基于BP神经网络的条带刚凸特征回弹预测

发布时间：2021-12-23 10:18

　　为了研究核燃料组件格架的条带刚凸特征的回弹量与压边力、冲压速度、凸凹模间隙、摩擦系数等冲压工艺参数之间的关系,首先,获取包含50个GA拉丁超立方抽样的数据点以及10个随机抽样的数据点的数据集,前者作为训练集、后者作为测试集。将前者输入到BP神经网络进行训练,后者验证训练模型的精度。最后,通过响应面图研究各因素之间的交互作用以及各因素的敏感程度。结果表明:BP神经网络能够有效预测刚凸回弹量与冲压工艺参数之间的关系,相对于其他因素,压边力对回弹量的影响特别明显,冲压速度对回弹量的影响不明显,但与凸凹模间隙和摩擦系数有明显的交互作用。 

【文章来源】：锻压技术. 2020,45(03)北大核心CSCD

【文章页数】：7 页

【部分图文】：

刚凸冲压仿真几何模型

BP神经网络结构包括输入层、隐含层和输出层，如图2所示。输入层和输出层由数据模型确定，比如本文模型为4输入、单一输出。随着隐含层数及隐含层神经元数量的增加，神经网络训练数据的精度会越来越好，但是，过好的逼近训练数据会导致模型过拟合，使模型泛化能力变差，过少的隐含层神经元个数会导致模型训练不足，所以，合适的隐含层数及隐含层神经元数量对BP神经网络建模非常重要。如图2所示的网络是一种全连接神经网络，当输入层神经元个数为h、隐含层神经元个数为l时，这两层之间就有hl个权值和h个阈值，BP神经网络通过这些层与层之间的权重和阈值来反映输出和输入的映射关系。算法的具体步骤如下。Step 1:数据归一化。数据归一化可以避免量纲变化带来的影响，本文将所有数据集中在区间[-1,1]之间，具体计算公式如下:

隐含层神经单元数量试验设计，表4的参数设置不变，仅改变隐含层神经单元数量，设计控制变量试验，并对比各试验的训练集相关系数R2和测试集误差Error，由于神经网络有一定的偶然性，所以，每组试验需进行10次，取测试集误差最小作为本组试验的结果，最后得到结果如图3所示。从图3中可以看到，随着隐含层神经单元数从2增加到5,R2值不断增加，误差不断减小，可以明显看到，当隐含层神经单元数量过少时网络存在训练不足的现象。当隐含层神经单元数从5增加到6时，R2值骤增，而且误差也有很大地增加，神经单元数量继续增加时存在一样的现象，说明此模型隐含层神经单元数量超过5时会出现明显的过拟合现象。综上所述，本文模型应采用单隐含层5个神经单元的神经网络。2.3 预测结果

【参考文献】：
期刊论文
[1]新开轨道交通城市的客流预测与方法分析[J]. 王茁.  上海工程技术大学学报. 2018(04)
[2]基于蜂群算法改进的BP神经网络风电功率预测[J]. 何廷一,田鑫萃,李胜男,吴水军,陈勇,束洪春,马聪.  电力科学与技术学报. 2018(04)
[3]基于BP神经网络的曲轴润滑特性全局优化[J]. 王振,白杨,郝长利,杜建秋,刘为,刘丽娜,李腾.  小型内燃机与车辆技术. 2018(04)
[4]基于BP神经网络的单点渐进成形回弹预测[J]. 文怀兴,张斌,杨新妮,孙姝彤.  热加工工艺. 2018(15)
[5]基于BP神经网络的连杆衬套强力旋压回弹量预测[J]. 张涛,樊文欣,朱芹,桑满仙,严鹏飞.  特种铸造及有色合金. 2017(04)
[6]基于BP神经网络的弯管机回弹量预测[J]. 田娥,孙建东,刘自萍,李立新.  现代制造工程. 2016(03)

硕士论文
[1]基于有限元分析的特种条带冲压模具数字化设计研究[D]. 何平.湖南大学 2018
[2]锆合金薄板成形极限线的理论预测与数值模拟[D]. 潘金勇.湖南大学 2018
[3]基于Dynaform软件的高强钢矩形管绕弯成形模拟研究[D]. 汪倩.兰州交通大学 2018
[4]典型汽车用板变形滞后回弹的试验研究及有限元分析[D]. 付泽.北京理工大学 2016
[5]基于灰色理论和神经网络的弯曲回弹预测研究[D]. 王智.西南交通大学 2013



本文编号：3548295