一种杆件折弯上模下压量规律的预测方法

技术领域

本发明涉及数据模型预测领域，尤其涉及了一种杆件折弯上模下压量规律的预测方法。

背景技术

杆件在加工过程的折弯过程实现主要依靠折弯机来进行，折弯加工是上模滑块通过冲压板材成型，完成所需的角度来完成折弯的目的。传统折弯加工过程中，折弯机操作的实现主要依靠人工进行折弯工艺设计，再通过将编译完成的折弯工艺信息输入折弯机并对机床进行手动设置，这样的生产方式大大降低了企业生产效率。在这之中上模下压量就是工艺信息中的重要一环，因为板材在折弯的过程中会出现回弹现象，而目前的研究现状还没有能够从根本上控制板材折弯回弹这个问题，国内对自由折弯工艺的研究大多数是集中于工程应用上，多数以试验纪录、经验校正为主，最终通过多次的试折校正来得出最佳的上模下压量。目前在控制折弯回弹的研究上主要有数学模型分析法、有限元分析法和试折校正法。其中数学模型分析法是理论基础最为充分的方法，从几何原理与折弯原理着手研究，本质上是解决折弯回弹问题的根本所在。有限元分析方法能够对各种形状的折弯件都能做出准确预测模拟，但是由于这种方法本身的复杂性，所以对于各种样式的板料而言，难以使用统一标准应用于工业生产中。试折校正法是现在市面上应用最为广泛的手段，其理论简单，操作简便，可用于批量生产，但是仍有生产效率低下的缺点。综上而言，现阶段难以找到一种方法能够同时满足折弯件精度和效率需求。

发明内容

为了克服现有技术不足，本发明提供了一种杆件折弯上模下压量规律的预测方法，用于解决现有技术中上模具下压量的预测方法存在的预测精度低和效率低的技术问题。

本发明通过如下技术方案实现：本发明提出了一种杆件折弯上模下压量规律的预测方法，其特征在于：包括如下步骤：

步骤1、通过对折弯机床、上模具、下模具等折弯部件模型的自动化装配，在三维软件中实现虚拟折弯环境配置，构建与实际折弯加工环境相一致的虚拟折弯环境；

步骤2、在上述虚拟环境中设计试验表，以获得多个试验方案并进行仿真分析，且每个实验方案作为一个样本点；

步骤3、通过模拟的折弯环境来进行折弯成型下压量的模拟分析，以获取各所述样本点对应的下压量的数值；

步骤4、选择板宽、材料参数、板厚以及目标角度作为输入参数；选择上模具的下压量来作为BP神经网络的输出，并训练所述的BP神经网络；

步骤5、将当前待预测的上下模具参数输入完成训练的BP神经网络，生成预测结果，完成成型预测。

进一步，上述BP神经网络通过对模拟折弯环境得到的下压量样本数据的训练，通过反传误差函数

进一步，上述步骤4中该BP神经网络由每组数据的各项影响因子作为输入，以上模具下压量作为输出。

进一步，上述步骤4中训练所述的BP神经网络，选用MATLAB中的神经网络工具箱进行网络的训练。

进一步，上述BP神经网络是含有一个隐含层的三层多输入单输出建立预测模型。

本发明相对于现有技术，具有以下有益效果：

本发明可以快速获取之前数据库未储存的上模具下压量，省去算法计算与试折校正的步骤，节约大量时间和人力资源，大大提高生产效率。

附图说明

图1为本发明的杆件折弯上模下压量规律的预测方法流程示意图；

图2为本发明的BP神经网络结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

并且，本发明各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。

参见图1所示，本实施例提供一种杆件折弯上模下压量规律的预测方法，以用于工件在进形折弯成型时的上模具下压量的预测。所述建立折弯上模具下压量预测模型的方法的包括以下步骤：

步骤1：通过虚拟折弯环境配置，构建与实际钣金折弯加工环境相一致的虚拟折弯环境，在三维软件中完成折弯机的装配，为后续的模拟加工做准备。

步骤2：针对工件折弯过程建立上模具下压量模型，以获得在各个因素影响下的下压量的变化情况，设计实验表，选取板材属性，板厚，板宽，目标角度作为影响因子，每个影响因子有多个水平，这样就包含了众多实验。

步骤3：运用步骤1虚拟折弯环境对各个所述样本点进行上模具下压量的模拟分析，以获取各所述样本点对应的所述下压量的数值。需要说明的是，在本实施例中，选取板材属性、板材厚度、板材宽度和目标角度作为试验影响因子，这是发明人经过对多个可能影响的因子进行研究后，选取的对下压量影响较显著的几个，能够有效提高加工的效率和精度。

步骤4：将步骤3中的实验数据存放在数据库中，建立影响折弯的参数表，规划各表之间的逻辑关系，建立庞大的数据集，当折弯的角度或者宽度或者厚度发生改变时，可以直接查询数据库中的数据得到上模具的下压量，同时这部分可以直接用于实际生产应用中。在得到的大量数据中，一部分用作神经网络的训练，一部分作为预测可靠性的验证和测试数据。

步骤5、将当前待预测的上下模具参数输入完成训练的BP神经网络，生成预测结果，完成成型预测。

参见图2所示，建立三层BP神经网络模型，

(1)输入输出层的设计

该模型由每组数据的各项影响因子作为输入，以上模具下压量作为输出，所以输入层的节点数为4，输出层的节点数为1。

(2)隐含层设计

BP神经网络存在一个隐含层的神经网络，并且只要隐节点足够多，就可以以任意精度逼近一个非线性函数。因此，本发明采用含有一个隐含层的三层多输入单输出的BP网络建立预测模型，因为在网络设计过程中，隐含层神经元数的确定十分重要。隐含层神经元个数过多,会加大网络计算量并容易产生过度拟合问题，神经元个数少，则会影响网络性能，达不到预期效果。网络中隐含层神经元的数目与实际问题的复杂程度、输入和输出层的神经元数以及对期望误差的设定有着直接的联系。目前，对于隐含层中神经元数目的确定并没有明确的公式,只有一些经验公式，神经元个数的最终确定还是需要根据经验和多次实验来确定。本申请在选取隐含层神经元个数的问题上参照了以下的经验公式:

本实施例中预测选用MATLAB中的神经网络工具箱进行网络的训练，预测模型的具体实现步骤如下：将训练样本数据归一化后输入网络,设定网络隐层和输出层激励函数分别为tansig和logsig函数,网络训练函数为traingdx,网络性能函数为mse,隐层神经元数初设为6。之后设定网格参数，设定完网络迭代次数为和期望误差以及学习速率。在设定完参数之后在MATLAB中运行并开始训练网络，如果所得到的误差不能满足你的需求，则需重复上述的步骤直至能够满足期望误差，该网络通过多次重复学习达到期望误差后则完成学习。最后将最终的得到的各种数据以及其拟合值进行保存，然后查看，就可以得到所要的拟合值，也就是得到最终的预测结果。

对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内，不应将权利要求中的任何附图标记视为限制所涉及的权利要求。