期刊导航
期刊开放获取
cqvip
退出
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
2
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式：
文摘
详细
列表
相关度排序
被引量排序
时效性排序
基于深度强化学习与有限元仿真集成的拉深成形控制
被引量：
6
1
作者
郭鹏
张新艳
余建波
《机械工程学报》
EI
CAS
CSCD
北大核心
2020年第20期47-58,共12页
金属板材拉深过程中的压边力是决定成品质量的关键参数,传统压边力控制方法往往需要对高度非线性的拉深过程进行建模,导致其控制结果与实际存在较大偏差。提出一种基于深度强化学习与有限元仿真集成的金属板材拉深过程控制模型,利用深...
金属板材拉深过程中的压边力是决定成品质量的关键参数,传统压边力控制方法往往需要对高度非线性的拉深过程进行建模,导致其控制结果与实际存在较大偏差。提出一种基于深度强化学习与有限元仿真集成的金属板材拉深过程控制模型,利用深度神经网络强大的预测能力来提取拉深加工过程中的状态信息并进行可靠预测,结合强化学习的决策能力来进行压边力控制策略的学习优化,避免了精确系统动力学模型的拟合以及先验知识的获取。同时,针对板材拉深加工中常见的拉裂质量缺陷与起皱质量缺陷,建立拉深成形性能评价函数,为深度强化学习提供回报信号来指导学习过程,并利用有限元仿真构成深度强化学习的环境模型。试验表明,深度强化学习模型能够有效地进行压边力控制策略优化,有效提高产品质量。所提出的压边力控制模型利用无模型的深度强化学习,能避免拉深过程的系统模型拟合,可提高压边力控制策略的控制效果,同时结合循环神经网络能解决板材拉深加工过程中的部分可观察性问题。
展开更多
关键词
板材
拉深
成形
质量控制
深度强化学习
有限元仿真
优化控制
原文传递
应用深度强化学习的压边力优化控制
被引量：
5
2
作者
张新艳
郭鹏
余建波
《哈尔滨工业大学学报》
EI
CAS
CSCD
北大核心
2020年第7期20-28,共9页
为改善板料拉深制造的成品质量,采用深度强化学习的方法进行拉深过程的压边力优化控制.提出一种基于深度强化学习与有限元仿真集成的压边力控制模型,结合深度神经网络的感知能力与强化学习的决策能力,进行压边力控制策略的学习优化.基...
为改善板料拉深制造的成品质量,采用深度强化学习的方法进行拉深过程的压边力优化控制.提出一种基于深度强化学习与有限元仿真集成的压边力控制模型,结合深度神经网络的感知能力与强化学习的决策能力,进行压边力控制策略的学习优化.基于深度强化学习的压边力优化算法,利用深度神经网络处理巨大的状态空间,避免了系统动力学的拟合,并且使用一种新的网络结构来构建策略网络,将压边力策略划分为全局与局部两部分,提高了压边力策略的控制效果.将压边力的理论知识用于初始化回放经验池,提高了深度强化学习算法在压边力控制任务中的学习效率.实验结果表明,与传统深度强化学习算法相比,所提出的压边力控制模型能够更有效地进行压边力控制策略优化,成品在内部应力、成品厚度以及材料利用率3个质量评价指标的综合表现优于传统深度强化学习算法.将深度强化学习中的策略网络划分为线性部分与非线性部分,并结合理论压边力知识来初始化回放经验,能够提高深度强化学习在压边力优化控制中的控制效果,提高算法的学习效率.
展开更多
关键词
板材
拉深
成形
质量控制
深度强化学习
有限元仿真
优化控制
下载PDF
职称材料
题名
基于深度强化学习与有限元仿真集成的拉深成形控制
被引量：
6
1
作者
郭鹏
张新艳
余建波
机构
同济大学机械与能源工程学院
出处
《机械工程学报》
EI
CAS
CSCD
北大核心
2020年第20期47-58,共12页
基金
国家自然科学基金资助项目(71777173)。
文摘
金属板材拉深过程中的压边力是决定成品质量的关键参数,传统压边力控制方法往往需要对高度非线性的拉深过程进行建模,导致其控制结果与实际存在较大偏差。提出一种基于深度强化学习与有限元仿真集成的金属板材拉深过程控制模型,利用深度神经网络强大的预测能力来提取拉深加工过程中的状态信息并进行可靠预测,结合强化学习的决策能力来进行压边力控制策略的学习优化,避免了精确系统动力学模型的拟合以及先验知识的获取。同时,针对板材拉深加工中常见的拉裂质量缺陷与起皱质量缺陷,建立拉深成形性能评价函数,为深度强化学习提供回报信号来指导学习过程,并利用有限元仿真构成深度强化学习的环境模型。试验表明,深度强化学习模型能够有效地进行压边力控制策略优化,有效提高产品质量。所提出的压边力控制模型利用无模型的深度强化学习,能避免拉深过程的系统模型拟合,可提高压边力控制策略的控制效果,同时结合循环神经网络能解决板材拉深加工过程中的部分可观察性问题。
关键词
板材
拉深
成形
质量控制
深度强化学习
有限元仿真
优化控制
Keywords
deep drawing
quality control
deep reinforcement learning
finite element analysis
optimal control
分类号
TG156 [金属学及工艺—热处理]
原文传递
题名
应用深度强化学习的压边力优化控制
被引量：
5
2
作者
张新艳
郭鹏
余建波
机构
同济大学机械与能源工程学院
出处
《哈尔滨工业大学学报》
EI
CAS
CSCD
北大核心
2020年第7期20-28,共9页
基金
国家自然科学基金(51375290)。
文摘
为改善板料拉深制造的成品质量,采用深度强化学习的方法进行拉深过程的压边力优化控制.提出一种基于深度强化学习与有限元仿真集成的压边力控制模型,结合深度神经网络的感知能力与强化学习的决策能力,进行压边力控制策略的学习优化.基于深度强化学习的压边力优化算法,利用深度神经网络处理巨大的状态空间,避免了系统动力学的拟合,并且使用一种新的网络结构来构建策略网络,将压边力策略划分为全局与局部两部分,提高了压边力策略的控制效果.将压边力的理论知识用于初始化回放经验池,提高了深度强化学习算法在压边力控制任务中的学习效率.实验结果表明,与传统深度强化学习算法相比,所提出的压边力控制模型能够更有效地进行压边力控制策略优化,成品在内部应力、成品厚度以及材料利用率3个质量评价指标的综合表现优于传统深度强化学习算法.将深度强化学习中的策略网络划分为线性部分与非线性部分,并结合理论压边力知识来初始化回放经验,能够提高深度强化学习在压边力优化控制中的控制效果,提高算法的学习效率.
关键词
板材
拉深
成形
质量控制
深度强化学习
有限元仿真
优化控制
Keywords
deep drawing
quality control
deep reinforcement learning
finite element analysis
optimal control
分类号
TG301 [金属学及工艺—金属压力加工]
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
基于深度强化学习与有限元仿真集成的拉深成形控制
郭鹏
张新艳
余建波
《机械工程学报》
EI
CAS
CSCD
北大核心
2020
6
原文传递
2
应用深度强化学习的压边力优化控制
张新艳
郭鹏
余建波
《哈尔滨工业大学学报》
EI
CAS
CSCD
北大核心
2020
5
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部
