文献类型：期刊文章

作　　者：陈光耀[1] 李恒[1] 贺子芮[1] 马俊[1] 李光俊[2] 付颖[2]

CHEN Guangyao;LI Heng;HE Zirui;MA Jun;LI Guangjun;FU Ying(State Key Laboratory of Solidification Processing,Northwestern Polytechnical University,Xi'an,710072;Chengdu Aircraft Industry(Group) Corporation Ltd.,Chengdu,610092)

机构地区：[1]西北工业大学凝固技术国家重点实验室,西安710072 [2]成都飞机工业(集团)有限公司,成都610092

出　　处：《中国机械工程》

基　　金：国家自然科学基金资助项目(51775441)。

年　　份：2020

卷　　号：31

期　　号：22

起止页码：2745-2752

语　　种：中文

收录情况：AJ、BDHX、BDHX2017、CAS、CSCD、CSCD2019_2020、EI、IC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

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。

关 键 词：回弹 管材弯曲 机器学习  成形精度  

分 类 号：TG386]