工业产品中大量使用的长管类精密零件在加工制造后,特别是经过热处理后其轴心线会产生一定程度的弯曲,此类产品缺陷严重影响使用精度。目前市场上的管件校直设备较少,现有设备系统智能化程度较低,校直效率低下,无法满足生产需求。长管零件的校直关键点是校直行程、校直压点与校直支撑点的组合选择问题。传统的校直方法主要依靠人工校直经验与校直系统内的专家系统进行校直参数的选择,此种模式导致校直参数选取不合理,进而严重影响管件的校直精度。针对以上存在的问题,本课题以校直系统中的校直参数和校直行程预测为研究对象,同时把机器学习的方法引入到上述问题的研究过程中。根据长管类零件的材料与几何特征参数建立一种全新的数学模型,使管件校直系统可以智能化的对零件参数进行识别,并最终对校直参数进行预测,使其符合校直生产要求。本论文主要研究工作如下:(1)对长管类零件的校直直线度问题进行了研究,并给出了评价方法。研究了校直时的三点反弯校直理论,给出了校直过程简化模型,同时引入弹塑性力学弯曲条件,做出弹性力学假设。(2)研究了管件校直过程中的变形与应力,并以此为基础进一步研究了校直过程中的弹塑性载荷与挠度模型,得出了载荷与挠度之间的数学关系。最后对管件校直系统的校直检测系统、机械结构系统和部分硬件系统进行了介绍与设计。(3)在对材料参数的识别过程中,以载荷与挠度模型为理论基础,把机器学习中的神经网络引入其中。通过相应的仿真实验获取了校直状态下的屈服极限与弹性模量数值。通过对比分析,进而选取了RBF神经网络作为管件校直过程中的材料参数识别方法。(4)对管件校直过程中的预测模型与模型准确度进行了研究,选取多种特征参数进行回归运算,最终通过回归分析与变量检验确定了弹性模量、屈服极限、原始曲率、管件尺寸、零件材料和支撑点跨距作为机器学习模型的输入量。(5)针对校直行程问题,通过使用LSSVM算法、标准PSO-LSSVM算法和改进型PSO-LSSVM算法进行了预测。通过与期望值进行误差对比,得出改进型PSO-LSSVM算法的总体平均预测误差值为2.42%,可以满足管件校直过程要求。