一种导管数控弯曲成形质量的预测方法及装置专利检索-人工神经网络人工智能专利检索查询-专利查询网

积极推动地理标志专门立法

2022-03-10 地理标志，立法，知识产权
保护知识产权是对创新最大的激励

2022-03-10 保护知识产权，创新，激励
谢商华：加快制定知识产权基本法

2022-03-10 知识产权基本法
擦亮“双奥之城”品牌

2022-03-10 双奥，知识产权
让冰雪运动“热”力全开

2022-03-10 冰雪运动，知识产权
携手共奋进　走好强国路

2022-03-10 强国，知识产权
坚持创新引领　方能稳中求进

2022-03-10 创新，稳中求进，知识产权
答好“两张卷” 奋进新征程

2022-03-10 知识产权
专家解读政府工作报告中的创新和知识产权相关部署

2022-03-10 政府工作报告，创新，知识产权
今年政府工作报告指出：加强知识产权保护和运用

2022-03-10 政府工作报告，知识产权保护

一种导管数控弯曲成形质量的预测方法及装置

阅读：641发布：2021-02-22

IPRDB可以提供一种导管数控弯曲成形质量的预测方法及装置专利检索，专利查询，专利分析的服务。并且本发明提供了一种导管数控弯曲成形质量的预测方法及装置，该方法包括：建立用以模拟导管数控弯曲成形工艺过程的有限元模型；利用有限元模型，组织导管数控弯曲成形的有限元数值模拟试验，获得第一试验结果，根据第一试验结果确定出对导管数控弯曲成形质量影响显著的工艺参数和导管设计参数；以确定出的对导管数控弯曲成形质量影响显著的工艺参数和导管设计参数作为输入参数、预定的质量指标作为输出参数建立人工神经网络模型；对人工神经网络模型进行训练，并利用经训练的人工神经网络模型进行导管数控弯曲成形质量的预测。利用上述技术方案，用户能在导管参数确定后，较快的预测出导管弯曲成形的质量指标，时效性好，且预测精度较高。，下面是一种导管数控弯曲成形质量的预测方法及装置专利的具体信息内容。

权利要求

1.一种导管数控弯曲成形质量的预测方法，其特征在于，包括如下步骤：步骤一，建立用以模拟导管数控弯曲成形工艺过程的有限元模型；

步骤二，利用所述有限元模型，组织导管数控弯曲成形的有限元数值模拟试验，获得第一试验结果，根据所述第一试验结果确定出对导管数控弯曲成形质量影响显著的工艺参数和导管设计参数；

步骤三，以所述确定出的对导管数控弯曲成形质量影响显著的工艺参数和导管设计参数作为输入参数，以预定的质量指标作为输出参数，来建立人工神经网络模型；

步骤四，对所述人工神经网络模型进行训练，并利用经训练的人工神经网络模型进行导管数控弯曲成形质量的预测。

2.根据权利要求1所述的方法，其特征在于，所述步骤四之前，还包括：以所述确定出的对导管数控弯曲成形质量影响显著的工艺参数和导管设计参数作为设计因子，组织导管数控弯曲成形的实验或有限元的数值模拟试验，以为所述人工神经网络模型提供初始训练样本。

3.根据权利要求1或2所述的方法，其特征在于，基于正交设计方法组织所述导管数控弯曲成形有限元的数值模拟试验。

4.根据权利要求1所述的方法，其特征在于，所述步骤三中，所述人工神经网络模型为：径向基人工神经网络模型。

5.根据权利要求2所述的方法，其特征在于，所述步骤四中，

在对所述人工神经网络模型进行训练前，还包括：对所述初始训练样本数据进行归一化处理；

所述利用所述经训练的人工神经网络模型进行导管数控弯曲成形质量的预测的步骤包括：在将输入参数值输入所述人工神经网络模型前，先进行归一化处理；及，在获得所述人工神经网络模型的输出值后，对所述输出值进行反归一化处理后获得所述导管的数控弯曲成形的质量指标值。

6.根据权利要求1或2所述的方法，其特征在于，所述步骤三中，所述建立人工神经网络模型的步骤包括：根据导管材料的不同和/或导管的几何参数的不同分段建立多个人工神经网络模型。

7.根据权利要求6所述的方法，其特征在于，所述导管的几何参数包括：导管外径。

8.根据权利要求1或2所述的方法，其特征在于，所述对导管数控弯曲成形质量影响显著的工艺参数包括：压模压力、助推力、芯轴伸出量和芯轴间隙；所述对导管数控弯曲成形质量影响显著的导管设计参数包括：导管外径、壁厚、弯曲半径和弯曲角度。

9.一种导管数控弯曲成形质量的预测装置，其特征在于，包括：

有限元模型建立模块，用于建立用以模拟导管数控弯曲成形工艺过程的有限元模型；

参数确定模块，用于利用所述有限元模型，组织导管数控弯曲成形的有限元数值模拟试验，获得第一试验结果，根据所述第一试验结果确定出对导管数控弯曲成形质量影响显著的工艺参数和导管设计参数；

神经网络模块，用于以所述确定出的对导管数控弯曲成形质量影响显著的工艺参数和导管设计参数作为输入参数，以预定的质量指标作为输出参数，来建立人工神经网络模型；

预测模块，用于对所述人工神经网络模型进行训练，并利用经训练的人工神经网络模型进行导管数控弯曲成形质量的预测。

10.根据权利要求9所述的预测装置，其特征在于，所述预测模块中，用于对所述人工神经网络模型进行训练的初始训练样本为：通过以所述确定出的对导管数控弯曲成形质量影响显著的工艺参数和导管设计参数作为设计因子、组织的导管数控弯曲成形的实验或有限元的数值模拟试验获得。

11.根据权利要求9或10所述的预测装置，其特征在于，所述导管数控弯曲成形有限元的数值模拟试验时基于正交设计方法组织的。

12.根据权利要求9所述的预测装置，其特征在于，所述神经网络模块建立的所述人工神经网络模型为：径向基人工神经网络模型。

13.根据权利要求9或10所述的预测装置，其特征在于，所述神经网络模块，进一步用于根据导管材料的不同和/或导管的几何参数的不同分段建立多个人工神经网络模型。

14.根据权利要求9或10所述的预测装置，其特征在于，所述参数确定模块确定出的所述对导管数控弯曲成形质量影响显著的工艺参数包括：压模压力、助推力、芯轴伸出量和芯轴间隙；所述对导管数控弯曲成形质量影响显著的导管设计参数包括：导管外径、壁厚、弯曲半径和弯曲角度。

说明书全文

一种导管数控弯曲成形质量的预测方法及装置

技术领域

[0001] 本发明涉及塑性成形质量预测领域，特别是涉及一种导管数控弯曲成形质量的预测方法及装置。

背景技术

[0002] 随着导管应用范围的扩大，导管塑性加工已成为先进塑性加工技术研究与发展的一个重要方向。由于中空、薄壁管材绕弯的成形机理复杂，对弯曲过程中外侧壁减薄、破裂，内侧壁增厚、起皱，横截面椭圆畸变和导管中心线伸长，以及卸载后回弹的预测、优化与演化过程分析一直是包括管材弯曲成形在内的工程界未能有效解决的技术难题，也是当今国内外塑性加工学科研究的难点和热点。随着大口径、薄壁、小弯曲半径和难变形材料导管的应用推广，上述问题日益突出。

[0003] 为解决导管实际生产中的困难，美国伊顿·伦纳德公司首先研制生产了一种计算机控制数控(CNC)矢量弯管设备，近年来普遍为西方各航空发动机公司所采用。采用该类设备进行弯管的方法称之为数控绕弯，因夹紧模和弯曲模夹持管材围绕弯曲模中心旋转运动而得名。图1为现有技术一个示例的数控弯管的工作原理示意图。

[0004] 影响管材成形质量的因素多而复杂，因素之间还存在耦合关系，再加之产品品种繁多，因此理论解析十分困难，长期依靠设计者的经验和反复试制。而实验研究成本高、周期长，测试数据误差较大。为了达到管材绕弯加工的特殊要求，采用有限元方法模拟管材弯曲成形过程。非线性显示动力有限元分析方法适用于对金属成形过程的模拟，其本质是一种通过将复杂结构离散化，进而简化塑性大变形物理过程的数值模拟方法，使得计算机能够通过大规模矩阵对复杂问题进行求解，该方法精度高、信息丰富，但由于有限元模拟的方法复杂、计算量庞大，导致利用有限元模拟来进行导管弯曲质量预测时，计算时间过长，不方便用户使用。

发明内容

[0005] 本发明的目的提供一种导管数控弯曲成形质量的预测方法及装置，以解决现有技术的通过有限元模拟的方法来进行质量预测时，耗时多，时效性差的技术问题。

[0006] 为了实现上述目的，本发明提供了一种导管数控弯曲成形质量的预测方法，其中，包括如下步骤：

[0007] 步骤一，建立用以模拟导管数控弯曲成形工艺过程的有限元模型；

[0008] 步骤二，利用所述有限元模型，组织导管数控弯曲成形的有限元数值模拟试验，获得第一试验结果，根据所述第一试验结果确定出对导管数控弯曲成形质量影响显著的工艺参数和导管设计参数；

[0009] 步骤三，以所述确定出的对导管数控弯曲成形质量影响显著的工艺参数和导管设计参数作为输入参数，以预定的质量指标作为输出参数，来建立人工神经网络模型；

[0010] 步骤四，对所述人工神经网络模型进行训练，并利用经训练的人工神经网络模型进行导管数控弯曲成形质量的预测。

[0011] 优选地，所述的方法，其中，所述步骤四之前，还包括：

[0012] 以所述确定出的对导管数控弯曲成形质量影响显著的工艺参数和导管设计参数作为设计因子，组织导管数控弯曲成形的实验或有限元的数值模拟试验，以为所述人工神经网络模型提供初始训练样本。

[0013] 优选地，所述的方法，其中，基于正交设计方法组织所述导管数控弯曲成形有限元的数值模拟试验。

[0014] 优选地，所述的方法，其中，所述步骤三中，所述人工神经网络模型为：径向基人工神经网络模型。

[0015] 优选地，所述的方法，其中，所述步骤四中，

[0016] 在对所述人工神经网络模型进行训练前，还包括：对所述初始训练样本数据进行归一化处理；

[0017] 所述利用所述经训练的人工神经网络模型进行导管数控弯曲成形质量的预测的步骤包括：在将输入参数值输入所述人工神经网络模型前，先进行归一化处理；及，在获得所述人工神经网络模型的输出值后，对所述输出值进行反归一化处理后获得所述导管的数控弯曲成形的质量指标值。

[0018] 优选地，所述的方法，其中，所述步骤三中，所述建立人工神经网络模型的步骤包括：

[0019] 根据导管材料的不同和/或导管的几何参数的不同分段建立多个人工神经网络模型。

[0020] 优选地，所述的方法，其中，所述导管的几何参数包括：导管外径。

[0021] 优选地，所述的方法，其中，所述对导管数控弯曲成形质量影响显著的工艺参数包括：压模压力、助推力、芯轴伸出量和芯轴间隙；所述对导管数控弯曲成形质量影响显著的导管设计参数包括：导管外径、壁厚、弯曲半径和弯曲角度。

[0022] 另一方面，提供一种导管数控弯曲成形质量的预测装置，其中，包括：

[0023] 有限元模型建立模块，用于建立用以模拟导管数控弯曲成形工艺过程的有限元模型；

[0024] 参数确定模块，用于利用所述有限元模型，组织导管数控弯曲成形的有限元数值模拟试验，获得第一试验结果，根据所述第一试验结果确定出对导管数控弯曲成形质量影响显著的工艺参数和导管设计参数；

[0025] 神经网络模块，用于以所述确定出的对导管数控弯曲成形质量影响显著的工艺参数和导管设计参数作为输入参数，以预定的质量指标作为输出参数，来建立人工神经网络模型；

[0026] 预测模块，用于对所述人工神经网络模型进行训练，并利用经训练的人工神经网络模型进行导管数控弯曲成形质量的预测。

[0027] 优选地，所述的预测装置，其中，所述预测模块中，用于对所述人工神经网络模型进行训练的初始训练样本为：

[0028] 通过以所述确定出的对导管数控弯曲成形质量影响显著的工艺参数和导管设计参数作为设计因子、组织的导管数控弯曲成形的实验或有限元的数值模拟试验获得。

[0029] 优选地，所述的预测装置，其中，所述导管数控弯曲成形有限元的数值模拟试验时基于正交设计方法组织的。

[0030] 优选地，所述的预测装置，其中，所述神经网络模块建立的所述人工神经网络模型为：径向基人工神经网络模型。

[0031] 优选地，所述的预测装置，其中，所述神经网络模块，进一步用于根据导管材料的不同和/或导管的几何参数的不同分段建立多个人工神经网络模型。

[0032] 优选地，所述的预测装置，其中，所述参数确定模块确定出的所述对导管数控弯曲成形质量影响显著的工艺参数包括：压模压力、助推力、芯轴伸出量和芯轴间隙；所述对导管数控弯曲成形质量影响显著的导管设计参数包括：导管外径、壁厚、弯曲半径和弯曲角度。

[0033] 上述技术方案中的一个技术方案具有如下技术效果：

[0034] 通过建立模拟导管数控弯曲成形工艺过程有限元模型，利用有限元模型进行数值模拟试验，较准确地确定出了对导管数控弯曲成形质量影响显著的工艺参数和导管设计参数，并以上述确定的对导管数控弯曲成形质量影响显著的参数作为输入、以预定的质量指标作为输出建立了用于进行导管数控弯曲成形工艺的人工神经网络模型，考虑了对弯曲成形影响较大的因素，忽略了对弯曲成形影响较小的参数，在保证预测精度的前提下简化了模型，使得用户能在导管参数确定后，较快的预测出导管弯曲成形的质量指标，时效性好。

[0035] 上述技术方案中的另一个技术方案具有如下技术效果：

[0036] 通过以所述确定出的对导管数控弯曲成形质量影响显著的工艺参数和导管设计参数作为设计因子、组织有限元的数值模拟试验，并利用试验的数据作为人工神经网络模型提供初始训练样本，可实现通过已知工艺参数和导管设计参数及其对应的质量指标预测未知工艺参数和导管参数对应的质量指标，为导管工艺规划时的即时可加工性分析和工艺优化提供支撑。

附图说明

[0037] 图1为现有技术一个示例的数控弯管的工作原理示意图；

[0038] 图2为本发明实施例的导管数控弯曲成形质量的预测方法的流程示意图；

[0039] 图3为有限元模拟的流程示意图。

具体实施方式

[0040] 为使本发明的目的、技术方案和优点更加清楚，下面将结合附图及具体实施例对本发明进行详细描述。

[0041] 图2为本发明实施例的导管数控弯曲成形质量的预测方法的流程示意图。如图2，本发明实施例的预测方法包括如下步骤：

[0042] 步骤201，建立用以模拟导管数控弯曲成形工艺过程的有限元模型；

[0043] 步骤202，利用所述有限元模型，组织导管数控弯曲成形的有限元数值模拟试验，获得第一试验结果，根据所述第一试验结果确定出对导管数控弯曲成形质量影响显著的工艺参数和导管设计参数；

[0044] 优选地，上述对导管数控弯曲成形质量影响显著的工艺参数包括：压模压力、助推力、芯轴伸出量和芯轴间隙；所述对导管数控弯曲成形质量影响显著的导管设计参数包括：导管外径、壁厚、弯曲半径和弯曲角度；

[0045] 步骤203，以所述确定出的对导管数控弯曲成形质量影响显著的工艺参数和导管设计参数作为输入参数，以预定的质量指标作为输出参数，来建立人工神经网络模型；

[0046] 步骤204，对所述人工神经网络模型进行训练，并利用经训练的人工神经网络模型进行导管数控弯曲成形质量的预测。

[0047] 优选地，上述步骤204之前，还包括：以所述确定出的对导管数控弯曲成形质量影响显著的工艺参数和导管设计参数作为设计因子，组织导管数控弯曲成形的实验或有限元的数值模拟试验，以为所述人工神经网络模型提供初始训练样本。具体地，利用多次有限元的数值模拟试验中的试验数据，包括各次试验中已知的、对导管数控弯曲成形质量影响显著的工艺参数的值和导管设计参数的值和该工艺参数的值和导管设计参数的值对应的质量指标值作为人工神经网络模型提供初始训练样本来对建立好的人工神经网络模型进行训练。这样可提高神经网络预测的可靠性，可实现通过已知工艺参数和导管设计参数及其对应的质量指标预测未知工艺参数和导管参数对应的质量指标，为导管工艺规划时的即时可加工性分析和工艺优化提供支撑。示例性地，当通过实验获取初始训练样本时，可利用现有技术的计算机控制数控矢量弯管设备来进行实验。

[0048] 优选地，本发明实施例的方法中，基于正交设计方法组织导管数控弯曲成形有限元的数值模拟试验。

[0049] 优选地，本发明实施例的方法中，所述步骤203中，所述人工神经网络模型为：径向基人工神经网络模型

[0050] 优选地，本发明实施例的方法中，建立人工神经网络模型的步骤包括：根据导管材料的不同和/或导管的几何参数的不同分段建立多个人工神经网络模型。示例性地，上述导管的几何参数包括：导管外径。

[0051] 下面对本发明实施例的导管数控弯曲质量的预测方法中的建立有限元模型，模拟导管数控弯曲成形工艺过程进行具体说明。

[0052] 显示动力学有限元模拟是对现实世界的物理模拟，与单纯的几何运动模拟和静力模拟不同，显示动力学有限元模拟考虑了模拟对象的绝大多数物理属性，包括模拟对象内物体的材料物理性能、初始状态、受载状况、惯性力、接触边界的动态变化与物体的大变形等，因而适用于对金属成形、碰撞、爆炸等过程的模拟。有限元分析是一种模拟设计载荷条件，并且确定在载荷条件下各类响应的方法。有限元方法建立在固体流动变分原理基础之上，被分析物体离散成许多小单元后，给定边界条件、载荷和材料特性，求解线性或非线性方程组，就可以得到分析对象的位移、应变、应力、内力等结果。借助现代计算机技术，这些步骤可以较快完成，并可使用图形技术显式计算结果。本发明的实施例中采用LS-DYNA作为有限元模拟的支撑软件。

[0053] 有限元模拟的过程主要分为：前处理即建立模型处理、求解、和后处理即查看模拟结果三个大步骤，各大步骤又可细分为一些小步骤。详细的显示动力学有限元模拟流程如图3所示。如图3，有限元模拟的流程包括如下步骤：

[0054] 步骤301，规划分析问题与抽象物理模型；

[0055] 该步骤中，根据导管弯曲加工的工艺问题，找出其核心因素，通过适当简化抽象出有限元能模拟的物理模型。

[0056] 步骤302，单元与材料模型选取；

[0057] 其中，单元选取即选用何种单元类型将物体进行离散化，包括杆单元、壳单元、弹簧阻尼单元、缆单元等，适合与薄壁管弯曲成形的单元为壳单元。

[0058] 材料模型的定义包括两方面：选择材料本构模型和确定本构模型中参数的具体数值，如弹性模量、屈服强度等。前者需要在程序提供的大量本构模型中选择一个能够反映加工过程中材料变形是所反映出来的对结果有影响的主要物理规律，而忽略不重要的特性；后者需要通过精确的材料力学实验获得。

[0059] 步骤303，几何建模与网格划分；

[0060] 根据第一步抽象出的导管弯曲物理模型首先建立其几何模型，再根据单元类型和材料模型将几何实体模型进行有限元网格化，得到单元和节点信息。

[0061] 步骤304，边界条件与初始条件定义；

[0062] 定义模型内各部件(part)的初速度、初应力等初始条件，及其边界约束，如：1/2模型的对称边界、各部件的约束、自由度等。

[0063] 步骤305，接触定义；

[0064] 定义可能会发生接触的物体之间的接触类型与参数，如动、静摩擦系数、接触算法、罚因子等。

[0065] 上述步骤301至步骤305属于前处理。

[0066] 步骤306，求解设置与求解；

[0067] 设置计算结果的输出文件格式，以及结果文件中包含的计算信息等，如计算时间步长、动画输出帧数等。最后调用求解器对前处理完成后的文件进行求解。

[0068] 步骤307，动态查看成形过程信息；

[0069] 调用后处理软件，连续、动态地查看弯曲过程中导管的壁厚变化、椭圆畸变、起皱等宏观信息，以及应力应变分布、压力分布等，分析其成形过程的合理性。

[0070] 步骤308，质量指标的提取；

[0071] 将计算结果文件中包含的信息进行输出，经过拟合、对比分析、计算后获得导管的成形质量指标。

[0072] 本发明实施例的方法在深入分析导管成形工艺过程及其加工力学机理的基础上，应用ANSYS/LS-DYNA建立了与实际工艺过程高度吻合的有限元模型。建模过程采用基于ANSYS参数化设计语言(APDL)的全参数化建模方法，将导管设计参数、工艺参数作为驱动参数，模具参数等与驱动参数通过建立关系式进行关联。导管和模具均采用shell163单元，沿厚度积分点数为5，采用能够合理解释扭曲的全积分Belytschko-Tsay壳单元算法。经过数据分析与实验验证，表明所建立的有限元模型能够准确反映导管塑性成形过程中的主要物理规律，能够根据加工工艺环境的变化预测成形质量的变化和缺陷的产生，能够定量地反映成形过程中的应力、应变变化及其关系，经过偏差补偿后可以达到定性分析准确、定量分析可信的标准。

[0073] 本发明实施例的方法中，导管设计参数通常是指：在管路布局或管类结构设计完成后，下发给弯管部门的参数，包括：导管外径d、壁厚t0、弯曲半径RCL、弯曲角度θ，以及导管的材料参数。另外，由导管的绝对尺寸推导出的相对弯曲半径Dr＝RCL/d和壁厚因子tr＝d/t0。导管工艺参数范围的确定和模具的选择与设计均以导管的设计参数为依据。

[0074] 与数控切削加工不同，数控弯管加工工艺因素多而复杂，因素之间存在交互影响。本实施例结合有限元模拟与实验，通过对导管成形机理与规律的深入分析，将数控弯管中的工艺因素参数分成导管工艺参数和模具结构参数，理清工艺因素之间的关系。

[0075] 本发明实施例的方法中，弯管工艺因素中的导管工艺参数是指：在导管坯料、机床、模具等完全确定并且按照使用说明完成初始化安装调试的前提下，通过改变机床设置或模具位姿等变量，达到有效控制成形质量的目的，这些变量即为导管塑性成形的工艺参数，包括：压力模压力、助推力、芯轴伸出量、芯轴间隙、弯曲速度、摩擦状况、夹紧模咬入、防皱模倾角。模具结构参数是指：对导管成形质量有影响，在模具设计时可以根据导管的设计参数进行改变的模具主要尺寸参数，主要包括芯轴结构参数，压力模长度和夹紧模长度；其中，芯轴结构参数又包括：芯轴间隙、芯轴球个数、芯轴球厚度。

[0076] 导管数控弯曲成形质量通过评价指标来进行评价。质量评价指标是衡量导管成形后质量缺陷严重程度的指标，简称质量指标，包括：回弹角度、伸长量、椭圆畸变率、壁厚减薄率、壁厚增厚率和起皱值，前两者决定导管的几何精度和下料长度，后四者决定导管的使用性能与外观。

[0077] 回弹角度Δθ

[0078] 导管弯曲过程中，管材的变形包含有弹性成分。当加工结束后，管材所受的约束被去除，弹性变形部分必然产生恢复，使成形角度小于弯曲模旋转的角度，成形半径大于弯曲半径。回弹直接改变了导管的最终成形形状，对装配有很大的影响。通常用回弹角度和回弹半径来衡量导管回弹的程度，其中回弹角度为模具旋转角与导管实际成形角的差值，回弹半径为卸载后导管的成形半径。

[0079] 伸长量δ

[0080] 在导管弯曲变形过程中，中性层向内侧平移，加工结束后，导管中心线的长度增加。正确预测导管伸长可以提高下料的精度，对贵重金属材料的加工有很大的意义。

[0081] 椭圆畸变率Ω

[0082] 对于导管弯曲变形，中性层外侧管材受拉力作用，拉力的合力指向内侧。中性层内侧的管材受压力作用，合力指向外侧。导管在这些力的作用下，横截面形状发生变化，形成近似椭圆的形状，称为截面椭圆畸变，通常用椭圆畸变率来衡量截面椭圆畸变程度的大小。

[0083] 壁厚减薄ηh与增厚率ηk

[0084] 在弯曲过程中，导管中性层外侧受拉力作用，内侧受压力作用，不可避免地会发生外壁减薄和内壁增厚。由于导管内部常需要通过流体，管壁变薄将直接影响到承压性能，壁厚增厚一定程度上反映起皱的可能性大小，因此壁厚变化是导管加工很重要的一个缺陷，通常将管壁减薄率和壁厚增厚率作为评价这个缺陷的指标。

[0085] 起皱值Δh

[0086] 在导管弯曲过程中，当内侧压力超过材料承受能力时，内壁材料聚集在一起，发生起皱。起皱会造成管内流体的涡流，导致管件的振动，降低导管的使用寿命。通常将起皱值作为评价起皱程度的指标。

[0087] 本发明实施例的实现中，利用LS-PREPOST作为有限元模拟的后处理软件来进行后处理，该软件除壁厚减薄率外，对于导管的宏观成形质量评价指标该软件不能直接提取，需先输出所需要的相关节点数据，并对数据进行分析，输出质量指标值。具体地，本发明的实施例中，由于，LS-DYNA分析的结果存储在d3plot二进制文件中，可利用该文件来进行相关节点的输出。对于该文件，信息以节点的形式存储，因此要获取导管成形的回弹、壁厚变化等质量数据，必须首先将相应节点的数据导出。在LS-PREPOST中提供了强大的宏功能，LS-PREPOST的每一步操作都对应一个宏命令，执行这些宏命令与直接操作LS-PREPOST具有相同的效果，节点数据的导出可以依靠执行这些宏命令来完成。在SCRIPTO中，有专门执行宏命令的函数：void ExecuteCommand(Char*cmd)，其中cmd为存储宏命令的字符串。导出的信息为各个节点的坐标，另外通过执行宏命令，还可以导出各节点的应力、应变以及壳单元厚度信息等数据。对这些数据进行相应的处理，便可以获取导管成形的回弹、壁厚变化、截面椭圆率等质量数据。当然，在获取质量指标时，也可应用现成的能输出质量指标的现有软件来实现。

[0088] 对于有限元模拟的导管弯曲成形工艺过程，可通过实验来验证。示例性地，可采用美国伊顿公司的VB300HP数控弯管机来进行有效导管弯曲实验的验证。

[0089] 对导管数控弯曲成形机理的研究，即是对影响导管成形质量的因素对质量指标影响机理与规律的研究。将主要因素与次要因素分开考虑，找出质量指标之间的矛盾关系，有利于认清导管绕弯成形的本质。

[0090] 在有限元模拟的基础上，应用正交设计方法组织大量的有限元数值模拟实验，根据试验结果确定出对成形质量有明显影响的工艺因素，并对其成形规律进行研究。进而，以影响显著的工艺参数和导管参数作为设计因子组织模拟正交试验，以为人工神经网络提供初始训练样本。具体试验中，示例性地，可先设计单因素试验，分析各工艺因素对成形质量的影响规律及其大小；进而，可针对一组确定的导管几何参数，设计模拟正交试验。本发明的实施例中，确定出压模压力Fp、助推力Fb、芯轴伸出量e和芯轴间隙Gap，为对导管数控弯曲成形质量影响显著的工艺参数，且影响规律复杂，是控制成形质量的矛盾因素，而夹紧模咬入距离等其它参数对成形质量的影响很小或单调相关，并且最多仅对一个质量指标有明显影响，可以较为容易地确定；导管外径、壁厚、弯曲半径和弯曲角度为对导管数控弯曲成形质量影响显著的导管设计参数。

[0091] 以所述确定出的对导管数控弯曲成形质量影响显著的工艺参数和导管设计参数作为输入参数、预定的质量指标作为输出参数建立人工神经网络模型如径向基(RBF)人工神经网络模型，并以上述对导管数控弯曲成形质量影响显著的工艺参数和导管设计参数作为设计因子，组织在数控弯管机上的弯曲成形实验或利用建立的有限元模型进行数值模拟试验，获得质量指标，将实验或试验数据作为建立的人工神经网络模型的初始训练样本，用以对人工神经网络模型进行训练。

[0092] 示例性地，利用MATLAB中的神经网络算法建立RBF人工神经网络模型。由于数控弯管的特殊性和RBF网络的局部逼近特性，为了提高精度，本发明的实施例分段建立多个神经网络模型以适应导管材料和导管几何参数如导管外径的大范围变化。示例性地，可对不同材料的导管建立不同的神经网络模型；如，不锈钢、铜合金、铝合金、钛合金等不同材料的导管对应的神经网络模型不同。进一步地，对于同一材料的导管，有可进一步区分为有芯轴和无芯轴，有芯轴和无芯轴导管对应的神经网络模型不同。对于同一材料的有芯轴导管，根据导管外径的不同建立不同的神经网络模型。示例性地，可根据外径D的尺寸分成不同的段，如：D20～30段、D30～40段、D40～50、D50～60、D60～70等，不同段对应的神经网络模型在进行训练时采用的初始训练样本是不同的，分别是根据对应尺寸范围的导管进行实验或试验获得的，初始训练样本的不同导致训练好的、用于进行质量预测的神经网络模型不同。

[0093] 以不锈钢管D20～30段内的RBF神经网络为例，以正交方法组织的训练样本的一个例子如下表1所示：

[0094]

[0095] 表1

[0096] 表1中，mm表示单位为毫米；KN表示单位为千牛。

[0097] 在获得训练样本数据后，对样本数据进行归一化处理，使得所有数据分布在0到1之间，以便于神经网络的识别。归一化后的数据即可对神经网络进行训练，通过调整RBF神经网络的隐含层个数、训练速率等参数以提高预测精度。

[0098] 人工神经网络是由大量简单的基本元件神经元相互连接，通过模拟人的大脑神经处理信息的方式，进行信息并行处理和非线性转换的复杂网络系统。由于神经网络具有强大的学习功能，可以比较轻松地实现非线性映射过程，并且具有大规模计算的能力。径向基(RBF)网络是以函数逼近理论为基础构造的一类前向网络。由于局部响应的特性，它对函数的逼近是最优的，能以任意精度逼近任意函数，而且训练过程短，预测精度与初始权值无关，因而在多维曲面拟合、自由曲面重构和大型设备故障诊断等领域有着比较多的应用。本发明人在实现本发明的过程中发现：数控弯管工艺参数和导管参数对成形质量的影响规律可以通过多维曲面来描述，导管的多数成形规律为线性或简单的非线性，规律曲线的二阶导数也即多维曲面的偏导数不变号，极值点和拐点少，这样就保证了局部逼近差不多等同于全局逼近，因而RBF网络特别适合于解决数控弯管成形质量的预测问题。SPREAD为径向基函数的分布密度，SPREAD值越大，函数越平滑，SPREAD值越小，对函数的逼近就越精确，但是逼近的过程就越不平滑。因此在设计网络时应多调整几个spread的值，直到达到比较好的精度。SPREAD值是对网络精度影响最大的参数，首先在大范围取值(0.5～3.0)进行试算，对比其误差，然后再以该组内最优值(1.0)作为中心点进行细分(0.6～1.4)，可以确定SPREAD的二级细分最优值为0.7。

[0099] 基于上一步训练好的RBF神经网络，以归一化后的导管参数和工艺参数作为输入，质量指标作为输出，对预测值进行反归一化后获得质量指标的预测值。示例性地，当输入向量为：D＝20mm，t＝1mm，R＝30mm，α＝45.55°，压模压力＝8kN，压模助推力＝2.5kN，芯轴间隙＝0.8mm，芯轴伸出量＝3.57mm时，利用训练好的神经网络获得的质量指标和利用有限元模型获得的质量指标值、及两者对比误差如下表2所示：

[0100]壁厚减薄率壁厚增厚率椭圆畸变率
神经网络 12.4992 18.6464 2.6081
有限元 11.22 19.04 3.98
对比误差 11.4％ 2.07％ 34.5％

[0101] 表2

[0102] 基于人工神经网络的导管弯曲质量预测方法，克服了现有技术的有限元模拟预测方法的时效性差的缺陷，充分利用已有的经验数据，减少了质量预测的时间，但其仍能具有较佳的预测精度。

[0103] 本发明实施例的导管弯曲质量预测方法：选用了RBF神经网络模型，提高了预测的精度；根据导管的塑性成形机理，确定了神经网络模型的输入参数为对导管成形质量影响最大的四个导管设计参数：导管外径、壁厚、弯曲半径和弯曲角度和影响明显的四个工艺参数：压模压力、助推力、芯轴伸出量和芯轴间隙，而忽略其它次要因素对导管成形质量的影响，在保证预测精度的前提下，简化了模型；为神经网络提供数值稳定、反映导管成形规律特征的样本数据，初始样本数据以正交试验的格式组织，保证了有限的训练样本覆盖工艺参数变化的整个范围，并以较高的精度反映导管的成形规律特征。

[0104] 导管数控弯曲成形质量神经网络预测模型是有限元模型的有效补充，在工艺规划时，利用本发明的方法可在几秒钟内给出导管成形质量的预测值。当然，由于神经网络预测模型仅能反映数据之间的关系，因而当严重的质量缺陷发生时需要通过有限元模拟找出缺陷发生的原因。

[0105] 本发明实施例还公开了一种导管数控弯曲成形质量的预测装置，包括：有限元模型建立模块，用于建立用以模拟导管数控弯曲成形工艺过程的有限元模型；参数确定模块，用于利用所述有限元模型，组织导管数控弯曲成形的有限元数值模拟试验，获得第一试验结果，根据所述第一试验结果确定出对导管数控弯曲成形质量影响显著的工艺参数和导管设计参数；神经网络模块，用于以所述确定出的对导管数控弯曲成形质量影响显著的工艺参数和导管设计参数作为输入参数、预定的质量指标作为输出参数建立人工神经网络模型；预测模块，用于对所述人工神经网络模型进行训练，并利用所述经训练的人工神经网络模型进行导管数控弯曲成形质量的预测。

[0106] 优选地，所述的预测装置，其中，所述预测模块中，用于对所述人工神经网络模型进行训练的初始训练样本为：

[0107] 通过以所述确定出的对导管数控弯曲成形质量影响显著的工艺参数和导管设计参数作为设计因子、组织的导管数控弯曲成形的实验或有限元的数值模拟试验获得。

[0108] 优选地，所述的预测装置中，所述导管数控弯曲成形有限元的数值模拟试验时基于正交设计方法组织的。

[0109] 优选地，所述的预测装置中，所述神经网络模块建立的所述人工神经网络模型为：径向基人工神经网络模型。

[0110] 优选地，所述的预测装置，其中，所述神经网络模块，进一步用于根据导管材料的不同和/或导管的几何参数的不同分段建立多个人工神经网络模型。

[0111] 优选地，所述的预测装置，其中，所述参数确定模块确定出的所述对导管数控弯曲成形质量影响显著的工艺参数包括：压模压力、助推力、芯轴伸出量和芯轴间隙；所述对导管数控弯曲成形质量影响显著的导管设计参数包括：导管外径、壁厚、弯曲半径和弯曲角度。

[0112] 以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

标题	发布/更新时间	阅读量
人工神经网络运算电路-专利编号CN107862380A	2020-05-13	1118
人工神经网络-专利编号CN103927583B	2020-05-11	853
人工神经网络-专利编号CN1846218A	2020-05-13	916
人工神经网络-专利编号CN103927583A	2020-05-12	140
人工神经网络-专利编号CN110892423A	2020-05-11	1040
一种人工神经网络算法-专利编号CN106372724A	2020-05-13	943
人工神经网络-专利编号CN109564633A	2020-05-12	250
人工神经网络-专利编号CN109416760A	2020-05-12	433
人工神经网络-专利编号CN110121723A	2020-05-11	510
人工神经网络-专利编号CN110309905A	2020-05-11	526

一种导管数控弯曲成形质量的预测方法及装置

一种导管数控弯曲成形质量的预测方法及装置

技术领域

背景技术

发明内容

附图说明

具体实施方式

IPRDB

热门服务

关于我们

友情链接

联系方式