基于bp神经网络金属拉深件成形裂纹位置识别

《基于bp神经网络金属拉深件成形裂纹位置识别》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、江苏大学硕士学位论文摘要金属板料成形过程中，裂纹的产生是主要的失效形式之一。裂纹在形成和扩展过程中，由于材料局部能量的快速释放，会伴随有声发射信号的产生，且不同位置裂纹的声发射信号参数有所不同。本文在广泛查阅国内外科技文献的基础上，将神经网络技术和声发射检测技术相结合，对拉深件裂纹位置实施在线监测，达到识别裂纹位置的目的。其主要内容和结果如下：首先，本文介绍了声发射信号产生机理、声发射源等相关基础理论。结合板?料成形过程中裂纹的形成和扩展，分析了对应声发射信号特点；同时根据板料成形的工艺特点，确

2、定了裂纹声发射源的定位方法。其次，介绍了神经网络的基本理论，详细阐述了BP神经网络识别金属拉深件裂纹位置的原理、BP神经网络的结构设计和算法。通过比较采用不同数量的隐层神经元网络的训练误差，确定本研究中神经网络的隐层神经元个数。再次，基于有限元分析方法，建立了金属拉深件畚斗冲压成形的有限元模型，仿真研究了畚斗成形过程中应力应变随时间变化的情况、金属拉深件畚斗厚度减薄情况。根据相关准则，得到畚斗在底部圆角外侧位置容易产生裂纹。同时为了能够在实验中采集到更好的声发射信号，通过在减薄严重区域设置弹性波

3、激励源，来仿真凹模凸缘对弹性波的响应，从而可以将传感器放置在响应最好的位置。最后，为了获得BP神经网络的训练样本数据和测试数据，进行了畚斗拉深成形实验，采集了不同位置裂纹声发射信号参数数据和测试数据。通过设计BP神经网络特征提取器，提取了能够很好表征信号的5五个特征参数：幅度、振铃计数、能量、持续时间和时间消耗，且不影响对畚斗裂纹位置的识别结果。5个特征参数对应的数据作为BP神经网络的输入，基于BP神经网络模式识别技术对畚斗成形中的裂纹位置进行了识别。研究结果表明，通过神经网络进行特征参数提取，

4、特征参数从11个降维到5个，且不影响识别结果。利用5个特征参数进行BP神经网络畚斗成形裂纹位置识别，成功实现了裂纹位置识别，从而达到裂纹定位目的。研究过程和结果不仅基于BP神经网络的金属拉深件成形裂纹位置识别对板料成形过程的工艺参数选取有参考作用，对于塑性成形中初始裂纹的位置状态识别也有一定的指导意义。关键词：拉深件，BP神经网络，识别，声发射，裂纹位置II江苏大学硕士学位论文Thecrackisonemajorfailuremodeintheformingprocessofsheetmetal

5、．Becauseofthequickreleaseofthelocalmaterialenergy,theacousticemission(舡)signalisgeneratedwiththecrackformationandpropagationandtheAEsignalparametersofdifferentlocationcrackaredifferent．ThepapercombinedneuralnetworktechniquewithAEdetectiontechniquemon

6、itorsthedeepdrawingcracklocationbasedonthescientificandtechnicalliteratureandachievethepurposeforthecracklocationrecognition．Themaincontentsandresultsareasfollowed：First，thepaperintroducesthetheoryaboutAEsignalgenerationmechanismandsource．Thecharacte

7、risticofAEsignalcausedbythecrackformationandpropagationintheformingprocessofsheetmetalisanalyzed．Meanwhile，themethodtolocateAEsourceisdeterminedinaccordancewiththecraftcharacteristicofsheetmetalforming．Secondly,thepaperintroducesthebasistheoryofneura

8、lnetworkandstatetheprincipleofcracklocationrecognitionbasedonBPneuralnetworkindetail．ThestructuredesignandalgorithmofBPnetworkisstated．Thenumberofhiddenlayerneuronisdeterminedbythetrainerrorcausedbythenetworkofdifferentnumberneuroninhiddenlayer．Third