專利名稱：：陶瓷坯泥內應力在線軟測量方法
技術領域：
：本發明屬于無機材料科學領域，具體涉及一種陶瓷坯泥內應力在線軟
背景技術：
：隨著近代科學技術的飛速發展，陶瓷墻地磚已經成為人類生活和現代化建設中不可缺少的材料之一。墻地磚的生產有陶瓷粉料干壓成型和塑性擠壓成型兩種方法。目前，我國墻地磚工業仍普遍采用陶瓷粉料干壓成型生產方式，需配備價格昂貴的噴霧干燥制粉及全自動液壓壓磚機等大型設備。在陶瓷粉料的制粉過程中，為確保坯體質量，須添加適宜的粘接劑，因而導致壓磚機模具又易被陶瓷粉料所粘附——陶瓷粉料的粘模，嚴重影響墻地磚的產品質量，浪費原材料并危害操作工人的身體健康。與干壓成型生產方式相比，墻地磚的塑性擠壓成型生產技術，具有生產工藝簡單、投資小、見效快、無粉塵污染、產品質量好、品種更換快、市場競爭力大等優點。因此，墻地磚塑性擠壓成型技術勢必成為我國墻地磚工業的主要生產工藝。但是，擠壓成型生產的墻地磚存在一個嚴重的缺陷，由于泥料具有的顆粒定向性使得它在真空練泥機擠制過程產生了坯泥內部應力分布的不均勻，具體來說不同位置不同方向的內應力差異巨大，這一問題嚴重地影響了陶瓷坯體的致密度、機械強度、表面光潔度及產量等，并阻礙了陶瓷泥料塑性擠出成型生產技術及生產設備的大力推廣應用，已弓胞了世界范圍內陶瓷泥料塑性擠出成型生產廠家及廣大陶瓷工作者的共同關注。
發明內容本發明的目的在于提供一種能夠為消除內應力的不均勻分布提供定量描述的陶瓷坯泥內應力在線軟測量方法。由于泥料內部應力的在線測量難以直接實現，本發明使用了間接領糧的方法，即軟測量技術。為達到上述目的，本發明采用的技術方案是1)壓力傳感器的安裝首先將壓力傳感器以陣列的方式嵌入真空練泥機機頭內壁，壓力傳感器的壓力檢測面與真空煉泥機機頭內壁平齊；2)壓力傳感器陣列的測量運行真空練泥機，記錄壓力傳感器陣列產生的壓力矩陣M，戶"尸12尸1M戶21p.22J2M1iVl1層其中，N為壓力傳感器矩陣的行數，M為壓力傳感器矩陣的列數，同時通過壓力傳感器測量陶瓷坯泥在直角坐標系下不同位置(^，z)的內應力F(x,y,z)。獲得的多組數據，并通過信號采集卡3將獲得的多組數據存入計算機4中，組成訓練神經網絡所需要的訓練樣本集{M,(x，,力，F(x,y,z)};3)建立神經網絡使用Labview編寫神經網絡應用程序，建立一個包含輸入層、隱層和輸出層的多層前向網絡，其中輸入層神經元個數為壓力傳感器的數量(NxM個)加上;c、^、z3個位置量，即神經元總數為NxM+3，并由線性激勵函數"=+6完成規一化運算，其中/^是壓力傳感器輸出的壓力信號，l是對&歸一化處理后的壓力信號，"、6分別是歸一化處理中的比例因子和平移因子，"、6都是常數；根據2N+1規則，隱層神經元個數為2xNxM+7，針對于擬合對象的奇異性和非線性，隱層神經元的激勵函數A,(.)采用母小波Marr函數，且神經元激勵函數的尺度和相位隨著神經元序號的減小而倍增；輸出層包含3個神經元，分別輸出軸向、切向和徑向的內部應力，它的激勵函數選用線性函數"o;W，其中v、y分別是神經網絡輸出層的輸入、輸出變量，c、d分別是輸出層激勵函數的比例因子和平移因子；4)神經網絡的學習算法使用訓練樣本集(M，(:c,:^)，F(x,y,z)}訓練神經網絡，獲得成熟的神經網絡以準確地反映真空練泥機機頭內壁壓力矩陣與陶瓷坯泥內應力之間存在的函數關系式中P(;c,乂》——是陶瓷坯泥在直角坐標系下的內應力，它包含徑向應力《(x,j;,z)、切向應力A(xj,z)、軸向應力巧(x,;;，z)3個垂直方向的應力，因此F(;c,;^)是個3維向量；M——真空練泥機機頭內壁的壓力矩陣；/——F和M的函數關系；神經網絡通過BP算法調整連接網絡的連接權值，輸入層神經元和隱層神經元的連接權值為z，、,、公式中和氣(n+1)分別是神經網絡訓練進行到第《步和"+1步時，神經網絡隱層和輸出層之間連接權值，T7是訓練的步長，￡的是神經網絡訓練到第"步時輸出層神經元的輸出誤差的均方和，可以由下式計算其中^(U，Z)是神經網絡的輸出，在這里它的物理意義是陶瓷坯泥內部應力的軟測量值，巧(;c，^)是陶瓷坯泥的實驗狽糧值，在這里它被認為是陶瓷坯泥的真實值；隱層神經元和輸出層的連接權值為公式中v^(")和v^("+1)分別是神經網絡訓練進行到第"步和"+1步時，神經網絡輸入層和隱層之間的連接權值；將訓練樣本代入以上公式，經過計算可以完成對神經網絡的訓練；5)神經網絡的軟測量在神經網絡完成訓練后，將從壓力傳感器陣列中獲得的壓力矩陣M和泥料位置(x，;^)輸入神經網絡的輸入層，神經網絡輸出層就會輸出陶瓷坯泥在(x，y,z)處的內部應力A0f,乂z)=c藝w一,J]+6)+++wzj+(/=人2，"其中，力、h、h分別代表陶瓷坯泥在徑向、切向和軸向的應力，/U.)是神經網絡的激勵函數，w。,及^、、是神經網絡輸入層與隱層之間的連接權值。本發明利用陶瓷坯泥的內部應力與機頭內壁壓力間的內在的聯系，通過機頭內壁壓力的測量和計算來獲得陶瓷坯泥的內部應力的分布情況從而得到成型過程中坯料內部應力的分布，為下一步選擇塑性成型工藝的方法以及制定成型程序過程中的工藝參數的優化提供依據。五(")=H^巧(X，乂Z)-力(X，乂2)]圖1是本發明真空練泥機機頭內壁壓力測量圖2是本發明真空練泥機機頭內壁壓力與陶瓷坯泥內應力之間函數關系/(.)的神經網絡結構圖。具體實施例方式下面結合附圖對本發明作進一步詳細說明。參見圖l，1)壓力傳感器的安裝首先將壓力傳感器l以陣列的方式嵌入真空練泥機機頭2內壁，壓力傳感器的壓力檢測面與真空煉泥機機頭內壁平齊；這種安裝方法目的是為了使傳感器能夠實時測量陶瓷坯泥與真空練泥機機頭內壁的相互作用力，而不影響真空練泥機內泥料的正常流動。2)壓力傳感器陣列的測量運行真空練泥機，記錄壓力傳感器陣列產生的壓力矩陣M，廠ii二121Af221J'222MP戶蕭其中，N為壓力傳感器矩陣的行數，M為壓力傳感器矩陣的列數，同時通過壓力傳感器測量陶瓷坯泥在直角坐標系下不同位置Oc,j^)的內應力F(x,y,z),獲得的多組數據，并通過信號采集卡3將獲得的多組數據存入計算機4中，組成訓練神經網絡所需要的訓練樣本集{M,(;c，y,z)，F(x,y,z)};3)建立神經網絡由于真空練泥機機頭內壁壓力與陶瓷坯泥內應力之間的函數關系/非常復雜，難以用普通的函數關系來表達。本發明采用神經網絡完成函數關系/的擬合。具體神經網絡見圖2:本發明使用Labview編寫神經網絡應用程序，建立一個包含輸入層、隱層和輸出層的多層前向網絡，其中輸入層神經元個數為壓力傳感器的數量(NxM個)加上jc、_v、z3個位置量，即神經元總數為NxM+3，并由線性激勵函數"，="pm+6完成規一化運算，其中p,是壓力傳感器輸出的壓力信號，"，是對/^歸一化處理后的壓力信號，"、6分別是歸一化處理中的比例因子和平移因子，"、6都是常數；根據2N+1規則，隱層神經元個數為2xNxM+7，針對于擬合對象的奇異性和非線性，隱層神經元的激勵函數/^采用母小波Marr函數，且神經元激勵函數的尺度和相位隨著神經元序號的減小而倍增；輸出層包含3個神經元，分別輸出軸向、切向和徑向的內部應力，它的激勵函數選用線性函數"cv+"，其中v、7分別是神經網絡輸出層的輸入、輸出變量，c、c/分別是輸出層激勵函數的比例因子和平移因子；4)神經網絡的學習算法使用訓練樣本集(M,Oc，w)，F(x,y，z)}訓練神經網絡，獲得成熟的神經網絡以準確地反映真空練泥機機頭內壁壓力矩陣與陶瓷坯泥內應力之間存在的函數關系F(x，j^)=/(M)式中F";;，z)——是陶瓷坯泥在直角坐標系下的內應力，它包含徑向應力A(x，;;，z)、切向應力^(;c,;^)、軸向應力《(;c,j^)3個垂直方向的應力，因此F(;c,j^)是個3維向量；M——真空練泥機機頭內壁的壓力矩陣；/——F和M的函數關系；神經網絡通過BP算法調整連接網絡的權值，輸入層神經元和隱層神經元的權值為<formula>formulaseeoriginaldocumentpage11</formula>公式中W>)和M^("+l)分別是神經網絡訓練進行到第"步和"+l步時，神經網絡隱層和輸出層之間連接權值，7是訓練的步長，A")是神經網絡訓練到第w步時輸出層神經元的輸出誤差的均方和，可以由下式計算<formula>formulaseeoriginaldocumentpage11</formula>其中力(x，;^)是神經網絡的輸出，在這里它的物理意義是陶瓷坯泥內部應力的軟測量值，F/;c,;^)是陶瓷坯泥的實驗測量值，在這里它被認為是陶瓷坯泥的真實值；隱層神經元和輸出層的權值為<formula>formulaseeoriginaldocumentpage11</formula>公式中和W#+1)分別是神經網絡訓練進行到第"步和w+1步時，神經網絡輸入層和隱層之間連接權值；將訓練樣本代入以上公式，經過計算可以完成對神經網絡的訓練；5)神經網絡的軟測量在神經網絡完成訓練后，將從壓力傳感器陣列中獲得的壓力矩陣M和泥料位置0c,y,z)輸入神經網絡的輸入層，神經網絡輸出層會輸出陶瓷坯泥在(xj,O處的內部應力<formula>formulaseeoriginaldocumentpage11</formula>其中，力、h、^分別代表陶瓷坯泥在徑向、切向和軸向的應力，/U-)是神經網絡的激勵函數，^,.及^,、,,、^,是神經網絡輸入層與隱層之間的連接權值。權利要求1、陶瓷坯泥內應力在線軟測量方法，其特征在于1)壓力傳感器的安裝首先將壓力傳感器以陣列的方式嵌入真空練泥機機頭內壁，壓力傳感器的壓力檢測面與真空煉泥機機頭內壁平齊；2)壓力傳感器陣列的測量運行真空練泥機，記錄壓力傳感器陣列產生的壓力矩陣M，<mathsid="math0001"num="0001"><math><![CDATA[<mrow><mi>M</mi><mo>=</mo><mfencedopen='['close=']'><mtable><mtr><mtd><msub><mi>P</mi><mn>11</mn></msub></mtd><mtd><msub><mi>P</mi><mn>12</mn></msub></mtd><mtd><mo>.</mo><mo>.</mo><mo>.</mo></mtd><mtd><msub><mi>P</mi><mrow><mn>1</mn><mi>M</mi></mrow></msub></mtd></mtr><mtr><mtd><msub><mi>P</mi><mn>21</mn></msub></mtd><mtd><msub><mi>P</mi><mn>22</mn></msub></mtd><mtd><mo>.</mo><mo>.</mo><mo>.</mo></mtd><mtd><msub><mi>P</mi><mrow><mn>2</mn><mi>M</mi></mrow></msub></mtd></mtr><mtr><mtd><mo>.</mo></mtd><mtd><mo>.</mo></mtd><mtd><mo>.</mo></mtd><mtd><mo>.</mo></mtd></mtr><mtr><mtd><mo>.</mo></mtd><mtd><mo>.</mo></mtd><mtd><mo>.</mo></mtd><mtd><mo>.</mo></mtd></mtr><mtr><mtd><mo>.</mo></mtd><mtd><mo>.</mo></mtd><mtd><mo>.</mo></mtd><mtd><mo>.</mo></mtd></mtr><mtr><mtd><msub><mi>P</mi><mrow><mi>N</mi><mn>1</mn></mrow></msub></mtd><mtd><msub><mi>P</mi><mrow><mi>N</mi><mn>2</mn></mrow></msub></mtd><mtd><mo>.</mo><mo>.</mo><mo>.</mo></mtd><mtd><msub><mi>P</mi><mi>NM</mi></msub></mtd></mtr></mtable></mfenced></mrow>]]></math></maths>其中，N為壓力傳感器矩陣的行數，M為壓力傳感器矩陣的列數，同時通過壓力傳感器測量陶瓷坯泥在直角坐標系下不同位置(x，y，z)的內應力F(x，y，z)，獲得的多組數據，并通過信號采集卡3將獲得的多組數據存入計算機4中，組成訓練神經網絡所需要的訓練樣本集{M，(x，y，z)，F(x，y，z)}；3)建立神經網絡使用Labview編寫神經網絡應用程序，建立一個包含輸入層、隱層和輸出層的多層前向網絡，其中輸入層神經元個數為壓力傳感器的數量(N×M個)加上x、y、z3個位置量，即神經元總數為N×M+3，并由線性激勵函數unm＝apnm+b完成規一化運算，其中pnm是壓力傳感器輸出的壓力信號，unm是對pnm歸一化處理后的壓力信號，a、b分別是歸一化處理中的比例因子和平移因子，a、b都是常數；根據2N+1規則，隱層神經元個數為2×N×M+7，針對于擬合對象的奇異性和非線性，隱層神經元的激勵函數hi(·)采用母小波Marr函數，且神經元激勵函數的尺度和相位隨著神經元序號的減小而倍增；輸出層包含3個神經元，分別輸出軸向、切向和徑向的內部應力，它的激勵函數選用線性函數y＝cv+d，其中v、y分別是神經網絡輸出層的輸入、輸出變量，c、d分別是輸出層激勵函數的比例因子和平移因子；4)神經網絡的學習算法使用訓練樣本集{M，(x，y，z)，F(x，y，z)}訓練神經網絡，獲得成熟的神經網絡以準確地反映真空練泥機機頭內壁壓力矩陣與陶瓷坯泥內應力之間存在的函數關系F(x，y，z)＝f(M)式中F(x，y，z)——是陶瓷坯泥在直角坐標系下的內應力，它包含徑向應力F1(x，y，z)、切向應力F2(x，y，z)、軸向應力F3(x，y，z)3個垂直方向的應力，因此F(x，y，z)是個3維向量；M——真空練泥機機頭內壁的壓力矩陣；f——F和M的函數關系；神經網絡通過BP算法調整連接網絡的連接權值，輸入層神經元和隱層神經元的連接權值為<mathsid="math0002"num="0002"><math><![CDATA[<mrow><msub><mi>w</mi><mi>ni</mi></msub><mrow><mo>(</mo><mi>n</mi><mo>+</mo><mn>1</mn><mo>)</mo></mrow><mo>=</mo><msub><mi>w</mi><mi>ni</mi></msub><mrow><mo>(</mo><mi>n</mi><mo>)</mo></mrow><mo>+</mo><mi>η</mi><mfrac><mrow><mo>∂</mo><mi>E</mi><mrow><mo>(</mo><mi>n</mi><mo>)</mo></mrow></mrow><mrow><mo>∂</mo><msub><mi>w</mi><mi>ni</mi></msub></mrow></mfrac></mrow>]]></math></maths>公式中wni(n)和wni(n+1)分別是神經網絡訓練進行到第n步和n+1步時，神經網絡隱層和輸出層之間連接權值，η是訓練的步長，E(n)是神經網絡訓練到第n步時輸出層神經元的輸出誤差的均方和，可以由下式計算<mathsid="math0003"num="0003"><math><![CDATA[<mrow><mi>E</mi><mrow><mo>(</mo><mi>n</mi><mo>)</mo></mrow><mo>=</mo><mfrac><mn>1</mn><mn>2</mn></mfrac><munderover><mi>Σ</mi><mrow><mi>j</mi><mo>=</mo><mn>1</mn></mrow><mn>3</mn></munderover><msup><mrow><mo>[</mo><msub><mi>F</mi><mi>j</mi></msub><mrow><mo>(</mo><mi>x</mi><mo>,</mo><mi>y</mi><mo>,</mo><mi>z</mi><mo>)</mo></mrow><mo>-</mo><msub><mi>y</mi><mi>i</mi></msub><mrow><mo>(</mo><mi>x</mi><mo>,</mo><mi>y</mi><mo>,</mo><mi>z</mi><mo>)</mo></mrow><mo>]</mo></mrow><mn>2</mn></msup></mrow>]]></math></maths>其中yj(x，y，z)是神經網絡的輸出，在這里它的物理意義是陶瓷坯泥內部應力的軟測量值，Fj(x，y，z)是陶瓷坯泥的實驗測量值，在這里它被認為是陶瓷坯泥的真實值；隱層神經元和輸出層的連接權值為<mathsid="math0004"num="0004"><math><![CDATA[<mrow><msub><mi>w</mi><mi>ij</mi></msub><mrow><mo>(</mo><mi>n</mi><mo>+</mo><mn>1</mn><mo>)</mo></mrow><mo>=</mo><msub><mi>w</mi><mi>ij</mi></msub><mrow><mo>(</mo><mi>n</mi><mo>)</mo></mrow><mo>+</mo><mi>η</mi><mfrac><mrow><mo>∂</mo><mi>E</mi><mrow><mo>(</mo><mi>n</mi><mo>)</mo></mrow></mrow><mrow><mo>∂</mo><msub><mi>w</mi><mi>ij</mi></msub></mrow></mfrac></mrow>]]></math></maths>公式中wij(n)和wij(n+1)分別是神經網絡訓練進行到第n步和n+1步時，神經網絡輸入層和隱層之間的連接權值；將訓練樣本代入以上公式，經過計算可以完成對神經網絡的訓練；5)神經網絡的軟測量在神經網絡完成訓練后，將從壓力傳感器陣列中獲得的壓力矩陣M和泥料位置(x，y，z)輸入神經網絡的輸入層，神經網絡輸出層就會輸出陶瓷坯泥在(x，y，z)處的內部應力<mathsid="math0005"num="0005"><math><![CDATA[<mrow><msub><mi>y</mi><mi>j</mi></msub><mrow><mo>(</mo><mi>x</mi><mo>,</mo><mi>y</mi><mo>,</mo><mi>z</mi><mo>)</mo></mrow><mo>=</mo><mi>c</mi><munderover><mi>Σ</mi><mrow><mi>l</mi><mo>=</mo><mn>1</mn></mrow><mrow><mn>2</mn><mi>MN</mi><mo>+</mo><mn>7</mn></mrow></munderover><msub><mi>w</mi><mi>ij</mi></msub><msub><mi>h</mi><mi>i</mi></msub><mrow><mo>(</mo><munderover><mi>Σ</mi><mrow><mi>n</mi><mo>=</mo><mn>1</mn></mrow><mi>MN</mi></munderover><msub><mi>w</mi><mi>ni</mi></msub><mrow><mo>(</mo><msub><mi>aP</mi><mi>n</mi></msub><mo>+</mo><mi>b</mi><mo>)</mo></mrow><mo>+</mo><msub><mi>w</mi><mi>xi</mi></msub><mi>x</mi><mo>+</mo><msub><mi>w</mi><mi>yi</mi></msub><mi>y</mi><mo>+</mo><msub><mi>w</mi><mi>zi</mi></msub><mi>z</mi><mo>)</mo></mrow><mo>+</mo><mi>d</mi><mo>,</mo><mrow><mo>(</mo><mi>j</mi><mo>=</mo><mn>1,2,3</mn><mo>)</mo></mrow></mrow>]]></math></maths>其中，y1、y2、y3分別代表陶瓷坯泥在徑向、切向和軸向的應力，hi(·)是神經網絡的激勵函數，wni及wxi、wyi、wzi是神經網絡輸入層與隱層之間的連接權值。全文摘要陶瓷坯泥內應力在線軟測量方法，應用于陶瓷領域的測量新技術。利用與真空練泥機機頭內壁平齊安裝的壓力傳感器陣列在線測量泥料所受外力，壓力傳感器陣列的輸出信號矩陣作為神經網絡的輸入，由經過訓練的神經網絡計算出陶瓷泥料內應力分布。即根據泥料所受外力計算出其內應力分布。文檔編號G06N3/08GK101581718SQ20091002307公開日2009年11月18日申請日期2009年6月26日優先權日2009年6月26日發明者強周,強牟,瑩王,談國強申請人:陜西科技大學