專利名稱：基于神經網絡的拉深件裂紋監(jiān)測方法
技術領域：
本發(fā)明涉及一種在金屬拉深件成形過程中對拉深件裂紋缺陷的在線監(jiān)測。
背景技術：
金屬拉深是金屬擠壓成形的成形方法之一，拉深薄板獲得的薄壁空心件使用十分 廣泛，除了家用所必須的由單個或多個組合拉深件加工而成的餐飲用具外，在各類機電與 家電產品中也多用拉深件作為殼體、外罩、箱體、汽車覆蓋件等，這類拉深件不僅要具有一 定的尺寸與形位精度以及良好的互換性，而且還要求其造型與表面質量具有外觀裝飾作用 及構成產品完美形象的效果。在拉深過程中，板料產生塑性變形，材料被轉移和重新分布， 內部的應力和應變十分復雜，導致拉深過程中的狀態(tài)難以精確控制，拉深過程中制件內部 的裂紋不能及時識別，使大量不合格產品出現(xiàn)，造成了材料的大量浪費。在已有的技術中，利用BP神經網絡對聲發(fā)射特征參數(shù)進行提取優(yōu)化，提取出與裂 紋聲發(fā)射信號最為密切的5個參數(shù)對裂紋進行識別，該技術降低了網絡輸入端的維數(shù)，提 高了特征參數(shù)反應拉深件成形狀態(tài)的能力，但是，該方法只是利用計算各聲發(fā)射特征參數(shù) 對拉深件裂紋的靈敏度來提取優(yōu)化，存在計算誤差，而且沒有涉及如何對裂紋進行識別。

發(fā)明內容
本發(fā)明的目的在于提出一種使用神經網絡模式識別技術對拉深件裂紋進行監(jiān)測 的方法，基于可分離判據分析5個聲發(fā)射裂紋信號對聲發(fā)射裂紋表征的有效性，對拉深件 裂紋進行模式識別。本發(fā)明采用的技術方案是首先將提取的聲發(fā)射上升時間、聲發(fā)射事件計數(shù)，能 量、頻率質心和峰值頻率5個聲發(fā)射監(jiān)測信號作為拉深件裂紋的5個特征參數(shù)；然后對5 個特征參數(shù)進行可分離判據分析，驗證其表征裂紋特征的有效性；最后設計一個BP神經 網絡分類器，將這5個特征參數(shù)作為BP神經網絡分類器的輸入，輸出特征向量是1，0和0，1，其中1，0是拉深件正常，[0,11是拉深件產生裂紋。本發(fā)明的有益效果為
1、對輸入的五個聲發(fā)射特征參數(shù)進行分離判據分析，避免了在計算其靈敏度過程中產 生的誤差，提高了特征參數(shù)表征裂紋的準確性。2、通過神經網絡分類器準確地將聲發(fā)射信號分為裂紋信號和正常信號，實現(xiàn)了對 拉深件的在線監(jiān)測和對拉深件質量狀態(tài)進行判別，提高了拉深件的成品率，避免材料浪費。
以下結合附圖和具體實施方式
對本發(fā)明作進一步詳細說明；

圖1是本發(fā)明的流程圖。
具體實施例方式參見附圖1，針對拉深件成形過程中的具體情況，在一個完整的聲發(fā)射測試平臺 (該聲發(fā)射測試平臺參見申請?zhí)枮?01010278875. X，名稱為“一種提取拉深件裂紋聲發(fā)射信 號特征的方法”的附圖1)上采集拉深件裂紋的特征參數(shù)，拉深件裂紋的特征參數(shù)是聲發(fā)射 上升時間、聲發(fā)射事件計數(shù)，能量、頻率質心、峰值頻率5個參數(shù)，通過可分離判據分析考察 其有效性后，作為BP神經網絡分類器的輸入，對制件質量狀態(tài)進行模式識別。具體步驟如 下
一、特征信號的采集
在制件成形過程中，利用聲發(fā)射采集系統(tǒng)中的聲發(fā)射測試平臺提取5個聲發(fā)射監(jiān)測 信號，作為拉深件裂紋的特征參數(shù)，分別是聲發(fā)射上升時間、聲發(fā)射事件計數(shù)，能量、頻率質 心、峰值頻率。二、可分離判據分析，用可分離判據的分析方法進一步驗證其表征裂紋特征的有 效性
各個特征參數(shù)組成的一個集合是一個特征空間，本發(fā)明的5個特征參 數(shù)是一個五維特征空間，其中一個模式表示一個點，在五維特征空間中，點
α = ( ι ^2 A 4 Α)和點 Λ = (h h2 b3 b4 5)之間的距離為
權利要求
一種基于神經網絡的拉深件裂紋監(jiān)測方法，其特征是首先將提取的聲發(fā)射上升時間、聲發(fā)射事件計數(shù)，能量、頻率質心和峰值頻率5個聲發(fā)射監(jiān)測信號作為拉深件裂紋的5個特征參數(shù)；然后對5個特征參數(shù)進行可分離判據分析，驗證其表征裂紋特征的有效性；最后設計一個BP神經網絡分類器，將這5個特征參數(shù)作為BP神經網絡分類器的輸入，輸出特征向量是1,0和0,1，其中1,0是拉深件正常，0,1是拉深件產生裂紋。
2.根據權利要求1所述的基于神經網絡的拉深件 裂紋監(jiān)測方法，其特征是所述可分離判據分析依據公式D2 = 2妄⑷2 ,若 ^t5 5，則特征參數(shù)有效，反之則無效，需重新對特征參數(shù)進行提??；其中萬2為是否產生裂紋類別模式集合I ！的類內距離S2 =D2W) , i=l, j=2 -,n=1,2, 3,4。 力類內模式第ι分量的無偏方差(巧)2=#(式)2, =2 為類內模式 i^kkm~lm ukmk分量的有偏方差(《)2 = (47-(4)2,4為是否產生裂紋類別的有效特征參數(shù)。
3.根據權利要求1所述的基于神經網絡的拉深件裂紋監(jiān)測方法，其特征是所述BP神 經網絡分類器的輸入神經元個數(shù)為5個，隱層神經元個數(shù)為6個，輸出層有兩個神經元，初 始權值為0. 01，最大循環(huán)迭代為10000，收斂目標平均誤差為0. 01，學習速率是0. 05。
全文摘要
本發(fā)明公開一種在金屬拉深件成形過程中基于神經網絡的拉深件裂紋監(jiān)測方法，首先將提取的聲發(fā)射上升時間、聲發(fā)射事件計數(shù)，能量、頻率質心和峰值頻率5個聲發(fā)射監(jiān)測信號作為拉深件裂紋的5個特征參數(shù)；然后對5個特征參數(shù)進行可分離判據分析，驗證其表征裂紋特征的有效性；最后設計一個BP神經網絡分類器，將這5個特征參數(shù)作為BP神經網絡分類器的輸入，輸出特征向量是1,0和0,1，1,0是拉深件正常，0,1是拉深件產生裂紋；本發(fā)明提高了特征參數(shù)表征裂紋的準確性，實現(xiàn)了對拉深件的在線監(jiān)測和質量狀態(tài)判別，提高了成品率，避免材料浪費。
文檔編號G01N29/44GK101995436SQ20101051891
公開日2011年3月30日 申請日期2010年10月26日 優(yōu)先權日2010年10月26日
發(fā)明者何鑫, 胥愛成, 陳強, 駱志高 申請人:江蘇大學