[發明專利]一種液壓機加工工藝的模擬方法及系統

在審

• 申請號: 201710586939.4
• 申請日: 2017-07-18
• 公開（公告）號: CN107357997A
• 公開（公告）日: 2017-11-17
• 發明（設計）人: 陸效農;張強;楊善林;彭張林;王婉瑩;王安寧
• 申請（專利權）人: 合肥工業大學
• 主分類號: G06F17/50
• 分類號: G06F17/50;B30B15/16;B30B15/26
• 代理公司: 北京高沃律師事務所11569
• 代理人: 王戈

1.一種液壓機加工工藝的模擬方法，其特征在于，包括如下步驟：

建立液壓機加工過程中的每個工藝過程的徑向基函數神經網絡；

采集液壓機加工過程的每個工藝過程的輸入向量和輸出向量，獲得訓練樣本；

根據所述訓練樣本，設置初始參數，對所述徑向基函數神經網絡進行訓練，直到每個工藝過程的徑向基函數神經網絡與該徑向基函數神經網絡所對應的工藝過程的實際工況誤差小于設定值，得到液壓機加工工藝模型；

根據液壓機加工過程的實際輸入向量，采用所述液壓機加工工藝模型，進行所述液壓機加工工藝的模擬。

2.根據權利要求1所述的方法，其特征在于，所述徑向基函數神經網絡包括輸入層、隱含層和輸出層，所述建立液壓機加工過程中的每個工藝過程的徑向基函數神經網絡，具體包括：

采用公式x＝[y(k-1),…,y(k-n_y)；u(k),u(k-1),…,u(k-n_u)；j；k]計算輸入層的網絡輸入；其中，y(k)，u(k)分別為第k次采樣得到的輸出向量、輸入向量，n_y和n_u分別為輸出和輸入的最大延遲；j表示液壓機系統在第j個工藝過程；

采用計算隱含層的的激勵函數；其中，c_m為第m個徑向基函數的中心點向量，G為Gauss函數，σ_m為第m個徑向基函數的特征參數；M為隱含層神經元個數；

采用公式b＝[y_M(k)]和公式計算輸出層的網絡輸出；其中，w_m為隱含層與輸出層單元間權重。

3.根據權利要求1所述的方法，其特征在于，所述根據所述訓練樣本，設置初始參數，對所述徑向基函數神經網絡進行訓練，直到每個工藝過程的徑向基函數神經網絡與該徑向基函數神經網絡所對應的工藝過程的實際工況誤差小于設定值，得到液壓機加工工藝模型，具體包括：

步驟1，設置所述徑向基函數神經網絡中的參數的初始值；所述參數包括中心點向量c_m、特征參數σ_m和隱含層與輸出層單元間權重w_m；

步驟2，根據所述訓練樣本中的輸入向量和輸出向量確定所述徑向基函數神經網絡的網絡輸入；

步驟3，根據所述網絡輸入計算網絡輸出；

步驟4，計算所述訓練樣本中的輸出向量和所述網絡輸出的誤差，判斷所述誤差是否小于所述設定值，若否，則執行步驟5，若是，則結束訓練；

步驟5，基于學習算法，調整徑向基函數神經網絡中的參數，返回步驟2。

4.根據權利要求3所述的方法，其特征在于，所述基于學習算法，調整徑向基函數神經網絡中的參數，具體包括：

根據各徑向基函數的中心之間的距離確定各徑向基函數的中心與其它徑向基函數中心的最小距離作為各徑向基函數對應的擴展常數；

根據所述輸出向量和所述網絡輸出的誤差，計算網絡輸出和輸出向量的均方誤差作為誤差梯度的代價函數；

根據所述擴展常數和所述代價函數，在誤差梯度的負方向以設定的學習率調整所述徑向基函數神經網絡中的參數。

5.一種液壓機加工工藝的模擬系統，其特征在于，包括徑向基函數神經網絡建立模塊、數據采集模塊、徑向基函數神經網絡訓練模塊、液壓機加工工藝模擬模塊；

所徑向基函數神經網絡建立模塊，用于建立液壓機加工過程中的每個工藝過程的徑向基函數神經網絡；

所述數據采集模塊，用于采集液壓機加工過程的每個工藝過程的輸入向量和輸出向量，獲得訓練樣本；

所述徑向基函數神經網絡訓練模塊，用于根據所述訓練樣本，設置初始參數，對所述徑向基函數神經網絡中進行訓練，直到每個工藝過程的徑向基函數神經網絡與該徑向基函數神經網絡所對應的工藝過程的實際工況誤差小于設定值，得到液壓機加工工藝模型；

所述液壓機加工工藝模擬模塊，用于根據液壓機加工過程的實際輸入向量，采用所述液壓機加工工藝模型，進行液壓機加工工藝的模擬。