基于LM算法的宽板V型自由弯曲参数的实时识别

在弯曲成形智能化控制过程的4个要素中，材料性能参数的实时识别占有极其重要的地位。为提高实时识别的精度和效率，根据宽板V型自由弯曲成形的特点，建立了宽板V型自由弯曲成形智能化控制过程材料性能参数实时识别的LM神经网络模型。训练结果表明，与改进的BP网络模型比较，LM网络模型的收敛精度和收敛速度均有明显的提高，为实现弯曲成形过程的智能化控制奠定了基础。     

宽板V型自由弯曲智能化控制过程的解析定量描述

板料在弯曲卸载过程中,由于弹性变形回复,从而产生回弹。回弹的结果使弯曲件的精度降低。影响回弹的因素很多,也很复杂。根据弹塑性弯曲理论,在平面变形假设的前提下,考虑了材料的硬化、各向异性及弹性变形,对宽板V型自由弯曲应力应变进行了分析,得到了弹塑性交界处曲率半径,推导出了弯曲力及目标弯曲角随弯曲行程变化的关系式。理论计算与实验及数值模拟结果进行了比较,为宽板V型自由弯曲智能化控制中参数识别及预测模型输入层和输出层变量的确定提供了理论依据。     

宽板V型自由弯曲智能化控制实验系统

文章以宽板V型自由弯曲为研究对象,利用神经网络技术和基于LabVIEW的数据采集系统建立了宽板V型自由弯曲智能化控制实验系统。系统的控制精度较高,为今后在生产中实现宽板V型自由弯曲的智能化控制奠定了基础。     

帽型件弯曲智能化控制过程的影响因素分析

在板材弯曲成形智能化控制系统中,准确确定实时识别和预测模型的输入、输出参数,是弯曲智能化控制成功与否以及回弹控制精度高低的关键。文章采用LS-DYNA软件,对影响帽型件弯曲智能化回弹控制过程的因素进行了数值分析,并对模拟结果进行了实验验证,得出了影响回弹规律的主要因素,为帽型件弯曲智能化控制神经网络参数识别,及预测模型输入、输出参数的选择提供依据。     

U形件弯曲影响回弹因素模拟分析

板材在弯曲过程中存在的最突出的问题是弯曲回弹难以精确控制.弯曲卸载后产生的回弹,使弯曲件的形状和尺寸与模具工作部分的形状和尺寸不符.弯曲件的最后形状与整个变形过程有关,模具几何参数、材料性能参数等都会对回弹产生很大影响.在板材弯曲成形智能化控制系统中,准确确定实时识别和预测模型的输入、输出参数是弯曲智能化控制的成功与否以及回弹控制精度高低的关键.本文采用Ls-dyna软件,对U形件弯曲影响回弹的因素进行了分析,得出了影响回弹规律的主要因素.为U形件弯曲智能化控制神经网络参数识别及预测模型输入、输出参数的选择提供依据.     

宽板Ⅴ型自由弯曲智能化控制实验系统

文章以宽板Ⅴ型自由弯曲为研究对象．利用神经网络技术和基于LabVIEW的数据采集系统建立了宽板Ⅴ型自由弯曲智能化控制实验系统。系统的控制精度较高，为今后在生产中实现宽板Ⅴ型自由弯曲的智能化控制奠定了基础。     

帽形件智能化弯曲参数实时识别及实时预测的研究

在板材成形智能化控制过程中,材料参数实时识别和最优工艺参数的实时预测是最重要的两个要素,实时识别时间的长短与实时预测精度的高低,直接影响到板材成形智能化控制的成败。文章利用神经网络技术实现了帽形件弯曲成形智能化控制过程中材料参数识别与最优工艺参数的预测,其材料参数及工艺参数均在数值模拟和试验提供的数据范围内,识别和预测模型的收敛精度均达到了0.1%,识别和泛化精度较高,满足帽形件弯曲智能化控制的要求。     

宽板U形自由弯曲智能化控制过程的解析定量描述

根据板材弯曲理论,在平面变形假设的前提下,考虑了材料的硬化、各向异性及弹性变形,建立了U形件自由弯曲理论分析模型,对宽板U形件自由弯曲进行了理论分析,得出了弯曲力随弯曲行程变化规律及目标弯曲角计算公式,并对各种影响弯曲力和回弹的因素进行了分析,理论计算与实验及模拟结果进行了比较,为宽板U形件自由弯曲智能化控制中参数识别及预测模型输入层和输出层变量的确定提供了理论依据。     

宽板V型自由弯曲回弹的有限元模拟

当前 ,开发准确、高效的回弹算法及提高回弹过程数值模拟的精度是亟待解决的问题 ,也是研究的热点。本文利用自主开发的二维弹塑性有限元程序 ,针对宽板V型自由弯曲的特点 ,采用无模法求解回弹。加载时基于弹塑性有限元法 ,卸载时基于弹性有限元法 ,均采用静力隐式算法。实验表明 :该程序对宽板V型自由弯曲回弹的模拟是高效、可靠的。特别是采用随塑性变形而发生变化的弹性模量 ,会进一步提高回弹模拟的精度     

盒形件拉深智能化控制关键技术研究

在圆锥形零件拉深成形智能化控制的研究基础上,分析了盒形件拉深智能化控制需要解决的技术关键。采用LabVIEW虚拟仪器技术,可以令人满意地实现拉深过程中信号的监测与控制。采用神经网络技术,可实现材料性能参数的实时识别,利用LM(LevenbergMarquarat)优化算法达到了2‰的网络误差。最佳工艺参数的预测模型尚待深入研究,该文提出3种参考方案,即理论成形三极限预测模型、神经网络/模糊推论预测模型以及自适应反馈控制模型。     

基于BP神经网络的板料折弯件下料尺寸的计算方法

在板料成形工艺中 ,弯曲成形是一种主要的工艺方法。而板料下料尺寸将直接影响到零件的成形精度以及后续工序的成败。针对工厂积累的大量生产和实验数据 ,提出一种基于人工神经网络计算弯曲件板料展开长度的方法。在概述解析法确定板料展开长度的基础上 ,建立了计算展开长度的人工神经网络模型。以板料厚度、成形半径及成形角度作为输入参数 ,中性层位移系数作为输出参数 ,用已积累的大量数据作为训练样本 ,对神经网络进行训练 ,得到这些参数和中性层位移系数的隐性规律 ,实现了弯曲成形板料展开长度的快速计算。实验结果表明 ,利用人工神经网络能够快速准确地计算出板料展开长度。     

轴对称曲面件智能化拉深成形过程的解析定量描述

成形过程的定量描述是板材成形智能化控制中在线识别材料参数和工况参数以及预测最佳工艺参数的理论依据，识别和预测精度取决于定量描述的准确程度。为了实现轴对称曲面件拉深过程的智能化控制，分析了轴对称曲面拉深件的共性特征，建立了完整的力学模型，在直线假设、面积不变假设和似直梁弯曲假设条件下，给出了拉深过程中拉深力－行程曲线的解析定量描述。用三种板材以锥形件拉深为例进行了实验验证。     

人工神经网络技术及其在板料成形智能化中的应用

本文在概述人工神经网络特性、BP网络模型及BP算法的基础上 ,对BP算法改进、训练样本及网络结构等相关技术进行了总结。重点综述了人工神经网络技术在板料成形专家系统、成形力预测、参数识别、智能控制、故障诊断、缺陷分析、板料成形性能研究和模具优化设计等板料成形智能化相关技术中的应用 ,探讨了应用中存在的问题 ,并展望其发展趋势