论文部分内容阅读
油管接箍是重要的石油用钢,主要作用是连接油管,由于油管中石油一般采用高压传输,为了保证石油不泄漏,对油管接箍内壁圆度有很高的要求。目前国内使用高精度、高强度的油管接箍大多是从国外进口,国产率不高,而且目前能生产此种接箍的少数几个国内厂家,存在着生产的油管接箍内壁圆度超差严重,产品合格率低的问题,严重影响效率,造成人力物力的巨大浪费。本文开展提高管接箍内壁加工质量的技术研究,应用神经网络建立圆度误差预测模型,为加工参数的选择和优化,提高产品合格率提供依据。本文主要进行以下几个方面的研究:1、通过分析BP神经网络算法原理,针对BP神经网络收敛速度慢、易于陷入局部极小点以及隐层节点数的确定大多凭经验等缺陷,采用自适应学习速率提高网络的收敛速度;应用具有全局搜索能力遗传算法优化网络的初始权值阈值解决网络容易陷入局部极小点的问题;把灰色关联分析引入到网络隐层节点数的确定中,为隐层节点数的确定提供可靠的根据。2、根据线性神经网络LMS学习算法与最小二乘圆算法的相似性,把线性神经网络应用于油管接箍内壁圆度误差的评定中,通过与其他圆度误差评定算法和测量方法的比较,表明线性神经网络能准确评定油管接箍内壁圆度误差,为圆度误差智能化评定提供一个新思路。3、为了得到加工参数与加工后接箍内壁圆度误差关系的数据,设计油管接箍内壁正交加工和圆度误差检测实验,并结合现有圆度仪的测量条件,应用线性神经网络处理接箍内壁圆度误差,取得了很好的效果。4、应用改进后的BP神经网络建立油管接箍内壁圆度误差预测模型,通过与传统BP网络预测模型以及加工实验真实测量值的比较,表明基于改进后BP神经网络的油管接箍内壁圆度误差预测模型比传统BP神经网络预测模型收敛速度更快,泛化能力更强,预测值更接近实验测量值,具有比较好的使用价值。