基于BP神经网络的轮胎模具微铣削能耗预测

针对子午线轮胎模具微铣削加工过程中能耗计算问题,以主轴转速、每齿进给量、切削深度3个重要铣削参数作为变量,设计轮胎模具微铣削加工能耗实验.根据实验数据构建基于BP神经网络的微铣削能耗预测模型.通过改进预测模型的激活函数,提高模型的预测精度.结果表明:所提的预测模型有效,可以实现不同铣削参数组合下的能耗预测.     

基于网格法的数控加工仿真铣削参数优化研究

建立了铣削参数的多目标优化模型,运用网格法对铣削参数进行优化研究.采用Visual Basic 6.0 编程,并在仿真系统中进行实例验证,获得了优化的铣削用量组合.     

基于BP神经网络的电解加工工艺参数优选研究

电解加工中通过适当地控制工艺参数可获得较好的表面质量.运用正交试验方法研究了工作电压、电解液压力、初始间隙、阴极转速及阴极进给速度对电解加工表面质量的影响,得到了优化的工艺组合.在此基础上运用BP神经网络对试验数据进行分析处理,预测了较正交试验分析结果更为优化的工艺组合,并用试验验证了其正确性.结果表明,经正交试验数据训练过的BP神经网络,较好地映射了工艺参数与优化指标之间的复杂非线性关系,应用BP神经网络对工艺参数进行优选研究能得到更全面、准确的结果.     

基于遗传神经网络的铣削力预测方法

铣削过程的复杂性和铣削力产生的多因素性使得铣削力预测模型很难建立.论文在遗传算法与BP网络模型相结合的基础上,利用遗传算法训练神经网络权重的方法,建立了铣削力预测的遗传神经网络模型.最后将神经网络预测结果与实验数据进行比较和误差分析,证明了该神经网络能够准确地预测铣削力的大小.     

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RBF神经网络的花岗岩加工铣削力预测研究

以花岗岩铣削加工中金刚石铣刀为研究对象,对直接导致刀具断裂影响加工效能的关键因素——铣削力进行了研究。针对花岗岩加工铣削力理论公式在实际应用中的局限性,提出了一种采用实验法和神经网络预测相结合的方法。利用实验获得神经网络铣削力预测的建模样本和验证样本以及刀具的断裂极限,利用RBF神经网络对花岗岩加工的铣削力进行了建模预测,通过实验数据验证了该模型的准确性,通过该模型预测获得优选的加工参数,并进行了应用。结果表明该方法有效地提高了刀具的加工效能。     

基于BP神经网络的数控超声加工性能研究

采用正交试验方法对数控超声加工效率进行了分析,建立了数控超声加工效率BP神经网络模型,并对所建模型进行了仿真验证.验证结果表明,该模型预测的工艺参数"加工效率"与实测值具有很好的拟合关系,在此基础上拓宽了各因素水平的取值,利用神经网络的非线性映射能力仿真了各参数对加工效率的影响.     

基于MATLAB神经网络工具箱的BP神经网络状态监控器

介绍了MATLAB神经网络工具箱的主要函数与算法，并基于MATLAB神经网络工具箱，设计了BP神经网络状态监控器，应用线性回归分析对其进行了校验，同时以实例验证了其有效性和正确性。     

数控高效放电铣削加工技术

介绍了我国完全自主原创的数控高效放电铣削加工技术的基本原理.其采用简单超长圆电极,在电极与工件之间施加高效脉冲电源,通过数控系统控制电极与工件的相对运动并对电极损耗进行在线检测和补偿,以类似数控铣的方式加工特殊材料制作的零件复杂形面,实现对特殊难加工材料的高效、低成本加工.并介绍了该加工方法的技术特点、关键技术、设备及应用情况.     

基于BP神经网络的电解加工故障诊断方法研究

针对机匣电解加工工艺复杂、加工环境封闭且故障发生时特征不明显、诊断不及时等问题,提出一种利用遗传算法优化BP神经网络的电解加工状态预测与故障诊断方法,不依赖于加工人员的诊断经验。通过对机匣电解加工过程进行故障诊断试验,表明正常情况下优化后的BP神经网络的识别准确率可达95%,该方法为机匣电解加工故障诊断提供了一种新的模式,有效提高机匣电解加工的可靠性。     

基于神经网络与遗传算法的压铸工艺参数优化

依据A356咖啡机顶盖高压铸造特点,采用FEM仿真软件对铸件成型工艺进行数值模拟,以L16(45)正交试验和6个补充试验作为BP神经网络的训练样本,建立模具热应力与浇注温度、模具预热温度、压射比压、压铸速度4个压铸工艺参数的非线性映射关系;以模具热应力σmax的最小值为优化目标,运用遗传算法进行工艺参数优化。最终得出浇注温度、模具预热温度、压射比压、压铸速度等4个参数最佳的一组组合,使试验指标σmax最小,模具的热疲劳趋势最低,零件的成型质量最佳。试验结果证明,该减少模具热疲劳趋势的优化方案具有可行性,同时对相近结构压铸件的生产也具有一定的指导意义。     

基于正交试验和BP神经网络的板材多点渐进成形工艺优化

针对金属板材渐进成形过程中易出现壁厚不均的问题,在多点渐进成形工艺的基础上,选定合理的工艺参数,建立有限元模型,设计正交试验方案,利用ANSYS/LS-DYNA对方锥台制件渐进成形过程进行数值模拟,并对正交试验结果进行极差分析、方差分析和BP神经网络优化。结果表明:在板材多点渐进成形中,进给量对目标制件成形区壁厚均匀性影响最大,其次是工具头半径,进给速度影响不明显;BP神经网络模型的预测结果与正交试验结果相比误差小于5%;1060铝合金板材在多点渐进成形过程中,当工具头半径为6 mm、进给量为0.25 mm、进给速度为30 mm·s-1时,可获得壁厚较均匀的目标制件。     

基于人工神经网络和遗传算法的平面铣削加工参数自适应优化

机械加工最优自适应控制的关键在于自适应加工模型的建立和实时优化策略的制定。本文提出用人工神经网络方法建立加工过程模型 ,用遗传算法实现在线优化。基于以上算法 ,构造了平面铣削加工参数自适应优化系统 ,可使加工系统在不违反加工约束的前提下 ,总是获得最大材料去除率。     

Optimization of steel casting feeding system based on BP neural network and genetic algorithm

The trial-and-error method is widely used for the current optimization of the steel casting feeding system, which is highly random, subjective and thus ineff icient. In the present work, both the theoretical and the experimental research on the modeling and optimization methods of the process are studied. An approximate alternative model is established based on the Back Propagation(BP) neural network and experimental design. The process parameters of the feeding system are taken as the input, the volumes of shrinkage cavities and porosities calculated by simulation are simultaneously taken as the output. Thus, a mathematical model is established by the BP neural network to combine the input variables with the output response. Then, this model is optimized by the nonlinear optimization function of the genetic algorithm. Finally, a feeding system optimization of a steel traveling wheel is conducted. No shrinkage cavities and porosities are induced through the optimization. Compared to the initial design scheme, the process yield is increased by 4.1% and the volume of the riser is decreased by 5.48×10~6 mm3.     

基于BP人工神经网络的油箱端盖拉深成形仿真预测

以油箱端盖作为分析对象,借助DYNAFORM仿真软件,对油箱端盖的拉深成形过程进行数值模拟,并通过拉深成形试验验证可知,板料最大减薄率与最大增厚率的试验值与模拟值之间的相对误差分别为9.26%与8.32%,验证了有限元模型的正确性。结合正交试验,进行有限元仿真试验的设计,基于BP人工神经网络,对板料的成形质量进行仿真预测。选择冲压速度、模具间隙以及压边力作为输入层,将板料成形的最大减薄率作为输出层,建立了3-11-1的3层BP人工神经网络。通过BP人工神经网络的训练与测试得知:BP人工神经网络仿真预测值与数值模拟值之间的相对误差为2.15%,验证了BP人工神经网络应用于油箱端盖拉深成形质量仿真预测的正确性。     

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％。     

Quality estimation of resistance spot welding of stainless steel based on BP neural network

The end value of the dynamic resistance curve of stainless steel was proved to have strong correlation with nugget size by experiments, so it was an important factor for estimation of weld quality. BP neural network was employed to estimate the weld quality. The end value of the dynamic resistance curve, welding current and welding time were selected as the input variables while the nugget diameter, which is closely related to weld quality, was selected as the output variable. Testing results shows that such network has fine fault tolerance and real-time quality estimation is possible.     

基于BP神经网络的TB8合金高温本构关系模型

利用Gleeble1500热模拟试验机对TB8合金进行等温压缩试验,获得不同变形条件下的流变应力数据,在对数据进行摩擦修正的基础上建立了3×10×1的3层BP神经网络形式的本构关系模型。结果表明,在隐层神经元数为10、学习率为0.05、动量因子为0.4时,网络模型具有优良的性能,能精确反映热变形条件下温度、变形速率、变形程度与流变应力之间的关系,为TB8合金热加工工艺的合理制定和热变形过程的数值模拟提供依据。     

BP神经网络修正熔池红外图像焊缝宽度测量算法

在激光焊接中,焊缝宽度的实时动态变化对于描述焊接质量起着至关重要的作用。焊缝宽度的准确测量有助于理解焊接过程,获得焊接质量控制模型。针对大功率光纤激光焊接304型不锈钢过程,利用高速摄像机,获得清晰的熔池动态红外图像。红外图像仅仅是熔融焊缝处的热成像,难以准确测量焊缝宽度,必须利用BP神经网络加以修正,得到实际焊缝宽度。三组试验结果表明了BP神经网络焊缝宽度测量模型的有效性。