定向凝固钛合金热处理工艺的神经网络优化

以6个热处理工艺参数作为输入层参数,以热处理后定向凝固钛合金的屈服强度作为输出层参数,构建6×48×1结构的定向凝固钛合金热处理工艺优化神经网络模型。结果表明,神经网络模型预测误差小于3%,具有较强的预测能力和较佳的预测精度。与试验优化工艺参数相比,采用神经网络模型优化参数热处理后,定向凝固Ti-6Al-4V-0.5Ce钛合金的抗拉强度和屈服强度分别提高178、186 MPa。     

基于GA-BP神经网络的镁合金微弧氧化膜层厚度预测

为直观地检验膜层的质量,建立微弧氧化工艺参数(电流大小、脉冲宽度、氧化时间)与微弧氧化膜层厚度之间的反向传播(BP)神经网络预测模型,其结构为3-10-1(即3个输入神经元,10个隐含层节点,1个输出神经元)。采用遗传算法(GA)优化BP神经网络的初始权值和阈值,构建基于遗传算法神经网络的膜厚预测模型。用GA-BP神经网络对膜厚进行模型仿真,并将仿真结果与BP神经网络模型仿真结果进行对比。结果表明,GA-BP网络模型预测值的平均误差为1.65%,最大误差为9.75%,而BP模型预测结果的平均误差为8.62%,最大误差为13.68%。GA-BP神经网络模型预测精度要优于BP神经网络模型。     

基于ANN的喷射沉积ZA35合金热挤压工艺优化研究

采用人工神经网络的方法,研究了挤压比、挤压比压和挤压温度对喷射沉积ZA35合金力学特性的影响,建立了喷射沉积ZA35合金热挤压工艺的人工神经网络模型。模型的输入参数为挤压比、挤压比压和挤压温度,输出参数为合金的抗拉强度和伸长率,该模型可以预测ZA35合金在不同热挤压工艺参数下的力学特性,也可以优化热挤压工艺参数。模型结果与实验结果吻合良好,推荐喷射沉积ZA35合金热挤压工艺参数:挤压比压为430 MPa,挤压比为12,挤压温度为260℃。     

300M超高强度钢铣削力模型构建及MOPSO优化

用正交试验法对300M超高强度钢进行铣削加工,用直观分析和方差分析探究铣削力随铣削用量的变化规律,建立铣削力的经验指数模型与GA-BP神经网络预测模型,用多目标粒子群优化算法基于铣削力和材料去除率优化铣削参数.结果表明:300M超高强度钢铣削力随铣削速度增大和每齿进给量降低得到有效改善;经优化后的BP神经网络模型预测误差显著降低,两种预测模型对铣削力均有较高预测精度,但后者误差相对较低;使用经优化后的参数,铣削力有效改善.     

基于ANN的喷射沉积ZA35合金热挤压工艺优化研究

采用人工神经网络的方法,研究了挤压比、挤压比压和挤压温度对喷射沉积ZA35合金力学特性的影响,建立了喷射沉积ZA35合金热挤压工艺的人工神经网络模型。模型的输入参数为挤压比、挤压比压和挤压温度,输出参数为合金的抗拉强度和伸长率,该模型可以预测ZA35合金在不同热挤压工艺参数下的力学特性,也可以优化热挤压工艺参数。模型结果与实验结果吻合良好,推荐喷射沉积ZA35合金热挤压工艺参数：挤压比压为430 MPa,挤压比为12,挤压温度为260℃。     

铝合金表面陶瓷化及绝缘性能研究

采用直流脉冲微弧氧化工艺,在6063铝合金表面制备氧化陶瓷膜,讨论不同工艺条件下陶瓷膜的绝缘电阻和击穿电压。在择优选出Na2SiO3系电解液配方情况下,研究占空比、频率等放电参数及处理时间变化对陶瓷膜绝缘性能影响的规律。结果表明：膜层厚度随着氧化时间（5~45 min）的增加而增厚,但临界点后有所下降;膜层电绝缘性能随占空比（5%~30%）的增大先扬后抑,也存在临界点;膜层电绝缘性能随频率（0.1~1 kHz）的增加而变好。优化的电参数组合是提高陶瓷膜性能的关键之一。     

基于遗传小波神经网络的GPS/SINS 组合导航系统算法

针对GPS/SINS组合导航系统在实际应用中遇到的问题,将小波神经网络的非线性预测算法与遗传算法结合,提出一种基于遗传小波神经网络预测的SINS误差反馈校正方法。对基于遗传算法的小波神经网络学习方法进行研究,并确定该神经网络的结构模型;当GPS信号有效时,根据GPS/SINS组合导航输入输出信号获取神经网络的训练样本,进行在线神经网络训练,得到最优的神经网络模型参数;当GPS信号中断时,根据已经训练好的神经网络模块预测出GPS信号失锁时SINS的位置误差、速度误差和姿态误差,并对SINS进行误差校正得到较为准确的导航参数。仿真实验结果证明,该算法可有效提高GPS观测数据不可靠时导航参数的精度。     

PCrNi3Mo钢炮口制退器射后裂纹的分析

本文简要地叙述了PC:Ni3Mo高强炮钢的焊接工艺参数。按照给定的工艺规范进行焊接,就可以有效地防止冷、热裂纹的产生。结合实际,对炮口制退器射后裂纹的性质和产生的原因进行了分析。指出炮口制退器射后裂纹属于低周热应力疲劳裂纹。产生的原因是由于在生产过程中未能很好地执行工艺。预热温度过高或层间温度过低而导致熔合区脆化。作者在总结多年经验的基础上,首先指出PCrNi3Mo钢在焊接过程中,其热影响区存在织组遗传现象。组织遗传现象明显地影响高强钢的焊接质量。 尤其是作者明确指出:PCiNi3Mo钢的合理预热温度为350～400℃,马氏体转变温度低于300℃的高强钢,焊接过程中,预热溫度应高出M_s点50～100℃。层间温度不应低于M_s点。     

焊接时间对异质钢电阻点焊质量的影响

采用控制变量的方法,变换焊接时间(20~180 ms),对差厚的H220YD-Z100/DP590GA先进高强钢电阻点焊质量进行研究。通过对各试样进行检测分析与对比,得到合适的焊接时间范围,从中选取一组参数验证其稳定性。结果表明:熔核区组织受热影响发生转变,接头失效形式为纽扣形;其工艺能够克服焊接分流、电网波动等的影响,连续焊接出熔核尺寸合格、表面整洁的高质量焊点。     

点火电阻NiCr合金箔与Ni层结合力对耐焊性的影响

为研究点火电阻NiCr功能层与Ni耐焊层的结合力对其耐焊性的影响,从NiCr箔的表面特殊优化处理以及电镀两方面进行工艺优化。结果表明:电镀前用点火电阻专用处理液水浴40℃处理(30±5)s,并且冲击镀镍时在滚筒增加PP珠,可明显改善点火电阻的NiCr层与Ni层的结合力,耐焊接热试验后点火电阻的阻值变化量从0.2Ω降低到0.05Ω以内。     

基于神经网络的RE-Ni-Cu合金铸铁腐蚀性能预测

通过动态质量损失法腐蚀试验获取RE-Ni-Cu合金铸铁在高温浓碱液中的实测腐蚀深度,并将其作为样本数据用于BP神经网络的训练和验证;利用MATLAB的工具箱函数分别建立拓扑结构为4×15×1和4×15×8×1的BP神经网络,并对两个网络模型进行比较研究。结果表明,在样本集和训练条件下,4层BP网络的预测精度明显高于3层BP网络,可用于RE-Ni-Cu合金铸铁在高温浓碱液腐蚀系统中的腐蚀性能预测。     

热处理对D36钢接头组织及腐蚀性能的影响

采用手工电弧焊对D36级结构用钢进行焊接,分析预热保温工艺对焊接接头微观组织、硬度的影响,并通过电化学测试评价不同工艺焊缝金属在模拟海水中的腐蚀行为。结果表明:D36钢焊接热影响区铁素体和无碳贝氏体针状平行分布,焊缝区为柱状铁素体和粒状珠光体;经预热保温的焊缝晶粒细化、组织均匀,整体硬度大于210HV1.0,冲击韧性提高,裂纹倾向降低;焊缝经100℃预热+150℃保温后,焊缝腐蚀电流密度最低,为2.4μA/cm2,腐蚀电位接近母材,电荷传递电阻达3683Ω,膜层稳定性最佳,是最优的热处理工艺。     

基于B样条神经网络的熔铸装药温度场预测

熔铸装药过程中模具内部温度场分布及其变化规律对装药质量具有重要影响。建立基于B样条神经网络的水/油浴熔铸装药工艺瞬态温度场预测模型，通过数值仿真的正交试验，获得不同工艺条件下熔铸装药温度场演变的数据样本；利用B样条神经网络对数据样本进行训练，得到水/油浴工艺的温控参数与药柱内部温度场之间的关系模型，实现温度场及其凝固前沿演变的快速准确预测。所得成果为熔铸装药的温控参数优化和在线控制提供了高效预测方法，为解决熔铸装药智能化发展中的物理场预测问题提供了方法的借鉴。     

基于粒子群优化支持向量机神经网络的弹丸落点预报

针对目前弹丸落点预报方法预报时间较长和精度不高的问题,提出了基于粒子群(PSO)优化的支持向量机(SVM)神经网络预测方法。该方法采用PSO优化算法优化SVM训练参数,以获得最优SVM神经网络落点预测模型。在此基础上,使用卡尔曼滤波处理外弹道数据形成神经网络训练数据,进行落点预报仿真测试。仿真结果表明,射程最大误差为7.371m,横偏最大误差为0.886m;落点预报时间在35ms之内,比数值积分法快了一个数量级,为弹丸落点预报的实际应用提供了一种途径。     

面向难加工材料钛合金的螺旋铣孔切削参数优化研究

为合理选择航天工业难加工材料钛合金的切削参数(切削速度、切削深度和每齿进给量),提出以切削功率、刀具耐用度和孔表面粗糙度Ra为优化目标,建立螺旋铣孔切削参数优化数学模型,用帕累托多目标遗传算法求解该模型,然后用正交试验法验证目标函数数学模型的预测精度,最后对钛合金螺旋铣孔切削工艺进行实证分析。结果表明:优化解集是切削速度为40~80 m/min、每齿进给量为0.05~0.07 mm/r、切削深度为0.1~0.3 mm、Ra为0.40~0.55μm;Ra预测值误差为3%,而切削功率误差仅为1.5%,表明设计的目标函数模型具有较高的预测精度;切削参数优化结果通过了实验验证。     

9Ni钢焊接接头低温性能研究

针对国产9Ni钢,对其进行焊接及热处理工艺制定。采用多层多道手工电弧焊,焊条为ENiCrMo-3,焊前不预热且严格控制层间温度;选择双相区处理工艺。通过高低温拉伸试验、低温冲击试验、硬度测试及金相组织观察检测焊接接头性能。结果表明,9Ni钢接头低温冲击韧性和抗拉强度均满足要求,对其制定的焊接和热处理工艺切实可行。     

铝合金压力凝固组织特征

对LY12铝合金和Al-5.45Si合金液态模锻时结晶凝固过程的传热特点与组织形态进行了实验研究,首先实验测定了机械静压力以及模具预热温度和加压开始时间等工艺参数对凝固速度的影响,在此基础上实验分析了压力与主要工艺参数对二次枝晶间距、共晶体片间距的影响,进而说明了压力对相的形态分布的影响。     

9Ni钢焊接接头低温性能研究

针对国产9Ni钢,对其进行焊接及热处理工艺制定。采用多层多道手工电弧焊,焊条为ENiCrMo-3,焊前不预热且严格控制层间温度;选择双相区处理工艺。通过高低温拉伸试验、低温冲击试验、硬度测试及金相组织观察检测焊接接头性能。结果表明,9Ni钢接头低温冲击韧性和抗拉强度均满足要求,对其制定的焊接和热处理工艺切实可行。     

超高硬度堆焊材料性能的神经网络预测

在试验优化技术的基础上 ,运用BP神经网络建立了C -Cr -Mo -W -V中碳高合金系统的堆敷金属性能与堆焊合金系统主要元素之间的关系模型。经过试验检验 ,该模型能够对堆焊层性能进行准确的预测 ,从而为超高硬度材料的研制与开发提供一条切实可行的新途径     

基于麻雀搜索算法优化BP神经网络的弹丸射程预测研究

弹丸发射参数、气象条件等会影响弹丸射程,其构成的影响体系复杂并难以准确预测。针对BP预测算法会因初始权值和阈值取值不当导致陷入局部最优的问题,建立了麻雀搜索算法(SSA)优化BP神经网络的弹丸射程预测模型,以弹丸射程作为输出指标,选取弹丸初速、发射角度和风力条件作为影响因素输入,经过数据预处理后进行弹丸射程预测;同时与粒子群算法(PSO)和遗传算法(GA)优化BP神经网络预测模型的预测精度进行对比,验证SSA优化BP神经网络模型的预测效果。结果表明,SSA-BP预测模型的平均绝对误差、均方根误差和平均绝对百分比误差分别为10.456 4 m、11.831 3 m和0.058 13%,低于BP、PSO-BP、GA-BP预测模型的相应评估指标,所以SSA-BP模型的预测精度高于BP、PSO-BP、GA-BP预测模型,其可以为弹丸射程预测和远程火力打击研究提供支持。