[发明专利]一种基于RBF神经网络的铝型材机械性能预测方法

说明书

一种基于RBF神经网络的铝型材机械性能预测方法，包括以下步骤：1)实测样本变量的聚类分析；2)子空间内工艺参数空间到产品机械性能指标空间的直接映射关系；3)子空间和全空间内工艺参数到产品机械性能指标的RBF神经网络模型；4)针对铝型材机械性能预测的RBF神经网络参数确定；5)基于RBF神经网络的铝型材生产工艺智能优化。本发明通过聚类分析，子空间内工艺参数到产品机械性能空间的映射关系分析，进一步分析子空间和全空间内工艺参数到产品性能指标的RBF神经网络模型，分析铝型材机械性能预测的RBF神经网络参数确定，并基于RBF神经网络的铝型材的生产智能化优化，本方法使用方便，易于实现。

技术领域

本发明涉及一种型材机械性能预测方法，尤其是一种基于RBF神经网络的铝型材机械性能预测方法。

背景技术

我国是世界上铝型材产量占比较高的国家，也是世界上铝型材生产量和使用量最多的国家。由于铝型材具有强度高、韧性好等特点，广泛应用在建筑和制造业，发挥了巨大的作用，带来了明显的社会效益和经济效益。

铝型材的生产过程是一个综合复杂的多因素生产过程，其产品质量受多方面因素的影响，其中原材料的性能(主要是抗拉强度σ₀)和工艺参数对产品质量有非常直接的影响。确定原材料抗拉强度和这些工艺参数的优化组合是铝型材生产中的重要环节，对保证加工质量和降低加工成本具有重要意义。

针对铝型材生产中存在产品性能不稳定、合格率低等问题，通过分析研究其生产工艺过程，笔者认为，为了提高铝型材产品生产质量，必须加强生产工艺研究，具体来讲，需进一步开展两方面的研究工作：一是针对工艺参数的特定组合，较精确地预测铝型材产品的力学性能；二是针对产品的力学性能要求，确定生产产品所需的工艺参数优化组合。

评测铝型材产品质量的两个重要指标是产品的抗拉强度和延伸率，因此，为了较精确地预测产品的力学性能和优化工艺参数，需要建立工艺参数和产品抗拉强度、延伸率之间的映射关系。

铝型材生产过程是一个非常复杂的物理过程，在生产过程中原材料受到多次轧制处理，受到的约束形式综合复杂，轧件条件和状态不断发生变化，而且该过程又必须保持各机架间金属秒流量相等和遵从能量守恒定律，过程特性更趋复杂和难以掌握。具体体现在：

1)多变量生产过程中涉及的物理量很多，它们随着时间进程与空间位置变化而变化的，如压力、速度、流量、张力等，而且很多物理量是以场的形式存在的，如应力场、应变场、速度场等。

2)强耦合上述变量中，其中任何一个变量发生变化都将引起其他多个变量发生变化。

3)非线性生产过程中的很多相关关系是非线性的，这里既有几何非线性问题，也有物理非线性问题。例如，应力应变关系、轧机刚度曲线、轧件塑性曲线等。

4)时变性生产过程不可能长期稳定地维持在一个理想的最佳点，上述大量的非线性、强耦合的变量随时在变化着，并影响着目标控制量的变化。

因此，直接从约束条件和几何变形角度出发，建立铝型材的工艺参数和产品机械性能指标之间精确的数学物理方程相当困难。

目前实际生产中确定生产工艺参数的传统方法有工艺实验法、理论计算法和有限元法。

工艺实验法的优点是能够反映生产或实验中实测数据的规律，所得的结果准确可靠，缺点是成本较高，且实验周期较长。

理论计算法是将平衡微分方程和塑性条件联立，以求出物体塑性变形时的应力分布和应变状态，进而求出变形力。实际上由于生产过程的复杂性、深度非线性、影响因素众多，在进行建模时不得不引入许多简化和假设，致使模型精度较低，计算结果偏离实际工况，即使利用生产中实测数据重新修正模型的参数，由于模型结构本身的限制，也难以适应生产过程的要求。受限于建模和求解的困难，通常理论计算法只能求解一些较简单的二维问题。