应用神经网络对挤压力地研究.pdfVIP

第十一届中国有色金属学会材料科学与工程合金加工学术研讨会文集(2005) 应用神经网络对挤压力的研究 吴朋越7，苏娟华2，谢水生7 (1北京有色金属研究总院 北京100088； 2河南科技大学材料科学与工程学院，河南洛阳471003) 摘要：通过应用人工神经网络技术，用获得的挤压力实验数据进行训练，建立了铬青铜高温反 挤压时挤压温度、凸模锥角以及断面缩减率和挤压力的映射模型，从而可预测铬青铜高温反挤 压时的挤压力。该神经网络算法采用BP算法，网络结构采用3—2—3一I形式。结果表明，神经网 络用于铬青铜高温反挤压力的预测是可行的。 关键词：神经网络；挤压力；挤压温度；凸模锥角；断面缩减率 I引言 由于影响挤压力的因素繁多，无法完全考虑，很难准确计算挤压力；同时各自采用的方 法、力学模型和简化假设不同，所以即使对同一工件，在相同的条件下用各种计算方法所得 到的结果往往差异很大，并且应用各公式的计算结果与实际的差距也不同n1。因此，寻找一 种接近实际生产的挤压力计算方法用以指导设计、生产是很必要而实用的。 图1 QCrO．5反挤压模具工作部分示意图 人工神经网络是一个由许多简单的并行工作的处理单元组成的系统，其功能取决于网络 的结构、联结强度以及各单元的处理方式。由于这种处理系统是人工的模仿人脑神经网络而 建立的，所以它能较好地反映出系统实际状态的发展趋势与输入样本的关系。另外人工神经 网络具有自学习功能，能从所获数据中自动获取数学模型昭。。它无需预先给定公式的形式， 而是以所获数据为基础，经过训练后获得一个反映所获数据内在规律的数学模型，训练后的 神经网络能直接进行推理。它在处理规律不明显、组分变量多的问题方面具有特殊的优越性。 它通过～种非线性的映射关系，对采集到的挤压力试样进行仿真模拟，然后根据采样情况对 此结果进行验证，直到得到满意的结果为止。 近些年来人工神经网络在材料加工领域中的应用越来越广泛旧1。本文以铬青铜反挤压 r)等因 (如图1)为例，考虑挤压力受挤压温度(T)、凸模锥角(Q)和断面缩减率(e 素影响时对其进行预测。 2人工神经网络的预测原理 第十一届中国有色金属学会材料科学与工程合金加工学术研讨会文集(2005) 2．1髓神经网络原理 BP型神经网络由1个输入层、1个或多个隐含层和1个输出层构成，而每层由若干个神 经元组成。各层次间的神经元形成相互连接，而各层次内的神经元之间没有连接H1。BP神经 网络的输入层、隐含层和输出层的神经元作用是不同的。当数据输入网络时，输入信息从输 入层经隐含层传递给输出层，得到网络的实际输出，并将实际输出与期望输出相比较，如果 误差超过给定值，则转入反向传播，将误差信号沿原来通道返回，通过学习来修改各层神经 元的权值，使误差信号最小，每层神经元的状态都将影响下一层的神经元状态。 BP模型的训练步骤如下哺1。 a．权值和阈值初始化：随机地给全部权值和神经元阈值赋以初始值： b．给定样本输入x和期望输出y； C．计算实际输出y： ，，n 、 Yj=fI∑％X,iI，／=l，2，A，刀(1) ＼i=l ／ d．修正权值：从输出层开始，将误差信号沿连接通路反向传播，通过修正各权值使误差 最小； (2) ％O+1)=％(f)+r／6fyJ 式中，叩为增益项；％为连接节点f和_，的权值；f为权值修正次数；万，为歹节点p 模式的误差项。如把误差定义为：巨=去∑◇J一夕J)2 (3) ‘．J 则有： _，若为输出节点，则 (4) 万夕=yJ(1一YJ)≤够厂YJ) J若为隐节点，则 万夕=Yj(1一YJ废万夕％ (5) 如果加入