟蹤方式進(jìn)行搜索，沒有遺傳算法的選擇、交叉等復(fù)雜操作，因此算法易于實(shí)現(xiàn)，且具有收斂速度快、協(xié)調(diào)程度高和可靠性強(qiáng)的優(yōu)點(diǎn)。1V形自由折彎回彈現(xiàn)象與預(yù)測(cè)原理1.1板料折彎的回彈現(xiàn)象板料V形自由折彎是通過(guò)控制凸模位移達(dá)到目標(biāo)角度的加工工藝過(guò)程，其自由折彎的模型和回彈過(guò)程如圖1，圖2所示。圖1中的板厚為t、凸模下壓位移為Y、凸模圓角半徑為Rp、凹模圓角半徑為Rd、凹模寬度為W、凹模角度為φ。圖2中板料在卸載后出現(xiàn)回彈現(xiàn)象，回彈前的角度為αf，回彈后的角度為α，回彈角θ即為α-αf。圖1板料自由折彎模型Fig.1Freebendingmodelofsheetmetal圖2板料自由折彎回彈過(guò)程Fig.2Springbackprocessofsheetmetalfreebending1.2回彈預(yù)測(cè)原理文獻(xiàn)[5]對(duì)回彈影響因素進(jìn)行研究，表明材料的力學(xué)性能參數(shù)和加工工藝參數(shù)對(duì)折彎回彈的影響最大。因此本文將凹模圓角半徑Rd、屈服強(qiáng)度與彈性模量的比值σsE、硬化指數(shù)n、板厚t、凹模寬度W、凸模下壓位移Y作為回彈影響因素，回彈角θ作為預(yù)測(cè)值，回彈預(yù)測(cè)模型的函數(shù)關(guān)系可表示為：θ=f(Rd,σsE,n,t,W,Y)（1）式中：θ為回彈角；f()為預(yù)測(cè)模型的函數(shù)擬合方法。式（1）中板料回彈受材料性能、模具幾何參數(shù)和加工工藝參數(shù)等眾多因素的影響，使回彈角θ與回彈因素之間是某種高度非線性函?

第1期最值而停止訓(xùn)練，造成BP神經(jīng)網(wǎng)絡(luò)不能通過(guò)學(xué)習(xí)訓(xùn)練的方式調(diào)整到最優(yōu)網(wǎng)絡(luò)權(quán)值和閾值，從而在進(jìn)行回彈預(yù)測(cè)時(shí)會(huì)有較大的誤差。對(duì)于BP神經(jīng)網(wǎng)絡(luò)的缺陷，本文可利用改進(jìn)粒子群算法的全局搜索能力來(lái)求解BP神經(jīng)網(wǎng)絡(luò)最優(yōu)的權(quán)值和閾值，使BP神經(jīng)網(wǎng)絡(luò)的泛化能力得到進(jìn)一步提高。圖3預(yù)測(cè)模型網(wǎng)絡(luò)結(jié)構(gòu)Fig.3Networkstructureofpredictionmodel3基于改進(jìn)粒子群算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)3.1粒子群算法及其改進(jìn)粒子群算法（PSO）[7]是一種基于模擬鳥群或魚群覓食過(guò)程中合作競(jìng)爭(zhēng)行為的群體智能啟發(fā)式全局優(yōu)化算法。算法采用一群粒子對(duì)應(yīng)優(yōu)化問(wèn)題的解，每個(gè)粒子的特征用速度、位置和適應(yīng)度三個(gè)指標(biāo)表示。粒子通過(guò)更新自身的速度和位置來(lái)搜索求解空間中適應(yīng)度最優(yōu)的位置，從而實(shí)現(xiàn)最優(yōu)解的全局搜索。標(biāo)準(zhǔn)粒子群算法的全局搜索能力強(qiáng)，但局部搜索能力較差[8]，特別是在搜索后期容易出現(xiàn)錯(cuò)過(guò)全局最優(yōu)值而過(guò)早收斂的現(xiàn)象。為了彌補(bǔ)這一缺陷，本文通過(guò)兩個(gè)獨(dú)立優(yōu)化策略對(duì)標(biāo)準(zhǔn)粒子群算法進(jìn)行改進(jìn)。策略一：借鑒遺傳算法變異思想[9]，使不滿足設(shè)定要求的粒子以概率Pm進(jìn)行變異操作，從而生成一群新的粒子來(lái)保持粒子的多樣性，避免算法在搜索后期收斂于同一局部最值。具體的實(shí)施步驟如下：1）粒子經(jīng)過(guò)速度和位置的更新之后，計(jì)算整個(gè)求解空間中粒子群體適應(yīng)度值的期望E與平均絕對(duì)誤差S。2）計(jì)算檢測(cè)值K值的大小，并與平均絕對(duì)誤差S作比較。若K>S，則優(yōu)化算法可能陷入局部最值；若K<S，則優(yōu)化算法繼續(xù)按照更新公式尋找最優(yōu)解。其中K=0.01E。3）若步驟2）的比較結(jié)果為K>S，則先計(jì)算求解空間中每一個(gè)粒子的適應(yīng)度值Fi（i=1，

【參考文獻(xiàn)】：
期刊論文
[1]基于RBF神經(jīng)網(wǎng)絡(luò)的天然氣管道泄漏檢測(cè)技術(shù)研究[J]. 高丙坤,鄭仁謙,尹淑欣,張莉,岳武峰.  電子設(shè)計(jì)工程. 2016(16)
[2]基于LM-PSO算法和BP神經(jīng)網(wǎng)絡(luò)的非線性預(yù)測(cè)控制[J]. 王炳萱,李國(guó)勇,王艷暉.  太原理工大學(xué)學(xué)報(bào). 2016(02)
[3]基于改進(jìn)粒子群算法和小波神經(jīng)網(wǎng)絡(luò)的高強(qiáng)鋼扭曲回彈工藝參數(shù)優(yōu)化[J]. 謝延敏,孫新強(qiáng),田銀,何育軍,卓德志.  機(jī)械工程學(xué)報(bào). 2016(19)
[4]基于自適應(yīng)策略的改進(jìn)粒子群算法[J]. 陳金輝,陳辰,董飚.  計(jì)算機(jī)仿真. 2015(03)

碩士論文
[1]基于神經(jīng)網(wǎng)絡(luò)的金屬板材折彎回彈預(yù)測(cè)與研究[D]. 胡丙坤.上海應(yīng)用技術(shù)學(xué)院 2015



本文編號(hào)：3588999