基于机器学习的管材弯曲回弹有效预测与补偿

作者：陈光耀; 李恒^*; 贺子芮; 马俊; 李光俊; 付颖

来源：中国机械工程, 2020, 31(22): 2745-2752.

• 回弹
• 管材弯曲
• 机器学习
• 成形精度

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。

• 单位
  西北工业大学; 凝固技术国家重点实验室