基于机器学习的管材弯曲回弹有效预测与补偿

• 作者: 付颖 李光俊 李恒 贺子芮 陈光耀 马俊
• 来源期刊: 中国机械工程
• 关键词: 回弹 管材弯曲 机器学习 成形精度
• 年，卷（期）: 2020,（22）
• 所属期刊栏目: 成形过程的数据挖掘与深度学习方法
• 页码范围: 2745-2752
• 页数: 8页
• 分类号: TG386
• 语种: 中文
• DOI: 10.3969/j.issn.1004-132X.2020.22.012

摘要

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.