自蔓延高温合成多孔NiTi合金孔隙的SVR预测

根据自蔓延高温合成法(SHS)制备多孔NiTi合金孔隙试验所获得的实测数据集,应用基于粒子群算法(PSO)寻优的支持向量回归(SVR)方法,建立不同反应参数(温度,粒度和压坯密度)下合成的多孔NiTi合金孔隙的SVR预测模型,并与基于误差反向传播神经网络(BPNN)回归模型的预测结果进行比较。结果表明：在相同的训练与测试样本集下所获的SVR预测结果的平均绝对百分误差(MAPE)比BPNN预测模型的要小,其预测精度更高,预测效果更好;SVR-LOOCV预测的MAPE也比BPNN略小,且其预测结果的相关系数达到了0.999。因此,该方法是一种预测SHS法制备多孔NiTi合金孔隙的有效方法,可为SHS合成多孔NiTi提供理论指导     

基于随机森林和支持向量机的Mo-Nb合金本构模型

在变形温度为900～1200℃、应变速率为0.01～10 s^-1条件下,采用Gleeble-3800型热模拟试验机对Mo-Nb合金进行等温恒应变速率压缩实验,研究Mo-Nb合金的流动应力行为,并采用随机森林和支持向量机的方法建立该合金的本构关系模型。结果表明：Mo-Nb合金是负温度和正应变速率敏感型材料,其流动应力随变形温度升高和应变速率降低而减小;随机森林和支持向量机本构关系模型的训练样本的相关系数和平均相对误差分别为0.989、0.998及2.41%、0.94%,测试样本的相关系数和平均相对误差分别为0.991、0.996及2.47%、1.4%,二者都具有较好的预测能力;支持向量机本构关系模型精度高于随机森林,因此,支持向量机本构关系模型更适于预测Mo-Nb合金的流动应力。     

镍基高温合金GH4169高温变形流动应力模型研究

镍基高温合金GH4169热模拟压缩实验结果表明:变形温度的升高和应变速率的减小使该合金高温变形时的峰值应力和稳态应力显著降低,变形温度会影响其进入稳态变形时变形程度的大小.基于高温合金GH4169高温变形时的流动应力特征,运用模糊神经网络理论建立了该合金高温变形时的流动应力模型.计算与实验的流动应力的最大误差为10.18%,平均误差为2.11%,该模型的计算精度明显高于由回归法建立的高温合金GH4169高温变形时的流动应力模型.     

基于应变影响的7A09铝合金等温压缩流动应力模型

在Gleeble-1500型热模拟压缩机上研究7A09铝合金在温度为633~733 K、应变速率为0.01～10.0s-1、最大变形程度为60%条件下的高温流动行为;基于7A09铝合金高温压缩时的流动应力特征,建立反映应变影响的7A09铝合金流动应力模型.结果表明:随着变形温度的升高和应变速率的降低,合金的流动应力显著降低;当应变超过一定值后,随着应变的增加,高、低应变速率下合金的流动应力变化趋势不同;建立的流动应力模型的计算值与实验值之间的最大误差为7.77%,平均误差为2.69%;与不考虑应变影响的流动应力模型相比,该模型的拟合精度高,能较好地描述7A09铝合金高温变形过程中的流动行为,为铝合金高温变形过程的数值模拟奠定了较好的基础.     

基于支持向量机的铝合金点焊多类缺陷识别

利用从铝合金点焊过程工艺参数曲线上提取出的特征向量,建立了铝合金点焊过程喷溅缺陷和未熔合及未完全熔合缺陷的支持向量机识别模型.根据所建立的识别模型,用采集的样本数据进行了训练,并用独立的测试数据对训练的结果进行了测试.结果表明,所建立的支持向量机识别模型在给定的样本集的情况下,识别喷溅缺陷的准确率为96.7%,识别未熔合及未完全熔合缺陷的准确率为100%,利用支持向量机方法实现铝合金点焊多类缺陷的自动识别是可靠的.     

基于ARIMA 和SVR 的滚动轴承状态预测方法研究

滚动轴承作为多种机械设备的关键零件,其运行状态的好坏往往影响着整机设备的运行状况,因此高精度的滚动轴承状态预测对整机设备的运行状态有着重要的意义。针对滚动轴承单一预测模型精度较差的问题,构建一种基于时间序列ARIMA和支持向量回归机SVR理论的组合预测模型。首先针对单一模型进行预测,应用误差平方和倒数法得到两种预测模型的权重结果,最终将该组合模型的预测结果分别与单一预测模型作比对分析。结果表明：该组合预测模型的预测误差均小于单一模型,具有较高的可靠性。     

基于GRA-IFA-LSSVM模型的气田集输管道内腐蚀速率预测

针对气田集输管道的腐蚀问题,提出了一种基于GRA-IFA-LSSVM组合模型的内腐蚀速率预测算法。对GRA(灰色关联分析)模型、IFA(改进萤火虫)模型以及LSSVM(最小二乘支持向量机)模型理论进行了介绍,提出了组合模型的组合流程以及组合模型的评价指标;以我国某气田集输管道为例,对GRA-IFA-LSSVM组合模型的预测精度进行验证,同时,将其预测精度与其他常见预测模型的精度进行了对比。结果表明：温度、H₂S含量、CO₂含量、pH以及流速属于影响气田集输管道腐蚀的重要因素;使用GRA-IFA-LSSVM组合模型对气田集输管道内腐蚀速率进行预测时,其平均绝对误差为1.946%,均方根误差为1.496%,可决系数为97.53%,该组合模型的三项评价指标均小于其他常见预测模型。GRA-IFA-LSSVM组合模型对气田集输管道进行内腐蚀速率预测具有很强的准确性、鲁棒性及先进性,可以为气田集输管道的保护提供数据支持。     

高温变形过程中Ti-6Al-2Zr-2Sn-2Mo-1.5Cr-2Nb合金的流动应力和晶粒尺寸模型

金相和SEM观察后,采用定量分析软件测量初生α相晶粒尺寸,并且研究了变形温度和应变速率对微观组织的影响。本文采用前向型模糊神经网络模型预测Ti-6Al-2Zr-2Sn-2Mo-1.5Cr-2Nb合金等温压缩过程中的流动应力和晶粒尺寸。部分流动应力和晶粒尺寸作为样本数据用于训练模型,另一部分流动应力和晶粒尺寸作为非样本数据用于测试模型的可靠性。结果表明：模型的预测精度较高,该模型较好地描述了钛合金在高温变形过程中的流动行为和微观组织演变。     

基于GA-BP和PSO-BP神经网络的SLM GH3625高温合金残余应力预测研究

采用PSO-BP和GA-BP混合算法的人工神经网络模型预测了选区激光熔化成形GH3625高温合金的残余应力。通过响应面法为实验设计生成样本集,以激光功率、扫描速度和扫描间距作为模型的输入层,以残余应力作为模型的输出层进行预测优化。采用相关系数R²和平均绝对相对误差e_AARE评价指标对预测模型进行了验证和对比分析。结果表明:BP、 GA-BP和PSO-BP神经网络模型均能够较好地预测不同工艺参数下GH3625高温合金的残余应力,且通过算法优化后的BP神经网络具有更高的预测精度。其中GA-BP神经网络对选区激光熔化成形GH3625高温合金残余应力的预测精度最高,模型性能更优越,其相关系数R²和相对平均绝对误差e_AARE分别为0.909和2.06%。     

基于支持向量机的机械加工误差预测与补偿模型的研究

对加工系统进行补偿是提高机械加工精度的有效手段.通过对加工系统的研究,建立误差预测模型,是进行误差补偿的必要途径.本文以镗孔加工为实验对象,提出了基于支持向量机(Suport Vector Machine,SVM)的加工系统误差预测模型,实验结果显示,支持向量机可以应用于误差预测建模,且在系统误差的预测精度上高于基于径向基(RBF)神经网络的误差预测模型.     

基于改进的最小二乘支持向量机的退火炉内带钢延伸量预测

带钢在退火炉内进行长时间加热的过程中,由于炉内温度、张力以及带钢运行速度等变量间具有多重相关性且存在生产数据噪声,从而难以准确预测炉内带钢的延伸量。本文提出了一种基于遗传算法的BP神经网络理论(GA-BP神经网络)与最小二乘支持向量机(LSSVM)理论相结合的算法用于目标函数拟合,该算法兼顾最小二乘支持向量机的全局与局部拟合能力,有效避免算法陷入局部最优的缺点,利用改进的BP神经网络算法优化选择LSSVM 模型的惩罚因子和核函数参数,以避免人为选择参数的盲目性,使LSSVM具有更好的泛化能力和预测精度。将该方法应用到退火炉内带钢的延伸量预测,通过现场生产数据仿真模拟进行非线性函数估计,结果表明：本文所提出的方法具有良好的预测精度,可以应用于实际生产。     

基于神经网络的7055铝合金流变应力模型和加工图

在Geeble-1500热模拟机上对7055铝合金进行热压缩试验,基于热压缩试验数据,建立流变应力的反向传播(BP)神经网络预测模型和加工图。结果表明:用人工神经网络能更精确地预测热压缩过程中的流变应力,预测精度明显高于线性经验公式的;通过预测模型可以获得样本数据值范围内的非样本数据变形条件下的流变应力,其预测结果充分反映该合金的高温变形特征;在本实验条件下,7055铝合金在高温变形时存在一个失稳区,即变形温度在实验温度范围内应变速率为0.025s-1以上的区域;在375～425℃的范围内,应变速率小于0.001s-1的区域,最大功率耗散系数为0.45;EBSD技术分析表明在安全区发生部分动态再结晶。利用加工图确定了热变形时的流变失稳区,并且获得了试验参数范围内热变形的最佳工艺参数,其热加工温度为350-430℃低应变速率区。     

基于残余应力和微观组织形貌的铝合金CMT焊接接头薄弱环节的预测

采用数值模拟与实验相结合的方法预测3道冷金属过渡(CMT)焊接接头的薄弱环节。通过有限元方法预测焊接接头中残余应力的分布特征;通过金相实验获得焊接接头中不同特征区域的微观组织形貌特征。接头对称面上的最大主应力值最高,故该区域在服役过程中较易产生拉伸裂纹。第一次层间冷却结束后,焊缝金属与基板的交界面上因等效von-Mises应力最大而具有较高的裂纹敏感性。根据金相分析结果,第3道焊缝中晶粒最为粗大,而层间的熔合区则具有粗大的晶间析出物组织特征,两种现象均意味着较差的力学性能。焊接接头中最为薄弱的区域则位于分别通过数值方法和实验方法得出的薄弱区域的交叉区域。     

应用本构模型和神经网络模型预测铝/镁基纳米复合材料的高温流变行为(英文)

为了预测Al/Mg基纳米复合材料的高温流变行为,在不同的应变速率(0.01-1.0s-)和温度(523,623和1723K)的条件下进行热压缩试验,利用所得到的应力-应变数据,开发了本构模型,比如一般流动方程。阿累尼乌斯双曲模型、Johnson-Cook(JC)和改性的Zerilli-Armstrong(ZA)模型及人工神经网络(ANN)模型。通过使用统计参数,例如均方根误差(RMSE)、回归系数(R2)、平均相对误差(MRE)和分散指数(Is),比较了人工神经网络和不同的本构模型。结果表明,人工神经网络模型对AA5083-2%TiC复合材料的热变形流动应力的评估准确性更高。     

WOA-SVM算法在钛合金端铣刀具磨损预测的研究

针对钛合金加工中刀具磨损状态的准确识别问题,建立了基于支持向量机(SVM)和鲸鱼优化算法(WOA)的钛合金刀具磨损预测模型。将SVM和WOA相结合,提出了一种新的WOA-SVM模型,用于钛合金立铣刀刀具磨损的精确估计。通过提取切削力的信号特征作为监测特征,利用邻域保持嵌入(NPE)对监测特征实现降维,提高了WOA-SVM模型的建模效率。实验结果表明：在保证预测精度的前提下,NPE的使用使WOA-SVM的建模时间减少了90%以上;与PSO-SVM和GSA-SVM等常用方法相比,WOA-SVM具有较高的预测精度,建模时间减少了30%以上;所建模型能有效预测钛合金加工刀具的磨损状态。     

采用改进和优化的Zerilli-Armstrong本构模型预测AZ80镁合金的高温流动应力EI北大核心CSCD

合理的本构模型是实现精确模拟镁合金挤压过程的关键,基于均匀化态AZ80镁合金在应变速率0.001~1 s^(-1)、变形温度523~673 K下的热压缩实验数据,建立了改进的Z-A模型来描述AZ80镁合金的热变形行为,并在此基础上,通过考虑应变对材料参数的影响,提出优化的Z-A模型。对两种模型预测精度进行定量分析表明:优化的Z-A模型对流动应力的预测效果较好,相关系数R和平均绝对相对误差E_(AR)的计算值分别为0.9962和3.60%;改进的Z-A模型的预测结果相对较差,其R值和EAR值分别为0.94和8%。比较分析表明,优化的Z-A模型具有良好的适应性,可以在整个应变范围内(0~0.9)很好地预测不同变形条件下的流动应力,因而工程适用范围广;改进的Z-A模型不能描述加工硬化-动态回复阶段的流动应力,因而预测精度较低。     

基于VMD与IFWA-SVM的滚动轴承故障诊断研究北大核心

为有效提取非平稳性、复杂性的滚动轴承振动信号特征,提出一种基于变分模态分解、改进烟花算法(IFWA)优化支持向量机(SVM)的滚动轴承故障诊断方法。利用VMD对原始信号进行分解,计算得到各IMF的样本熵,将原始信号的时域特征与其结合组成特征矩阵。为提高故障诊断效率,采用IFWA优化SVM,建立IFWA-SVM模型。使用训练集特征矩阵训练诊断模型,实现滚动轴承的故障诊断。利用实测信号验证该方法,并与粒子群算法优化进行比较。结果表明:利用该方法进行诊断,正确率提高了3.33%、训练时间缩短了21.55 s,验证了该方法的可行性。     

基于LASSO-WOA-LSSVM的海洋管线外腐蚀速率预测

目的 构建海洋管线外腐蚀速率预测模型,提高海底油气管线外腐蚀速率预测的准确性.方法 建立基于套索(LASSO)回归和鲸鱼优化算法(WOA)的最小二乘支持向量机(LSSVM)腐蚀速率预测模型,采用LASSO回归方法对指标进行筛选,提取海洋管线腐蚀的主要影响因素.应用最小二乘支持向量机算法建立海洋管线外腐蚀速率预测模型,并...     

基于PCA和SVM的铬层裂纹声发射识别方法

针对采用幅值、能量等统计特征参数分类识别声发射(AE)信号时存在的信息冗余问题,提出利用主成分分析(PCA)方法减少信息冗余,提取AE信号统计特征。设计了钢板表面铬层裂纹试验,对统计特征参数进行主成分分析,提取了两个主成分。设计了支持向量机(SVM)分类器,以主成分为输入向量,分类识别铬层裂纹AE信号。验证了主成分可以有效表征AE信号统计特征,减少了信息冗余,提高了分类效率及准确率。     

基于AFCM-SVM的滚动轴承退化状态评估与剩余寿命预测

针对支持向量机模型状态数需要人为设定的不足,提出了一种基于自适应模糊C均值-支持向量机(AFCM-SVM)的滚动轴承退化状态评估与剩余寿命预测方法。该算法采用相对特征建立敏感特征数据集,利用聚类评价指标构造自适应函数,实现了模型聚类结果的自动更新,获得了轴承运行过程中的最佳状态数;基于AFCM-SVM模型与各个运行状态的一一对应关系,确定轴承在不同退化状态下的时间间隔,实现轴承的健康等级评估与寿命预测。根据美国NSFI/UCR智能维护中心提供的滚动轴承全寿命数据对所提算法进行了验证。结果表明,不受轴承个体差异的影响,AFCM-SVM能有效实现自动聚类,识别结果符合轴承退化演变规律;与分层狄利克雷(HDP)和K-means算法相比,AFCM-SVM具有更快的运算速度和更准确的辨识能力。