一种金属基复合板矫直率的预测方法

1.本发明属于辊式矫直的技术领域，具体涉及一种金属基复合板矫直率的预测方法。


背景技术：

2.在现代工业中，金属基复合板因其具有多金属材料优异性能以及相对降低的生产成本得到了广泛应用。由于金属基复合板的服役范围越发广泛，服役条件越发严苛，对金属基复合板材料的成形工艺要求也越发严格。矫直工艺可以有效地减少金属基复合板轧制过程后的板形缺陷，降低板材的应力集中现象，从而提高金属基复合板的使用范围和寿命，因此，矫直工艺成为金属基复合板加工工艺中一项必备的流程。
3.在金属基复合板矫直工艺中，检验是否对金属基复合板矫直成功往往是通过测量板形不平度和残余应力。目前，检测板形不平度可以通过激光扫描实时测量，测量残余应力分为有损测试(即对其进行打孔)和无损测试(只能测量表面)。在实际生产中无法有效明确指出板材的最大残余应力是否符合服役条件。


技术实现要素：

4.为解决上述问题本发明公开一种金属基复合板矫直率的预测方法，从大数据出发，不需要破坏金属基复合板从而预测矫直成功率的方法，从而满足板材在后续的服役要求，对提高矫直精度和产品质量有着重要意义。
5.为达到上述目的，本发明采用如下技术方案：
6.一种金属基复合板矫直率的预测方法，所述预测方法包括以下步骤：
7.s1：收集金属基复合板矫直过程中的实验数据以及矫后的板材不平度和最大残余应力值，生成bp网络的训练集数据和测试集数据；
8.s2：根据bp网络的训练集数据和测试集数据构建两个bp神经网络的拓扑结构，确定输入层、隐含层、输出层神经元个数、选择神经网络的激活函数；
9.s3：初始化bp神经网络的权值和阈值，利用预测函数对其经行评价，确定多目标函数，作为pso的基本函数；
10.s4：初始化pso粒子位置和速度向量的维度，设置多目标pso算法的基本参数，粒子数、粒子的长度、粒子范围、最大速度、学习因子、终止条件、惯性权重；
11.s5：计算粒子个体最优值，随机输入一个粒子，计算初始适应度值，得到每个粒子的个体最优解；
12.s6：计算粒子群体最优值，根据支配关系，寻找pareto最优解，选择帕雷托前沿点最少的作为选择leader，即全局最优最优解；
13.s7：更新粒子的位置和速度更新公式，更新每个粒子的位置和速度，并考虑更新后的速度和位置是否在限定的范围之内；再根据重新计算粒子的适应度值，去更新粒子的个体最优值和群体最优值；
14.s8：判断是否满足迭代停止条件，如不满足，则重新检测支配关系，对计算粒子的适应度值的迭代直到满足条件为止。
15.与现有技术相比本发明的有益效果在于：
16.本发明以金属基复合板矫后的不平度和最大残余应力为目标函数，以矫直机的矫直力、辊径、辊距、辊速、辊长和各材料的屈服强度、厚度为自变量，对其进行数据分析以及归一化处理。然后依据不同目标函数，计算个体最优解和群体最优解，从而完成多目标pso-bp训练，得到复合板的矫直率；
17.本发明的方法采用多目标粒子群-神经网络(pso-bp)的方法，不仅具有bp解决非线性映射的优势，还降低了bp预测精度差、不稳定的问题，以板材的不平度和残余应力为目标值，预测金属基复合板的矫直成功率。从大数据出发，不需要破坏金属基复合板从而预测矫直成功率的方法，从而满足板材在后续的服役要求，对提高矫直精度和产品质量有着重要意义。
附图说明
18.构成本技术的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
19.图1为金属基复合板矫直工艺示意图；
20.图2为本发明中多目标pso-bp神经网络工作流程图。
具体实施方式
21.需要说明的是，在不冲突的情况下，本技术中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。
22.为了使本技术领域的人员更好地理解本技术方案，下面将结合本技术实施例中的附图，对本技术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技术一部分的实施例，而不是全部的实施例。基于本技术中的实施例，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，都应当属于本技术保护的范围。
23.实施例一
24.一种金属基复合板矫直率的预测方法，所述预测方法包括以下步骤：
25.s1：收集金属基复合板矫直过程中的实验数据以及矫后的板材不平度和最大残余应力值，生成bp网络的训练集数据和测试集数据；
26.s2：根据bp网络的训练集数据和测试集数据构建两个bp神经网络的拓扑结构，确定输入层、隐含层、输出层神经元个数、选择神经网络的激活函数；
27.s3：初始化bp神经网络的权值和阈值，利用预测函数对其经行评价，确定多目标函数，作为pso的基本函数；
28.s4：初始化pso粒子位置和速度向量的维度，设置多目标pso算法的基本参数，粒子数、粒子的长度、粒子范围、最大速度、学习因子、终止条件、惯性权重；
29.s5：计算粒子个体最优值，随机输入一个粒子，计算初始适应度值，得到每个粒子的个体最优解；
30.s6：计算粒子群体最优值，根据支配关系，寻找pareto最优解，选择帕雷托前沿点最少的作为选择leader，即全局最优最优解；
31.s7：更新粒子的位置和速度更新公式，更新每个粒子的位置和速度，并考虑更新后的速度和位置是否在限定的范围之内；再根据重新计算粒子的适应度值，去更新粒子的个体最优值和群体最优值；
32.s8：判断是否满足迭代停止条件，如不满足，则重新检测支配关系，对计算粒子的适应度值的迭代直到满足条件为止。
33.实施例二
34.如图1-2所示，一种金属基复合板矫直率的预测方法，所述预测方法包括以下步骤：
35.确定bp神经网络初始结构。本发明设计使用的神经网络有3层网络。输入层的输入量有矫直机的矫直力、辊径、辊距、辊速、辊长，基层材料的屈服强度、厚度以及复层材料的屈服强度、厚度。输出层分别为矫后板材的不平度和最大残余应力，节点数为1。计算隐含层元素个数的经验公式为：
[0036][0037]
其中l为隐含层的单元数，n为输入层的单元数，m为输出层的单元数，a为1-10之间的常数。
[0038]
将输入层和输出层神经元进行归一化处理，归一化的公式为：
[0039][0040]
其中，xi为归一化前的特征值，x为归一化后的特征值，x
max
为归一化前特征值的最大值,x
min
分别为归一化前特征值的和最小值。
[0041]
本实施例中bp网络结构中输入层和隐含层之间的激活函数采用tan-sigmoid，输出层激活函数采用purelin函数。训练次数设为50，训练目标设为10-5
，学习速率设置为0.05，并使用公式1为评价函数。
[0042]
err＝abs((t_sim-t_test)./t_test)(1)
[0043]
其中：err为目标误差值，t_sim为实验值，t_test为目标值。
[0044]
根据公式1计算出矫后板材的不平度和最大残余应力两个目标函数。
[0045]
pso粒子群算法优化bp神经网络的步骤包括：读取bp的多个目标函数、初始化粒子群、更新每个粒子的速度、更新每个粒子的位置、计算各个粒子的适应度值、计算粒子群的全局最小适应值、输出全局极值的位置所确定的网络权值和阈值。其中涉及到检测目标之间的支配关系、选择pareto前沿点和变异操作及边界检测。
[0046]
初始化多目标粒子群包括多目标函数的设定、粒子的规模及每个粒子的位置向量及速度向量、迭代误差精度、常系数c1和c2、惯性权值ω、初始速度及最大迭代次数等。
[0047]
其中：
[0048]
ω＝1/(1+1.5*exp(-2.6*h))
[0049]
c1＝5/(1+9*exp(-2.18*h))
[0050]
c2＝5/(1+exp(-2.2*h))
[0051]
速度与位置迭代更新公式为：
[0052][0053][0054]
其中：为k+1代粒子的速度，为k代粒子的速度，为k代粒子的位置，为k代粒子种群的个体最优值，为k代粒子种群的群体最优值，为k+1代粒子的位置。r1和r2是区间[0,1]中的随机数。
[0055]
适应度值公式为：
[0056][0057]
其中，b为训练样本的个数,o
iq
训练样本q在第i粒子的位置所确定的实际输出,t
iq
为训练样本q在第i粒子的位置所确定期望输出。
[0058]
根据pareto支配原则，计算个体最优解，升级网格，检测帕雷托前沿点，把网格等分划分后，选择每个网格上的帕雷托点，最终形成网格的质量。最后是要选择帕累托前沿点最少的网格，即两种目标的最优点的网格。
[0059]
选择pareto前沿点最少的作为选择leader，即全局最优解。初始值作为个体最优值。
[0060]
其次，通过对pso种群进行变异操作，防止求解出现局部最优。通过边界检测，防止变异后不符合条件。
[0061]
本发明在多目标pso-bp神经网络训练完成后，计算一组实验值的矫后不平度和最大残余应力，结果如表1所示，发现其与误差且均小于10％，可在实际中使用。同时，判断10组数据是否矫直成功，结果如表2所示。
[0062]
表1本发明中最大残余应力不平度预测值与实际值的对比
[0063][0064]
表2本发明中矫直成功率预测值与实际值的对比(1代表矫直成功，0代表矫直失败)
[0065][0066]
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

技术特征：
1.一种金属基复合板矫直率的预测方法,其特征在于，所述预测方法包括以下步骤：s1：收集金属基复合板矫直过程中的实验数据以及矫后的板材不平度和最大残余应力值，生成bp网络的训练集数据和测试集数据；s2：根据bp网络的训练集数据和测试集数据构建两个bp神经网络的拓扑结构，确定输入层、隐含层、输出层神经元个数、选择神经网络的激活函数；s3：初始化bp神经网络的权值和阈值，利用预测函数对其经行评价，确定多目标函数，作为pso的基本函数；s4：初始化pso粒子位置和速度向量的维度，设置多目标pso算法的基本参数，粒子数、粒子的长度、粒子范围、最大速度、学习因子、终止条件、惯性权重；s5：计算粒子个体最优值，随机输入一个粒子，计算初始适应度值，得到每个粒子的个体最优解；s6：计算粒子群体最优值，根据支配关系，寻找pareto最优解，选择帕雷托前沿点最少的作为选择leader，即全局最优最优解；s7：更新粒子的位置和速度更新公式，更新每个粒子的位置和速度，并考虑更新后的速度和位置是否在限定的范围之内；再根据重新计算粒子的适应度值，去更新粒子的个体最优值和群体最优值；s8：判断是否满足迭代停止条件，如不满足，则重新检测支配关系，对计算粒子的适应度值的迭代直到满足条件为止。

技术总结
本发明属于辊式矫直的技术领域，具体涉及一种金属基复合板矫直率的预测方法，包括收集金属基复合板矫直过程中的实验数据以及矫后的板材不平度和最大残余应力值，生成BP网络的训练集数据和测试集数据；构建两个BP神经网络的拓扑结构，确定输入层、隐含层、输出层神经元个数、选择神经网络的激活函数；初始化BP神经网络的权值和阈值。本发明以金属基复合板矫后的不平度和最大残余应力为目标函数，以矫直机的矫直力、辊径、辊距、辊速、辊长和各材料的屈服强度、厚度为自变量，对其进行数据分析以及归一化处理。然后依据不同目标函数，计算个体最优解和群体最优解，从而完成多目标PSO-BP训练，得到复合板的矫直率。得到复合板的矫直率。得到复合板的矫直率。


技术研发人员：桂海莲 邢彤 刘浩 张琛 陈建勋 拓雷锋 胡建华 何宗霖 张鹏岳
受保护的技术使用者：太原科技大学
技术研发日：2023.03.30
技术公布日：2023/8/1