注塑制品翘曲变形数值分析模型

基于板壳理论和有限元方法对翘曲变形进行CAE分析，提出翘曲变形有限元模拟数学模型，并对模拟结果进行实验验证，证明了翘曲变形模型及分析软件的正确性。     

Moldflow技术在注塑制品翘曲变形中的分析应用

运用Moldflow软件对某学习机电池盒外壳注塑件塑料熔体的充填、流动和冷却过程进行了模拟,并进行了翘曲变形分析。结果表明,浇口的位置和形式、成型条件、冷却方式、成型收缩等对塑件的翘曲变形都有不同程度的影响。通过MPI模流分析,对制品可能发生的变形进行了预测,确定了最佳浇口位置,优化了成型条件和冷却方式,提出了改善翘曲变形的有效方法。     

基于正交试验法进行注塑制品翘曲模拟分析及工艺优化

翘曲变形是薄壳类塑料件注塑成型中的常见缺陷之一。不同材料、形状及不同成型工艺的注塑件的翘曲变形规律差别很大,翘曲变形问题的存在会影响注塑件的形状精度和表面质量,甚至成为成型缺陷,进而影响产品装配及外观。翘曲作为塑件变形的重要特征之一,其研究有着重要的应用价值。利用数值模拟技术研究制件注塑成型,降低塑件成型的翘曲量,对于提高注塑产品精度、缩短新产品开发周期、降低成本、提高生产率等都有着重要的意义。     

注塑产品的翘曲分析及改进

阐述注塑产品翘曲分析的理论,并以CAE软件MPI/WARP为工具,分析光盘驱动器的驱动盘,提出翘曲产生的原 因和相应的改进措施。     

基于流动模拟技术的注塑成型工艺参数优化

利用Pro／E建立了15寸电脑显示器前壳简化3D模型，并用Mold Plastics Insight(MPL)软件对该制品的注塑成型过程进行流动、保压、冷却和翘曲模拟分析，优化工艺参数。然后，针对塑件材料的注射温度和模具温度的选用范围进行分组模拟，得到几组较优的工艺参数组合，并以翘曲变形量为参考标准，获得合理的工艺参数组合。     

MATLAB在注塑件翘曲变形工艺参数优化中的应用

本文利用BP神经网络对注塑工艺参数及其相对应的翘曲变形量样本进行训练,得到了描述工艺参数到翘曲量映射关系的ANN模型,并且验证了此模型的准确性,得出了工艺参数与塑件注塑翘曲变形量的内在联系。     

注塑齿轮结构特征与翘曲关系的研究

针对注塑齿轮翘曲的问题,从注塑齿轮参数化建模的角度出发,分析齿轮的模数和腹板厚度对翘曲变形的影响。运用NX8.5和Moldflow进行建模和翘曲分析,结果显示收缩不均是引起翘曲变形的主要因素,所以选取收缩不均引起的最大翘曲变形量为目标参数。通过分析,得出模数和腹板厚度及其交互作用对目标参数的影响规律曲线,并用Matlab对曲线进行拟合,对结构参数和目标参数之间的关系用数学方程进行描述,为注塑齿轮的参数化设计提供一定的参考。     

基坑变形人工神经网络预测及其网络参数优化

基坑变形人工神经网络预测受网络参数的影响较大，选取适当的网络参数才能得到较优的预测结果。本文介绍了人工神经网络原理及其网络参数的优化方法。以挡土桩桩顶水平位移预测为例，说明其具体预测步骤及网络参数优化方法。     

注塑件的翘曲变形分析与成形尺寸预测

应用有限元方法研究了温度场、压力对注塑件残余应力及翘曲变形的影响，重点讨论注塑件的温度场计算、2维粘弹性本构关系下注塑件的残余应力计算，以及热塑性小变形理论下的注塑件翘曲变形计算，并给出了数值算例。     

熔融沉积薄壁件产生翘曲变形分析及优化

针对熔融沉积薄壁件易产生翘曲变形的问题,采用建立翘曲变形数学模型,设计正交试验,极差分析的方法,对沉积厚度、喷头温度、托盘温度以及填充率4个工艺参数进行研究,得出各参数对翘曲变形量影响的重要因子。结果表明,沉积厚度0.4mm,喷嘴温度225℃,托盘温度70℃,填充率20%时,此时薄壁件的翘曲变形量最小,翘曲量0.392 mm。因此,影响翘曲变形的主次顺序:沉积厚度>喷嘴温度>托盘温度>填充率,理论分析与实验结果一致,并得出各工艺参数对翘曲量的变化。优化设计后工艺参数,产品的翘曲变形量减小86.2%,为成型薄壁件过程减少翘曲变形提供一定参考。     

基于ASP模式的远程CAE服务研究与实现

为了解决网络环境下CAE技术资源的利用共享问题，提出了ASP模式下的远程CAE服务总体框架模型。在此基础上开发了基于ASP原理的服务平台，通过远程调用实现了常用的CAE软件ANSYS的共享，证实了该策略的可行性和有效性，表明该模式有利于推广高水平的CAE分析技术。     

BP神经网络在财务失败预测的应用

采用了改进的BP神经网络对企业的财务状况进行了仿真预测，并与证券交易所公布的结果做比较，验证了其可靠性。     

基于BP神经网络的磨削温度预测

磨削温度是评价磨削过程的一个重要指标,利用BP神经网络良好的非线性映射功能,以磨削用量(砂轮线速度、工作太速度和磨削深度)为输入,以磨削温度为输出,建立了磨削温度的BP神经网络预测模型。并通过仿真验证了模型的正确性,为磨削温度的预测提供了一个简单可行的方法。     

基于反向传播神经网络的数字化工厂数据预测

数字化工厂数据涉及产品全生命周期,研究将反向传播神经网络应用于数字化工厂数据的预测。介绍了数字化工厂数据的组成,建立了反向传播神经网络,并分析了梯度下降的应用。通过运行程序得到预测结果,确认预测准确率达到95%。基于反向传播神经网络,可以对最终产品合格率、机器设备投资回报率及人力资源投资回报率进行预测。     

基于BP网络和线性预测方法的机器人信息预测

研究在RoboCup小型组比赛中通过预测减小系统延时产生的影响。整个系统在运行过程中产生信息传递的延时,视觉信息不能真实的反映当前场上机器人和球的信息,需要对视觉信息进行预测,以减小延时造成的误差,最终得出综合信息供后续决策使用。文章采用BP神经网络和线性预测的方法来解决这个问题。     

基于BP神经网络的纳米复合沉积层显微硬度预测研究

在复合电沉积工艺中,通过适当控制工艺条件可以获得具有特殊性能的纳米复合镀层。运用正交试验法优化对复合沉积层显微硬度有较大影响的各工艺参数,然后用BP神经网络分析方法对正交试验的结果进行分析处理。预测并得到较正交试验法所得最优工艺水平组合时更高的复合沉积层显微硬度,证实了将神经网络模型应用于复合沉积层性能预测和工艺优化的可行性和有效性。     

采用BP神经网络的叶片电解加工精度预测

工件成型精度的预测是实际电解加工的重要研究课题,快速、准确地选取加工参数并预测出工件的形状精度可以减少试验次数,缩短试制周期,降低生产成本。本文以某型发动机叶片为研究对象,对影响电解加工精度的主要加工参数进行了分析,结合工艺试验的数据建立了BP网络模型,并采用该模型进行了不同加工参数组合下叶片型面的预测。结果表明,该模型的预测精度比较高,具有一定的工程实用性。     

基于BP神经网络的切削表面粗糙度预测方法

利用神经网络理论,提出一种利用BP神经网络预测切削表面粗糙度的方法。简单分析了粗糙度的影响因素及预测原理。介绍了BP神经网络的特点、原理、算法和公式。在对Matlab及其神经网络工具箱简要介绍的基础上,采用BP网络的方法对钢Q235材料粗糙度进行了训练、预测和分析。结果表明,该方法的预测误差小于3%。     

基于BP神经网络的风力发电运行状态预测

对风力发电运营商来说,对未来风机运行状态的估计可以为管理人员合理制定生产作业及维护计划提供决策依据.介绍了一种利用BP神经网络对风力发电运行状态进行预测的方法.MATLAB仿真结果证明运用此模型进行风电运行状态预测是可行的.     

基于神经网络的压块机生产率预测研究

在对生产率影响因子分析的基础上,提出了应用正交试验法确定影响生产率的主要因子的快速方法。通过对主要影响因子与生产率的正交试验数据进行分析,得到用于BP神经网络预测模型的输入、输出变量以及训练神经网络所需的数据样本,多次试取隐含层和各隐含单元,并选取trainhn作为最优训练函数,建立了压块机生产率预测的人工神经网络系统。在试验结果中随机选取6组试验样本,进行连续5次挠度预测,预测值和试验实测值最大相对误差为0．14mm,解析结果表明：压块机预测结果与实验值吻合的较好,建立的人工神经网络预测模型具有较高的预测精度。