一种基于BP神经网络算法的铜管内螺纹成形质量预测方法与流程

本发明属于铜材内螺纹质量预测技术领域，主要涉及一种基于BP神经网络算法的铜管内螺纹成形质量预测方法。

背景技术：

根据国家可持续发展要求和十二五规划纲要，空调制造业正向着节能、环保、健康的方向发展。二号磷脱氧铜(TP2)因其具有良好的导热性、耐腐蚀性和优良的加工性能而被广泛用于热交换器、燃油系统、空气限制器和泵管道及其他深冲和焊接制件中，尤其是在空调行业更是备受青睐。

TP2内螺纹铜管具有良好的导热性、抗磁性、耐腐蚀性和优良的加工性能，广泛应用于空调和制冷用蒸发器和热交换器管，冰箱用制冷管、冷凝管等。与传统的光管相比，内螺纹管可增加热交换面积2～3倍，加之因螺旋状内螺纹而形成的湍流作用，可提高热交换率20％～30％，节能15％。但是由于内螺纹铜管的加工技术要求非常高，形成机理复杂，实际生成过程中主要依靠工人以往的生成经验来摸索确定成形工艺参数，加上我国的加工设备自动化程度相对较低，过分依赖操作人员的素质，导致TP2内螺纹铜管在内螺纹成形阶段经常出现如折叠、齿形充不满、外表面锯齿伤等缺陷，品质无法得到完全保证。目前，TP2内螺纹铜管主要通过钢球行星旋压来形成铜管内部的螺纹。由于内螺纹铜管成形过程中具有电机高速旋压、挤压和旋压相结合的特点，其成形机理十分复杂，因此利用遗传算法的适应度函数计算个体的适应度值，建立基于遗传算法的BP神经网络预测模型，对内螺纹成形质量进行预测具有重要的意义。

国内外的众多专家学者对旋压成形工艺做了深入研究，但由于内螺纹成形工艺的复杂性，初期的研究成果基本来源于基础实验和经验总结，没有形成完整的理论。90年代后，研究的重点逐渐向着形成机理方向发展。Rotarescu分析了接触区受力情况，咬入角大小、以及钢球的大小和个数对内螺纹成形质量的影响，并形成了一定的理论。李茂盛等提出了利用平面应变状态下圆弧形冲头压入半无限体时平均接触压力来间接推算出加工过程中成形区平均接触压力的方法，讨论了钢球压入半无限体的平均接触压力与钢珠旋压时接触压力以及平面应变状态下圆弧形冲头压入半无限体时平均接触压力之间的关系。王淼等通过有限元数值模拟的方法研究了在不同凹模转速下轴向进给比的变化规律及工件的成形规律，对模拟结果中应力应变的分布进行了分析，并给出了薄壁滚珠旋压时进给比的选取范围。上述研究大多从光管滚珠旋压的受力和工艺参数角度来分析滚珠旋压工艺对成形管件质量的影响，很少涉及到成形机理和受力情况更复杂的内螺纹成形研究。江树勇等分析了薄壁筒纵向内筋的成形过程，揭示了旋压件内筋的成形机理，但纵向内筋成形完后脱模相对简单。张光亮等分析了TP2内螺纹成形工艺过程中折叠缺陷产生的原因，得出管坯与螺纹芯头之间存在间隙是导致折叠形成的原因，但是未将该因素与具体的成形工艺参数联系起来，分析不够深入。

内螺纹成形工序中，旋压起槽阶段是影响内螺纹铜管成形质量的关键步骤。内螺纹滚珠旋压工艺除了具有局部成形的旋压特点以外，同时还具备了轧制和挤压等诸多特点，金属向齿槽内填充是一个成形机理复杂、变形受模具、润滑条件等众多因素影响、易在铜管内表面出现多种缺陷的力学过程，它所包含的几何条件、边界条件、接触条件均是非线性的，属于非线性问题范畴。

有限元模拟对于解决非线性问题是一种强有力的设计、分析和优化工具，可用于分析和预测成形期间零件形状的变化、坯料的变形规律、工艺参数对产品质量和尺寸精度的影响规律以及缺陷形成区域等问题。但在实际生产中，工艺参数、润滑条件、管坯的力学性能等都在时刻变化，加上模拟过程中受几何模型、边界条件等简化的影响，有限元模拟的结果往往达不到实际生产的工艺参数要求，而BP神经网络通过从离散的实验数据中进行训练学习，可将内螺纹成形质量的预测转化为求解网络连接权值和阈值问题的信息系统，它可通过神经元之间的相互连接和数学计算，建立起反应内螺纹成形过程中成形工艺参数与内螺纹成形质量之间内在规律的系统模型。

技术实现要素：

为了克服背景技术的不足，本发明提供了一种基于BP神经网络算法的铜管内螺纹成形质量预测方法。主要建立了反映内螺纹成形过程中各主要工艺参数与成形质量内在规律的系统模型，从而为内螺纹成形质量和缺陷的预测提供有效途径。

本发明所采用的技术方案是：一种基于BP神经网络算法的铜管内螺纹成形质量预测方法，包括以下步骤：

S1.神经网络预测模型的确定：确定神经网络的结构，包括网络层数、隐含层的节点数和神经网络的输入层节点数和输出层节点数，采用实数编码，将各层权值和阈值作为基因进行初始值编码，编码后每个神经网络对应一条染色体；

S2.对训练样本和检验样本的归一化处理，使用修正的线性函数Mapminmax将数据都映射到[0.1,0.9]范围内；

样本归一化处理计算方法如下：

$x_i=\frac{0.8(x-x_{\min })}{x_{\max }-x_{\min }}+0.1$

其中，x为待归一化的数据；x_max，x_min分别为一列中的最大值和最小值，x_i归一化后的数据。

S3.采用遗传算法对神经网络进行选择操作，确定种群规模N，随机生成N条染色体，确定控制参数：控件参数包括交叉概率、变异概率和终止条件，确定适应性函数，适应性函数用来评判个体对环境的适应性，根据适应性函数对神经网络进行训练得到误差作为初始适应度值，并选择适应度高的个体；

S4.将选择的两个适应度高的个体作为母体，依据步骤S3中设置的交叉概率，运用交叉算子进行交叉操作，依据步骤S3中设置的变异概率进行变异操作；

S5.根据适应度函数，计算适应度值；

S6.检验是否满足终止条件，若满足，选择最优权值阈值，计算误差更新权值阈值；

S7.根据步骤S6计算的误差，满足设定精度条件的终止循环，预测得到铜管内螺纹的成形结果，若未满足设定精度条件则回转步骤S6。

本发明提供的工艺方法中，步骤S1中所述的隐含层的节点数根据2n+1(n为输入层节点数)确定。

本发明提供的工艺方法中，步骤S1中所述的神经网络的输入层节点数根据研究设定的自变量数确定，所述的神经网络的输出层节点数根据研究设定的因变量数确定。

本发明提供的工艺方法中，步骤S1中所述的神经网络结构为3-7-1型网络结构。

本发明提供的工艺方法中，所述设定的自变量为电机转速、拉拔速度和旋压位置3个自变量。

本发明提供的工艺方法中，所述设定的因变量为内螺纹齿高1个因变量。

本发明提供的工艺方法中，所述步骤S7中精度条件为误差小于0.00001。

附图说明

图1为铜材成形数据作为样本对神经网络模型进行训练和测试后得到的均方差。

图2为本发明方法预测结果与实测结果对比图。

具体实施方式

下面将结合本发明实施例中的附图，技术工艺步骤，具体实施条件，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，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付出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例1

(1)确定BP神经网络模型的三个自变量为电机转速、拉拔速度和旋压位置以及一个因变量内螺纹齿高，BP神经网络的输入层节点数设为3个，输出层节点数设为1个。

(2)隐含层的节点数则根据Hecht-Nielsen提出的经验公式2n+1(n为输入层节点数)，分别选择5、7和9，训练目标0.00001，学习率0.1。

(3)BP神经网络选用3-7-1的网络结构。

(4)对训练样本和检验样本的归一化处理使输入输出的数据映射在[0.1,0.9]内。

训练样本归一化处理计算方法如下：

$x_i=\frac{0.8(x-x_{\min })}{x_{\max }-x_{\min }}+0.1$

其中，x为待归一化的数据；x_max，x_min分别为一列中的最大值和最小值，x_i归一化后的数据。

(5)BP神经网络所用初始值则是通过遗传算法选择、交叉和变异优化后得到的相关数值，其中种群规模为10，进化次数为50次，交叉概率为5，变异概率为0.2，

(6)利用正交实验设计获得的成形数据作为样本对神经网络模型进行训练和测试。

结果显示训练样本在经历13个循环后得到较小的均方差，采用本方法预测得到的铜材内螺纹对应齿高和实际测试得到的内螺纹对应齿高最小相对误差为0.08％，最大相对误差为0.77％，平均相对误差为0.418％，本方法预测的齿轮成型质量具备较高的精确度。

各位技术人员须知：虽然本发明已按照上述具体实施方式做了描述，但是本发明的发明思想并不仅限于此发明，任何运用本发明思想的改装，都将纳入本专利专利权保护范围内。