专利名称：一种识别金属拉深件成形微裂纹位置的方法
技术领域：
本发明涉及的领域是金属拉深件制造，尤其涉及对金属拉深件在制造过程中识别微裂纹产生位置，同样也能用于钢结构、旋转机械等状态检测和故障检测。
背景技术：
拉深加工作为ー种高效、节能、高材料利用率的加工方法，可以制成筒形、阶梯形、锥形、球形和其它不规则形状的薄壁零件，如果和其它冲压成型エ艺配合，还可以制造形状极为复杂的零件。随着现代社会对拉深加工产品的需求越来越大以及竞争的加剧，人们对拉深件的质量提出了更高的要求，许多关键部位的拉深制件在整个产品的性能及质量上起着关键性作用，因此拉深件的质量愈来愈被人所关注，却也一直是企业棘手的技术难题。
裂纹是造成拉深件质量问题的主要因素之一，这是由于拉深过程中，板料产生塑性变形材料被转移和重新分布，内部的应カ和应变十分复杂，导致拉深过程中的状态难以精确控制，使制件产生裂纹，有些微裂纹肉眼难以察觉，在生产过程中可能会产生成批的废品。目前，拉深件质量的好坏全靠现场工人和技术人员的经验来判断，最常见的检验方式是检验人员进行首检、抽检和终检实现质量检测，这属于事后检测，具有一定的时滞性，当发现制件产生微裂纹时，可能前面有相当数量的制件已经产生了微裂纹，因此，积极开展微裂纹位置的识别技术研究不仅能及时调整エ艺參数有重要指导意义，而且对于实现金属拉深成形的状态识别及质量监测有着深远的意义。
发明内容
本发明提供一种识别金属拉深件成形微裂纹位置的方法，对金属拉深件的微裂纹位置进行识别，可以根据微裂纹位置来调整エ艺參数，从而消除微裂纹的产生。本发明的技术方案是采用如下步骤(I)在拉深模具的凸�：桶寄Ｉ暇贾貌杉罴尚挝⒘盐菩藕诺纳⑸浯衅鳎玫奖碚餍藕诺南喽缘酱锸奔�、幅度、能率、振铃计数、上升计数、上升时间、能量、持续时间、有效值电压、平均信号电平、时间消耗这11个特征參数；
(2)设计ー个BP神经网络，BP神经网络激活函数采用Sigmoid函数，输入神经元个数m由声发射信号的特征參数个数确定，输出层神经元个数
f由可能产生微裂纹的位置个数e确定，隐含层神经元个数η由公式〃确定，a
为[I, 10]的常数;权初始值域取(-0. 1,0. I),最大循环迭代为10000 ；
(3)采集训练样本，将样本数据归ー化处理后作为BP神经网络的输入数据，每个目标输出由I个ニ进制表示，设置c个微裂纹位置对应的目标输出，对BP神经网络进行训练。当训练误差小于O. 001时停止训练，得到了训练好的BP神经网络；
(4)将测试数据输入训练好的BP神经网络进行测试，计算特征參数对识别结果的灵敏度，得到灵敏度从高到低的特征參数；删除灵敏度最小的特征參数，得到新的训练样本数据和测试数据，
(5)重复步骤(2)、(3)、(4)，最终提取振铃计数、时间消耗、持续时间、幅度、能量5个特征參数；
(6)使用所述5个特征參数对应的训练样本数据作为BP神经网络的输入，重复步骤
(2)、(3)、建立5个特征參数和微裂纹位置的非线性映射关系；
(7)将实际检测到的声发射信号的5个特征參数对应的数据表中的数据进行归ー化处理后输入BP神经网络，根据所建立的非线性映射关系，当BP神经网络输出和某ー个目标输出ー样时，可识别微裂纹产生的位置。本发明采集不同位置微裂纹的声发射信号特征參数，使用这些特征參数对BP神经网络进行训练，建立起了特征參数和微裂纹位置的非线性映射关系。根据特征參数对识 别结果的灵敏度，在保证不影响识别结果的前提下，提取了 5个最能表征信号的參数，将生产中采集的5个特征參数输入BP神经网络，识别微裂纹产生的位置，对比网络输出和目标输出，可以得到微裂纹产生的位置。本发明能很好地对金属拉深件裂纹产生位置进行识别，在获得足够训练样本的前提下，可以很准确的识别微裂纹位置，为选取エ艺參数提供重要依据和參考。
图I是识别金属拉深件成形微裂纹位置的流程 图2是识别金属拉深件成形微裂纹位置的装置 图中1.凸模；2.凹模；3.声发射传感器；4.前置放大器；5.声发射处理�？椋�6.计算机。
具体实施例方式本发明的实施步骤如下
一、如图2所示，建立一个完整的声发射信号采集平台，微裂纹引起的微弱振动激励传感器，将其转换成电信号。具体是在拉深模具的凸模I和凹模2上均布置声发射传感器3，在允许的情况下，声发射传感器3应尽量靠近拉深件板料，目的是为了使声发射传感器3更好地接收到板料成形微裂纹信号。将声发射传感器3的输出依次连接前置放大器4、声发射处理�？�5和计算机6。声发射传感器3采集的微裂纹信号，经前置放大器4放大，声发射处理模块5对放大后的信号进行滤波和提�。玫奖碚餍藕诺�11个特征參数，11个特征參数为相对到达时间、幅度、能率、振铃计数、上升计数、上升时间、能量、持续时间、有效值电压(RMS)、平均信号电平(ASL)、时间消耗。ニ、如图I所示，设计ー个有特征參数提取和模式识别功能的三层BP神经网络，BP神经网络激活函数采用的是Sigmoid函数，BP神经网络的输入、隐层和输出层神经元的确定如下
Ca)根据表征声发射信号的參数个数确定BP神经网络输入神经元个数m。(b)根据可能产生微裂纹的位置个数确定BP神经网络输出层神经元个数/,通过公式(I)确定I。C的确定可以通过有限元仿真和实际调研相结合得到。
权利要求
1.一种识别金属拉深件成形微裂纹位置的方法，其特征是采用如下步骤 (1)在拉深模具的凸�：桶寄Ｉ暇贾貌杉罴尚挝⒘盐菩藕诺纳⑸浯衅鳎玫奖碚餍藕诺南喽缘酱锸奔洹⒎�、能率、振铃计数、上升计数、上升时间、能量、持续时间、有效值电压、平均信号电平、时间消耗这11个特征參数； (2)设计ー个BP神经网络，BP神经网络激活函数采用Sigmoid函数，输入神经元个数m由声发射信号的特征參数个数确定，输出层神经元个数I由可能产生微裂纹的位置个数 确定，隐含层神经元个数η由公式《确定，a为[I, 10]的常数;权初始值域取(-0. 1,0. I),最大循环迭代为10000 ； (3)采集训练样本，将样本数据归ー化处理后作为BP神经网络的输入数据，每个目标输出由I个ニ进制表示，设置c个微裂纹位置对应的目标输出，对BP神经网络进行训练；当训练误差小于O. 001时停止训练，得到了训练好的BP神经网络； (4)将测试数据输入训练好的BP神经网络进行测试，计算特征參数对识别结果的灵敏度，得到灵敏度从高到低的特征參数；删除灵敏度最小的特征參数，得到新的训练样本数据和测试数据， (5)重复步骤(2)、(3)、(4)，最终提取振铃计数、时间消耗、持续时间、幅度、能量5个特征參数； (6)使用所述5个特征參数对应的训练样本数据作为BP神经网络的输入，重复步骤(2)、(3)、建立5个特征參数和微裂纹位置的非线性映射关系； (7)将实际检测到的声发射信号的5个特征參数对应的数据表中的数据进行归ー化处理后输入BP神经网络，根据所建立的非线性映射关系，当BP神经网络输出和某ー个目标输出ー样时，可识别微裂纹产生的位置。
全文摘要
本发明公开一种识别金属拉深件成形微裂纹位置的方法，采集不同位置微裂纹的声发射信号特征参数，使用这些特征参数对BP神经网络进行训练，建立起了特征参数和微裂纹位置的非线性映射关系。根据特征参数对识别结果的灵敏度，在保证不影响识别结果的前提下，提取了5个最能表征信号的参数，将生产中采集的5个特征参数输入BP神经网络，识别微裂纹产生的位置，对比网络输出和目标输出，可以得到微裂纹产生的位置。本发明能很好地对金属拉深件裂纹产生位置进行识别，在获得足够训练样本的前提下，可以很准确的识别微裂纹位置，为选取工艺参数提供重要依据和参考。
文档编号G01N29/14GK102692456SQ20121013106
公开日2012年9月26日 申请日期2012年5月2日 优先权日2012年5月2日
发明者叶红英, 张保刚, 范祥伟, 骆志高 申请人:江苏大学
专业数控铣床产品供应商
20年生产经验，实力工厂，精工品质，质量有保障
