[發明專利]一種基于RBF神經網絡的鋁型材機械性能預測方法

在審

• 申請號: 201811352852.1
• 申請日: 2018-11-14
• 公開（公告）號: CN109871937A
• 公開（公告）日: 2019-06-11
• 發明（設計）人: 邢邦圣
• 申請（專利權）人: 江蘇師范大學
• 主分類號: G06N3/04
• 分類號: G06N3/04;G06N3/12;G06K9/62
• 代理公司: 南京經緯專利商標代理有限公司 32200
• 代理人: 樓高潮

一種基于RBF神經網絡的鋁型材機械性能預測方法，包括以下步驟：1)實測樣本變量的聚類分析；2)子空間內工藝參數空間到產品機械性能指標空間的直接映射關系；3)子空間和全空間內工藝參數到產品機械性能指標的RBF神經網絡模型；4)針對鋁型材機械性能預測的RBF神經網絡參數確定；5)基于RBF神經網絡的鋁型材生產工藝智能優化。本發明通過聚類分析，子空間內工藝參數到產品機械性能空間的映射關系分析，進一步分析子空間和全空間內工藝參數到產品性能指標的RBF神經網絡模型，分析鋁型材機械性能預測的RBF神經網絡參數確定，并基于RBF神經網絡的鋁型材的生產智能化優化，本方法使用方便，易于實現。

技術領域

本發明涉及一種型材機械性能預測方法，尤其是一種基于RBF神經網絡的鋁型材機械性能預測方法。

背景技術

我國是世界上鋁型材產量占比較高的國家，也是世界上鋁型材生產量和使用量最多的國家。由于鋁型材具有強度高、韌性好等特點，廣泛應用在建筑和制造業，發揮了巨大的作用，帶來了明顯的社會效益和經濟效益。

鋁型材的生產過程是一個綜合復雜的多因素生產過程，其產品質量受多方面因素的影響，其中原材料的性能(主要是抗拉強度σ₀)和工藝參數對產品質量有非常直接的影響。確定原材料抗拉強度和這些工藝參數的優化組合是鋁型材生產中的重要環節，對保證加工質量和降低加工成本具有重要意義。

針對鋁型材生產中存在產品性能不穩定、合格率低等問題，通過分析研究其生產工藝過程，筆者認為，為了提高鋁型材產品生產質量，必須加強生產工藝研究，具體來講，需進一步開展兩方面的研究工作：一是針對工藝參數的特定組合，較精確地預測鋁型材產品的力學性能；二是針對產品的力學性能要求，確定生產產品所需的工藝參數優化組合。

評測鋁型材產品質量的兩個重要指標是產品的抗拉強度和延伸率，因此，為了較精確地預測產品的力學性能和優化工藝參數，需要建立工藝參數和產品抗拉強度、延伸率之間的映射關系。

鋁型材生產過程是一個非常復雜的物理過程，在生產過程中原材料受到多次軋制處理，受到的約束形式綜合復雜，軋件條件和狀態不斷發生變化，而且該過程又必須保持各機架間金屬秒流量相等和遵從能量守恒定律，過程特性更趨復雜和難以掌握。具體體現在：

1)多變量生產過程中涉及的物理量很多，它們隨著時間進程與空間位置變化而變化的，如壓力、速度、流量、張力等，而且很多物理量是以場的形式存在的，如應力場、應變場、速度場等。

2)強耦合上述變量中，其中任何一個變量發生變化都將引起其他多個變量發生變化。

3)非線性生產過程中的很多相關關系是非線性的，這里既有幾何非線性問題，也有物理非線性問題。例如，應力應變關系、軋機剛度曲線、軋件塑性曲線等。

4)時變性生產過程不可能長期穩定地維持在一個理想的最佳點，上述大量的非線性、強耦合的變量隨時在變化著，并影響著目標控制量的變化。

因此，直接從約束條件和幾何變形角度出發，建立鋁型材的工藝參數和產品機械性能指標之間精確的數學物理方程相當困難。

目前實際生產中確定生產工藝參數的傳統方法有工藝實驗法、理論計算法和有限元法。

工藝實驗法的優點是能夠反映生產或實驗中實測數據的規律，所得的結果準確可靠，缺點是成本較高，且實驗周期較長。

理論計算法是將平衡微分方程和塑性條件聯立，以求出物體塑性變形時的應力分布和應變狀態，進而求出變形力。實際上由于生產過程的復雜性、深度非線性、影響因素眾多，在進行建模時不得不引入許多簡化和假設，致使模型精度較低，計算結果偏離實際工況，即使利用生產中實測數據重新修正模型的參數，由于模型結構本身的限制，也難以適應生產過程的要求。受限于建模和求解的困難，通常理論計算法只能求解一些較簡單的二維問題。