[成形过程的数据挖掘与深度学习方法]基于机器学习的管材弯曲回弹有效预测与补偿

采用基于优化的误差反向传播(BP)神经网络的机器学习算法建模，提出了考虑材料参数、几何参数等多因素的弯管回弹精确预测和高效控制方法。该方法通过引入非线性惯性权重及遗传算法的杂交算子，改进了粒子群优化(PSO)算法，进而通过改进的PSO算法对BP神经网络进行优化，构建了基于改进的PSO-BP神经网络机器学习回弹预测和补偿模型。以多种规格的铝合金数控弯管构件为对象，将实际生产中不同规格、批次、成形参数下回弹数据作为训练样本，实现了所建机器学习预测模型的应用验证。所建模型获得的预测结果平均相对误差为6.3%，与未优化的BP神经网络等传统模型相比，预测精度最大提高了18.5%，计算时间可从1.5 h缩短至300 s，同时实现了回弹预测与补偿精度以及计算效率的显著提高。