基于神经网络的材料性能参数和摩擦系数的实时识别

在板材拉深成形智能化控制过程中 ,为了避免缺陷的产生 ,必须适时地改变控制工艺参数 ,而最佳控制参数要根据材料的性能参数和摩擦系数来预测。根据拉深成形过程的特点及生产过程中自动化程度的要求 ,建立了材料性能参数和摩擦系数识别的人工神经网络模型。利用神经网络这种新一代信息处理工具实现了材料性能参数和摩擦系数的实时识别 ,为实现板材拉深成形过程的智能化控制奠定了基础     

轴对称件智能拉深系统中的神经网络参数识别

建立了轴对称拉深件的材料性能参数和摩擦系数实时识别前馈神经网络，采用LM算法优化网络，将参数识别精度提高到一个新水平，为智能化拉深成形的。实时预测和实时控制这两个基本要素提供了前提保证，为实现整个拉深成形过程的智能化控制奠定基础。     

注塑参数优化实施过程

利用正交矩阵,构造了注塑工艺主要参数的优化过程。以模具温度、熔体温度、注射速度和注射压力为因素,在给出专家期望值的条件下,求出了这四个参数的最优值。     

循环流速对环管反应器内液-固二相流动影响的CFD模拟

以聚丙烯工艺中的环管反应器(包括环管与轴流泵)为研究对象,首先通过CAD软件绘出该反应器的三维模型,然后在Gambit软件中划分该系统的网格。在此基础上,建立了环管反应器内液-固两相的"颗粒动力学-欧拉双流体"模型。其中,采用颗粒动力学描述固相(颗粒相)黏度与压力,采用多重坐标系模型描述轴流泵。采用上述模型模拟了循环流速对环管反应器内液-固两相流动行为的影响。结果表明,高循环流速有助于颗粒在环管"直管"部分均匀分布,但将造成颗粒在环管"弯管"部分不均匀分布。     

Spheripol聚丙烯工艺的环管反应器模拟

在Aspen Polymers Plus软件平台上模拟Spheripol聚丙烯工艺中核心液相环管反应器,采用了等效的全混流反应器模型和组合式环管反应器模型,结合工厂现场采集的数据,拟合了丙烯聚合反应动力学模型,并将该模型用于两种环管反应器模拟方法的比较。采用组合式环管反应器模型考察了丙烯聚合反应循环比对反应器撤热、聚丙烯产量和相对分子质量分布、反应器内氢气浓度分布的影响。结果表明,在高循环比操作条件下和误差允许范围内,环管反应器可以等效为一个全混流反应器。当控制环管反应器夹套冷却水出口温度不变时,过低的循环比使得反应器内的温度分布不均匀,而过高的循环比则使环管反应器的撤热能力下降;当循环比增加时,环管反应器内的温度和组分浓度梯度减小,停留时间分布均匀,趋于全混流状态,催化剂活性得到充分发挥,聚丙烯产量也相应增加。     

轴对称件拉深成形智能化控制过程中参数实时识别的GA-ENN建模

材料性能参数和摩擦系数的实时识别是实现拉深过程智能化控制的关键。建立了遗传算法与神经网络相结合的识别模型（GA-ENN），利用遗传算法进行网络权系的训练和优化。给出了网络输入层，输出层和稳层的确定方法以及GA-ENN模型的学习算法。验证结果表明，与BP网络模型比较，GA-ENN模型的学习效率和学习精度均有明显的提高，是一种有效的识别模型，为实现拉深成形过程的智能化控制奠定了基础。