[发明专利]利用人工神经网络的弯曲位移

说明书

技术领域

本发明涉及一种通过人工神经网络来估计弯曲过程中的制造参数与弯曲位移之间的函数相关性的方法。

背景技术

由诸如激光、电子或弧束、或紫外线灯之类的热源来产生弯曲是一种非常灵活的加工技术。它是一种非接触成形工艺，在该工艺中热源被用作用于对诸如板料之类的工件进行成形的成形工具，而不需要任何模具。该技术适用于多种领域，特别是船舶、汽车、以及航空航天工业。

因为由诸如激光、电子或弧束之类的热源所进行的弯曲过程是非常复杂的非线性热物理过程，所以在材料表面不熔化的条件下难以预测以及控制弯曲位移，例如弯曲角。

发明内容

本发明的目的是提供一种用于在弯曲领域中对弯曲结果实现改进的可控性的方法。

这个目的由根据独立权利要求所述的方法来实现。

更多的有益进展是从属权利要求的保护内容。

为了控制以及改进在弯曲过程中所获得的结果，可以利用人工神经网络(ANN)，所述人工神经网络(ANN)是基于生物神经网络的数学模型或计算模型。利用人工神经网络，输入(所谓的输入神经元)和输出(所谓的输出神经元)之间的复杂关系可以被建模。人工神经网络的优点在于，无需建立整个系统的数学模型，就可以实现从一个空间Rⁿ(n为输入神经元的数目)到另一个空间R^m(m为输出神经元的数目)的映射。在人工神经网络中，多个神经元基于特定的功能或规则进行互连以便形成网络。组合具有相当简单功能的单个神经元总体上可以产生具有复杂特性的网络，该网络可以非常精确地仿真通过诸如激光束之类的局部热源所进行的复杂的非线性的弯曲过程。

反向传播网络(BP网络)是多层前馈神经网络，其映射的精度通过使用对BP网络进行训练的样本来保证。在训练的过程中，向系统提供关于到目前为止利用特定输入而获得的输出质量的反馈。一般来说，神经网络被构造成多个层，即被赋予输入神经元的输入层、被赋予输出神经元的输出层、以及在上述两层之间的一个或多个隐含层。应该注意，理论上具有一个隐含层的BP网络可以映射任何函数。因此，根据本发明的一个实施例，具有三层(一个输入层、一个隐含层和一个输出层)的BP网络就已够用。

关于BP网络对弯曲过程的适应过程，利用该网络对优化结果进行确定存在缺点。也就是，BP网络使用具有平方误差函数的局部搜索方法。这具有的缺点在于具有遇到局部极小值、慢收敛速度以及长训练时间的高风险。

遗传算法(GA)基本上类似于生物进化的过程。遗传算法使用由进化生物学所产生的技术，例如遗传、变异、选择以及交叉。这有助于通过对候选解的抽象表示(所谓的染色体)的种群进行进化以便找到特定问题的优化解，从而搜索某些问题的近似或精确解。遗传算法的进化过程通常从个体的种群开始，并且从其开始进化多个代。在每一代的群体中，在执行了编码、复制、重叠和变化之后计算每个个体的适应性。然后，每个个体被用来根据特定条件而确定一群新的个体。

遗传算法利用随机的搜索方法。当使遗传算法适应于弯曲过程时，出现诸如早熟收敛、低局部搜索能力以及慢收敛速度之类的不足。

根据本发明的一个实施例，提供一种通过人工神经网络来估计弯曲过程中的制造参数与弯曲位移之间的函数相关性的方法，所述弯曲位移优选是弯曲角，该方法包括以下步骤：通过遗传算法预先计算出人工神经网络的权值和阈值；将权值和阈值赋予人工神经网络；以及训练人工神经网络。该方法的基础是人工神经网络，但是通过BP网络和遗传算法的结合，该算法被改进。该方法可以避免BP网络的慢收敛速度以及遗传算法的有缺陷的训练能力，并且可以保证在弯曲过程中对输入和/或输出进行最佳预测的稳定性和精度。因此，BP网络和遗传算法的优点被结合，从而产生一种改进的BP网络。结果，可以为了期望的弯曲位移而以优化的制造参数来进行弯曲过程，或者可以预测具有特定制造参数的弯曲位移。例如，该方法使得能够估计或确定必要的制造参数(例如激光束输出功率、扫描速度、光斑直径和板厚度)以便获得期望的弯曲位移，例如弯曲角。该方法还实现了下面的功能，即在期望的弯曲位移和板厚度已知时，基于本方法来确定剩余的制造参数，例如激光输出功率、扫描速度、光斑直径。反过来也可以估计上述值，即基于已知的制造参数来预测弯曲位移。

此外，本发明提供一种通过诸如激光、电子或弧束之类的热源来使工件弯曲的弯曲方法。对制造参数和/或弯曲位移的预测的优化可以推动弯曲技术在实际生产中的应用。