專利名稱：一種導管數控彎曲成形質量的預測方法及裝置的制作方法
技術領域：
本發(fā)明涉及塑性成形質量預測領域，特別是涉及一種導管數控彎曲成形質量的預 測方法及裝置。
背景技術：
隨著導管應用范圍的擴大，導管塑性加工已成為先進塑性加工技術研究與發(fā)展的 一個重要方向。由于中空、薄壁管材繞彎的成形機理復雜，對彎曲過程中外側壁減薄、破裂， 內側壁增厚、起皺，橫截面橢圓畸變和導管中心線伸長，以及卸載后回彈的預測、優(yōu)化與演 化過程分析一直是包括管材彎曲成形在內的工程界未能有效解決的技術難題，也是當今國 內外塑性加工學科研究的難點和熱點。隨著大口徑、薄壁、小彎曲半徑和難變形材料導管的 應用推廣，上述問題日益突出。為解決導管實際生產中的困難，美國伊頓·倫納德公司首先研制生產了一種計算 機控制數控(CNC)矢量彎管設備，近年來普遍為西方各航空發(fā)動機公司所采用。采用該類 設備進行彎管的方法稱之為數控繞彎，因夾緊模和彎曲模夾持管材圍繞彎曲模中心旋轉運 動而得名。圖1為現有技術一個示例的數控彎管的工作原理示意圖。影響管材成形質量的因素多而復雜，因素之間還存在耦合關系，再加之產品品種 繁多，因此理論解析十分困難，長期依靠設計者的經驗和反復試制。而實驗研究成本高、周 期長，測試數據誤差較大。為了達到管材繞彎加工的特殊要求，采用有限元方法模擬管材彎 曲成形過程。非線性顯示動力有限元分析方法適用于對金屬成形過程的模擬，其本質是一 種通過將復雜結構離散化，進而簡化塑性大變形物理過程的數值模擬方法，使得計算機能 夠通過大規(guī)模矩陣對復雜問題進行求解，該方法精度高、信息豐富，但由于有限元模擬的方 法復雜、計算量龐大，導致利用有限元模擬來進行導管彎曲質量預測時，計算時間過長，不 方便用戶使用。

發(fā)明內容
本發(fā)明的目的提供一種導管數控彎曲成形質量的預測方法及裝置，以解決現有技 術的通過有限元模擬的方法來進行質量預測時，耗時多，時效性差的技術問題。為了實現上述目的，本發(fā)明提供了一種導管數控彎曲成形質量的預測方法，其中， 包括如下步驟步驟一，建立用以模擬導管數控彎曲成形工藝過程的有限元模型；步驟二，利用所述有限元模型，組織導管數控彎曲成形的有限元數值模擬試驗，獲 得第一試驗結果，根據所述第一試驗結果確定出對導管數控彎曲成形質量影響顯著的工藝 參數和導管設計參數；步驟三，以所述確定出的對導管數控彎曲成形質量影響顯著的工藝參數和導管設 計參數作為輸入參數，以預定的質量指標作為輸出參數，來建立人工神經網絡模型；步驟四，對所述人工神經網絡模型 行訓練，并利用經訓練的人工神經網絡模型進行導管數控彎曲成形質量的預測。優(yōu)選地，所述的方法，其中，所述步驟四之前，還包括以所述確定出的對導管數控彎曲成形質量影響顯著的工藝參數和導管設計參數 作為設計因子，組織導管數控彎曲成形的實驗或有限元的數值模擬試驗，以為所述人工神 經網絡模型提供初始訓練樣本。優(yōu)選地，所述的方法，其中，基于正交設計方法組織所述導管數控彎曲成形有限元 的數值模擬試驗。優(yōu)選地，所述的方法，其中，所述步驟三中，所述人工神經網絡模型為徑向基人工 神經網絡模型。優(yōu)選地，所述的方法，其中，所述步驟四中，在對所述人工神經網絡模型進行訓練前，還包括對所述初始訓練樣本數據進行 歸一化處理；所述利用所述經訓練的人工神經網絡模型進行導管數控彎曲成形質量的預測的 步驟包括在將輸入參數值輸入所述人工神經網絡模型前，先進行歸一化處理；及，在獲得 所述人工神經網絡模型的輸出值后，對所述輸出值進行反歸一化處理后獲得所述導管的數 控彎曲成形的質量指標值。優(yōu)選地，所述的方法，其中，所述步驟三中，所述建立人工神經網絡模型的步驟包 括根據導管材料的不同和/或導管的幾何參數的不同分段建立多個人工神經網絡 模型。優(yōu)選地，所述的方法，其中，所述導管的幾何參數包括導管外徑。優(yōu)選地，所述的方法，其中，所述對導管數控彎曲成形質量影響顯著的工藝參數包 括壓模壓力、助推力、芯軸伸出量和芯軸間隙；所述對導管數控彎曲成形質量影響顯著的 導管設計參數包括導管外徑、壁厚、彎曲半徑和彎曲角度。另一方面，提供一種導管數控彎曲成形質量的預測裝置，其中，包括有限元模型建立模塊，用于建立用以模擬導管數控彎曲成形工藝過程的有限元模 型；參數確定模塊，用于利用所述有限元模型，組織導管數控彎曲成形的有限元數值 模擬試驗，獲得第一試驗結果，根據所述第一試驗結果確定出對導管數控彎曲成形質量影 響顯著的工藝參數和導管設計參數；神經網絡模塊，用于以所述確定出的對導管數控彎曲成形質量影響顯著的工藝參 數和導管設計參數作為輸入參數，以預定的質量指標作為輸出參數，來建立人工神經網絡 模型；預測模塊，用于對所述人工神經網絡模型進行訓練，并利用經訓練的人工神經網 絡模型進行導管數控彎曲成形質量的預測。優(yōu)選地，所述的預測裝置，其中，所述預測模塊中，用于對所述人工神經網絡模型 進行訓練的初始訓練樣本為通過以所述確定出的對導管數控彎曲成形質量影響顯著的工藝參數和導管設計 參數作為設計因子、組織的導管數控彎曲成形的實驗或有限元的數值模擬試驗獲得。
優(yōu)選地，所述的預測裝置，其中，所述導管數控彎曲成形有限元的數值模擬試驗時 基于正交設計方法組織的。優(yōu)選地，所述的預測裝置，其中，所述神經網絡模塊建立的所述人工神經網絡模型 為徑向基人工神經網絡模型。優(yōu)選地，所述的預測裝置，其中，所述神經網絡模塊，進一步用于根據導管材料的 不同和/或導管的幾何參數的不同分段建立多個人工神經網絡模型。優(yōu)選地，所述的預測裝置，其中，所述參數確定模塊確定出的所述對導管數控彎曲 成形質量影響顯著的工藝參數包括壓模壓力、助推力、芯軸伸出量和芯軸間隙；所述對導 管數控彎曲成形質量影響顯著的導管設計參數包括導管外徑、壁厚、彎曲半徑和彎曲角 度。上述技術方案中的一個技術方案具有如下技術效果通過建立模擬導管數控彎曲成形工藝過程有限元模型，利用有限元模型進行數值 模擬試驗，較準確地確定出了對導管數控彎曲成形質量影響顯著的工藝參數和導管設計參 數，并以上述確定的對導管數控彎曲成形質量影響顯著的參數作為輸入、以預定的質量指 標作為輸出建立了用于進行導管數控彎曲成形工藝的人工神經網絡模型，考慮了對彎曲成 形影響較大的因素，忽略了對彎曲成形影響較小的參數，在保證預測精度的前提下簡化了 模型，使得用戶能在導管參數確定后，較快的預測出導管彎曲成形的質量指標，時效性好。上述技術方案中的另一個技術方案具有如下技術效果通過以所述確定出的對導管數控彎曲成形質量影響顯著的工藝參數和導管設計 參數作為設計因子、組織有限元的數值模擬試驗，并利用試驗的數據作為人工神經網絡模 型提供初始訓練樣本，可實現通過已知工藝參數和導管設計參數及其對應的質量指標預測 未知工藝參數和導管參數對應的質量指標，為導管工藝規(guī)劃時的即時可加工性分析和工藝 優(yōu)化提供支撐。


圖1為現有技術一個示例的數控彎管的工作原理示意圖；圖2為本發(fā)明實施例的導管數控彎曲成形質量的預測方法的流程示意圖；圖3為有限元模擬的流程示意圖。
具體實施例方式為使本發(fā)明的目的、技術方案和優(yōu)點更加清楚，下面將結合附圖及具體實施例對 本發(fā)明進行詳細描述。圖2為本發(fā)明實施例的導管數控彎曲成形質量的預測方法的流程示意圖。如圖2， 本發(fā)明實施例的預測方法包括如下步驟步驟201，建立用以模擬導管數控彎曲成形工藝過程的有限元模型；步驟202，利用所述有限元模型，組織導管數控彎曲成形的有限元數值模擬試驗， 獲得第一試驗結果，根據所述第一試驗結果確定出對導管數控彎曲成形質量影響顯著的工 藝參數和導管設計參數；優(yōu)選地，上述對導管數控彎曲成形質量影響顯著的工藝參數包括壓模壓力、助推力、芯軸伸出量和芯軸間隙；所述對導管數控彎曲成形質量影響顯著的導管設計參數包括 導管外徑、壁厚、彎曲半徑和彎曲角度；步驟203，以所述確定出的對導管數控彎曲成形質量影響顯著的工藝參數和導管 設計參數作為輸入參數，以預定的質量指標作為輸出參數，來建立人工神經網絡模型；步驟204，對所述人工神經網絡模型進行訓練，并利用經訓練的人工神經網絡模型 進行導管數控彎曲成形質量的預測。優(yōu)選地，上述步驟204之前，還包括以所述確定出的對導管數控彎曲成形質量影 響顯著的工藝參數和導管設計參數作為設計因子，組織導管數控彎曲成形的實驗或有限元 的數值模擬試驗，以為所述人工神經網絡模型提供初始訓練樣本。具體地，利用多次有限元 的數值模擬試驗中的試驗數據，包括各次試驗中已知的、對導管數控彎曲成形質量影響顯 著的工藝參數的值和導管設計參數的值和該工藝參數的值和導管設計參數的值對應的質 量指標值作為人工神經網絡模型提供初始訓練樣本來對建立好的人工神經網絡模型進行 訓練。這樣可提高神經網絡預測的可靠性，可實現通過已知工藝參數和導管設計參數及其 對應的質量指標預測未知工藝參數和導管參數對應的質量指標，為導管工藝規(guī)劃時的即時 可加工性分析和工藝優(yōu)化提供支撐。示例性地，當通過實驗獲取初始訓練樣本時，可利用現 有技術的計算機控制數控矢量彎管設備來進行實驗。優(yōu)選地，本發(fā)明實施例的方法中，基于正交設計方法組織導管數控彎曲成形有限 元的數值模擬試驗。優(yōu)選地，本發(fā)明實施例的方法中，所述步驟203中，所述人工神經網絡模型為徑 向基人工神經網絡模型優(yōu)選地，本發(fā)明實施例的方法中，建立人工神經網絡模型的步驟包括根據導管材 料的不同和/或導管的幾何參數的不同分段建立多個人工神經網絡模型。示例性地，上述 導管的幾何參數包括導管外徑。下面對本發(fā)明實施例的導管數控彎曲質量的預測方法中的建立有限元模型，模擬 導管數控彎曲成形工藝過程進行具體說明。顯示動力學有限元模擬是對現實世界的物理模擬，與單純的幾何運動模擬和靜力 模擬不同，顯示動力學有限元模擬考慮了模擬對象的絕大多數物理屬性，包括模擬對象內 物體的材料物理性能、初始狀態(tài)、受載狀況、慣性力、接觸邊界的動態(tài)變化與物體的大變形 等，因而適用于對金屬成形、碰撞、爆炸等過程的模擬。有限元分析是一種模擬設計載荷條 件，并且確定在載荷條件下各類響應的方法。有限元方法建立在固體流動變分原理基礎之 上，被分析物體離散成許多小單元后，給定邊界條件、載荷和材料特性，求解線性或非線性 方程組，就可以得到分析對象的位移、應變、應力、內力等結果。借助現代計算機技術，這些 步驟可以較快完成，并可使用圖形技術顯式計算結果。本發(fā)明的實施例中采用LS-DYNA作 為有限元模擬的支撐軟件。有限元模擬的過程主要分為前處理即建立模型處理、求解、和后處理即查看模擬 結果三個大步驟，各大步驟又可細分為一些小步驟。詳細的顯示動力學有限元模擬流程如 圖3所示。如圖3，有限元模擬的流程包括如下步驟步驟301，規(guī)劃分析問題與抽象物理模型；該步驟中，根據導管彎曲加工的工藝問題，找出其核心因素，通過適當簡化抽象出有限元能模擬的物理模型。步驟302，單元與材料模型選??；其中，單元選取即選用何種單元類型將物體進行離散化，包括桿單元、殼單元、彈 簧阻尼單元、纜單元等，適合與薄壁管彎曲成形的單元為殼單元。材料模型的定義包括兩方面選擇材料本構模型和確定本構模型中參數的具體數 值，如彈性模量、屈服強度等。前者需要在程序提供的大量本構模型中選擇一個能夠反映加 工過程中材料變形是所反映出來的對結果有影響的主要物理規(guī)律，而忽略不重要的特性； 后者需要通過精確的材料力學實驗獲得。步驟303，幾何建模與網格劃分；根據第一步抽象出的導管彎曲物理模型首先建立其幾何模型，再根據單元類型和 材料模型將幾何實體模型進行有限元網格化，得到單元和節(jié)點信息。步驟304，邊界條件與初始條件定義；定義模型內各部件(part)的初速度、初應力等初始條件，及其邊界約束，如1/2 模型的對稱邊界、各部件的約束、自由度等。步驟305，接觸定義；定義可能會發(fā)生接觸的物體之間的接觸類型與參數，如動、靜摩擦系數、接觸算 法、罰因子等。上述步驟301至步驟305屬于前處理。步驟306，求解設置與求解；設置計算結果的輸出文件格式，以及結果文件中包含的計算信息等，如計算時間 步長、動畫輸出幀數等。最后調用求解器對前處理完成后的文件進行求解。步驟307，動態(tài)查看成形過程信息；調用后處理軟件，連續(xù)、動態(tài)地查看彎曲過程中導管的壁厚變化、橢圓畸變、起皺 等宏觀信息，以及應力應變分布、壓力分布等，分析其成形過程的合理性。步驟308，質量指標的提??；將計算結果文件中包含的信息進行輸出，經過擬合、對比分析、計算后獲得導管的 成形質量指標。本發(fā)明實施例的方法在深入分析導管成形工藝過程及其加工力學機理的基礎上， 應用ANSYS/LS-DYNA建立了與實際工藝過程高度吻合的有限元模型。建模過程采用基于 ANSYS參數化設計語言(APDL)的全參數化建模方法，將導管設計參數、工藝參數作為驅動 參數，模具參數等與驅動參數通過建立關系式進行關聯。導管和模具均采用shelll63單 元，沿厚度積分點數為5，采用能夠合理解釋扭曲的全積分Belytschko-Tsay殼單元算法。 經過數據分析與實驗驗證，表明所建立的有限元模型能夠準確反映導管塑性成形過程中的 主要物理規(guī)律，能夠根據加工工藝環(huán)境的變化預測成形質量的變化和缺陷的產生，能夠定 量地反映成形過程中的應力、應變變化及其關系，經過偏差補償后可以達到定性分析準確、 定量分析可信的標準。本發(fā)明實施例的方法中，導管設計參數通常是指在管路布局或管類結構設計完 成后，下發(fā)給彎管部門的參數，包括導管外徑d、壁厚t0、彎曲半徑RCL、彎曲角度θ，以及 導管的材料參數。另外，由導管的絕對尺寸推導出的相對彎曲半徑Dr = RCL/d和壁厚因子tr = d/tO。導管工藝參數范圍的確定和模具的選擇與設計均以導管的設計參數為依據。與數控切削加工不同，數控彎管加工工藝因素多而復雜，因素之間存在交互影響。 本實施例結合有限元模擬與實驗，通過對導管成形機理與規(guī)律的深入分析，將數控彎管中 的工藝因素參數分成導管工藝參數和模具結構參數，理清工藝因素之間的關系。本發(fā)明實施例的方法中，彎管工藝因素中的導管工藝參數是指在導管坯料、機 床、模具等完全確定并且按照使用說明完成初始化安裝調試的前提下，通過改變機床設置 或模具位姿等變量，達到有效控制成形質量的目的，這些變量即為導管塑性成形的工藝參 數，包括壓力模壓力、助推力、芯軸伸出量、芯軸間隙、彎曲速度、摩擦狀況、夾緊模咬入、防 皺模傾角。模具結構參數是指對導管成形質量有影響，在模具設計時可以根據導管的設計 參數進行改變的模具主要尺寸參數，主要包括芯軸結構參數，壓力模長度和夾緊模長度；其 中，芯軸結構參數又包括芯軸間隙、芯軸球個數、芯軸球厚度。導管數控彎曲成形質量通過評價指標來進行評價。質量評價指標是衡量導管成形 后質量缺陷嚴重程度的指標，簡稱質量指標，包括回彈角度、伸長量、橢圓畸變率、壁厚減 薄率、壁厚增厚率和起皺值，前兩者決定導管的幾何精度和下料長度，后四者決定導管的使 用性能與外觀?；貜椊嵌圈?θ導管彎曲過程中，管材的變形包含有彈性成分。當加工結束后，管材所受的約束被 去除，彈性變形部分必然產生恢復，使成形角度小于彎曲模旋轉的角度，成形半徑大于彎曲 半徑?；貜椫苯痈淖兞藢Ч艿淖罱K成形形狀，對裝配有很大的影響。通常用回彈角度和回 彈半徑來衡量導管回彈的程度，其中回彈角度為模具旋轉角與導管實際成形角的差值，回 彈半徑為卸載后導管的成形半徑。伸長量δ在導管彎曲變形過程中，中性層向內側平移，加工結束后，導管中心線的長度增 加。正確預測導管伸長可以提高下料的精度，對貴重金屬材料的加工有很大的意義。橢圓畸變率Ω對于導管彎曲變形，中性層外側管材受拉力作用，拉力的合力指向內側。中性層內 側的管材受壓力作用，合力指向外側。導管在這些力的作用下，橫截面形狀發(fā)生變化，形成 近似橢圓的形狀，稱為截面橢圓畸變，通常用橢圓畸變率來衡量截面橢圓畸變程度的大小。壁厚減薄η h與增厚率η k在彎曲過程中，導管中性層外側受拉力作用，內側受壓力作用，不可避免地會發(fā)生 外壁減薄和內壁增厚。由于導管內部常需要通過流體，管壁變薄將直接影響到承壓性能，壁 厚增厚一定程度上反映起皺的可能性大小，因此壁厚變化是導管加工很重要的一個缺陷， 通常將管壁減薄率和壁厚增厚率作為評價這個缺陷的指標。起皺值Ah在導管彎曲過程中，當內側壓力超過材料承受能力時，內壁材料聚集在一起，發(fā)生 起皺。起皺會造成管內流體的渦流，導致管件的振動，降低導管的使用壽命。通常將起皺值 作為評價起皺程度的指標。本發(fā)明實施例的實現中，利用LS-PREP0ST作為有限元模擬的后處理軟件來進行 后處理，該軟件除壁厚減薄率外，對于導管的宏觀成形質量評價指標該軟件不能直接提取，需先輸出所需要的相關節(jié)點數據，并對數據進行分析，輸出質量指標值。具體地，本發(fā)明的 實施例中，由于，LS-DYNA分析的結果存儲在d3plot 二進制文件中，可利用該文件來進行相 關節(jié)點的輸出。對于該文件，信息以節(jié)點的形式存儲，因此要獲取導管成形的回彈、壁厚變 化等質量數據，必須首先將相應節(jié)點的數據導出。在LS-PREP0ST中提供了強大的宏功能， LS-PREP0ST的每一步操作都對應一個宏命令，執(zhí)行這些宏命令與直接操作LS-PREP0ST具 有相同的效果，節(jié)點數據的導出可以依靠執(zhí)行這些宏命令來完成。在SCRIPT0中，有專門執(zhí) 行宏命令的函數void ExecuteCommand(Char*cmd)，其中cmd為存儲宏命令的字符串。導 出的信息為各個節(jié)點的坐標，另外通過執(zhí)行宏命令，還可以導出各節(jié)點的應力、應變以及殼 單元厚度信息等數據。對這些數據進行相應的處理，便可以獲取導管成形的回彈、壁厚變 化、截面橢圓率等質量數據。當然，在獲取質量指標時，也可應用現成的能輸出質量指標的 現有軟件來實現。對于有限元模擬的導管彎曲成形工藝過程，可通過實驗來驗證。示例性地，可采用 美國伊頓公司的VB300HP數控彎管機來進行有效導管彎曲實驗的驗證。對導管數控彎曲成形機理的研究，即是對影響導管成形質量的因素對質量指標影 響機理與規(guī)律的研究。將主要因素與次要因素分開考慮，找出質量指標之間的矛盾關系，有 利于認清導管繞彎成形的本質。在有限元模擬的基礎上，應用正交設計方法組織大量的有限元數值模擬實驗，根 據試驗結果確定出對成形質量有明顯影響的工藝因素，并對其成形規(guī)律進行研究。進而，以 影響顯著的工藝參數和導管參數作為設計因子組織模擬正交試驗，以為人工神經網絡提供 初始訓練樣本。具體試驗中，示例性地，可先設計單因素試驗，分析各工藝因素對成形質量 的影響規(guī)律及其大??；進而，可針對一組確定的導管幾何參數，設計模擬正交試驗。本發(fā)明 的實施例中，確定出壓模壓力Fp、助推力Fb、芯軸伸出量e和芯軸間隙Gap，為對導管數控彎 曲成形質量影響顯著的工藝參數，且影響規(guī)律復雜，是控制成形質量的矛盾因素，而夾緊模 咬入距離等其它參數對成形質量的影響很小或單調相關，并且最多僅對一個質量指標有明 顯影響，可以較為容易地確定；導管外徑、壁厚、彎曲半徑和彎曲角度為對導管數控彎曲成 形質量影響顯著的導管設計參數。以所述確定出的對導管數控彎曲成形質量影響顯著的工藝參數和導管設計參數 作為輸入參數、預定的質量指標作為輸出參數建立人工神經網絡模型如徑向基(RBF)人工 神經網絡模型，并以上述對導管數控彎曲成形質量影響顯著的工藝參數和導管設計參數作 為設計因子，組織在數控彎管機上的彎曲成形實驗或利用建立的有限元模型進行數值模擬 試驗，獲得質量指標，將實驗或試驗數據作為建立的人工神經網絡模型的初始訓練樣本，用 以對人工神經網絡模型進行訓練。示例性地，利用MATLAB中的神經網絡算法建立RBF人工神經網絡模型。由于數控 彎管的特殊性和RBF網絡的局部逼近特性，為了提高精度，本發(fā)明的實施例分段建立多個 神經網絡模型以適應導管材料和導管幾何參數如導管外徑的大范圍變化。示例性地，可對 不同材料的導管建立不同的神經網絡模型；如，不銹鋼、銅合金、鋁合金、鈦合金等不同材料 的導管對應的神經網絡模型不同。進一步地，對于同一材料的導管，有可進一步區(qū)分為有芯 軸和無芯軸，有芯軸和無芯軸導管對應的神經網絡模型不同。對于同一材料的有芯軸導管， 根據導管外徑的不同建立不同的神經網絡模型。示例性地，可根據外徑D的尺寸分成不同的段，如D20 30段、D30 40段、D40 50、D50 60、D60 70等，不同段對應的神經
網絡模型在進行訓練時采用的初始訓練樣本是不同的，分別是根據對應尺寸范圍的導管進 行實驗或試驗獲得的，初始訓練樣本的不同導致訓練好的、用于進行質量預測的神經網絡 模型不同。以不銹鋼管D20 30段內的RBF神經網絡為例，以正交方法組織的訓練樣本的一 個例子如下表1所示 表 1表1中，mm表示單位為毫米；KN表示單位為千牛。在獲得訓練樣本數據后，對樣本數據進行歸一化處理，使得所有數據分布在0到1 之間，以便于神經網絡的識別。歸一化后的數據即可對神經網絡進行訓練，通過調整RBF神 經網絡的隱含層個數、訓練速率等參數以提高預測精度。人工神經網絡是由大量簡單的基本元件神經元相互連接，通過模擬人的大腦神經 處理信息的方式，進行信息并行處理和非線性轉換的復雜網絡系統(tǒng)。由于神經網絡具有強 大的學習功能，可以比較輕松地實現非線性映射過程，并且具有大規(guī)模計算的能力。徑向基 (RBF)網絡是以函數逼近理論為基礎構造的一類前向網絡。由于局部響應的特性，它對函 數的逼近是最優(yōu)的，能以任意精度逼近任意函數，而且訓練過程短，預測精度與初始權值無 關，因而在多維曲面擬合、自由曲面重構和大型設備故障診斷等領域有著比較多的應用。本 發(fā)明人在實現本發(fā)明的過程中發(fā)現數控彎管工藝參數和導管參數對成形質量的影響規(guī)律 可以通過多維曲面來描述，導管的多數成形規(guī)律為線性或簡單的非線性，規(guī)律曲線的二階 導數也即多維曲面的偏導數不變號，極值點和拐點少，這樣就保證了局部逼近差不多等同 于全局逼近，因而RBF網絡特別適合于解決數控彎管成形質量的預測問題。SPREAD為徑向 基函數的分布密度，SPREAD值越大，函數越平滑，SPREAD值越小，對函數的逼近就越精確， 但是逼近的過程就越不平滑。因此在設計網絡時應多調整幾個spread的值，直到達到比較好的精度。SPREAD值是對網絡精度影響最大的參數，首先在大范圍取值(0. 5 3. 0)進行 試算，對比其誤差，然后再以該組內最優(yōu)值(1. 0)作為中心點進行細分(0. 6 1. 4)，可以確 定SPREAD的二級細分最優(yōu)值為0. 7?；谏弦徊接柧毢玫腞BF神經網絡，以歸一化后的導管參數和工藝參數作為輸 入，質量指標作為輸出，對預測值進行反歸一化后獲得質量指標的預測值。示例性地，當輸 入向量為D = 20mm，t = 1mm，R = 30mm，α = 45. 55°，壓模壓力=8kN，壓模助推力= 2. 5kN，芯軸間隙=0. 8mm，芯軸伸出量=3. 57mm時，利用訓練好的神經網絡獲得的質量指 標和利用有限元模型獲得的質量指標值、及兩者對比誤差如下表2所示 表2基于人工神經網絡的導管彎曲質量預測方法，克服了現有技術的有限元模擬預測 方法的時效性差的缺陷，充分利用已有的經驗數據，減少了質量預測的時間，但其仍能具有 較佳的預測精度。本發(fā)明實施例的導管彎曲質量預測方法選用了 RBF神經網絡模型，提高了預測 的精度；根據導管的塑性成形機理，確定了神經網絡模型的輸入參數為對導管成形質量影 響最大的四個導管設計參數導管外徑、壁厚、彎曲半徑和彎曲角度和影響明顯的四個工藝 參數壓模壓力、助推力、芯軸伸出量和芯軸間隙，而忽略其它次要因素對導管成形質量的 影響，在保證預測精度的前提下，簡化了模型；為神經網絡提供數值穩(wěn)定、反映導管成形規(guī) 律特征的樣本數據，初始樣本數據以正交試驗的格式組織，保證了有限的訓練樣本覆蓋工 藝參數變化的整個范圍，并以較高的精度反映導管的成形規(guī)律特征。導管數控彎曲成形質量神經網絡預測模型是有限元模型的有效補充，在工藝規(guī)劃 時，利用本發(fā)明的方法可在幾秒鐘內給出導管成形質量的預測值。當然，由于神經網絡預測 模型僅能反映數據之間的關系，因而當嚴重的質量缺陷發(fā)生時需要通過有限元模擬找出缺 陷發(fā)生的原因。本發(fā)明實施例還公開了一種導管數控彎曲成形質量的預測裝置，包括有限元模 型建立模塊，用于建立用以模擬導管數控彎曲成形工藝過程的有限元模型；參數確定模塊， 用于利用所述有限元模型，組織導管數控彎曲成形的有限元數值模擬試驗，獲得第一試驗 結果，根據所述第一試驗結果確定出對導管數控彎曲成形質量影響顯著的工藝參數和導管 設計參數；神經網絡模塊，用于以所述確定出的對導管數控彎曲成形質量影響顯著的工藝 參數和導管設計參數作為輸入參數、預定的質量指標作為輸出參數建立人工神經網絡模 型；預測模塊，用于對所述人工神經網絡模型進行訓練，并利用所述經訓練的人工神經網絡 模型進行導管數控彎曲成形質量的預測。
優(yōu)選地，所述的預測裝置，其中，所述預測模塊中，用于對所述人工神經網絡模型 進行訓練的初始訓練樣本為通過以所述確定出的對導管數控彎曲成形質量影響顯著的工藝參數和導管設計 參數作為設計因子、組織的導管數控彎曲成形的實驗或有限元的數值模擬試驗獲得。優(yōu)選地，所述的預測裝置中，所述導管數控彎曲成形有限元的數值模擬試驗時基 于正交設計方法組織的。優(yōu)選地，所述的預測裝置中，所述神經網絡模塊建立的所述人工神經網絡模型為 徑向基人工神經網絡模型。優(yōu)選地，所述的預測裝置，其中，所述神經網絡模塊，進一步用于根據導管材料的 不同和/或導管的幾何參數的不同分段建立多個人工神經網絡模型。優(yōu)選地，所述的預測裝置，其中，所述參數確定模塊確定出的所述對導管數控彎曲 成形質量影響顯著的工藝參數包括壓模壓力、助推力、芯軸伸出量和芯軸間隙；所述對導 管數控彎曲成形質量影響顯著的導管設計參數包括導管外徑、壁厚、彎曲半徑和彎曲角 度。以上所述僅是本發(fā)明的優(yōu)選實施方式，應當指出，對于本技術領域的普通技術人 員來說，在不脫離本發(fā)明原理的前提下，還可以作出若干改進和潤飾，這些改進和潤飾也應 視為本發(fā)明的保護范圍。
權利要求
一種導管數控彎曲成形質量的預測方法，其特征在于，包括如下步驟步驟一，建立用以模擬導管數控彎曲成形工藝過程的有限元模型；步驟二，利用所述有限元模型，組織導管數控彎曲成形的有限元數值模擬試驗，獲得第一試驗結果，根據所述第一試驗結果確定出對導管數控彎曲成形質量影響顯著的工藝參數和導管設計參數；步驟三，以所述確定出的對導管數控彎曲成形質量影響顯著的工藝參數和導管設計參數作為輸入參數，以預定的質量指標作為輸出參數，來建立人工神經網絡模型；步驟四，對所述人工神經網絡模型進行訓練，并利用經訓練的人工神經網絡模型進行導管數控彎曲成形質量的預測。
2.根據權利要求1所述的方法，其特征在于，所述步驟四之前，還包括以所述確定出的對導管數控彎曲成形質量影響顯著的工藝參數和導管設計參數作為 設計因子，組織導管數控彎曲成形的實驗或有限元的數值模擬試驗，以為所述人工神經網 絡模型提供初始訓練樣本。
3.根據權利要求1或2所述的方法，其特征在于，基于正交設計方法組織所述導管數控 彎曲成形有限元的數值模擬試驗。
4.根據權利要求1所述的方法，其特征在于，所述步驟三中，所述人工神經網絡模型 為徑向基人工神經網絡模型。
5.根據權利要求2所述的方法，其特征在于，所述步驟四中，在對所述人工神經網絡模型進行訓練前，還包括對所述初始訓練樣本數據進行歸一 化處理；所述利用所述經訓練的人工神經網絡模型進行導管數控彎曲成形質量的預測的步驟 包括在將輸入參數值輸入所述人工神經網絡模型前，先進行歸一化處理；及，在獲得所述 人工神經網絡模型的輸出值后，對所述輸出值進行反歸一化處理后獲得所述導管的數控彎 曲成形的質量指標值。
6.根據權利要求1或2所述的方法，其特征在于，所述步驟三中，所述建立人工神經網 絡模型的步驟包括根據導管材料的不同和/或導管的幾何參數的不同分段建立多個人工神經網絡模型。
7.根據權利要求6所述的方法，其特征在于，所述導管的幾何參數包括導管外徑。
8.根據權利要求1或2所述的方法，其特征在于，所述對導管數控彎曲成形質量影響顯 著的工藝參數包括壓模壓力、助推力、芯軸伸出量和芯軸間隙；所述對導管數控彎曲成形 質量影響顯著的導管設計參數包括導管外徑、壁厚、彎曲半徑和彎曲角度。
9.一種導管數控彎曲成形質量的預測裝置，其特征在于，包括有限元模型建立模塊，用于建立用以模擬導管數控彎曲成形工藝過程的有限元模型；參數確定模塊，用于利用所述有限元模型，組織導管數控彎曲成形的有限元數值模擬 試驗，獲得第一試驗結果，根據所述第一試驗結果確定出對導管數控彎曲成形質量影響顯 著的工藝參數和導管設計參數；神經網絡模塊，用于以所述確定出的對導管數控彎曲成形質量影響顯著的工藝參數 和導管設計參數作為輸入參數，以預定的質量指標作為輸出參數，來建立人工神經網絡模 型；預測模塊，用于對所述人工神經網絡模型進行訓練，并利用經訓練的人工神經網絡模 型進行導管數控彎曲成形質量的預測。
10.根據權利要求9所述的預測裝置，其特征在于，所述預測模塊中，用于對所述人工 神經網絡模型進行訓練的初始訓練樣本為通過以所述確定出的對導管數控彎曲成形質量影響顯著的工藝參數和導管設計參數 作為設計因子、組織的導管數控彎曲成形的實驗或有限元的數值模擬試驗獲得。
11.根據權利要求9或10所述的預測裝置，其特征在于，所述導管數控彎曲成形有限元 的數值模擬試驗時基于正交設計方法組織的。
12.根據權利要求9所述的預測裝置，其特征在于，所述神經網絡模塊建立的所述人工 神經網絡模型為徑向基人工神經網絡模型。
13.根據權利要求9或10所述的預測裝置，其特征在于，所述神經網絡模塊，進一步用 于根據導管材料的不同和/或導管的幾何參數的不同分段建立多個人工神經網絡模型。
14.根據權利要求9或10所述的預測裝置，其特征在于，所述參數確定模塊確定出的所 述對導管數控彎曲成形質量影響顯著的工藝參數包括壓模壓力、助推力、芯軸伸出量和芯 軸間隙；所述對導管數控彎曲成形質量影響顯著的導管設計參數包括導管外徑、壁厚、彎 曲半徑和彎曲角度。全文摘要
本發(fā)明提供了一種導管數控彎曲成形質量的預測方法及裝置，該方法包括建立用以模擬導管數控彎曲成形工藝過程的有限元模型；利用有限元模型，組織導管數控彎曲成形的有限元數值模擬試驗，獲得第一試驗結果，根據第一試驗結果確定出對導管數控彎曲成形質量影響顯著的工藝參數和導管設計參數；以確定出的對導管數控彎曲成形質量影響顯著的工藝參數和導管設計參數作為輸入參數、預定的質量指標作為輸出參數建立人工神經網絡模型；對人工神經網絡模型進行訓練，并利用經訓練的人工神經網絡模型進行導管數控彎曲成形質量的預測。利用上述技術方案，用戶能在導管參數確定后，較快的預測出導管彎曲成形的質量指標，時效性好，且預測精度較高。
文檔編號G06F17/50GK101901283SQ20101020583
公開日2010年12月1日 申請日期2010年6月22日 優(yōu)先權日2010年6月22日
發(fā)明者唐承統(tǒng), 寧汝新, 程鵬志, 賈美慧, 趙鑠 申請人:北京理工大學