一种用于装载机动臂焊后变形矫正的BP神经网络及其矫正方法
专利汇可以提供一种用于装载机动臂焊后变形矫正的BP神经网络及其矫正方法专利检索，专利查询，专利分析的服务。并且本 发明 旨在提供一种用于装载机动臂焊后 变形 矫正的BP神经网络及其矫正方法，对于每个动臂的每 块 动臂板，分别设置两个BP神经网络模型，分别为首矫正阶段BP神经网络模型和后矫正阶段BP神经网络模型；首矫正阶段BP神经网络模型，第一次矫正时使用，用于 对焊 接残余应 力 进行矫正量估计；后矫正阶段BP神经网络模型，第二次及以后的矫正使用，用于对弹性和塑性变形进行矫正量估计。利用该BP神经网络对装载机动臂焊后变形进行矫正，具有脱离现场经验,矫正效率高、矫正 精度 高的特点。，下面是一种用于装载机动臂焊后变形矫正的BP神经网络及其矫正方法专利的具体信息内容。
1.一种用于装载机动臂焊后变形矫正的神经网络，其特征在于其构成如下：
通过设置如下结构的矫正装置作为BP神经网络模型的基础：
动臂的每块动臂板(6)的两端分别设为一个矫正位置，在各个矫正位置上分别设置一组矫正装置，每组矫正装置由两个矫正油缸(1)将动臂板(6)夹紧,并设置测距传感器测量获得该处矫正位置的安装偏移量；
对于每组矫正装置分别建立两个BP神经网络模型，分别为首矫正阶段BP神经网络模型和后矫正阶段BP神经网络模型；
首矫正阶段BP神经网络模型，第一次矫正时使用，用于对焊接残余应力进行矫正量估计，首矫正阶段BP神经网络模型的构成如下：
以初始偏移量d0、初始偏移量基础上弹性反变形至标准线所需要的油缸推力p0、矫正后偏移量d1作为3个输入神经元；以矫正量估计值 为输出神经元，中间隐层选择7个神经元；设定输入层各神经元的激发函数为权值恒为1的线性函数，隐层各神经元的激发函数为权值可调的对称Sigmoid函数，输出层神经元的激发函数为权值可调的线性函数；
后矫正阶段BP神经网络模型，第二次及以后的矫正使用，用于对每次弹性和塑性变形进行矫正量估计，后矫正阶段BP神经网络模型的构成如下：
以初始偏移量d0、初始偏移量基础上弹性反变形至标准线所需要的油缸推力p0、矫正后偏移量d1作为3个输入神经元；以矫正量估计值 为输出神经元，中间隐层选择5个神经元；设定输入层各神经元的激发函数为权值恒为1的线性函数，隐层各神经元的激发函数为权值可调的对称Sigmoid函数，输出层神经元的激发函数为权值可调的线性函数。
2.如权利要求1所述的用于装载机动臂焊后变形矫正的神经网络，其特征在于：
所述的首矫正阶段BP神经网络模型和后矫正阶段BP神经网络模型的训练过程包括如下步骤：
读取当前矫正位置处的测距传感器的位移信号，结合动臂整体偏移量获得该处矫正臂的变形方向和偏移量d0，同时确认相应的进行动作的矫正油缸，接着动作该矫正油缸使该处臂推至理想标准线并获取压力变送器的当前压力值p0；利用人工现场经验或简单理论分析,构造初始样本集S0＝{(d0k,p0k,d1k,d2k)|k＝1,2,...}，利用初始样本集S0对各神经网络模型进行反复学习训练以便使神经网络模型初步成熟；
重复上述步骤，对各个矫正装置对应的首矫正阶段BP神经网络模型和后矫正阶段BP神经网络模型的训练分别进行训练，使其初步成熟。
3.如权利要求2所述的用于装载机动臂焊后变形矫正的神经网络，其特征在于：
所述的首矫正阶段BP神经网络模型和后矫正阶段BP神经网络模型的训练过程还包括在实际使用中收集历史样本集，用于定期训练的步骤，具体如下：
a、选择其中一组矫正位置作为当前矫正位置，读取当前矫正位置处的测距传感器的位移信号，结合动臂整体偏移量获得该处矫正臂的变形方向和偏移量d0，同时确认相应的进行动作的矫正油缸，接着动作该矫正油缸使该处臂推至理想标准线并获取压力变送器的当前压力值p0；
b、由于总是期望本次矫正能够使矫正臂直接矫正至理想标准线，即期望矫正后偏移量d1为0，结合初始偏移量d0、初始偏移量基础上弹性反变形至标准线所需要的油缸推力p0，构成首矫正阶段BP神经网络模型的输入(d0,p0,d1＝0)，输入首矫正阶段BP神经网络模型中进行激励，计算出神经网络输出 继续动作相应矫正油缸，使矫正臂推至 的位置后稍作停留；动作相应矫正油缸回到零位，获取测距传感器的位移信号并计算实际矫正后偏移量d1；
c、对比实际矫正后偏移量d1与矫正目标值的偏差,判断矫正臂是否矫正达标，若不达标，则以该d1作为新的初始偏移量d0，确认相应的进行动作的矫正油缸，接着动作该矫正油缸使该处臂推至理想标准线并获取压力变送器的当前压力值p0，重新获得一个输入(d0,p0,d1＝0)，输入当前的后矫正阶段BP神经网络模型,计算出新的神经网络输出 继续动作相应矫正油缸，使矫正臂推至 的位置后稍作停留；动作相应矫正油缸回到零位，获取测距传感器的位移信号并计算实际矫正后偏移量d1；重复这一步骤，直至实际矫正后偏移量d1达到矫正目标值；
d、收集整个过程中每一次首矫正阶段BP神经网络模型矫正的各个d0,p0,d1、 构成新的历史数据集 基于这些采集的历史数据，定
期对首矫正阶段BP神经网络模型进行训练学习；
收集整个过程中每一次后矫正阶段BP神经网络模型矫正的各个d0,p0,d1、 构成新的历史数据集 基于这些采集的历史数据，定期对
后矫正阶段BP神经网络模型进行训练学习；
e、转至下一矫正位置，重复进行步骤a-d，继续对其他各组的首矫正阶段BP神经网络模型、后矫正阶段BP神经网络模型进行历史数据收集，定期进行训练。
4.如权利要求3所述的基于BP神经网络的装载机动臂位置矫正方法，其特征在于：
所述的步骤b和c中首矫正阶段BP神经网络模型的神经网络输出 和后矫正阶段BP神经网络模型的神经网络输出 的计算采用如下式1的神经网络信号传导：
其中，ye表示输入层各神经元输出，yhi表示隐层第i个神经元输出，yo1表示输出层神经元输出,f1为对称Sigmoid函数，f2为线性函数；
h
yi中，对于首矫正阶段BP神经网络模型i＝7，对于后矫正阶段BP神经网络模型i＝5。
5.如权利要求3所述的用于装载机动臂焊后变形矫正的BP神经网络，其特征在于：
所述的步骤d的详细过程为：
对于首矫正阶段BP神经网络模型：
取当前矫正装置对动臂板的第一次矫正，产生一条历史数据，收集多组动臂的该矫正位置的第一次矫正，产生出多条历史数据，如第k次矫正产生历史数据s′k＝[d0′k,p0′k,d1′k,d2′k],所有保存的历史数据构成历史数据集，S′＝{s′k},k＝1,2,...；
由历史记录集S′生成样本集S＝{sk},k＝1,2,...,m,，其中m为样本集长度；
历史记录集S′生成样本集S的生成的方法如下：将矫正量d0的有效存在区间Rd0划分为左中右三个子区间： 其中:
高精度子区间 内样本按照1mm和0.15MPa的分辨率进行量化，而低精
度子区间 和 内样本按照2mm和0.3MPa的分辨率进行量化；之后具有相同输入的矫正历史数据子集再进行输出均化以减小随机误差；
以样本集S内所有样本输出与样本输入作用下的模型估计输出的误差平方和为代价函数，使用梯度下降法从输出层反向调整各神经元权值，见式2：
式中，J(t)为代价函数，其中的d2k直接由第k个样本输出获得， 由第k个样本输入经神经网络模型激励获得；ωij(t)为第t次调整中神经元j到神经元i的权值；η为可设置的调整步长；
对于后矫正阶段BP神经网络模型：
当前矫正装置对动臂板的第二次矫正及以后的矫正，每次矫正产生一条历史数据,收集多组动臂的该矫正位置的第二次矫正及以后的矫正，产生出多条历史数据，如第k次矫正产生历史数据s′k＝[d0′k,p0′k,d1′k,d2′k],所有保存的历史数据构成历史数据集，S′＝{s′k},k＝1,2,...；
由历史记录集S′生成样本集S＝{sk},k＝1,2,...,m,，其中m为样本集长度；
历史记录集S′生成样本集S的生成的方法如下：将矫正量d0的有效存在区间Rd0划分为左中右三个子区间： 其中:
高精度子区间 内样本按照1mm和0.15MPa的分辨率进行量化，而低精
度子区间 和 内样本按照2mm和0.3MPa的分辨率进行量化；之后具有相同输入的矫正历史数据子集再进行输出均化以减小随机误差；
以样本集S内所有样本输出与样本输入作用下的模型估计输出的误差平方和为代价函数，使用梯度下降法从输出层反向调整各神经元权值，见式2：
式中，J(t)为代价函数，其中的d2k直接由第k个样本输出获得， 由第k个样本输入经神经网络模型激励获得；ωij(t)为第t次调整中神经元j到神经元i的权值；η为可设置的调整步长。
6.如权利要求1所述的用于装载机动臂焊后变形矫正的神经网络，其特征在于：
所述的每组矫正装置进行矫正作业时，其他各组矫正装置的矫正油缸不进行矫正作业，只起到辅助夹紧作用。
7.如权利要求1所述的用于装载机动臂焊后变形矫正的神经网络，其特征在于：所述的动臂包括两块平行设置动臂板(6)，以及分别与两块平行设置动臂板(6)中部垂直连接的横梁(7)；所述的矫正装置设有四组。
8.一种基于BP神经网络的装载机动臂焊后变形矫正方法，应用了如权利要求1-7任何一项所述的BP神经网络，其特征在于包括以下步骤：
(1)、选择其中一组矫正位置作为当前矫正位置，读取当前矫正位置处的测距传感器的位移信号，结合动臂整体偏移量获得该处矫正臂的变形方向和变形量d0，同时确认相应的进行动作的矫正油缸，接着动作该矫正油缸使该处臂推至理想标准线并获取压力变送器的当前压力值p0；期望矫正后变形量d1为0，结合初始变形量d0、初始变形量基础上弹性反变形至标准线所需要的油缸推力p0，构成首矫正阶段BP神经网络模型的输入(d0,p0,d1＝0)，输入首矫正阶段BP神经网络模型中进行激励，计算出神经网络输出 继续动作相应矫正油缸，使矫正臂推至 的位置后稍作停留；动作相应矫正油缸回到零位，获取测距传感器的位移信号并计算实际矫正后偏移量d1；
(2)、对比实际矫正后偏移量d1与矫正目标值的偏差,判断矫正臂是否矫正达标，若不达标，则以该d1作为新的初始偏移量d0，确认相应的进行动作的矫正油缸，接着动作该矫正油缸使该处臂推至理想标准线并获取压力变送器的当前压力值p0，重新获得一个输入(d0,p0,d1＝0)，输入后矫正阶段BP神经网络模型,计算出新的神经网络输出 继续动作相应矫正油缸，使矫正臂推至 的位置后稍作停留；动作相应矫正油缸回到零位，获取测距传感器的位移信号并计算实际矫正后偏移量d1；重复这一步骤，直至实际矫正后偏移量d1达到矫正目标值，该位置的矫正完成；
(3)、转至下一矫正位置，重复进行步骤(1)和(2)，完成各个矫正位置的矫正。
9.如权利要求8所述的基于BP神经网络的装载机动臂焊后变形矫正方法，其特征在于：
所述的步骤(1)和(2)中首矫正阶段BP神经网络模型的神经网络输出 和后矫正阶段BP神经网络模型的神经网络输出 的计算采用如下式1的神经网络信号传导：
其中，ye表示输入层各神经元输出，yhi表示隐层第i个神经元输出，yo1表示输出层神经元输出,f1为对称Sigmoid函数，f2为线性函数；
yhi中，对于首矫正阶段BP神经网络模型i＝7，对于后矫正阶段BP神经网络模型i＝5。
一种用于装载机动臂焊后变形矫正的BP神经网络及其矫正
方法
技术领域
背景技术
发明内容
精度子区间 和 内样本按照2mm和0.3MPa的分辨率进行量化；之后具有相同输入的矫正历史数据子集再进行输出均化以减小随机误差；
度子区间 和 内样本按照2mm和0.3MPa的分辨率进行量化；之后具有相同输入的矫正历史数据子集再进行输出均化以减小随机误差；
具体实施方式
精度子区间 和 内样本按照2mm和0.3MPa的分辨率进行量化；之后具有相同输入的矫正历史数据子集再进行输出均化以减小随机误差；
精度子区间 和 内样本按照2mm和0.3MPa的分辨率进行量化；之后具有相同输入的矫正历史数据子集再进行输出均化以减小随机误差；
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 一种基于机器学习的棒束子通道热工水力特性预测方法 | 2020-05-08 | 476 |
| 一种基于神经网络的卫星外辐射源目标被动探测方法 | 2020-05-14 | 468 |
| 基于通信受限的神经网络系统远程状态估计方法及装置 | 2020-05-12 | 212 |
| 用于执行LSTM运算的装置和方法 | 2020-05-13 | 42 |
| 基于人工智能的对象推荐模型训练方法、推荐方法及装置 | 2020-05-11 | 106 |
| 一种东阿阿胶、福胶、鹿角胶定量研究的方法 | 2020-05-12 | 797 |
| 一种基于深度强化学习的知识图谱自动生成方法 | 2020-05-14 | 717 |
| 一种基于深度学习的司机、乘客行为分析与预警系统 | 2020-05-11 | 81 |
| 用于从具有变化显著性的带符号模拟电导对构建用于人工神经网络的突触权重的系统和方法 | 2020-05-15 | 781 |
| 一种基于神经网络的智能窗户调节方法及装置 | 2020-05-11 | 978 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
