金刚石冲击强度检测的误差分析

本文就金刚石冲击韧性TI、热冲击韧性TTI检测工作中发现的一些问题及问题产生的原因进行了讨论，指出影响金刚石冲击(热)韧性检测结果的因素是多方面的。因此，金刚石冲击韧性的检测是一项系统工作，需要做好各个环节的控制。     

金刚石冲击韧性对比试验

人造金刚石的冲击韧性(TI)及其热冲击韧性(TTI)的测定是检验金刚石性能的重要方法,但目前我国金刚石冲击检测在各企业没有一个统一的标准.本文利用国内外三种具有代表性的仪器,对多种不同型号、粒度的金刚石样品进行冲击韧性和热冲击韧性检测,并对所得不同的数据进行系统分析,得出了三种仪器的差别、金刚石样品冲击韧性和热冲击韧性与其品级、粒度之间的关系,提出了仪器改进的建议.主要结果:RE.TEK.s.a.s仪器与TI-328A型仪器比较,对同种样品,前者测得的数据较低,两者差值在13.2～15.9之间;RE.TEK.s.a.s与CYCJ-91A型仪器比较,前者测得的数据也较高,两者的差值在4.8～8.4之间;不同仪器测得TI和TTI的差值约为2.7,差别不大.     

超硬磨料冲击韧性测定方法

GB/T 33144-2016《超硬磨料冲击韧性测定方法》国家标准于2016年10月13日由国家质量监督检验检疫总局和国家标准化管理委员会批准发布,2017年5月1日起实施。该标准规定了粒度号为20/25~325/400的人造金刚石磨料和粒度号为30/40~325/400的立方氮化硼磨料的冲击韧性（TI）和热冲击韧性（TTI）测定方法。本文对该标准的技术内容进行了详细阐述,以期标准使用者能更好地理解和贯彻执行该标准。      

CYRL—I型金刚石加热管式炉的研制

本文论述了热冲击韧性（TTI）检测在表征金刚石磨料性能中的重要作用，分析了加热条件、加热方式对TTI检测结果的影响，及保证检测稳定性、可靠性的方法，并简要介绍了作者研制CYRL－I型金刚石加热管式炉的过程及其优良性能。     

CYRL-1型金刚石加热管式炉的研制

本文论述了热冲击韧性 (TTI)检测在表征金刚石磨料性能中的重要作用 ,分析了加热条件、加热方式对TTI检测结果的影响 ,及保证检测稳定性、可靠性的方法 ,并简要介绍了作者研制CYRL -I型金刚石加热管式炉的过程及其优良性能。     

真空钎焊热损伤控制工艺对磨料冲击韧性的影响

为减轻钎焊单层金刚石工具中的磨料热损伤,从钎焊金刚石的热损伤机理出发,提出4种热损伤控制方案,并进行试验验证。通过SEM观察和磨料冲击韧性测试对各方案的可行性进行分析。结果表明:降低炉内氧含量的工艺对常温冲击韧性TI值提升效果不明显;降低钎料触媒元素比例和使用Ti-Ni复合镀层金刚石,TI值相比原工艺最多可分别增加15%和20%以上;铜基钎料对金刚石热损伤最小,钎焊后磨料冲击韧性可达原料值的91.5%。      

基于GA-BP神经网络的喷丸样品表层硬度预测模型

目的 建立能够准确预测不同喷丸工艺参数下工件表层显微硬度的数学模型。方法 以42CrMo钢作为研究对象,采用正交实验法设计喷丸实验方案和逐点测量法测量0～320μm层深内的显微硬度,以实验数据为样本,基于BP神经网络建立42CrMo钢受喷后表层显微硬度的预测模型,并利用遗传算法（GA）对BP神经网络结构进行优化,建立基于GA-BP神经网络的42CrMo钢受喷后表层显微硬度模型。结果 将实验数据集用于模型的训练,BP神经网络模型和GA-BP神经网络模型训练的相关系数R均为0.97左右,两种模型的训练效果均较好。对比20组测试集的模型预测值和实验值发现,BP神经网络模型预测值与实验值之间的相对误差的最大值和平均值分别为3.5%和1.1%,相比之下,经遗传算法优化的BP神经网络（GA-BP）模型预测值与实验值的相对误差的最大值和平均值仅为2.9%和0.7%。GA-BP神经网络模型具有更高的预测精度和稳定性。结论 经GA遗传算法优化的BP神经网络（GA-BP）更适合用于建立受喷工件表层显微硬度的预测模型,可为其在工程上的应用提供一定的参考。     

灰色理论与神经网络在形状记忆合金热变形行为中的应用

在传统BP神经网络预测模型基础上,分析了各个因素的灰色关联度权值,建立了基于灰色理论和BP神经网络的Ni-Ti形状记忆合金热变形行为的预测模型。结果表明,仿真数据的相对误差都位于-3%~3%,最小误差仅为0.94%。实验值和预测值的相关性高达0.9971,与传统BP神经网络的预测精度相比大为提高。     

基于PSO-BP模型的5083铝合金力学性能预测

为准确预测5083铝合金热力学参数与其流变应力之间的关系,基于PSO优化BP神经网络方法提出了PSO-BP铝合金性能预测模型,并对BP模型和PSO-BP模型预测结果进行了对比与分析。结果表明:PSO-BP模型预测值与试验值的吻合度高于BP模型,更能准确地反映铝合金在不同工艺条件下流变应力的变化规律; PSO-BP预测模型具有更快的收敛速度,达到BP预测模型的10倍以上;与传统BP模型相比,PSO-BP模型预测值的平均相对误差不到BP模型的50%,在低温和高温时更明显,且4种应变速率下其预测值与试验值的线性回归决定系数更接近于1,证明了PSO-BP模型对5083铝合金力学性能具有更高的预测精度。     

基于BP神经网络的传力片冲裁凸模磨损仿真预测

以离合器盖总成中的传力片作为研究对象,借助Deform-3D仿真软件模拟了传力片冲裁过程中的凸模磨损情况,依据正交仿真试验的数据以及BP人工神经网络对传力片冲裁凸模的磨损量进行仿真预测。将冲裁间隙、凹模刃口圆角半径与冲裁速度作为BP神经网络的输入层,将冲裁凸模的最大磨损深度作为BP神经网络的输出层,建立3-12-1的3层BP神经网络。BP神经网络通过训练之后,仿真预测的最大误差为1.14%。基于正交试验的仿真数据对BP神经网络的性能进行检验,BP神经网络的仿真预测值与数值模拟值之间的误差为2.09%,并利用冲压级进模对BP神经网络的仿真预测值进行试验验证,两者之间的相对误差为8.25%,验证了BP人工神经网络应用于传力片冲裁凸模磨损仿真预测的准确性。     

人造金刚石的冲击强度与其中包裹体含量关系的研究

研究了金刚石的冲击强度与金刚石中包裹体含量的关系 ,发现金刚石的室温冲击强度和热冲击强度均随金刚石中包裹体含量的增加而降低 ,且热冲击强度的下降速率大于室温冲击强度的下降速率     

Study on the Hot Processing Parameters-Impact Toughness Correlation of Ti-6Al-4V Alloy

In this research, the hot processing parameters-impact toughness correlation of Ti-6Al-4V titanium alloy is studied. Fifty-four groups of hot processing treatments with different forging temperatures (930, 950, 970 °C), deformation degrees (20, 50, 80%), annealing temperatures (600, 700, 800 °C), and annealing time (1 and 5 h) were conducted. The orthogonal design was used to find the primary hot processing parameters influencing the impact toughness of Ti-6Al-4V alloy. The results show that the annealing temperature can exert the biggest influence on impact toughness. Low annealing temperature is essential to achieve high impact toughness value. In addition, the BP neural network was used to describe the quantitative correlation between hot processing parameters and impact toughness. The results show that the BP neural network exhibits good performance in predicting the impact toughness of Ti-6Al-4V alloy. The prediction error is within 5%. The BP neural network and the orthogonal design method are mutually confirmed in the present work. Finally, based on the microstructure analysis, the reasons responsible for above experimental results are explained.     

基于人工神经网络的Q235焊缝强韧性预测

采用正交试验L9(34)设计Q235钢的机器人焊接试验次数及焊接参数，通过拉伸试验和低温冲击试验分别获取9组焊缝抗拉强度和冲击吸收能量样本数据，并进行归一化处理；通过Matlab工具箱函数分别建立BP网络、RBF网络和Elman网络，在尝试性学习训练和泛化验证的基础上确定各网络的最佳结构及主要参数，即BP网络结构确定为3×10×2，RBF网络spread值设为2.4，Elman网络隐含层神经元数设为25个，进而比较分析和研究3种网络模型对Q235钢焊缝强韧性的预测精度和应用效果。结果表明，BP，RBF及Elman神经网络的平均相对误差均低于10%，可用于焊缝的强韧性预测，尤其对焊缝抗拉强度的预测精度相对较高；在样本条件下，相比于BP和RBF网络，Elman网络更加稳定，预测精度更高，综合预测效果最佳，对焊缝抗拉强度和冲击韧性的趋势性预测较为有效，能够反映焊缝强韧性的实际变化规律和趋势；引入机器人焊接和射线检测方法，提高样本数据的准确性和代表性，从而提高神经网络的预测效果。 创新点：(1)比较BP，RBF及Elman神经网络对Q235钢焊缝强韧性的预测精度和效果。 (2)采用机器人焊接、射线检测及正交试验，提高样本数据准确性和代表性。     

基于BP和RBF神经网络的表面质量预测研究

目的 研究RBF和BP神经网络在铣削加工中的作用,实现对铣削加工质量的预测,改善铣削性能。方法 对环形铣刀与常用的球形铣刀进行对比,然后基于MATLAB平台,建立以铣削速度、进给量和铣削深度为输入参数,表面粗糙度为输出参数的RBF神经网络模型。通过大量的试验数据对RBF神经网络模型进行训练,然后再用训练好的RBF神经网络模型预测表面粗糙度,将预测值与实测值进行比较,验证RBF神经网络的预测性能。将训练好的BP神经网络模型与RBF神经网络所建模型的预测结果进行比较。结果 发现用RBF方法预测的表面粗糙度相对误差的绝对值不超过6%,最大误差为0.056 098,平均误差为0.022 277,而BP方法的最大误差为0.074 947,平均误差为0.036 578。结论 环形铣刀加工质量更好。RBF神经网络的预测精度较高,具有比BP神经网络更优的预测能力,且拥有建模时间短、收敛速度高、训练过程稳定以及学习速度快等优点,能有效进行铣削质量预测。     

基于深度循环神经网络的大规模风力发电功率预测

本文针对目前风力发电功率预测存在超短期、精度差等问题,通过分析大规模风力发电功率特性和风电预测时间序列特性,提出以深度循环神经网络进行预测,结合小波系数多尺度分析的隐马尔可夫预测方法,将深度学习引入到循环神经网络中来,构建基于多尺度隐马尔可夫模型-深度循环神经网络模型的大规模风力发电功率预测模型(MHMM-DRNN)。实例验证相对误差平均值:BP神经网络模型约为31.56%,在预测过程中误差最大,ARMA模型约为23.20%,小波分析约为26.11%,而MHMM-DRNN预测模型约为16.85%,具有较好的实用性。     

冷滚打花键表面粗糙度神经网络预测模型建立

为降低冷滚打花键表面粗糙度,获得冷滚打加工最优参数组合,以滚打轮公转转速和工件进给量两个影响表面粗糙度的主要因素作为变量,设计了冷滚打花键及测量实验方案,采用白光共聚干涉显微镜测量冷滚打花键分度圆处表面粗糙度,依据实验数据通过试凑法建立了冷滚打花键表面粗糙度BP神经网络预测模型,最终确定的神经网络结构为2-6-2-1,对预测值与训练样本值及测试样本值进行了对比分析,结果表明:预测值与训练样本最大误差6.5%,与测试样本最大误差7.9%,预测值与训练样本之间的相关系数为0.996,与测试样本之间的相关系数为0.973,进一步说明了神经网络预测模型的有效性和精确性。     

激光熔覆镍基熔覆层截面形貌预测

利用BP神经网络建立激光熔覆关键工艺参数(激光功率、扫描速度、送粉电压、送粉载气流量)与熔覆层截面形貌(熔宽、余高)的预测模型。以激光熔覆工艺参数为输入,熔覆层的截面形貌为输出,利用工艺试验数据对网络进行训练,实现对输入和输出的高度映射。结果表明,BP神经网络可以较好地对熔覆层形貌进行预测,同时双隐藏层BP神经网络模型预测结果误差波动更小,表现出优良的稳定性,最大预测误差相比单隐藏层神经网络大大降低。     

基于神经网络的铣削大理石表面粗糙度预测模型

目的利用粒子群优化BP神经网络建立大理石加工表面粗糙度精确预测模型。方法首先采用不同切削参数进行铣削大理石试验,测量加工表面粗糙度值,同时对粒子群算法进行改进,使惯性权重按指数形式递减,并增加速度扰动系数,利用改进粒子群算法优化BP神经网络,建立铣削大理石表面粗糙度神经网络预测模型。其次使用部分试验数据来训练预测模型,使得到的网络参数让网络可以精确预测表面粗糙度。最后利用其余试验数据验证神经网络预测模型的准确性与可靠性。结果经过计算得到粒子群优化BP网络算法的预测模型归一化均方差为0.0501,最大相对误差为10.78%,且误差变化较为均匀。经验公式模型归一化均方差为0.1069,最大相对误差为39.64%,误差变化幅度较大。结论将神经网络模型与经验公式相比较,结果表明,所建网络模型具有较高的预测精度与较强的鲁棒性,对合理选择切削用量以得到理想表面粗糙度有一定参考价值。     

基于BP神经网络的带钢冷轧摩擦模型

建立了BP神经网络摩擦模型，并用遗传算法优化了BP网络的结构参数和初始值。模拟计算结果表明，BP网络摩擦模型的精度比原回归摩擦模型的精度有显著提高，可以使轧制力预测的平均RMS误差由3．98％降低到2．23％．轧制功率预测的平均RMS误差由4．57％降低到3．23％。     

基于神经网络的喷丸25CrMo合金疲劳寿命及残余应力松弛行为预测研究

首先,本文采用BP神经网络建立了喷丸25CrMo车轴钢疲劳寿命预测模型。然后,在此基础上采用遗传算法（GA）对BP神经网络的预测精度进行了优化。此外,还采用了径向基神经网络（RBF）进行建模分析,并与以上两种模型的预测结果进行对比,结果表明：遗传算法优化的BP神经网络（GA-BP）相比于BP和RBF神经网络具有更高的预测精度,其中训练集和测试集的平均预测精度分别为91.5%和85.4%。然后,基于GA-BP神经网络模型的连接权值矩阵和Garson方程进行了灵敏度分析,从而进一步量化了输入影响因素对喷丸25CrMo车轴钢疲劳寿命的相对影响比重;最后,还采用GA-BP神经网络预测了喷丸25CrMo车轴钢表面残余压应力的松弛行为,结果表明：测试集的平均预测误差仅为3.4%,表明了该神经网络预测性能良好。综上所述,本文采用神经网络建模分析了喷丸25CrMo车轴钢的疲劳性能和残余压应力松弛行为,显著降低了传统疲劳试验所需的成本,并且还保证了较高的准确性。