GH2674合金大型涡轮盘锻造成形技术

通过热模拟压缩试验研究了变形温度和变形速率对GH2674合金组织和性能影响,试验温度范围为950～1200℃,应变速率为0.01、0.05、0.1和1.0s-1,变形量为65%;同时采用有限元法模拟分析了GH2674合金大型涡轮盘的成形过程,创造性的提出局部成形的方法,并对局部成形过程中应变场及载荷分布情况进行分析,从而确定了GH2674合金大型盘件合适的热成形工艺,并生产出了符合标准要求的直径达φ2200mm的GH2674合金大型涡轮盘锻件。     

高温合金涡轮盘锻件成形工艺研究

高温合金涡轮盘锻造成形工艺对于涡轮盘的制造至关重要。为了达到提高锻造质量的目的,以某GH4169涡轮盘为例,指出了传统涡轮盘锻造工艺存在的缺陷和问题,介绍了新工艺锻件成形过程,锻件技术指标满足要求,对涡轮盘制造具有积极的借鉴和促进作用。     

高温合金涡轮盘锻造工艺

航空航天发动机涡轮盘材料GH4133B是一种特殊的镍基高温合金新材料,该材料锻造成形时塑性低、变形抗力特别大、可锻温度范围窄、导热性差,且锻件的晶粒尺寸不能通过热处理细化,所以要满足锻件的内在质量要求,必须制定合理的工艺路线.本文从材料的化学成分、锻造工艺、模具设计和生产试制等方面介绍了涡轮盘的生产过程.其中,为了满足对锻造加热火次和每火次的锻造变形量的控制,提出了锻坯准备、表面清理、表面涂料、加热、刻标记和检验的新工艺路线.经验证通过热处理固溶、时效后的涡轮盘锻件,其力学性能完全达到使用要求,并且已批量生产,效果良好.     

GH4169合金涡轮盘热模锻中晶粒尺寸演变的数值模拟与分析

针对GH4169合金涡轮盘热模锻中易出现粗晶、混晶等显微组织缺陷,通过热模拟压缩实验和热变形后热处理实验,研究分析了GH4169合金在热变形和后续热处理中的显微组织演变规律,并建立了晶粒尺寸演变模型。实验结果表明:GH4169合金在热变形中的主要显微组织演变机制为动态再结晶,热变形后热处理中的主要显微组织演变机制为晶粒长大和孪晶生成。将晶粒尺寸演变模型与有限元结合,对某GH4169合金涡轮盘热模锻中的晶粒尺寸演变进行了预测分析,预测结果与实际结果一致。     

GH4169涡轮盘锻件的成形工艺分析

针对GH4169涡轮盘锻件的技术指标要求,对锻件的成形工艺方案进行分析。结合生产实际,制定了合理的锻造工艺方案,并通过计算机模拟,生产出了符合技术标准要求的涡轮盘锻件,为今后生产同类型锻件提供一定的参考价值。     

上心盘锻造成形过程的有限元模拟

通过上心盘成形过程的有限元模拟，对其速度场、等效应变、等效应力进行了分析，为上心盘锻造成形的可行性提供了理论依据，并对模具设计具有指导意义。     

摇臂等温精密成形工艺数值模拟及实验研究

摇臂在实际开式锻造生产过程中容易出现裂纹,并且材料的利用率低于50%。通过对摇臂三维几何模型的建立,提出了等温精密成形工艺方案,结合摇臂的形状特点,设置一定的工艺补充部分。利用有限元数值模拟软件DEFORM-3D,分析预锻件对终成形效果的影响,研究了优化后的预锻件终成形过程局部速度场及可能产生的缺陷。通过数值分析和实验,得出合理的预锻件,使成形中出现的充不满、金属折叠等问题得到解决。锻件本体流线分布合理,内部组织均匀,没有出现裂纹缺陷,并能够预测裂纹产生的趋势,材料利用率可提高到95%。     

TC4马蹄形接头等温锻造成形工艺数值模拟研究

借助于数值模拟技术研究了TC4马蹄形接头等温锻造成形过程,分析了马蹄形接头成形过程中金属流动特点和凸模载荷随时间变化的特点。结果表明:马蹄形接头A部位先于B部位成形。金属以反向流动为主成形A部位时,凸模载荷增加缓慢;以正向流动为主成形B部位时,凸模载荷迅速增加至峰值,并发生波动。整个成形过程中金属流动顺利,未预测到成形缺陷,工艺可行。     

TC4钛合金等温锻造过程的数值模拟和实验研究

实验研究了TC4钛合金等温锻造的工艺过程,并采用DEFORM-3D有限元软件对其进行数值模拟.结果表明,采用等温锻造工艺成功地锻造出某钛合金复杂结构件,锻件轮廓清晰、表面光洁、尺寸精度高,金属流线分布合理,组织性能超过常规机加工件,其材料用量相对于常规机加工件提高到60%.通过软件模拟,了解锻件成形的应力、应变及金属流动等信息,为工艺的确定和设备的选取提供了理论依据.     

基于神经网络的模锻压机载荷在线预测模型

由于模锻过程具有强时变性和非线性,因此精确控制模锻压机载荷预测至关重要。以7075铝合金模锻过程为例,提出了一种基于神经网络的模锻压机载荷在线建模方法。基于商业软件Deform-3D模拟了恒温恒速度工况下的载荷变化规律,根据获取的数据建立了初始神经网络模型。在实际模锻实验过程中,通过反向传播算法不断修正初始神经网络权值矩阵,以实现模型的在线更新。在50 t模锻实验台上进行实验,以验证所提方法的有效性。实验结果表明:所提出的在线建模方法可以准确预测复杂模锻工况下载荷的变化,与传统离线神经网络建模方法相比,其预测值更加准确,更能满足实际工程需求。     

等温精密成形镁合金上机匣新工艺

针对直升机上机匣的复杂结构和其受力特点,以及加工制造中存在的问题,对此类锻件所使用的材料和加工工艺做了对比分析,建议此类锻件采用等温成形加工。确定了等温成形加工方案,设计出了所使用的模具。通过实际应用,证明该方案行之有效。     

Microstructure prediction of two-phase titanium alloy during hot forging using artificial neural networks and FE simulation

The microstructural evolution of titanium alloy under isothermal and non-isothermal hot forging conditions was predicted using artificial neural networks (ANN) and finite element (FE) simulation. In the present work, the change in phase volume fraction, grain size, and the volume fraction of dynamic globularization were modelled considering hot working conditions. Initially, an ANN model was developed for steady-state phase volume fraction. The input parameters were the alloy chemical composition (Al, V, Fe, O, and N) and the holding temperature, and the output parameter was the alpha/beta phase volume fraction at steady state. The non-steady state phase volume fraction under non-isothermal conditions was subsequently modelled on the basis of 4 input parameters such as initial specimen temperature, die (or environment) temperature, steady-state phase volume fraction at die (or environment) temperature, and elapsed time during forging. Resulting ANN models were coupled with the FE simulation (DEFORM-3D) in order to predict the variation of phase volume fraction during isothermal and non-isothermal forging. In addition, a grain size variation and a globularization model were developed for hot forging. To validate the predicted results from the models, Ti-6Al-4V alloy was hot-worked at various conditions and then the resulting microstructures were compared with simulated data. Comparisons between model predictions and experimental data indicated that the ANN model holds promise for microstructure evolution in two phase Ti-6Al-4V alloy.     

模糊神经网络技术在精锻模具智能设计中的应用

针对精密锻造模具智能设计中的回弹量预测问题，研究模糊神经网络技术的应用。设计模糊预测器结构。研究模糊化算法，逆模糊化算法及模糊控制器结构，并开发出模糊预测系统。最后，对系统的预测结果进行分析。验证其可靠性。     

基于人工神经网络的焊缝宽度预测

研究了用神经网络预测焊缝宽度的方法。首先对焊接质量检测系统的一些相关问题进行了研究,考虑了弧焊特性的提取、焊接质量的预报以及人工神经网络模型(ANN)的应用,设计了一个基于人工神经网络的焊接质量检测系统,给出系统的组成结构,ANN被用于预测焊缝宽度,建立了焊缝宽度预测的人工神经网络模型。为了验证建立的ANN模型的可行性,进行了仿真研究。仿真结果表明,所建立的ANN模型可预测焊缝宽度,基于人工神经网络的焊接质量检测系统是有效的。     

基于人工神经网络的点焊熔核直径预测

从电极位移曲线上提取出的两个特征值及焊接能量值作为输入值,熔核直径为输出值,建立了基于BP算法的铝合金直流点焊熔核直径预测模型.该模型为隐层结点数为5的三层结构,隐层转移函数为Sigmoid函数,输出层的转移函数为线性函数.对实测结果与仿真结果进行了对比分析,结果表明,45.2%的预测值与实测值相差不超过0.5 mm,77.4%的预测误差不超过1 mm,94.3%的预测误差没有超过2 mm.回归分析结果为A=0.878T 0.982.     

钛合金等温锻造工艺优化研究

将有限元模拟技术和神经网络理论相结合,建立了钛合金等温锻造工艺设计的优化系统,实现了CAD-CAE-优化-CAD的循环,在循环过程中,CAE对CAD产生了数据反馈.将FEM模拟结果作为初始数据导人优化系统,作为ANN的训练参数,利用训练好的神经网络对设计做出预测,循环系统不断运行直至得到良好的结果.利用该优化系统能获得像顶级专家主持一样的优良效果,使得设计过程在时间和效果上都得到提高.     

Ti-17合金本构关系的人工神经网络模型

开发了一个基于神经网络的Ｔｉ１７ 合金的本构关系模型。首先利用ＴｈｅｒｍｅｃｍａｓｔｏｒＺ 型热模拟机等温压缩Ｔｉ１７ 合金, 研究在不同变形温度、变形程度和应变速率等工艺参数条件下流动应力的变化情况。然后用实验所得的热变形工艺参数与性能间的数据训练人工神经网络。训练结束后的神经网络变成为一个知识基的本构关系模型。利用该模型预测的流动应力的值与实验结果间的误差较小。     

基于多层ANN的机器人等离子熔射智能化模型

分析了机器人等离子熔射过程的神经网络模型的实现方法,基于多层人工神经网络(antificial neural network,ANN)建立了等离子熔射过程的智能化模型.基于该模型,系统研究了等离子弧电流、熔射距离、机器人扫描间距和速度对主要涂层性能参数-残余应力和孔隙率的影响规律,并通过试验数据库的学习对涂层性能参数进行预测.结果表明,模型预测结果与试验结果有着很好的吻合,解决了工艺试验结果中仅有离散数据且难以全面反映等离子熔射工艺参数一涂层性能之间复杂非线性关系的难题.

Abstract：

The implementation of multi-layer artificial neural networks (ANNs) in robotic plasma spraying was discussed and an intelligent process model was constructed to fully describe the relationships between process parameters and coating properties. Influences of plasma arc current, spray distance, robot scanning space and scanning velocity on coating properties, i.e. residual stress and porosity, were systematically studied based on the present model. Prediction can be effectively carried out after the learning of the experimental database. Theoretical analysis shows the prediction results agree well with the experiments. It is favorable to fully investigate the complex and nonlinear relationships between processing parameters and coating properties as well as to overcome the limited information indicated by the discrete variable in the processing results.