资源描述
毕业设计 (论文 )外文资料翻译 系 部： 机械工程系 专 业： 机械工程及自动化 姓 名： 学 号： 外文出处： 附 件： 指导教师评语： 译文基本能表达原文思想 ， 语句较流畅 ， 条理 较清晰 ， 专业用语翻译基本准确 ， 基本符合中文习惯 ， 整体翻译质量一般 。 签名： 年 月 日 附件 1：外文资料翻译译文 加强使 用粘结剂力轨迹和神经网络控制 获得一致的最小回弹 制造钣金属片面临的最大挑战之一是 要取得一致的 回弹量 。回弹， 当工件加工撤掉后，弹性材料恢复，主要的原因是最后一部分的 几何 变化的不一致 。 由于非线性效应， 相互作用过程和材料参数 的关系，要获得一致 可取的回弹量是极其困难。在本文中，回弹量 在模拟通道的形成过程证明 了 神经网络 系统 的 独特的能力 同时 加上 加强粘结 剂 力轨迹控制回弹角和最大主应变 量起的作用 。当面临着很大差异甚至在材料性 能，板度，摩擦条件下，我们的控制系统将会制作出零件最终的形状 。 导言 在当今竞争激烈的制造业 中零 件获得一致 准确的尺寸 是 至关重要的。不一致 的零件尺寸会延缓 新产品 的开发 ，增加转换时间， 使后续开发生产 困难 ，还需要额外的保证工序质量，同时还降低客户对终端 产品 的满意度和信任度。在金属板料成形过程中， 回弹方面的材料 是保证零件最终精确的一个主要因素 。回弹是在其满载的条件 下几何 的差额部分， 例如， 符合 工件的几何形状，当局部已 卸下，自由的状态 ，几何之间的差额。对于一个复杂的三维零件 ， 不必要的 扭曲是另一种形式的回弹。薄板厚度方向中压力分布不一致 和 冲压 加载放宽 和卸载过程中，其结果是 产生回弹。影响回弹的因素 包括变化过程和材料参 数，如摩擦条件下，工件的 几何形状，材料性能，板的厚度，以及模具温度。由于 在 制造过程中控制所有 这些变数是几乎不可能的，反过来 证明 回弹 是不能随时控制。 回弹是一个高度非线性效应 ，这个新增加的困难是事实 ，因此，模拟和纠正的方法是复杂的。最近几年出现了 许多 研究有关回弹，例如， 汽车工程师学会， 议。 通过修改 形成过程可减少回弹。一些研究人员提出了使用加强粘结剂 力轨迹 以实现这一目标（ 984;1993; et 1996） 。进一步加强 粘结剂 力 轨迹是一个瞬时跳跃从低粘结力（ 高粘合剂力 （ ，在指定的百分比总额的冲压位移（ （参阅图 1）。 et (1996)， 调查铝通道形成过程 的 回弹 ， 图 2 所示 。他们的工作是通过模拟实验明确形成 过程和材料参数 用处 。在生产环境中， 可是， 由于不同的进程回弹 量 将偏离所期望的水平。因此，控制系统，可变化的工艺参数要求 近年来，许多研究小组调查了利用人工神经网络 系统 来控制金属板料成形过程。由于非线性效应和相互作用的过程参数金属成型是 an 经网络 系统 控制 。（ et (1997)采用了神经网络预测的力量在冷轧 和，（ Di 997)预测起皱限制正方米板材下角的紧拉应力 。 除此之外， (1994 et 1992), et (1997)采用了神经网络 系统 控制 60度铝 弹的进程。他们的系统利用 实验获得的例子组成的 5个参数从 力冲压 轨迹，离线测量板厚，神经网络目标弯曲角度的投入和冲压的移位 的输出。在另一项研 究项目， 998)建议采用神经网络控制回弹角的渠道的形成过程与轨迹冲压 力作为唯一的来源，确定工艺变化和调整的 et (1996)。初步结果表明这种方法是很有希望的 。 本文中， 铝渠道的回弹 是通过 加强 控制粘结剂力 轨迹和神经网络控制。神经 网络确定了 粘结剂力轨迹。冲床力轨迹被确定为关键参数的变化，反映在材料性能，板的厚度，还有摩擦系数。因此，四个多项式系数从曲线拟合的冲压力轨迹被用来作为投入的神经网络 系统 。图 3 显示流程图的控制系统提出 这一 点 应用。尽管材料性能 有着很大差异 ，板厚度（ T） ，和摩擦系数（ m），回弹角（ ）之间保持了 ，（ e）项限于 8和 10。最后， 由 et 1996)提出 一个比较闭环控制方法 ， 是为了显示我们控制方法 的好处 。虽然模拟结果在这里只有数值， 然而 控制系统将 在未来改进需求， 以验证实际执行情况。 通道的形成过程 调查回弹 在 一个通道的形成过程是一个简单的几何学。因此， 由 受雇这里 得et 1996)提出 使用铝通道形成过程（参阅图 。 第一，连续的 粘 结剂 力 （ 影响 回弹进行了评价。由于 加，我们的模拟 在 所有其他进程和材料参数进行了不断 实验，回弹角（ u） 降低 ， 图形显示图 4，物理图 5，然而，增加粘结剂力同时还将造成 材料 的最大的拉紧力增加 ，实线图 4， 铝 通道的突出 (1993)。通过利用粘结剂 加强 力 轨迹，适度的增加 侧壁得到应变 力水平 ，同时减少回弹的过程中体现在表中的图 1。 当 面临着偏差的摩擦系数 ，只是为了产生一个健全的进程 ， et 1996)实施闭环变量粘结剂力控制后续 零件 的冲压 力 轨迹从 局部 加 强粘结剂的情况 制定 工艺条件。 当摩擦系数在不同的用途系数为 甚至是 到 种控制方法能产生回弹的水平一致 。然而，这种方法是否可以承受 其他参数的 变化 ，如材料性能和板料 厚 还 没有确定 的情况下。 商业有限元分析套件（ 1997 年）被我们用于 形成过程中的 数值模拟通道 ，因为这个问题是接近平面变形应力条件 ，并对称，只有十六分之一的宽度和一半以上的长度在整个空白（ 220 毫米 346 毫米）为蓝本。粘结剂，模具和冲压是仿照作为三个独立的硬质表面。每个面是仿照采用四节点界面元素（ 库 仑摩擦法是假设。我们的空白网孔 40 四节点分配不均，减少了一体化壳元素（ 型 致密的冲压和弯道半径粘结剂集中接触在空白 的网孔处。 边界条件指定创建一个平面应变条件。该材料是各向同性的 模板 ，弹塑性后，冯米塞斯屈服准则和各向同性应变硬化。弹性性能的杨氏模量中， E,， 70千兆和泊松比，n， 料 薄板材料的参数是模板，可使用一些教学关系 ( 。我们的名义材料，指材料 1，有材料强度系数， K， 528 兆帕和应变硬化指数， n， 限元模型 拟议控制系统 在一个通道的形成过程，回弹一般 是极为敏感的材料 的 变化和成形参数。在这项工作中，我们制订一种方法控制回弹，同时 材料通过结合加强粘结剂力轨迹和神经网络控制 产生一个可以接受的最大应变 量。在加强局部 粘结剂轨迹，两个临界值需要加以确定，巨大的 总冲压 力 的 移位 的 ， 这两个参数的 输出从 神经网络 系统 。从我们以往的研究经验，在金属板料成形过程控制 (1998;1997; et 1996) ，冲压 力的轨迹被 选定为参数，提供有关当前进程。因此，多项式系数从 曲线拟合的冲压力轨迹被用来作为输入 的神经网络。 我们提出的控制系统 流程图如 图所示 图 3， 形成过程 通常是 将着 手在连续使用的正常的粘结剂 力， 16 千牛顿，深度为 10 毫米。虽然冲压的 移位会继续下去，多项式系数从曲线拟合的冲压力轨迹的计算和输入和输出的 神经网络，该 粘结剂力 加强轨迹，在指定的冲床的位置将得到及时作出 当的调整， 19 毫米乘以 其中系数 10 毫米 的用处从冲压力轨迹的计算，选择有两个原因。在这个距离，冲压 力轨迹是 很精确的，有 足够的数据点可以准确拟合发生的曲线。图 6 显示的效果差异 t 和 m 对冲压武力轨迹从 0 到 10 毫米。其次， 10 毫米 距离 允许足够的 算方法。假设冲床速度 50 毫米 /秒，并设定最低 ， 总冲压 移位 ， 米，大约有 秒可用来计算 输入 人工神经网络和预测 阶梯粘结剂 力轨迹 的 。曲线拟合和神经网络的程序对我们的奔腾 233 兆赫的电脑需要大约 10 毫秒 来计算。在形成过程中如何接近函数将取决于 粘结剂 力速度不同进程 的机制。 冲压力的轨迹被分为三个区域，区域 A，一个过渡区域， 和 照图 6）。薄板厚度的用途的改变与区域 在这个区域中 二 次 多项式 被用于计算出正确的数据。尽管事实是二次多项式 只有两个输入系数分别用 于本区域的特点，因为冲压力轨迹几乎传递给了来源数据 。在 B 区，造成 不同的 倾斜度的主要主要原因是 摩擦系数 的变化 。网络 系统 线性插值提供了两个额外的 输入数据 。因此，一共有四个多项式系数被用作 输 入到我们的神经网络。 值得注意的是冲压 力轨迹取自数值模拟，因此， 它们是光滑的并由于 t和 m 的变化而多样性。 在实际形成过程中，噪声数据采集 设备将产生的差额用这些曲线表达出来。通过使用多项式系数来表达曲线拟合的冲压 力轨迹， 输入数据到 神经网络时 的本质是要过滤掉实践时考虑的因素 。 为了实施这控制系统在实际成形技术 ， 应用的数据是 需要 我们整理出来 。该 资料 可从尝试通过改变冲压模具工艺参数 在 实际生产中的 得到 。举例来说，考虑到一批一批的 材料变化，材料可以得到和建立数据，它体现了金属板厚度和材料性质变化的规律。 此外，润滑状态可能是多种多样的。利用各种组合的这些工艺参数，该 价值，产生理想的回弹量，可确定。此外，数值模拟，校准实验结果，以确保准确性，可以用来迅速增加的训练数据。一旦神经网络是训练有素的整个一系列潜在的工艺参数值，实际值的材料性能，板 厚度，摩擦状态并不需要，因为投入神经网络的多项式系数从冲压力轨迹曲线拟合。 任何实施 增加粘结剂力轨迹， 可以减少回弹。然而，简单的 加强粘结剂 力 轨迹，只需要两个输入参数， 。此外，现有在工业上的挤压有能力产生局部加强粘结剂力轨迹 。因此， 局部 加强粘结剂 力 轨迹是一个理想的选择。 神经网络 人工神经网络已 研究 多年，希望能模仿人类大脑的能力，解决那些模糊的需要大量 处理 的问题。人类 大脑 为了 实现 这些 数据 的处理，利用大规模并行处理能力，数以百万计的神经元的共同努力，来 解决 这些 复杂的问题。同样，人工神经网络模型包含 许多 计算单元 ， 称 谓的“神经元”，以符合其生物 对位 ，并联运行，并连接与 变权重组合预测方法 。 这些重量都在适应训练过程 ，最常见的通过 反传 算法（ 1986)，提出了神经网络，例如输 入产出对 的 关系网络正在试图 了解 。 这个 目标 是 神经网络 推论 ，或 引用 ，模式给出了输入输出的例子。神经网络 进一步细节 ，一般 被发现（ 1990)。 对于我们的特殊应用，神经网络的结构被确定为四个输入参数， 5个隐藏的神经元，和两个输出 。一个 活功能是用于隐藏神经元， 同时利用线性产出。 998)提出了 ，如何优化结构更详细地 结论。 最初确定 利用神经网络来控制和减少回弹 的可行性， 神经网络 的能力是 处理大量不同的 t 和 m 进行 研究。板材厚度值从 米（ 从 米递增至 米）， 摩擦系数的水平从 从 增 到 间，及以后递增 至 行了 考虑 。这些变化在 t和 实际大规模生产形成过程 会被视作的值 ，但用在这里的示范目的，以显示神经网络控制甚至相当大的变化的 系数 的能力。 实验 数据是通过试验和错 误模拟 104 组合这两个工艺参数，以确定 的值，这些值 产生了回弹的角度， ，范围在 ，最大应力 ， e，范围在 8至 10 。这个 极其狭窄的范围内，回弹 范围有一定的接近真实 的 值 预测 值 ，实验网络可能不会导致回弹数值在 相同的窄幅波动。在指定的范围 给出的 D的组合不一定是唯一一个能够提供 u 和 。但是，通过 有 选择 u和 我们 保证 网络将接受一个可能的 D的值 的 狭窄的窗口 实验数据 。这些 104 模拟运行提供了 输入输出 对 ，实验 有四个数据曲线拟合多项式 系数从 冲 力轨迹作为 输入， 所期望的 输出 。 结果 一旦神经网络有更好的实训 ，在网络预测 中 4t 和 m 组合 实训 集排除以及另外4t和 t和 ， 为加强 局部 轨迹粘结剂 ， 以下所述的程序图 3，先前章节。 由此产生的回弹角， 力 ， e，从这一进程中，然后 计算实验数据 。表 1 显示了出色的 成绩 ，得到了这 8 数据结果 。所有的回弹角和最大 应力 值分别 在 和 8至 10范围 之间 。 神经网络的能力，提供 值使用 ， 面临着 t和 差异 显示在实际应用 神经网络 的潜力。然而， 过程中 还有其他参数的变化 ， 对于最后部分的形状 产生类似的效果。材料特性，例如，已被证明造成严重的三维变化的金属薄板冲压件 (1997)。当 原先的实训 网络用来预测不同的材料特性 ，会产生不符合的 回弹水平和最大 应力。这并不奇怪，因为 网络 的实训并未适应差异的材料性质。 因此，更多的 实验结果数据包含材料性质是必要的 。偏差的真实应力应变曲线的名义材料，材料 1，创造了不同的强度系数， K，由 +10（材料 2 和 3）和 +20（材料第 6和第 7） 和应变硬化部分， n，约 +16（材料 4 和 5）。7 个 组 合 （ t=0.9/u= t=1.1/u= = t=1.0/u=t=0.8/m=.0/u= t=1.2/u=选为该 实验的 例子与新材料的创建。再次通过反复试验，某一 假定 材料 的 36种实验范例， t，与 化范围 ， 比如 以前使用的 和 ， 分别为 和 8至 10。其中 6个新型材料，每 t和 m 的组合，将被用来作为检查 而 被排除在 实验 外，看看是否 符合 神经网络预测准确的 值 。这个网络 使用 以前同样的神经网络结构。 ，经过这些额外的 实验与变化的例子， 材料性能又增加了 实训集。 表 2 显示的结果的， 当这结果 从被排除在 实训 集 的 六个组合 ， 和 4个新材料厚度， t， 和 摩擦系数， u，在新 实验 网络组合 实训 。 另外 ，神经网络能够提供可接受的 的 值，即产生可接受 ， e， 8至 10。然而，作为获得的 的结果， 这些模拟产出 的数据 并不总是 在 这个狭窄的回弹角 范围 内。这表明，神经网络在 材料 中具有很多复杂的变化 。如前所述，范围狭窄对 u 在 实验 中故意造成被 允许的合理差异的前馈过程。此外，更多的培训，集或一个更聪明的神经网络结构，如给予“提示”网络有关的材料特性，能提高能力的神经网络处理变化的材料特性。 闭环控制的比较结果 et (1996)控制系统提出的 ， 利用闭环控制的粘结剂 局部按照冲压 力轨迹，在同一通道的形成过程以控制回弹。关于摩擦系数的可能是最重要的工艺参数，不同的摩擦系数 在 控制系统 在 进行测试， 与数据获得 。但是，他们的工作 是调查 不同的材料特性和板厚。因此，进一步闭环控制模拟与这些变化进行了这里，以形成一个比较神经网络控制系统。 首 先， 从我们的轨迹案 名义 的 冲压 局部力 ，已创建 的 材料 1， t,和 m，。加比例积分（ 控制器，用于调整粘结剂力 ，使下面的冲压 力轨迹，(1996)。最大位移之间的冲压 调整的粘结剂力为 米。表 3 所列的比例增加 以及整体 调整 所使用的控制器的 3个事件 进行 数据 调查。图 7显示如何 更好 的 追踪冲压 力轨迹冲压轨迹这三个 事件 （材料 。图 8 显示了如何在不同的粘合剂 力的冲压的 移位 ，使下面的 冲压 力轨迹（材料 。请注意，粘结剂 力轨迹趋于平稳 结束时的形成过程类似于粘结剂加强 局部 的轨道。 从表 3 显示 从这些闭环控制实验 得到的和 e 的 值 同 从神经网络控制系统 的结果联系 。此表清楚地表明，回弹角的神经网络控制系统，大大低于和接近原来的 范围 这 所有三种情况。即使如标称 t 和 m 值， 米和 别使用的材料 5，神经网络控制系统超越了闭环控制系统。 虽然神经网络系统需要 生产足够数量的实例 实训 网络 作为 后续工作， 但是 带来的好处 是 回弹 量 和最大应变 的 控制。此外，还有额外的好处，神经网络控制系统在这个闭环控制策略 ， 的这个的价值基 与 进行调整的材料 4， 表 3 相比，材料 3 与 5的事件相比 ，为了使 局部 轨迹冲压应遵循准确。这就是说，作为材料和 工艺参数的变化，取得与后续力轨迹密切合作是必要的但是也可能改变的。 图 7 还显示本来 材料 4 的实际冲压 力轨迹，如果 k 值是 材料 3 和 5， 被 使用 。 因此， 当 面临着过程 的很多 变化和物质 需求， 这个预先选定的闭环控制系统的 实际收获 并不 是很大。 目前 ， 行业 中发现的应力 有随 时加强生产粘结剂 力轨迹 的 能力，这是用于神经网络控制系统， 同时随着 一个不断变化轨迹冲压 力，我们 将需要更 加 有力的控制系统 。 结论 本文提出了一种神经网络系统，同时加强 局部 粘结剂 轨迹，在模拟通道铝成形中 提出了控制回弹和最大应变 。 神经网络被选 用，源于 其 有 处理高度线性 问题的 能力 ，并能 发现金属成形过程 中 不同的材料和工艺参数发生 的变化 。冲压力的轨迹被确定为工艺参数，提供了各种材料和工艺的变数最大的 可供参考的偏差值 。因此，多项式系数从曲线拟合的冲压力轨迹被用来作为 输入 的神经网络。结果表明， 为加强局部 粘结剂轨迹神经网络成功 的 提供了高粘结力（ 冲压位置（ ）值，产生可接受的值回弹（）， ，最大应变（ e）， 8至 10， 得到最终产品时面临着不同的材料应力 （ k） +20， +16 的 应变硬化指数（ n）， +25的 金属片厚度 （ t），和 +65的摩擦系数（ m）。又当 et 1996)提出的与闭环控制战略 在 同一过程中，神经网络系统被证明 在 变化材料特性优于 闭环系统而进一步 减少回弹，如果 有 适当的 实训 数据 ，将被 作为一个 更加要有效的制度来执行 。 虽然这项工作进行了使用模拟，制定的方法可以很容易地延伸到实际的形成过程或实验， 但是 在未来将进行 更多的实验 以验证我们的 需求 。唯一的硬件要求 是 将一个 有运算能力的 测量冲压 力轨迹，并有能力改变一旦循环过程 中 生效 的 粘结剂。 神经网络控制系统在一个金属板料成形的进程 中的 材料工艺参数将 有 力的变化 ； 因此，建立一致局部回弹量 ， 对接下来的 流程和客户满意度 是 至关重要的。 致谢 这项研究提供了部分经费由美国国家科学基金会赠款 # 参考文献： 1997,s I. 1984,“ Pr o.2,34. .,.,.,1997,“ o.4,82. .,1997,“ 81. 1994,“.,.,.,1997,“a .,.,1993,“L 2008 I. .,., 1993,“ ,15. .,.,.,1989,“ 2,66. .,1998,“.,.,1997,“in a 70713, 107 12. R., J., 1998, “in a 885. . L.,1986,“ A,h. 8. .,.,1996,“.,.,1996,“ F o.3,35. 1990,“30 of o.9,41. .,S.,.,1992,“m ,90. 件 2：外文原文 （复印件） a ne of of is to is is of in a of is to In of a a to in a is in a is in s in in a is in is in to is in a -D is of of in of in as of in is in be to is is a a of to in as is in be to to a to 984;993;et 1996).A is an a to a at a of (1)et 1996)in 2. at a of to in a in is In of to is an to of et (1997) a to in i 1997) in 1994 et 1992), et (1997) a to in a 60 of an of as as In 1998) to a to in a as BF et (1996). to be n of an is a BF D% of as in as a of in t), m), u) .2 .6 e) to % 0%. a et (1996) is to of be in to A to is a et (1996) is 2). of on As BF in u, as 4 5. a in in 4, to of 1993). By a in in as in 1. To a in et (1996) to to a of as A 1997) of is to a is of of of 220 46 as a an 0 4R) a of blan
展开阅读全文