基于BP神经网络的挤压模具磨损预测分析.ppt

基于 BP 神经网络的挤压 模具磨损预测 姓名: 宋佳佳 模具寿命是评价最终产品生产效率和生产成本的重要因素 。一般来说 , 挤压模具的报废和失效 ,大多是由于磨损 、 疲劳破裂 、 塑性变形等造成的 。在挤压成形的过程中 , 磨损是影响模具寿命的决定性因素 , 特别是高温成形过程中 , 模具因磨损而失效的情况超过 70 % 。目前 , 挤压模具的磨损比较成熟的计算方法是基于修正的 Archard 磨损模型用有限元模拟软件来计算的 , 但计算量大 , 计算时间长 , 不能适应型腔优化的需要 。人工神经网络具有很强的非线性能力 , 可由已知数据预测未知数据 , 将人工神经网络与有限元分析相结合 , 用有限元模拟软件分析的数据作为学习样本来训练所建立的神经网络模型 , 以此模型预测挤压模具的磨损 , 可以提高模具磨损计算速度 , 也为模具型腔等磨损优化设计奠定了基础 。 前　言 目　录 1.基于有限元模拟软件的挤压模具磨损计算 2.挤压模具磨损预测的神经网络结构 3.BP 神经网络模型训练与磨损预测 4.结 论 基于有限元模拟软件的挤压模具磨损计算 第一章 基于有限元模拟软件的挤压模具磨损计算 点击添加文本 点击添加文本 点击添加文本 点击添加文本 金属成形过程的磨损预测所用的常规模型是Archard模型 , 其中的磨损系数是常量 。然而 , 材料的特性与接触条件随温度的改变而变化 。要预测温锻模具的磨损 , 在模具温度超过 400 ℃后 , 温度是主要因素且分布不均匀 。 一个挤压模具 i 位置处的总磨损深度可以表示为： 式中 n — —挤压过程模拟的全部步数 磨损系数 K T 硬度 H T 第一章 基于有限元模拟软件的挤压模具磨损计算 点击添加文本 点击添加文本 点击添加文本 点击添加文本 采用有限元模拟软件模拟计算挤压模具的磨损值 ，有限元模拟输入数据如下。初始条件为 :模腔直径 22mm ，径缩部分高度 15mm，挤压比 2 . 2 ，挤压速度取 10mm /min , 摩擦系数取 0 .15 。 参数 模具 工件 材料 4Cr5MoSiV 15CrMo 初始温度 250C 850C 对流系数 0.3 0.6 泊松比 0.3 - 模式模数 210000 - 热容 3.588 3.4 传导系数 30.1 28.8 第二章 挤压模具磨损预测的神经网络结构 点击添加文本 点击添加文本 点击添加文本 神经网络是将多个神经元按某种拓扑结构连接起来的一种抽象的数学模型 , 具有高度非线性映射能力, 并具有极强的并行运算能力 , 自适应学习能力和泛化功能 , 善于联想 、 综合和推广 。BP 神经网络应用最广 , 它是一种多层前馈网络 , 其神经元的传递函数为 sigmoid 型函数 , 可以实现从输入到输出的任意非线性映射 。 第二章 本模型设计采用具有 1 个隐层的 3 层 BP神经网络 , 结构如图 1 所示 。 输入层 :14个神经元为模腔型面离散点的径向坐标变量y1 ～ y14 , 隐含层 :11个神经元； 输出层 :14个神经元为模腔型面各离散点处的磨损量 W1 ～ W14 。 输入层与隐含层采用 tansig训练函数连接 , 隐含层与输入层之间采用purelin选性函数连接 。 第三章 BP 神经网络模型训练与磨损预测 点击添加文本 点击添加文本 点击添加文本 采用有限元模拟软件计算得到的目标函数值作为学习样本训练上述建立的神经网络模型 , 设定最小期望值 err _ goal 0 . 001 ;设定最大循环次数m ax _ epoch 3000 ;设定修正权值的学习速率 lr 0. 01 , 式中各离散点的坐标为输入矢量 . 结合有限元模拟软件的神经网络训练过程如图 2 所示 。 第三章 BP 神经网络模型训练与磨损预测 点击添加文本 点击添加文本 点击添加文本 经过 1230 次训练 , 权值修正后网络的均方差达到 0. 000 997 991 , 训练结束 , 训练收敛图如图 3 所示 。 第三章 BP 神经网络模型训练与磨损预测 点击添加文本 点击添加文本 经过训练建立的神经网络模型可以快速预测模具磨损 , 神经网络预测挤压模具各节点的磨损值与用有限元法计算得到的磨损值的比较如表 2 所示 。 节点编号 计算磨损值 预测磨损值 节点编号 计算磨损值 预测磨损值 1 1.0780 1.0781 8 3.217 3.2167 2 2.1681 2.1656 9 2.5179 2.5182 3 4.4420 4.4416 10 2.2548 2.2547 4 4.6379 4.6376 11 1.8662 1.8655 5 4.1459 4.1458 12 1.2390 1.239