利用人工神经网络的弯曲位移的制作方法

专利名称：利用人工神经网络的弯曲位移的制作方法
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Rm(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。 而且，本发明提供一种用于在弯曲过程中确定制造参数和/或弯曲位移的界面。 这提供一种友好且便于使用的人机对话界面。在弯曲过程中，制造参数和/弯曲位移的预 测被优化并且变形位移被预测。预测"制造参数和/或弯曲位移"意味着几种实施方式是 可能的。例如有可能的是，期望的弯曲位移是已知的，并且该界面输出必要的制造参数，例 如激光输出功率、扫描速度、光斑直径和板厚度。在另一实例中，期望的弯曲位移和板厚度 是已知的，同时该界面输出剩余的制造参数，例如激光输出功率、扫描速度、光斑直径。在又 一实例中有可能的是，诸如激光输出功率、扫描速度、光斑直径和板厚度之类的制造参数是 已知的，并且该界面输出将利用这些制造参数所获得的弯曲位移。


图1示出根据本发明一个实施例的方法的总体流程图；
图2是更详细地说明图1的流程图的一部分的流程图； 图3是说明根据本发明一个实施例的方法和根据BP网络的方法的收敛速度的差 异的示意图； 图4示出将人工神经网络的输出数据和样本数据进行比较的示意图；
图5说明样本数据和由训练的人工神经网络预测的输出数据的比较；以及
图6是说明根据本发明一个实施例的用户界面的图像。
具体实施例方式
下面参考附图的图1到图6来进一步解释通过人工神经网络来估计弯曲过程中的
制造或技术参数与弯曲角之间的函数相关性的方法。
图1示出根据本发明一个实施例的方法的总体流程图。 首先，在步骤A中进行采集样本数据的实验。样本数据可以被分为两个部分输入 部分和输出部分。输入部分在该实施例中包括激光输出功率、扫描速度、光斑直径以及工件 的板厚度，同时输出部分包括利用相应的输入所获得的板的弯曲角。所有这些数据都从实 验中得到。 激光束选用由波长A = 1064nm、最大功率为3500W的掺钕钇铝石榴石(Nd:YAG) 激光器发射的光束。板料是长度为150mm、宽度为100mm、厚度为2. 5mm的铝合金AA6056。 像悬臂板一样，该板料的一端被固定。然后，激光输出功率、扫描速度和光斑直径被相应地 设置。之后，激光束开始在工件宽度方向上沿着中心线连续地照射。随后，测量弯曲角。通 过这种方式，得到30组样本数据，其中一组数据是由制造参数(包括激光输出功率、激光扫 描速度、激光光斑直径和工件的板厚度)与对应的弯曲角所组成的对。
此后在步骤B中，样本数据被设置并且被归一化，以便被用作训练人工神经网络 的数据。这意味着样本数据的适当范围和数量被设置。在步骤A中取得的30组样本数据 被设置并且被归一化到[-l，l]范围内，以便建立与人工神经网络的输入值和输出值的对 应关系，即使得样本数据与输入值和输出值的范围处于同一等级。在该实施例中使用计算 环境和编程语言MATLAB⑧。选择了 premnmx函数以便在MATLAB⑧中实施步骤B。 premnmx函数是现有的软件函数，它通过归一化输入和输出来预处理样本数据，以使它们处 于区间[-l，l]内。 在随后的步骤C中，人工神经网络被创建为具有一个输入层、一个隐含层和一个 输出层的三层BP网络。输入层的节点的数目被设置为4，隐含层被设置为包括15个节点， 并且输出层被设置为包括一个节点。此外，选择tansig函数作为中间层和输出层之间的神 经元传递函数。tansig函数是双曲正切S形传递函数，它用于由其网络输入来计算层的输 出。该tansig函数也是MATLAB⑧中现有的函数。 此后在步骤D中，通过使用图2的左栏中更详细地示出的遗传算法，人工神经网络 被预先训练或被优化。因此，图2中的步骤S100到S107在图1的步骤D中被执行。换句 话说，利用遗传算法来预先计算用于限定人工神经网络的权值和阈值。在该遗传算法中，通 过将种群大小设置为50、将遗传代的数目设置为100、将交叉概率设置为0. l并且将变异概 率设置为0.05来在步骤S100中创建初始种群。因此，种群包括一组权值和阈值。然后，在 步骤SIOI中确定种群的适应度，并且校验种群是否满足期望的要求(步骤S102)。如果满 足期望的要求，图2的流程图则进行到步骤S107，该步骤S107结束遗传算法并将所获得的 结果(即用于人工神经网络的权值和阈值)转发到步骤S108，该步骤S108在随后描述的 图1的步骤E中被执行。如果步骤102中的结果是否定的，图2的流程图则进行步骤S103、 S104、S105和S106以便创建新的种群，所述步骤S103、S104、S105和S106是遗传算法的已 知函数。在创建了新的种群之后，该过程返回到步骤SIOI。在该实施例中，通过使用GAOT 函数来预先训练人工神经网络(即预先计算用于ANN的权值和阈值)，从而实施所述的步骤D。 GAOT(GAOT是"遗传算法优化工具箱")函数是MATLAB⑧的工具箱。最后，在步骤D中， 获得用于人工神经网络的权值和阈值，通过使用遗传算法(在该实施例中是GAOT函数)来 优化所述权值和阈值。 然后，在步骤E中，将在步骤D中得到的权值和阈值赋予在步骤C中创建的BP网 络。为了这个目的，获得的权值和阈值矩阵被解码并且被赋予BP网络。图l的步骤E对应 于图2的步骤S108。 在随后的步骤F中训练BP网络。训练的次数被设置为IOOO，并且目标平方误差 是0. 0001。当训练的次数超过1000时或者当平方误差达到0 0. 00001时，训练过程将 停止。图1的步骤F对应于图2的步骤S109到S113，在图2的步骤S109到S113中重 复训练，直到在步骤S113中满足期望的平方误差。为了训练人工神经网络，选择公知的 Levenberg-Marqimrdt算法。 图3是说明根据本发明所述实施例的方法和根据BP网络的方法的收敛速度的差 异的示意图。在绘制的图3中，横坐标表示时代(印och)，以及纵坐标表示平方误差。在图 3中可以看到，对于其中使用遗传算法来预先计算用于BP网络的权值和阈值的本实施例而 言，在10个时代之后就已达到期望目标(实线)，即平方误差为0. 0001的直线，然而当只使 用BP网络而没有使用遗传算法时需要28个时代来达到期望目标(虚线)。图3的收敛图 清楚地示出根据本实施例的方法有效地提高了收敛速度。 图4示出将训练的人工神经网络(在执行步骤F之后获得的网络)的输出数据与 在步骤A中取得的样本数据进行比较的示意图。可以看到，这两条曲线几乎一致。
回来参考图l，在步骤G中校验人工神经网络。为了这个目的，通过如步骤A所述 的那样进行实验来得到新的样本数据。新得到的样本数据包括所有可能的样本情况，以便 完全地校验ANN的性能。总体上，确定14组样本数据，并且将利用在进行步骤F之后存在 的所训练的人工神经网络预测它们的输出。图1的步骤F对应于图2的步骤S114。
图5说明了新取得的样本数据与由训练的人工神经网络预测的输出数据(即弯曲 角)的比较。可以看到曲线几乎相同。这证明输入值(诸如激光输出功率、扫描速度、光斑 直径和板厚度之类的制造参数)与输出值(弯曲角)之间的关系或相关性被正确地计算。 根据本实施例的方法可以近似精确地预测输出，并且该方法的稳定性和可行性被证明。 最后，在步骤h中，通过将MATLAB⑧和可视化c++ (vc++)的编程环境相结合来 编写优化程序。首先，上述的方法作为MATLAB⑧中的代码来实施。然后，comtool命令 被用来打开comtool对话(MATLAB⑧中的函数)。将代码添加到项目中，然后编译并执 行代码，并且创建它们相应的C++源文件和C++头文件。其次，在VC++中创建MFC项目，并 且将C++源和头文件添加到在第一步创建的项目中。然后设计并开发出如图6所示的友好 且便利的人机对话界面。利用该界面，可以仿真激光弯曲过程并且预测弯曲结果，正如图2 的步骤S115所描绘的那样。 在界面的网络训练部分，可以通过相应的按钮来输入隐含层和目标误差。还可以 通过按下相应的按钮来输入样本数据(包括输入部分和输出部分)。然后通过按下相应的 其它按钮来训练并保存人工神经网络。还存在用于启动参数预测的按钮。当输入激光输出 功率、扫描速度、光斑直径和板厚度时，该界面计算出能够被直接读取的弯曲角。
上面仅仅详细描述了一个实施例，并且不打算将本发明限制于该实施例。
权利要求
一种用于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，该方法包括以下步骤通过遗传算法预先计算所述人工神经网络的权值和阈值；将所述权值和阈值赋予所述人工神经网络；以及训练所述人工神经网络。
2. 根据权利要求1所述的方法，在预先计算所述权值和阈值的步骤之前，该方法还包 括以下步骤通过进行实验来采集所述函数相关性的样本数据，其中所述样本数据包括多个由制造 参数和对应的弯曲位移所组成的对；以及 归一化所述样本数据。
3. 根据权利要求2所述的方法，还包括以下步骤 通过使用更多的样本数据来校验所述人工神经网络。
4. 根据在前权利要求之一所述的方法，其中所述人工神经网络是包括一个输入层、一 个隐含层和一个输出层的三层反向传播网络。
5. 根据在前权利要求之一所述的方法，其中所述制造参数包括热源功率、热源扫描速 度、热源尺寸、以及工件板厚度中的至少一个。
6. —种用于通过热源来使工件弯曲的弯曲方法，其中根据在前权利要求之一来确定制 造参数和/或弯曲位移。
7. —种用于确定弯曲过程中的制造参数和/或弯曲位移的界面，其中所述界面适于执 行根据权利要求1至5之一所述的方法。
全文摘要
本发明公开了利用人工神经网络的弯曲位移。本发明涉及一种用于通过人工神经网络方法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，该方法包括以下步骤通过遗传算法预先计算人工神经网络的权值和阈值；将所述权值和阈值赋予所述人工神经网络；以及训练所述人工神经网络。此外，本发明涉及一种使用了诸如激光、电子或弧束之类的热源的弯曲过程以及一种实施上述方法的界面。
文档编号G06F17/50GK101751487SQ20081018597
公开日2010年6月23日 申请日期2008年12月18日 优先权日2008年12月18日
发明者E·布兰德尔, J·西尔瓦努斯, 吕坚, 杨清凤, 王秀凤, 蔡友贵, 郭晓丽 申请人:北京航空航天大学;伊德斯德国股份有限公司