外文翻译纯中文版人工神经网络来优化铝合金挤压过程文档格式.docx

1、他们发现，在相同的工艺条件下，铝合金经过圆模挤压比经过方模挤压的应力状态更好，尤其是在高挤压比的时候，而且模拟显示，尤其是方形模具尖角部分在挤压过程中温度上升明显，而两种模具的挤压过程中温度场的变化相似。段新建等于2004年，通过有限元模拟探讨了模具成型设计参数（即，挤压速度，模具的温度，毛坯温度，挤压比）和产品品质（挤出物的形状，表面状态，与组织）之间复杂的相互联系。结果发现，阻流模具可以大大降低表面产生裂纹的可能性。像活的生物神经网络，人工神经网络（ANN）可以吸取过去的经验,从而在这个经验的基础上预测新的结果。神经网络模型可以用来代替复杂的理论分析，并通过输入的参数预测过程的结果。在这个

2、研究方向上，楚和郭于2005年进行实验，利用正交阵列（OA）的方法实现了对镁合金板材进行多种变速挤压速度的模拟。人工神经网络的建立是用来观察实验结果，并预测随时间的增长调整初始速度的挤压过程的结果，因为挤压过程中这种方法被使用时，在适当的时间调整初始速度直接影响实验结果。2006年，上述作者探索了镁合金热挤压过程中毛坯温度和拉伸强度之间的关系，并通过神经网络分析获得最佳温度范围。在本文中，两种神经网络划分被应用在铝合金挤压工艺来优化工艺条件，确定了6060铝合金出口的感应加热器（ANN1）和在模具出口（ANN2）的温度场分布。三层神经网络算法已从工业过程的实验数据中得出。2 热挤压工艺中的人工

3、神经网络的模型建在这项研究中，两种人工神经网络已经被应用于Matlab中以实现预测最佳铝合金挤压工艺条件。由工业过程提取的两组数据已被用来验证神经网络模型，以此来确定模具出口的温度场分布。实验数据是从五种不同的6060铝合金型材通过特定的挤压比挤压得到的。直径为200毫米的6060铝合金坯料，放入感应加热器中加热,加热温度范围为400470,保温时间在30秒到90秒区间。温度由放在感应加热器内的四个热电偶测得（如图1所示）然后它们被送进温度约为550的环境下开始挤压。在这一步中，铝型材成型，它们被挤成五个不同的部分。感应加热器的温度以及模具出口的瞬时温度由不同频率的光学高温计测量（图1）以往的

4、工艺参数都是从工业过程中获得并被优化，特别是6060铝合金。图1a示意图表示坯料在感应加热器出口位置。b示意图表示棒料在模具出口位置。第一个神经网络（ANN1）是用来实现预测毛坯出口的感应加热器的温度场分布的。以下过程参数作为输入元素：毛坯在感应加热器中的停留时间，由四个热电偶在感应加热器中测得的温度以及温度观测频率。表1显示了16组热电偶测得的温度记录。每个组合的保温时间变化范围为3090S。ANN1被用来研究包括层数，激活函数，复制率，随机权重在内的不同的拓扑结构。每个网络用来实验不同次数的迭代。ANN1的最后架构是6:14:1，如图2所示。前馈ANN1算法由 在实验中得出。通常情况下，与

5、到传递相比，这种算法的应用会导致在一些迭代实验次数数量级的减少。S型传输功能是用来隐藏层的。以数据库中的30组实验数据进行实验，其余的12组用来测试网格。所有的变量增量均是在正常范围的01内进行，以确保认为输入比较的相对重要性。增长率定为0.1，在ANN1的实验中最大值定为1500。该网络的验证直到实际值与预测值的均方误差之间的差距减少到105。这些数值被由预备实验得出。图2第二个人工神经网络（ANN2）是用来预测挤压截面在模具出口的温度分布的。输入层三个方面：挤压比，坯料在出口的感应加热器加热后温度分布（ANN1输出），不同频率的光学高温计所观测的温度。坯料截面积被视为常数，而挤压比（坯料截

6、面积与模具截面积之比）是根据不同的模具截面积（41.31，43.12，44.55，45.80，和47.75）而定的。在研究阶段，该文应用LevenbergMarquardt算法。实验结果由两套数据组成，21组的用于实验和9组用来验证神经网络。每个用于训练或验证神经网络的数据都是由24个实验结果组成的；分别有720和504个实验点对网络进行验证。为了确定最优结构的ANN2，对不同数量的神经元隐层和不同的传递函数。一的些神经网络进行了验证。最后的结构是：三个输入，一个隐层和一个显层，如图3所示。隐层应用S型传输功能，网络可以进行3500个数量级的验证。输入变量是为了研究感应加热温度，加热时间和挤压

7、比等参数对两种人工神经网络的影响，因为挤压速度和摩擦系数被定为是常数。图3表1 四个热电偶在感应加热器记录的温度T1 （ ） T2 （ ） T3 （ ） T4 （ ）470 440 420 400450 440 420 400470 460 420 400450 460 420 400470 440 440 400450 460 440 400470 460 440 400450 440 440 400470 460 420 430450 460 420 430470 440 420 430470 460 440 430450 440 440 430450 460 440 4303 结果与讨论

8、第一个神经网络是使用LevenbergMarquardt算法的，并使用30组数据，计算期间并未导致过度的计算量，而且使用了12组数据进行验证。表格4，5显示了验证结果，即，测量温度分布和神经网络预测感应加热器出口的温度，由温度观测频率决定的温度。所有的数据均在正常范围在01。图4，5之间的曲线图偏差是非常小的，但数值曲线似乎与实验曲线不同，它们不遵循实验波动。图4图5非正规验证结果如图6所示，神经网络预测加热器出口温度与保温时间为80秒的实验温度对应。倾斜45水平绘制在图中，一个完美的预测；所有的点都在这。神经网络预测的最佳温度是通过表2验证的，图6用来说明预测值与实验值的。神经网络的预测误差

9、的减小与感应加热器的保温时间有关。四个热电偶在感应加热器测的温度为固定值，增加坯料在加热器的停留时间引起了加热器出口最大值的增加和最低温度的减少。最大和最小值与热电偶温度T 1和T 4相当接近，因此通过增加保温时间，预测的加热器出口温度分布与实际更接近。表2 时间为80秒时在感应加热器出口温度场分布的实验值和神经网络预测值T exp. T ANN 420 421.081419 419.632421 422.93422 421.88421 421.243420 421.417423 424.072426 429.587429 430.682430 428.104431 433.252432 43

10、6.067434 437.458437 439.355441 443.355438 439.78437 438.928438 439.778445 448.446449 451.139450 452.499454 457.583457 454.956453 453.418图6第二组人工神经网络依然采用LevenbergMarquardt算法，但使用21组数据集，并没有造成计算过度，并使用9套数据进行验证。图79显示实验结果；我们绘制三个不同挤压比（41.31，43.12，和47.75）下实验温度场分布和神经网络预测的温度场在口模具出口的对比，而温度点依赖于温度观测频率。所有的数据在01正常范围

11、内，如图4，5所示。图79两条曲线之间的偏差很小，尤其是数值曲线与实验值的叠加，由它的波动引起。图7图8图9非规范验证结果如图10所示，神经网络预测的模具出口温度是绘制在挤压比为47.75的实验的温度场基础上的；所有的点都在一条倾斜的45线附近。表3显示预测和实验温度值这一结果。两组数值之间的差距值很小，尽管第二个神经网络的一个输入神经元的是坯料感应加热器出口的温度分布（ANN1输出）。神经网络预测的误差随着挤压比的增大而增大。最大的错误发生在挤压比为47.75的情况下。温度在模具出口的分布随挤压比增加而增加，在一般情况下温度在出口迅速增加，少时就达到了最高值约570表3 挤压比为47.75时

12、在感应加热器出口温度场分布的实验值和神经网络预测值533 529.773550 549.261561 557.144564 558.909563 560.004565 561.756567 562.413568 563.288569 564.383570 564.821571 565.916571 566.135572 566.573572 566.792572 567.011572 567.449572 567.668572 568.544572 568.106572 568.325572 567.23图10利用神经网络可以实现预测和控制坯料在感应加热器出口的温度，挤压温度曲线无疑是最重要的

13、控制参数，在很大程度上影响该挤压过程的结果。对于一个固定速度的挤压过程，优化的挤压过程只有通过监测和改变时间和感应加热器温度以及挤压比来控制。显然，如果其他主要变量参与的过程中，它们可以同时由人工神经网络考虑和实施。4 结论两种人工神经网络的实施是预测铝合金挤压工艺的最佳条件。从工业过程提取的两组数据通过确定的温度在模具出口的分布来验证的神经网络模型。实验数据五种不同型材的6060铝合金通过特定的挤压比获得的。第一个神经网络（ ANN1）可以预测钢坯在感应加热器出口的温度分布。输入的因素有：坯料在感应加热器的停留时间，四个热电偶在感应加热器记录的温度和温度观测频率。第二个人工神经网络（ANN2

14、）预测的是坯料截面杆在模具出口的温度分布。输入层由三个神经元对应：挤压比，钢坯在感应加热器出口的温度分布（ANN1输出），和由光学高温计所观测频率的温度。两种神经网络都由三层构成,并都是采用LevenbergMarquardt算法。对型材预测的感应加热器和模具出口的剖面温度场分布，密切与实验值一致。因此，神经网络方法可以有效地应用于预测和控制铝合金挤压过程。参考文献1Ajiboye, J. S., & Adeyemi,M. B. （2008）. Effects of extrusion variables on temperature distribution in axisymmetric

15、extrusion process. International2Journal of Mechanical Sciences, 50, 522537. doi:10.1016/j.ijmecsci.2007.08.006.3Castle, A. F. （1996）. Temperature control in aluminium extrusion. Proceedings of the Sixth International Aluminium Extrusion Technology4Seminar （Vol. 1, pp.181184）. Chicago: AluminiumAsso

16、ciation and Extruders Council.5Chanda, T., Zhou, J., & Duszczyk, J. （2000）. FEM analysis of aluminium extrusion through square and round dies. Materials & Design,21, 322335. doi:10.1016/S0261-3069（99）00073-4.6Duan, X., Velay, X., & Sheppard, T. （2004）. Application of finite element method in the hot

17、 extrusion of aluminium alloys. Materials Science and Engineering A, 369, 6675. doi:10.1016/j.msea.2003.10.275.7Fausett, L. V. （1994）. Fundamentals of neural networks: Architectures, algorithms and applications. Englewood Cliffs, NJ: Prentice Hall.8Hsiang, S., & Kuo, J. （2005）. Application of ANN to

18、 the hot extrusion of magnesium alloy sheets. International Journal of Advanced Manufacturing Technology, 25, 292300. doi:10.1007/s00170-003-1828-2.9Hsiang, S., Kuo, J., & Yang, F. （2006）. Using artificial neural networks to investigate the influence of temperature on hot extrusion of AZ61 magnesium

19、 alloy. Journal of Intelligent Manufacturing, 17, 191201. doi:10.1007/s10845-005-6636-0.10Karabay, S., Yilmaz, M., & Zeren, M. （2005）. Investigation of extrusion ratio effect on mechanical behaviour of extruded alloy AA-6101 from the billets homogenised-rapid quenched and as-cast conditions.Journal

20、of Materials Processing Technology, 160, 138147. doi:10.1016/j.jmatprotec.2004.05.025.11Levenberg, K. （1944）. A method for the solution of certain nonlinear problems in least squares. Quarterly of Applied Mathematics, 2,164168.12Marquardt, D. （1963）. An algorithm for least squares estimation of nonl

21、inear parameters. Journal of the Society for Industrial and Applied Mathematics, 11, 431441.13Zhou, J., Li, L., & Duszczyk, J. （2004）. Computer simulated and experimentally verified isothermal extrusion of 7075 aluminium through continuous ram speed variation. Journal of Materials Processing Technology, 146, 203212. doi:10.1016/j.jmatprotec.2003.10.018.