专利名称：基于神经网络的拉深件裂纹监测方法
技术领域：
本发明涉及一种在金属拉深件成形过程中对拉深件裂纹缺陷的在线监测。
背景技术：
金属拉深是金属挤压成形的成形方法之一，拉深薄板获得的薄壁空心件使用十分 广泛，除了家用所必须的由单个或多个组合拉深件加工而成的餐饮用具外，在各类机电与 家电产品中也多用拉深件作为壳体、外罩、箱体、汽车覆盖件等，这类拉深件不仅要具有一 定的尺寸与形位精度以及良好的互换性，而且还要求其造型与表面质量具有外观装饰作用 及构成产品完美形象的效果。在拉深过程中，板料产生塑性变形，材料被转移和重新分布， 内部的应力和应变十分复杂，导致拉深过程中的状态难以精确控制，拉深过程中制件内部 的裂纹不能及时识别，使大量不合格产品出现，造成了材料的大量浪费。在已有的技术中，利用BP神经网络对声发射特征参数进行提取优化，提取出与裂 纹声发射信号最为密切的5个参数对裂纹进行识别，该技术降低了网络输入端的维数，提 高了特征参数反应拉深件成形状态的能力，但是，该方法只是利用计算各声发射特征参数 对拉深件裂纹的灵敏度来提取优化，存在计算误差，而且没有涉及如何对裂纹进行识别。

发明内容
本发明的目的在于提出一种使用神经网络模式识别技术对拉深件裂纹进行监测 的方法，基于可分离判据分析5个声发射裂纹信号对声发射裂纹表征的有效性，对拉深件 裂纹进行模式识别。本发明采用的技术方案是首先将提取的声发射上升时间、声发射事件计数，能 量、频率质心和峰值频率5个声发射监测信号作为拉深件裂纹的5个特征参数；然后对5 个特征参数进行可分离判据分析，验证其表征裂纹特征的有效性；最后设计一个BP神经 网络分类器，将这5个特征参数作为BP神经网络分类器的输入，输出特征向量是1，0和0，1，其中1，0是拉深件正常，[0,11是拉深件产生裂纹。本发明的有益效果为
1、对输入的五个声发射特征参数进行分离判据分析，避免了在计算其灵敏度过程中产 生的误差，提高了特征参数表征裂纹的准确性。2、通过神经网络分类器准确地将声发射信号分为裂纹信号和正常信号，实现了对 拉深件的在线监测和对拉深件质量状态进行判别，提高了拉深件的成品率，避免材料浪费。
以下结合附图和具体实施方式
对本发明作进一步详细说明；

图1是本发明的流程图。
具体实施例方式参见附图1，针对拉深件成形过程中的具体情况，在一个完整的声发射测试平台 (该声发射测试平台参见申请号为201010278875. X，名称为“一种提取拉深件裂纹声发射信 号特征的方法”的附图1)上采集拉深件裂纹的特征参数，拉深件裂纹的特征参数是声发射 上升时间、声发射事件计数，能量、频率质心、峰值频率5个参数，通过可分离判据分析考察 其有效性后，作为BP神经网络分类器的输入，对制件质量状态进行模式识别。具体步骤如 下
一、特征信号的采集
在制件成形过程中，利用声发射采集系统中的声发射测试平台提取5个声发射监测 信号，作为拉深件裂纹的特征参数，分别是声发射上升时间、声发射事件计数，能量、频率质 心、峰值频率。二、可分离判据分析，用可分离判据的分析方法进一步验证其表征裂纹特征的有 效性
各个特征参数组成的一个集合是一个特征空间，本发明的5个特征参 数是一个五维特征空间，其中一个模式表示一个点，在五维特征空间中，点
α = ( ι ^2 A 4 Α)和点 Λ = (h h2 b3 b4 5)之间的距离为
权利要求
一种基于神经网络的拉深件裂纹监测方法，其特征是首先将提取的声发射上升时间、声发射事件计数，能量、频率质心和峰值频率5个声发射监测信号作为拉深件裂纹的5个特征参数；然后对5个特征参数进行可分离判据分析，验证其表征裂纹特征的有效性；最后设计一个BP神经网络分类器，将这5个特征参数作为BP神经网络分类器的输入，输出特征向量是1,0和0,1，其中1,0是拉深件正常，0,1是拉深件产生裂纹。
2.根据权利要求1所述的基于神经网络的拉深件 裂纹监测方法，其特征是所述可分离判据分析依据公式D2 = 2妄⑷2 ,若 ^t5 5，则特征参数有效，反之则无效，需重新对特征参数进行提取；其中万2为是否产生裂纹类别模式集合I ！的类内距离S2 =D2W) , i=l, j=2 -,n=1,2, 3,4。 力类内模式第ι分量的无偏方差(巧)2=#(式)2, =2 为类内模式 i^kkm~lm ukmk分量的有偏方差(《)2 = (47-(4)2,4为是否产生裂纹类别的有效特征参数。
3.根据权利要求1所述的基于神经网络的拉深件裂纹监测方法，其特征是所述BP神 经网络分类器的输入神经元个数为5个，隐层神经元个数为6个，输出层有两个神经元，初 始权值为0. 01，最大循环迭代为10000，收敛目标平均误差为0. 01，学习速率是0. 05。
全文摘要
本发明公开一种在金属拉深件成形过程中基于神经网络的拉深件裂纹监测方法，首先将提取的声发射上升时间、声发射事件计数，能量、频率质心和峰值频率5个声发射监测信号作为拉深件裂纹的5个特征参数；然后对5个特征参数进行可分离判据分析，验证其表征裂纹特征的有效性；最后设计一个BP神经网络分类器，将这5个特征参数作为BP神经网络分类器的输入，输出特征向量是1,0和0,1，1,0是拉深件正常，0,1是拉深件产生裂纹；本发明提高了特征参数表征裂纹的准确性，实现了对拉深件的在线监测和质量状态判别，提高了成品率，避免材料浪费。
文档编号G01N29/44GK101995436SQ20101051891
公开日2011年3月30日 申请日期2010年10月26日 优先权日2010年10月26日
发明者何鑫, 胥爱成, 陈强, 骆志高 申请人:江苏大学