采用BP神经网络结合遗传算法优化薄壁塑件注射成型工艺参数

以冰箱冷藏饰条的注射成型为例,基于注射成型过程的CAE模拟,采用BP人工神经网络与遗传算法相结合优化注射成型工艺参数,减小塑件成型的翘曲变形量。采用优化后得到的最佳工艺参数进行实际生产验证,获得了满意的效果。     

基于 BP 神经网络的 Fe 基合金粉末喷涂工艺参数优化

目的基于BP神经网络具有自学习、自训练和输出预测的功能,将其应用于热喷涂过程中的参数优化问题。方法依托高效能超音速等离子喷涂系统实验平台,以Fe基合金粉末为喷涂材料,将等离子喷涂中的主气流量、电功率和喷涂距离作为模型输入,涂层沉积速率和硬度作为模型输出,不断调整隐含层节点个数,最终建立3-7-2网络结构的BP神经网络以优化工艺参数。利用优化出的工艺参数制备Fe基合金涂层,测试其性能,并计算误差。结果神经网络优化出的最优喷涂工艺参数为:主气流量96L/min,电功率56 k W,喷涂距离95 mm。采用该工艺参数制备涂层,涂层增厚实测平均值为360μm,硬度为672HV0.3,而模型的预测值分别为332μm和611HV0.3,与预测值的相对误差分别为7.8%和9.1%。结论 BP神经网络对等离子喷涂参数优化问题的拟合精度比较高,误差在可以接受的范围之内。将BP神经网络运用于热喷涂工艺参数的优化具有科学性和可操作性。     

基于BP神经网络与遗传算法的罩盖压铸工艺参数优化

为了得到高速压铸过程中的最优工艺参数,用试验数据得到的各工艺参数范围作为神经网络的训练样本,建立压铸工艺参数(浇注温度、模具温度、高速充填速度)与凝固时间、二次枝晶臂间距、抗拉强度的非线性映射关系,并运用遗传算法对函数关系式中的压铸工艺参数寻优,从而获得最优的一组压铸工艺参数。在该工艺参数下,零件的成形质量最佳,凝固时间少,二次枝晶臂间距小,抗拉强度高。     

基于LPSO与BP神经网络电阻点焊工艺参数建模优化

电阻点焊工艺参数的设置对点焊焊接质量有着非常重要的作用,难以建立精确的数学模型。基于此,提出一种将Logistic映射微粒群优化算法(LPSO)与BP神经网络相结合的方法,对0.8mm厚08AL钢板点焊工艺参数建模优化。在详细分析点焊工艺的基础上,利用BP神经网络建立点焊工艺参数与焊接质量之间的模型,同时结合LPSO的全局寻优能力,对点焊工艺参数进行优化,获得三大主要工艺参数(点焊时间、点焊电流与电极压力)的最优匹配。以点焊时间9周波、点焊电流11.41k N、电极压力1.7k N的最优工艺参数组合进行试验,结果表明,与BP+COA和正交实验法相比,该方法具有更高的可靠性。     

基于BP神经网络和遗传算法的TWIP钢热处理工艺参数优化

为了提高Fe-Mn-C-Al系TWIP钢的力学性能,采用BP神经网络与遗传算法对热处理工艺参数优化。以3个热处理工艺参数为优化对象,以抗拉强度与伸长率之积的强塑积作为优化目标,建立3-4-1的BP神经网络的非线性映射模型,再通过遗传算法的全局寻优,得到具有最优强塑积的热处理工艺参数的最优配置组合。预测结果表明,其最优强塑积热处理工艺为:退火温度为863℃、保温时间为26 min、冷却方式为炉冷,并通过试验验证了预测结果的准确性。     

基于BP神经网络与遗传算法的固结磨具制作工艺参数优化

目的 利用BP神经网络技术与遗传算法寻找固结磨具制作最优工艺参数组合,实现固结磨具制作工艺参数的快速寻优.方法 设计磨粒粒径、磨粒质量分数、成型压力、烧结温度的正交工艺参数表,按正交表工艺参数制作蓝宝石晶片加工用的Cr2O3固结磨具,并且设计不同固化温度下制作的固结磨具的硬度与抗压强度测试试验,验证自制的固结磨具加工的...     

基于BP神经网络的连杆锻压工艺优化

以连杆材料、模具预热温度、始锻温度、终锻温度、锻压速度为输入层参数,以磨损体积为输出层参数,构建了5×25×1三层拓扑结构的连杆锻压工艺优化神经网络模型,并对该模型进行了预测和验证。还对45钢连杆和40Cr钢连杆的磨损性能进行了测试分析。结果表明,连杆锻压工艺神经网络模型的平均相对训练误差为4.1%,平均相对预测误差为4.5%,具有较精准的预测能力和精度。应用BP神经网络模型优化锻压工艺的45钢连杆和40Cr钢连杆的磨损体积分别较产线现用工艺减小了38.2%、44%。神经网络优化的连杆锻压工艺的最佳参数为:材料40Cr钢、模具预热温度450℃、始锻温度1240℃、终锻温度810℃、锻压速度32 mm/s。     

基于BP神经网络的前轴锻压工艺优化

以始锻温度、终锻温度、锻压比和前轴材质4个参数作为输入层函数,以耐磨损性能和疲劳性能作为输出层函数,采用4×16×8×2四层拓扑结构构建了前轴锻压工艺的神经网络优化模型,并进行了训练、预测和验证。结果表明,神经网络的耐磨损性能相对训练误差在3.2%～5.7%、疲劳性能相对训练误差在3.2%～5.5%;耐磨损性能的相对预测误差在2.6%～4.2%、平均相对预测误差为3.15%,疲劳性能的相对预测误差在2.6%～4.1%、平均相对预测误差为3.17%。     

基于MoldFlow的手机外壳注射工艺参数优化

在冷却分析的基础上对塑件进行冷却、充填+保压、翘曲分析,得到新的充填和保压工艺参数,即需缩短注射时间和保压时间,增大保压压力。在新的工艺参数下进行冷却、充填+保压、翘曲分析的结果较好。充填流动平稳,没有滞流和短射现象。总体的温降也得到改善,塑件的体积收缩率减小,残余应力减小。     

基于BP神经网络的压铸成型工艺参数的模拟与优化

利用数值模拟、BP神经网络和正交试验相结合的方法对压铸成型的工艺参数进行模拟和优化。并且通过一个简单的实例对该方法的可行性进行了验证。基于BP神经网络对压铸工艺参数及其相对应的铸件最低温度点样本进行训练,得到了工艺参数到铸件温度映射关系的神经网络模型,并验证该模型的准确性。结果表明,神经网络结合正交实验设计方法的优化算法,可以确定出最优的工艺参数组合,缩短了优化工艺参数的时间。     

基于BP神经网络的数控加工铣削参数优化

以DMC60H数控机床为试验平台,以壳体类铝合金零件加工为研究对象,提取数控铣削加工试验数据,采用BP神经网络建立数控加工铣削参数优化模型,通过对数控加工铣削参数试验数据的分析与研究,提出了试验数据与样本数据的处理原则,实现了样本数据的优化,提高了BP神经网络模型的收敛精度、收敛速度与预测精度,并分析了验证数据的构成比例。经生产验证:提出的数控加工铣削参数优化方法具有较强的实用性和一定的先进性,能有效提高加工效率,对实现数控机床综合应用效率最优化,实现高效低成本加工具有重要意义。     

基于PCA-ELM算法的注塑成形工艺参数优化

引入了一种特征提取方法——主成分分析法(PCA),通过降维,把高维的决策变量映射到低维空间,得到主成分(主要的决策变量),简化了模型,提高了效率,并结合极限学习机(ELM),使用一种改进的带精英策略的非支配排序遗传算法(NSGAⅡ),对建立的多目标优化模型进行求解,得到Pareto最优解集。     

基于敏感性分析的注塑成型工艺参数优化

工艺参数的选取对注塑产品质量至关重要。文章建立了无量纲形式的敏感度函数和敏感度因子的多因素敏感性分析方法,并以某监控系统设备外壳成型为例,对影响产品翘曲的工艺参数进行了敏感性分析和优化。结果表明,保压压力和模具温度是影响产品Z向翘曲的主要因素。最后,对应用优化工艺参数的制造产品进行了翘曲检测,检测结果与模拟结果基本吻合,缩短了试模周期,提高了产品质量。     

基于人工神经网络技术的注塑成型工艺参数优化

研究了人工神经网络技术在注塑成型工艺参数优化中的应用,通过建立基于神经网络的压力、温度模型以及优化工艺参数的目标函数,实现了基于人工神经网络技术的注射成型工艺参数优化;并将其应用于华中科技大学模具国家重点实验室开发的注塑成型CAE系统HsCAE 3DRF中,取得了良好的效果。     

基于BP神经网络L M优化算法的喷液式线切割工艺参数优化

为了解决大能量切割时常因放电极间供液不足而出现干切和断丝的现象,提出在工作液高压浇注供液方式的基础上,增添跟踪喷液辅助系统。该系统可减少或消除供液喷嘴与切割表面间的喷液流失,提高工作液的极间进入量和极间平均流动速度,进而改善极间放电条件。在搭建的喷液系统上进行了正交优化试验,研究了功放管数、脉冲间隔、切割厚度、脉冲宽度、运丝速度等因素对切割效率的影响,确定了线切割优化工艺参数,获得了200 mm~2/min以上切割效率。借助L-M优化算法的BP神经网络搭立了线切割加工工艺网络预测模型,预测精度较高,为跟踪喷液式高速走丝线切割机的高效切割提供了可靠的工艺参数预测模型,满足实际加工需要。     

基于BP神经网络算法的喷头锻压工艺优化

以喷头材质、模具预热温度、始锻温度、终锻温度和锻压速度作为输入层参数,以磨损性能作为输出层参数,采用BP神经网络算法构建了5×20×4×1四层拓扑结构的喷头锻压工艺优化BP神经网络模型。经过训练和预测验证,神经网络模型的相对训练误差低于5%,相对预测误差低于5.5%,具有较佳的预测能力和预测精度。     

基于BP神经网络算法的耐磨钢热处理工艺优化

以耐磨钢牌号、淬火温度、淬火冷却方式、回火温度和回火冷却方式作为输入层参数,以硬度作为输出层参数,采用BP神经网络算法构建了耐磨钢热处理工艺优化的BP神经网络模型,并进行了模型的预测和应用验证。结果表明,该模型的输出参数平均相对预测误差为2.2%,具有较好的预测能力和较高的预测精度。与生产线现用工艺相比,采用BP神经网络模型优化工艺热处理后的NM360、NM400、NM500耐磨钢的磨损体积分别减小26%、26%、28%。     

基于BP神经网络的齿轮材料热处理工艺优化

以齿轮材料型号、退火温度、退火时间、淬火温度、淬火时间、回火温度和回火时间7个参数作为输入参数,以耐磨损性能为输出参数,构建出7×35×1三层拓扑结构的齿轮复合材料热处理工艺BP神经网络优化模型,并进行了学习训练、预测验证与应用验证。结果表明,BP神经网络优化模型的预测能力强,预测精度高,平均预测相对误差为3.6%。与原用热处理工艺相比,齿轮材料在采用BP神经网络优化的热处理工艺后耐磨损性能得到明显提高,其中42CrMo-15%WC磨损体积减小44%,42CrMo-50%WC磨损体积减小58%。     

基于BP神经网络的滚刀工艺参数预测北大核心

为了保证滚刀加工质量的一致性,缩短滚刀工艺文件的制定周期,在对滚刀的粗加工工艺进行研究后,采用机器学习方法,将滚刀的几何特征参数作为反向传播(BP)神经网络的输入变量,滚刀粗加工中每个工序的工艺参数作为输出结果,对滚刀粗加工过程中每个工序的工艺参数进行预测。针对传统BP神经网络最速下降法收敛速度慢的问题,在研究了“锯齿现象”产生的原因后,提出了一种“修正下降方向”的反向传播神经网络算法。仿真结果说明,与传统BP神经网络相比,同等条件下,改进的BP神经网络收敛速度加快,预测结果可靠。