陶瓷坯泥内应力在线软测量方法

摘要

陶瓷坯泥内应力在线软测量方法，应用于陶瓷领域的测量新技术。利用与真空练泥机机头内壁平齐安装的压力传感器阵列在线测量泥料所受外力，压力传感器阵列的输出信号矩阵作为神经网络的输入，由经过训练的神经网络计算出陶瓷泥料内应力分布。即根据泥料所受外力计算出其内应力分布。

主权项

1、陶瓷坯泥内应力在线软测量方法，其特征在于：1)压力传感器的安装首先将压力传感器以阵列的方式嵌入真空练泥机机头内壁，压力传感器的压力检测面与真空炼泥机机头内壁平齐；2)压力传感器阵列的测量运行真空练泥机，记录压力传感器阵列产生的压力矩阵M，$M=\left[\begin{array}{cccc}{P}_{11}& P_{12}& ...& P_{1M}\\ P_{21}& P_{22}& ...& P_{2M}\\ .& .& .& .\\ .& .& .& .\\ .& .& .& .\\ P_{N1}& P_{N2}& ...& P_{\mathrm{NM}}\end{array}\right]$其中，N为压力传感器矩阵的行数，M为压力传感器矩阵的列数，同时通过压力传感器测量陶瓷坯泥在直角坐标系下不同位置(x，y，z)的内应力F(x，y，z)，获得的多组数据，并通过信号采集卡3将获得的多组数据存入计算机4中，组成训练神经网络所需要的训练样本集{M，(x，y，z)，F(x，y，z)}；3)建立神经网络使用Labview编写神经网络应用程序，建立一个包含输入层、隐层和输出层的多层前向网络，其中输入层神经元个数为压力传感器的数量(N×M个)加上x、y、z 3个位置量，即神经元总数为N×M+3，并由线性激励函数unm＝apnm+b完成规一化运算，其中pnm是压力传感器输出的压力信号，unm是对pnm归一化处理后的压力信号，a、b分别是归一化处理中的比例因子和平移因子，a、b都是常数；根据2N+1规则，隐层神经元个数为2×N×M+7，针对于拟合对象的奇异性和非线性，隐层神经元的激励函数hi(·)采用母小波Marr函数，且神经元激励函数的尺度和相位随着神经元序号的减小而倍增；输出层包含3个神经元，分别输出轴向、切向和径向的内部应力，它的激励函数选用线性函数y＝cv+d，其中v、y分别是神经网络输出层的输入、输出变量，c、d分别是输出层激励函数的比例因子和平移因子；4)神经网络的学习算法使用训练样本集{M，(x，y，z)，F(x，y，z)}训练神经网络，获得成熟的神经网络以准确地反映真空练泥机机头内壁压力矩阵与陶瓷坯泥内应力之间存在的函数关系：F(x，y，z)＝f(M)式中：F(x，y，z)——是陶瓷坯泥在直角坐标系下的内应力，它包含径向应力F1(x，y，z)、切向应力F2(x，y，z)、轴向应力F3(x，y，z)3个垂直方向的应力，因此F(x，y，z)是个3维向量；M——真空练泥机机头内壁的压力矩阵；f——F和M的函数关系；神经网络通过BP算法调整连接网络的连接权值，输入层神经元和隐层神经元的连接权值为$w_{\mathrm{ni}}(n+1)=w_{\mathrm{ni}}\left(n\right)+\eta \frac{\partial E\left(n\right)}{\partial w_{\mathrm{ni}}}$公式中wni(n)和wni(n+1)分别是神经网络训练进行到第n步和n+1步时，神经网络隐层和输出层之间连接权值，η是训练的步长，E(n)是神经网络训练到第n步时输出层神经元的输出误差的均方和，可以由下式计算$E\left(n\right)=\frac{1}{2}\underset{j=1}{\overset{3}{\Sigma }}{[F_j(x,y,z)-y_i(x,y,z)]}^2$其中yj(x，y，z)是神经网络的输出，在这里它的物理意义是陶瓷坯泥内部应力的软测量值，Fj(x，y，z)是陶瓷坯泥的实验测量值，在这里它被认为是陶瓷坯泥的真实值；隐层神经元和输出层的连接权值为$w_{\mathrm{ij}}(n+1)=w_{\mathrm{ij}}\left(n\right)+\eta \frac{\partial E\left(n\right)}{\partial w_{\mathrm{ij}}}$公式中wij(n)和wij(n+1)分别是神经网络训练进行到第n步和n+1步时，神经网络输入层和隐层之间的连接权值；将训练样本代入以上公式，经过计算可以完成对神经网络的训练；5)神经网络的软测量在神经网络完成训练后，将从压力传感器阵列中获得的压力矩阵M和泥料位置(x，y，z)输入神经网络的输入层，神经网络输出层就会输出陶瓷坯泥在(x，y，z)处的内部应力$y_j(x,y,z)=c\underset{l=1}{\overset{2\mathrm{MN}+7}{\Sigma }}{w}_{\mathrm{ij}}{h}_i(\underset{n=1}{\overset{\mathrm{MN}}{\Sigma }}{w}_{\mathrm{ni}}({\mathrm{aP}}_n+b)+w_{\mathrm{xi}}x+w_{\mathrm{yi}}y+w_{\mathrm{zi}}z)+d,(j=\mathrm{1,2,3})$其中，y1、y2、y3分别代表陶瓷坯泥在径向、切向和轴向的应力，hi(·)是神经网络的激励函数，wni及wxi、wyi、wzi是神经网络输入层与隐层之间的连接权值。