一种基于RBF神经网络的铝型材机械性能预测方法与流程

本发明涉及一种型材机械性能预测方法，尤其是一种基于rbf神经网络的铝型材机械性能预测方法。

背景技术：

我国是世界上铝型材产量占比较高的国家，也是世界上铝型材生产量和使用量最多的国家。由于铝型材具有强度高、韧性好等特点，广泛应用在建筑和制造业，发挥了巨大的作用，带来了明显的社会效益和经济效益。

铝型材的生产过程是一个综合复杂的多因素生产过程，其产品质量受多方面因素的影响，其中原材料的性能(主要是抗拉强度σ0)和工艺参数对产品质量有非常直接的影响。确定原材料抗拉强度和这些工艺参数的优化组合是铝型材生产中的重要环节，对保证加工质量和降低加工成本具有重要意义。

针对铝型材生产中存在产品性能不稳定、合格率低等问题，通过分析研究其生产工艺过程，笔者认为，为了提高铝型材产品生产质量，必须加强生产工艺研究，具体来讲，需进一步开展两方面的研究工作：一是针对工艺参数的特定组合，较精确地预测铝型材产品的力学性能；二是针对产品的力学性能要求，确定生产产品所需的工艺参数优化组合。

评测铝型材产品质量的两个重要指标是产品的抗拉强度和延伸率，因此，为了较精确地预测产品的力学性能和优化工艺参数，需要建立工艺参数和产品抗拉强度、延伸率之间的映射关系。

铝型材生产过程是一个非常复杂的物理过程，在生产过程中原材料受到多次轧制处理，受到的约束形式综合复杂，轧件条件和状态不断发生变化，而且该过程又必须保持各机架间金属秒流量相等和遵从能量守恒定律，过程特性更趋复杂和难以掌握。具体体现在：

1)多变量生产过程中涉及的物理量很多，它们随着时间进程与空间位置变化而变化的，如压力、速度、流量、张力等，而且很多物理量是以场的形式存在的，如应力场、应变场、速度场等。

2)强耦合上述变量中，其中任何一个变量发生变化都将引起其他多个变量发生变化。

3)非线性生产过程中的很多相关关系是非线性的，这里既有几何非线性问题，也有物理非线性问题。例如，应力应变关系、轧机刚度曲线、轧件塑性曲线等。

4)时变性生产过程不可能长期稳定地维持在一个理想的最佳点，上述大量的非线性、强耦合的变量随时在变化着，并影响着目标控制量的变化。

因此，直接从约束条件和几何变形角度出发，建立铝型材的工艺参数和产品机械性能指标之间精确的数学物理方程相当困难。

目前实际生产中确定生产工艺参数的传统方法有工艺实验法、理论计算法和有限元法。

工艺实验法的优点是能够反映生产或实验中实测数据的规律，所得的结果准确可靠，缺点是成本较高，且实验周期较长。

理论计算法是将平衡微分方程和塑性条件联立，以求出物体塑性变形时的应力分布和应变状态，进而求出变形力。实际上由于生产过程的复杂性、深度非线性、影响因素众多，在进行建模时不得不引入许多简化和假设，致使模型精度较低，计算结果偏离实际工况，即使利用生产中实测数据重新修正模型的参数，由于模型结构本身的限制，也难以适应生产过程的要求。受限于建模和求解的困难，通常理论计算法只能求解一些较简单的二维问题。

有限元法虽能求得精度较高的满意解，但需要反复迭代，运算时间长，计算效率低。所以有必要从生产工艺参数及据此加工的产品机械性能参数实测数据出发，研究生产工艺参数和产品机械性能指标之间的联系。

国内外在铝型材工艺优化和性能预测方面研究成果较少，研究既不深入，又不全面，只是作了定性分析，而没有进行定量研究，远远不能满足建筑业、制造业快速发展的要求。

技术实现要素：

为了克服现有技术的上述不足，本发明提供一种基于rbf神经网络的铝型材机械性能预测方法，能够建立铝型材生产工艺参数和产品机械性能参数之间的联系，方法简单，易于实现。

本发明解决其技术问题采用的技术方案是：包括以下步骤：1)实测样本变量的聚类分析；2)子空间内工艺参数空间到产品机械性能指标空间的直接映射关系；3)子空间和全空间内工艺参数到产品机械性能指标的rbf神经网络模型；4)针对铝型材机械性能预测的rbf神经网络参数确定；5)基于rbf神经网络的铝型材生产工艺智能优化。

相比现有技术，本发明的一种基于rbf神经网络的铝型材机械性能预测方法，研究了生产技术对铝型材机械性能的影响规律，建立了基于rbf神经网络的预测和优化系统，能预测铝型材的机械性能。是针对铝型材工艺参数优化这一复杂的实际组合优化问题，以铝型材产品的抗拉强度和延伸率作为最终优化目标，找到的一条多目标优化的合理途径，获得了最优工艺参数组合，提高了铝型材的机械性能。具有节约原材料，降低成本，提高企业经济效益，产业化前景良好的优势。

附图说明

下面结合附图和实施例对本发明进一步说明。

图1是本发明一个实施例的流程图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明的保护范围。

参见图1，本发明一种基于rbf神经网络的铝型材机械性能预测方法，需要以下步骤：

1)实测样本变量的聚类分析

采用聚类分析的方法，以检验样本变量为中心，对实测已知样本变量进行处理，构造出与检验样本变量最相似的聚类，从而构造出以检验样本变量为中心的子空间。

2)子空间内工艺参数空间到产品机械性能指标空间的直接映射关系

根据研究问题的需要，样本空间中变量xi有5个分量，分别为原材料抗拉强度σ0、减径量△、拉拔线速度v、滚轮起伏量i和滚轮间距s，分别记为xi1，xi2，xi3，xi4，xi5。xi对应的性能参数变量yi有2个分量，分别为产品的抗拉强度σb和延伸率δb，记为yi1，yi2。设子空间pk内，xij对yi1的影响因子为aki，对yi2的影响因子为bki。在pk范围内，利用下面关系

xkak＝yk1

xkbk＝yk2

求出矩阵ak和bk，之后用该映射关系预测检验样本的性能参数。

3)子空间和全空间内工艺参数到产品机械性能指标的rbf神经网络模型

径向基函数网络是一种局部逼近网络，理论上能以任意精度逼近任意连续函数。一般地，rbf网络可视为由n个感觉神经元、h个联想神经元以及m个反映神经元为元素组成的系统。由于生产工艺过程的复杂性，直接从约束条件和几何变形角度出发，建立铝型材的工艺参数和产品机械性能指标之间精确的数学物理方程相当困难，甚至是不可能的。所以，用rbf网络来逼近铝型材生产工艺参数和产品机械性能之间的复杂映射关系。

4)针对铝型材机械性能预测的rbf神经网络参数确定

rbf网络神经元层宽度系数、网络误差以及联想神经元个数对网络的逼近效果具有重要影响。宽度系数要足够大，使神经元对输入产生的响应范围能够覆盖足够大的区域，同时又不能太大，而使各个神经元都具有相互重叠的输入向量响应区域；网络误差的值同样也不能太大或太小，否则将对rbf网络性能产生不利影响。对于联想神经元个数，拟采用迭代方式确定，在创建网络时，每添加一个rbf神经元，计算网络的当前误差。如果网络误差小于期望值，停止迭代；否则，将神经元不断地加入网络中，直到均方误差下降到期望的误差之下，或者网络神经元数目达到允许的最大值。总之，本项目研究针对铝型材产品机械性能预测的rbf网络参数确定方法。

5)基于rbf神经网络的铝型材生产工艺智能优化

铝型材产品的生产过程非常复杂，不可能直接建立精确描述生产过程的数学模型。这样，缺少了规划生产工艺条件的有效理论指导，实际生产中不得不采用工艺实验法来确定生产工艺条件。针对该问题，本项目拟开展基于遗传计算和径向基函数网络的生产工艺优化研究。利用统一目标函数法将多目标优化问题转化为单目标优化问题；利用遗传算法的全局概率搜索能力，在整个生产工艺参数空间内进行遗传搜索；利用径向基函数网络的高精度逼近性能，建立铝型材生产工艺参数和产品机械性能参数之间的联系，实现遗传计算中个体的适应度评价。

本发明实施例的应用过程如下：

(1)实验设计与已知样本变量的获取

以普通铝为研究对象，利用正交实验设计方法，设计一组样本变量；生产出该组样本变量对应的铝型材产品样品，采用we-300型万能材料试验机测得该组样品的机械性能，作为训练样本。

(2)针对检验样本机械性能预测的样本变量子空间的构造

利用聚类分析的方法处理已知样本变量，构造出以各个检验样本为中心的聚类，将各个聚类成员作为预测检验样本机械性能的训练样本。构造聚类时，使聚类成员各个分量包络而成的子空间包含检验样本。聚类规模的确定和非球状簇的构造是此处的瓶颈环节。

(3)预测模型的建立和模型参数的确定

分别在各子空间和生产工艺参数全空间内建立铝型材产品的机械性能rbf网络预测模型，研究针对铝型材产品机械性能预测的rbf网络参数确定方法。

(4)模型预测精度与预测稳定性分析

分单输出与双输出两种情况，在各子空间和全空间内，研究训练样本数目、训练样本分布形式、rbf网络参数对铝型材产品机械性能预测模型的预测精度与预测稳定性影响，寻求最优模型参数组合。

(5)铝型材产品生产工艺多目标优化模型中各分目标的统一化处理

铝型材产品产品的机械性能指标主要有两个：抗拉强度σb和延伸率δb，两者重要程度相当，故拟采用目标规划法对各个分目标统一化处理，将期望的产品机械性能作为各分目标函数的最优值，之后根据多目标优化问题的总体要求，按照平方和法来构造统一的目标函数，将多目标优化问题转换为单目标优化问题。

(6)铝型材产品生产工艺多目标优化模型的求解

铝型材产品生产工艺优化问题，是一个典型的高维、多峰值，并且目标函数未知的复杂约束优化问题。考虑到遗传计算具有广泛适应性和全局概率搜索能力，本项目拟采用遗传算法求解基于rbf神经网络的铝型材产品生产工艺优化模型。

(7)铝型材产品生产工艺优化结果的验证

以铝型材产品生产工艺优化模型计算结果作为工艺条件，用预定的生产母材重新生产出样品，测量其机械性能，与期望的性能指标作比较，检验工艺优化模型的性能。

以上所述，仅是本发明的较佳实施例，并非对本发明做任何形式上的限制，凡是依据本发明的技术实质，对以上实施例所做出任何简单修改和同等变化，均落入本发明的保护范围之内。