文摘

夹具中扮演一个重要的部分在约束过度钣金部分变形加工,装配,在整个生产过程和测量阶段。然而,这仍然是一个困难和重要的任务来设计和优化板料夹具定位布局目前因为总是没有直接和显式表达式描述金属板材夹具定位布局和变形响应。为此,RBF神经网络预测模型本文提出协助设计和优化板料夹具定位布局。RBF神经网络模型的训练数据集选择统一的采样和有限元模拟分析。最后,进行一个案例研究来验证该方法。

1。介绍

钣金部分是广泛应用于航空工业、汽车工业由于其强度高、重量轻(1]。然而,钣金部分总是倾向于变形加工,装配,和测量阶段在整个生产过程中,因为它的属性薄壁、大尺寸、低刚度。为了限制过度变形金属板部分,Cai et al。2)提出了一个“2 - 1”定位原则,这表明“2 - 1“定位原则适用于金属板的位置比“3-2-1”原则。显然,为了应用”2 - 1”定位夹具定位布局设计原则,关键是要找到最优定位器的数量以及他们的位置,以减少板料变形部分。

为了解决上面的问题,许多学者和技术人员进行了大量的研究。卡和埃夫里市3]分析了金属板的夹紧变形部分沿法线方向的定位通过有限元方法(FEM)。由有限元计算夹紧变形后,岩石和陈4,5)建立了一个优化模型,以减少变形和金属板部分获得了最佳定位器位置通过遗传算法(GA)。同样,了解变形的有限元法之后,刘等人。6)确定初始定位器的数量和位置通过添加定位器在基准面上的位置与最大变形反复直到变形降低了加工精度的范围内。然后,最后沿着饲料方向位置进行了优化,以减少工件的最大变形在整个铣削过程。Prabhaharan et al。7)提出了一个夹具布局优化方法,分别利用遗传算法和蚁群算法减少有限元空间和形式错误。

有关上述论文计算了工件变形的有限元变形控制,因此,进化算法夹具布局优化过程必须包括成千上万的计算上开销很高的有限元分析。因此,为了节省计算时间和提高优化效率,Hamedi [8]训练反向传播神经网络,只有少数有限元分析(FEA)结果之间的模式识别的夹紧力和接触状态workpiece-fixture系统和工件最大的弹性变形。Vasundara et al。9)应用反向传播神经网络近似之间的关系定位元素的位置和工件弹性变形而安和RSM的性能。身边et al。10)使用反向传播神经网络描述的函数关系定位器的位置和夹工件最大变形和结合安和能源部优化加工夹具布局。身边et al。11)综合遗传算法和安来完成最优加工夹具布局。陆和赵12)建立了一个反向传播神经网络模型来预测板料的变形工件在不同夹具布局和不同的夹具定位误差和应用遗传算法建立的ANN模型找到第四夹具定位器的最优位置的基础上”2 - 1”定位原则。雷克斯和文德兰花13)开发了一种反向传播神经网络预测workpiece-fixture系统的弹性变形,并提出了优化夹具布局设计的综合方法。秦et al。14)建造了一个反向传播神经网络模型描述多个夹具参数之间的映射关系,工件的夹紧变形和发展一个统一的方法对薄壁工件multifixturing布局规划。

本文考虑夹具定位布局的低效率优化方法通过有限元法,提出了一种RBF神经网络预测模型,帮助设计和优化板料夹具定位布局。首先,该方法生成采样点通过均匀采样方法和构造样本数据集的帮助下有限元分析。其次,金属板材夹具定位布局之间的非线性关系和响应变形是由RBF神经网络描述;建立了预测模型。最后,给出了一个案例研究演示该方法,结果表明,该方法具有更好的性能和更高的预测精度。

2。问题描述

2.1。”2 - 1为钣金部分“定位原则

防止过度屈曲预防变形和供应更多的增援部队在加工,装配,和测量阶段在整个生产过程中,总是一个overconstraint条件下金属板部分,即所谓的“2 - 1”定位原则。认为有”原则”点定位的主要基准面钣金部分和“2”和“1”在第二个和第三个基准面,分别。图1显示了一个典型的“2 - 1”的原则,需要6个定位器为了支持金属板在主基准面,以避免过度偏转。与此同时,定位器数字””,它总是超过三个,是由金属板的尺寸规格的部分。很明显,定位布局设计基于“的关键问题2 - 1”的原则是如何确定的数量和位置””,即夹具定位布局。

2.2。夹具定位布局优化模型

通过使用“2 - 1”定位原则,板料的变形主要基准面的一部分沿法线方向可以减少。为了评估不同的夹具定位布局方案的质量,所有的正常变形的有限元节点选为评价函数部分: 在哪里是金属板料变形的评价函数;是向量组成的夹具定位布局参数;的数量是有限元在钣金部分笔记;是正常的变形节点。

在本文中,金属板的有限元模型建立夹具定位布局,以便可以分析板料变形来训练神经网络。然后,与神经网络的非线性映射特性,金属板变形的预测模型,满足一般工程的需要,建议根据训练样本有限。让有限元模型的节点集的金属板部分,并让夹具定位布局向量设计变量。应满足以下约束条件: 必须确定节点组内的金属板部分的有限元模型;在每个夹具定位布局方案中,任意两个点定位不一致。因此,金属板的优化模型可以被定义为夹具定位布局方案 在哪里的位置向量th定位;是定位的点的数量。

3所示。预测模型对金属板材夹具定位布局

从上面的分析可以看出,在夹具定位布局参数时,我们可以使用有限元法计算金属板变形。然而,随着夹具布局参数各不相同,我们无法分析变形,考虑到它是一个要求很高的工作和麻烦。为了解决这个问题,板料变形的预测模型是建立在基于RBF神经网络。更重要的是,通过比较BP神经网络预测模型、RBF神经网络预测模型的可行性和优越性充分证明(15]。

3.1。BP(反向传播)神经网络

BP神经网络是一个和三个或更多层前馈神经网络,包括输入层、隐层和输出层。它有输入节点,隐藏的节点,输出节点。因为它是证明任何所需的多变量函数可以近似精确度三层BP神经网络,一个三层BP神经网络可用于本文预测板料变形给出一定的夹具定位布局。图2显示了BP神经网络的网络结构。

3.2。RBF(径向基函数)神经网络

RBF神经网络也是一个前馈神经网络。它有输入层节点,隐层节点,输出层节点。在RBF网络,是输入向量,然后呢是激活隐藏节点的函数,它是一个高斯函数。RBF网络的隐节点为输入通常地方特色;也就是说,越远的输入是隐藏的中心节点,较弱的影响隐藏节点的输入。因此,每个RBF网络中隐藏的节点有一个数据中心确定,为一个特定的输入,将会有一个特定数量的神经元被激活。输出节点的补偿。是网络的输出。图3显示了RBF神经网络的网络结构。

3.3。训练数据集的实验设计

在这一节中,选择训练样本点的均匀采样方法和响应变形有限元计算得出的。同时,标准化的输入数据是必要的,以便这些相对较大的输入区域内仍传递函数有一个很大的梯度,可以改善神经网络的识别精度。以下公式可以用于规范化,以便每个样本数据下降: 在哪里是th输入样本和和输入样本的上下两侧,分别。

4所示。构建预测模型的流程图

样本选择和数据规范化后,神经网络的训练和测试工作可以进行了。由于输入和输出之间的非线性映射关系,初始权重发挥巨大的作用在决定培训工作是否可以达到当地最低可以收敛。因此,均匀分布的十进制经验值应该选择初始权重。然后,上面的网络与MATLAB模拟和计算,并实现输入和输出之间的非线性映射。预测模型的流程图对金属板材夹具定位布局如图4。

5。案例研究

在本节中,基于BP、RBF神经网络预测模型对金属板材夹具定位布局设计和优化一个铝合金钣金部分所示,及其夹具定位方案给””进行了分析。如图5,金属板的尺寸400×400×1毫米³的物理性质,材料表中列出1。““定位分在主RP-1基准面,RP-2, RP-3,和RP-4。“2”定位点第二个基准面RP-5 RP-6。和“1”定位在第三个基准面是RP-7点。设置固定的坐标定位点RP-1 RP-2, RP-3, RP-5, RP-6,和RP-7(100、100),(100、300),(300、100),(133 0),(267,0)和(0,200)。定位的优化是RP-4及其协调。

训练和测试数据集,如表所示2和3,生成统一的采样方法。和正常的变形的有限元的金属板在其自重由大型商业有限元软件ABAQUS计算(16]。

总之,指的是流程图的钣金夹具定位布局的预测模型,预测模型基于BP神经网络和RBF神经网络分别建立借助MATLAB神经网络工具箱(17]。在BP神经网络结构,输入层有两个神经元,分别代表了和RP-4的坐标。输出层有一个神经元,即评价函数值金属板变形。根据一般的经验公式,隐藏层有五个神经元。

因此,响应面模型之间的映射关系描述夹具定位布局方案和钣金部分变形可以由夹具定位布局和建立响应变形的评价函数。换句话说,给定一个定位布局方案,金属板的变形可以获得一部分。神经网络预测模型的响应面图所示6。最后,输出曲线和相应的相对误差图所示7和表4。

6。结论

为了帮助钣金的设计和优化夹具定位布局,本文建立了RBF神经网络预测模型之间的映射关系来描述金属板材夹具定位布局和变形响应。本文的主要贡献包括以下:(1)基于RBF神经网络的预测模型对金属板材夹具定位布局设计和优化,并预测精度满足一般工程的需要。(2)一旦提出预测模型应用于夹具定位布局优化在不久的将来,它可以取代金属板料变形的有限元模拟。因此,计算量减少,因此夹具定位布局设计和优化的效率提高。(3)比BP神经网络训练和测试样本集,基于RBF神经网络的预测模型更高的精度和更稳定。

相互竞争的利益

作者宣称没有利益冲突有关的出版。

确认

这项工作是由中国国家自然科学基金(批准号51375396)。