[发明专利]一种实现锻压机智能自主学习和调控的方法

说明书

本发明属于智能制造相关技术领域，更具体地，涉及一种实现锻压机智能自主学习和调控的方法。该方法包括：(a)采集锻压机在不同的特征参数下的工件尺寸，形成初始样本库；构建神经网络模型并训练，获得特征参数与工件尺寸的非线性关系；(b)设定工件期望尺寸，测量坯料特征参数，利用非线性关系计算在工件期望尺寸下锻压机加工特征参数，锻压机加工获得工件实际尺寸；(c)将加工时采集的数据添加进初始样本库进行更新，利用工件实际和期望尺寸计算尺寸偏差，当偏差不在可接受阈值内时，重新训练神经网络模型，对非线性关系进行修正，否则，不修正。通过本发明，实现了锻压机的自主学习和调控，可适应不同工况下的生产要求。

技术领域

本发明属于智能制造相关技术领域，更具体地，涉及一种实现锻压机智能自主学习和调控的方法。

背景技术

锻压行业是国民经济生产和国防建设中的基础行业，目前的锻压生产线基本实现了自动化，而锻压机作为制造业的重要基础设备，并没有达到真正意义上的智能化。

在生产过程中，车间的环境温度会随季节更迭发生剧烈变化，而且加热炉中的电阻丝和热电偶在持续高温环境下容易老化，因此，在锻压机下压前，坯料的温度都会产生波动。此外，模具的磨损以及机械手的定位误差，也使机械手在放置坯料时产生偏差。导致在不同时间段生产的工件尺寸出现较大的差异。而锻压机作为生产线中最容易精确控制的一环，其下压速度和保压时间的控制精度是可以保证的。

目前，对于智能锻压机的工作研究甚少，主要是提高锻压精度和故障诊断，锻压机不能根据实际工况进行自我调节。因此，急需一种实现锻压机智能自主学习和调控的方法优化现有的智能锻压机的管控，以此优化生产过程。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提供了一种实现锻压机智能自主学习和调控的方法，采集锻压机在不同的特征参数下的工件尺寸，构建神经网络模型，并与优化算法相结合，通过对实际生产中收集的样本对神经网络进行修正，使锻压机能够自行学习和调节锻压参数，从而适应不同的生产工况，进而实现锻压机的智能化管控。

为实现上述目的，按照本发明，提供了一种实现锻压机智能自主学习和调控的方法，该方法包括下列步骤：

(a)采集并获取在锻压的特征参数下成形的工件尺寸，以此形成特征参数与工件尺寸对应的初始样本库；构建神经网络模型，利用所述初始样本库中的数据训练，获得特征参数与工件尺寸的非线性关系，其中，所述特征参数包括坯料特征参数和锻压机加工特征参数；

(b)设定锻压期望工件尺寸，测量坯料特征参数，将该坯料特征参数与期望工件尺寸输入所述特征参数与工件尺寸的非线性关系中，并利用优化算法进行计算，以此获得在期望工件尺寸下锻压机加工特征参数，锻压机按照所述坯料特征参数和获得的锻压机加工特征参数锻压工件，测量获得的工件尺寸，以此获得工件的实际尺寸；

(c)将步骤(b)中的坯料特征参数、锻压机加工特征参数和实际尺寸增加到所述初始样本库中，以此更新所述初始样本库，然后计算步骤(b)中的工件实际尺寸和工件期望尺寸的尺寸偏差，当该尺寸偏差不在可接受阈值内时，利用更新后的初始样本库重新训练所述神经网络模型，以此对步骤(a)中的非线性关系进行修正，否则，不修正；由此实现智能锻压机自主学习和调控。

进一步优选地，在步骤(a)中，所述坯料特征参数包括坯料温度和坯料的定位偏差，所述锻压机加工特征参数是锻压机下压速度和保压时间。

进一步优选地，在步骤(a)中，所述神经网络模型优选采用BP神经网络模型。

进一步优选地，在步骤(a)中，所述采集并获取在锻压的特征参数下成形的工件尺寸优选采用通过CAE模拟获得。

进一步优选地，在步骤(b)中，所述优化算法优选采用遗传算法。

进一步优选地，在步骤(c)中，所述尺寸偏差通过工件实际尺寸与期望尺寸做差获得，所述可接受阈值根据实际需求设定。