基于神经网络的液压滚切剪剪切力预报模型.pdf

精密制造与 自动化 2 0 1 5 年第 4 期 i 制 造 业 信 息 化 i 基于神经网络 的液压滚切剪剪切力预报模型 吴会敏朱清智 河南工业职业技术学院河南南阳 4 7 3 0 0 0 摘要通过分析滚切 剪的工作过程 ，选择数学模型与神经网络 型相 结合 的乘法 网络 ，设计 了基于 B P神经网络 的液压滚切剪剪切力预报模型。通过对切入阶段和滚切阶段剪切力的数学模型计算值、实测值和预报值的比较， 证明了由该剪切力预报模型计算的剪切力精度有了很大提高。 关键词B P神经网络液压滚切剪剪切力预报模型 传统的液压剪切机是中厚板生产线上的重要设备， 完成对轧件的切头、切尾、切定尺、取样 。生产线上 大多数采用斜刃剪， 其上剪刃是倾斜的， 有利于减小剪 切力， 但是剪后的钢板有横向弯曲、 断面塌角等缺陷 。 滚切剪有效地解决踏角和 “ 啃伤”缺陷问题， 而且剪切 断面好，是中厚板生产线不可缺少的剪切设备。。 。 随着对钢板质量要求的提高，钢板种类 日益增 多。当滚切剪需要剪切一个新的钢种时，滚切剪机 需要承受多大 的剪切力 、是否超出了设备的加工能 力， 目前都是根据 以往经验预估计剪切力的大小 ， 这种方式可靠性很低，容易造成设备的损坏和财产 损失 。 本文 以某钢铁公司 2 8 0 0 1 T i m生产线定尺滚 切剪的改造项 目为依托 ，采用 B P神经 网络与数学 模型相结合， 设计 了全液压滚切剪剪切力预报模型， 仿真结果表明可以有效提高剪切力的计算精度。 1 液压滚切剪最大剪切力公式的推导 滚切剪为上切式，由液压站带动左右两个和机 架铰接的卧式液压缸，推动左右两个连杆 ，两个液 压缸按照设定的位置与速度 曲线移动 ，带动上刀架 实现纯滚动剪切运动 。 剪切过程主要有三个阶段 切入阶段 、滚切阶段、切离阶段 。滚切剪最重要的 剪切过程是切入和滚切阶段 。在切入阶段钢板经历 弹性压入到塑性滑移的过程 ，在滚切阶段经历弹塑 性压入到裂纹扩展 的过程 ， 这两个过程截然不同。 滚切剪切入阶段最大剪切力公式为 P K K2 K3 K4 a b K6 5_Bh 2 式中 、 为常数；K 3 为刀片间隙和刀磨钝系数 1 ． 1 ～ 1 _ 3 ； K 4 为切入角变换修正系数， 取 1 ． 0 5 4 ～ 1 ． 1 1 2 ， 开 口度小的取上限，开 口度大的取下限； 为钢板 的抗拉强度 ； 为材料延伸率 ；h为钢板厚度 ； 为连杆同上刀架铰接点之间的距离；r 为曲柄半径 。 滚切剪滚切阶段最大剪切力公式为 P m s 。 2 式中 、 为常数； 为剪刃间隙和刀磨钝系数 1 ． 1 ～ 1 - 3 ； 为钢板的抗拉强度； E 0 为相对切入深度； h为钢板厚度； 为上剪刃当量倾角 。 2 基于 B P 神经网络的剪切力预报模型的设计 从公式 1 和公式 2 可 以看 出， 计算时 、 、 是靠经验来选取，使得剪切力计算值有一定 的误差 ，其 中 、 的乘积一般取固定值 0 ． 6 ，可 以将这两个系数当成常量，只需对 进行修正。 表示剪刃间隙和刀磨钝系数 ，通过钢铁厂数据分析 可知，剪刃间隙和剪刃磨钝与钢板的厚度、宽度 、 抗拉强度 、剪切吨位有很大关系。剪刃间隙随着钢 板厚度的增加而增加；随着抗拉强度的增大，金属 塑性降低 ，所 以剪刃间隙有所减小。 2 ． 1 基于B P 神经网络的剪切力预报模型工作原理 液压滚切剪剪切力修正模型原理图，如图 1 所 示 。剪切吨位 由用户输入，钢板的材料性能在板材 库 中查询得到， 钢板的厚度、 宽度 由通信模块得到， 作为 B P网络输入值；B P网络经过前向计算得出网 络 的输 出值送到数学模型中，计算后得到预报剪切 吴会敏 等基于神经网络的液压滚切剪剪切力预报模型 力，根据实测剪切力与预报剪切力的差值采用反 向 传播算法来修正权值，直到预报值达到精度要求， 然后将最终的预报值存入到经验知识库中。 图 1 液压滚切剪剪切力预报模型原理图 2 ． 2 基于B P 神经网络的剪切力预报模型的结 构设计 1 输入输 出层的确定 根据分析，选择剪刃间隙与刀磨钝系数 作为 网络的输出。网络的输入选取钢板厚度 、宽度、抗 拉强度、剪切吨位。 2 网络结构确定 网络的训练样本主要来 自生产线上的实测数据 和专家提供的经验数据。在训练本 网络 时，共选择 样本值 5 0 0 组 ， 其中4 5 0 组参加训练作为训练样本 ， 5 O组不参加训练作为网络的检测样本 。 借助 Ma t l a b平台构建神经网络， 对具有不 同隐 含层结构的 B P网络进行训练。通过 比较网络的全 局误差来判断最佳的隐含层结构。 本文对不同隐含层结构的网络都训练了 1 0次， 取误差最小的一次作为实验结果。实验结果如表 1 所示 ，由表可知具有三个隐层的神经网络具有最 好 的收敛性；隐层节点数为 8个时，神经网络的收 敛性最好 。所 以，确定剪切力预报模型的神经网络 结构具有三个隐层 ，每个隐层节点数是 8 个 。 表 1 不同隐含层结构 B P网络训练的全局误差 隐层数 不 同隐层结构的全局误差 5 6 8 1 0 l 3 1 0 0 0 0 8 6 0 ． 0 0 0 5 5 0 0 0 0 3 8 0 ． 0 0 0 2 3 0 0 0 0 2 9 2 0 0 0 0 2 5 0 ． 0 0 0 1 4 0 0 0 0 0 6 0 ． 0 0 0 0 6 0 0 001 3 3 0 ．0 0 0l 3 0 0 0 0 0 6 0．0 0 0 0 2 0 ． 0 0 0 0 2 0 0 0 0 0 7 4 0 ． 0 0 01 5 0 0 0 0 0 6 0 ．0 0 0 0 3 0 ． 0 0 0 0 4 0 ． 0 0 01 9 5 0 ． 0 0 01 7 0 0 0 0 l 1 0 ．0 0 0 0 5 0 ． 0 0 0 0 5 0 ． 0 0 01 6 剪切力预报模型的神经网络结构，如 图 2 所示 。 一 0 图 2 剪切力预报模型的神经网络结构 3 B P神经网络在 M A T L A B中的实现 MA T L AB环境下，五层 B P神经网络实现程序 如下 A l o a d ‘ D P mg r a mF i l e s ＼ MA T L A B＼ w o r k ＼ i n ． t x t ’ ； A A ；％输入样本 B l o a d ‘ D mg r a m F i l e s ＼ MA T L A B ＼ wo r k ＼ o u t ． t x t ’ 、 ； B B’ ；％输 出样本 P a r a ． G o a l 0 ． 0 0 0 1 ；％网络训练 目标误差 P a r a ． E p o c h s 1 0 0 0 ；％网络训练代数 P a r a ． L e a mR a t e 0 ． 1 ；％网络学习速率 P a r a ． S h o w 1 0 ；％网络训练显示间隔 P a r a ． L e a r n F c n ‘ l e a r n g d m’ ；％网络学习函数 P a r a ． P e r f o r mF c n ms e ’ ；％网络 的误差函数 P a r a ． I n Nu m s i z e I n p u t ，1 ；％输出量维数 Ne t - a e wff mi n ma x A ， [ 8 8 8 1 ] ， { ‘ t a n s i g ’ ， ‘ t a n s i g ’ ， ‘ t a n s i g ’ ，‘ p u r e l i n ’} ， t r a i n l m’ ； ％创建一个 5 层 B P神经网络，隐含层节点数分别为 8 ， 8 ， 8 ，输出 层节点数为 1 Ne t ． t r a i n P a r a m． s h o w P a r a ． S h o w；％训练显示间隔 赋值 Ne t ． t r a i n P a r a m． g o a l P a r a ． Go a l ；％训练 目标误差赋 值 Ne t ． t r a i n P a r a m． 1 r P a r a ． L e a mR a t e ；％网络学习速率 赋值 Ne t ． t r a i n P a r a m． e p o c h s P a r a ． E p o c h s ；％网络训练代 数赋值 『 Ne t ，t r ] t r a i n n e t ，A，B ；％i 1 1 练网络 T l o a d D Tmg r a m F i l e s L M A TL AB＼ wo r k ＼ t e s t - i n ． t x t ’ ； ％样本测试 T T’ ； ％测试样本输入 M l o a d ‘ D P mg r a m F i l e s ＼ MA TL AB＼ wo r k ＼ t e s t o u t ． t x t ’ ； M M’ ； ％测试样本输 出