盒形件拉深智能化控制关键技术研究

在圆锥形零件拉深成形智能化控制的研究基础上,分析了盒形件拉深智能化控制需要解决的技术关键。采用LabVIEW虚拟仪器技术,可以令人满意地实现拉深过程中信号的监测与控制。采用神经网络技术,可实现材料性能参数的实时识别,利用LM(LevenbergMarquarat)优化算法达到了2‰的网络误差。最佳工艺参数的预测模型尚待深入研究,该文提出3种参考方案,即理论成形三极限预测模型、神经网络/模糊推论预测模型以及自适应反馈控制模型。     

轴对称件智能拉深系统中的神经网络参数识别

建立了轴对称拉深件的材料性能参数和摩擦系数实时识别前馈神经网络，采用LM算法优化网络，将参数识别精度提高到一个新水平，为智能化拉深成形的。实时预测和实时控制这两个基本要素提供了前提保证，为实现整个拉深成形过程的智能化控制奠定基础。     

基于神经网络的材料性能参数和摩擦系数的实时识别

在板材拉深成形智能化控制过程中 ,为了避免缺陷的产生 ,必须适时地改变控制工艺参数 ,而最佳控制参数要根据材料的性能参数和摩擦系数来预测。根据拉深成形过程的特点及生产过程中自动化程度的要求 ,建立了材料性能参数和摩擦系数识别的人工神经网络模型。利用神经网络这种新一代信息处理工具实现了材料性能参数和摩擦系数的实时识别 ,为实现板材拉深成形过程的智能化控制奠定了基础     

基于数值模拟的盒形件拉深成形变拉深筋技术研究

以盒形件为研究对象,建立了盒形件拉延筋成形的数值模型,分别对盒形件固定拉深筋和变拉深筋成形进行了数值模拟研究,并进行了工程试验的验证,对结果及误差进行了分析,实现了基于拉深筋高度变化的变拉深筋技术。这种方法能有效发挥板料成形性能,提高零件拉深成形质量。     

盒形件拉深侧壁卷曲的工艺控制方法

盒形件拉深的侧壁卷曲是一种普遍的回弹现象,需要进行有效控制或者补偿.侧壁卷曲是由于材料在流经凹模圆角区域后其内外表面的应力差所形成的反向弯矩造成的.将盒形件分为转角区域、过渡区域、直边区域和底部区域,并提出了盒形件拉深的反向弯矩简化模型,将直边部分简化为U形件,转角区域反向弯矩视为零,二者中间存在一个线性的过渡区域.在此基础上,分析了直边区域侧壁材料成形应力变化历史,提出并实现了控制盒形件侧壁卷曲的浮动拉延筋工艺.实验结果表明:浮动拉延筋能有效控制盒形件拉深过程中的侧壁卷曲现象,其完全起作用时,可使侧壁卷曲量减少86.1％.     

深盒形件液压拉深成形工艺研究

用DYNAFORM有限元仿真软件对深盒形件液压拉深成形过程进行了模拟,分析了压边力和液体压力对盒形件成形质量的影响。研究结果表明,合适的压边力和液体压力能控制盒形件拉深缺陷的发生,采用液压拉深盒形件可获得更好的壁厚分布。     

盒形件增量拉深成形模具设计及工艺试验

阐述了盒形件增量拉深成形原理,介绍了盒形件增量拉深成形毛坯尺寸的确定,简述了增量拉深成形盒形件模具设计过程。利用该拉深模在GLeeble1500D热模拟实验机上进行了工艺试验,成功地实现了一个凸模生产两类盒形件的试验目的。     

差厚拼焊板充液拉深焊缝移动及厚度的研究

基于Dynaform分析软件,建立了差厚拼焊板充液拉深盘形件的有限元模型,对相同材料、不同差厚比的板料充液拉深盒形件进行了数值模拟.结果表明,针对不同差厚比的拼焊板,合理控制薄、厚板两侧压边力的大小及分布规律可有效地改善盒形件拉深过程中的焊缝移动量以及减小盒形件各变形区域厚度变化量,这对提高拼焊板的成形性以及对拉深工艺参数的优化提供了理论依据.     

某盒形件拉深成形计算机仿真研究

基于DYNAFORM动力显式有限元分析软件,将数值模拟技术应用于某盒形件的拉深成形过程,研究了该件的一次拉深成形,不同的毛坯形状、尺寸,以及不同的材料参数对该盒形件拉深的成形极限图、厚度分布、减薄率的影响。研究结果表明:一次拉深成形不能满足成形要求,必须采用多道次拉深;板料1由于尺寸较小而更利于拉深成形;厚向异性系数r值较大的材料,有利于拉深成形。     

拉深分区的计算机判定CAD系统

在盒形件拉深的毛坯设计和工艺设计中首先需要判定零件在盒形件拉深分布中的位置。在建立盒形件拉深系统的过程中，建立了拉深分区的计算机辅助判定系统，包括分区判定的数学模型的建立和软件程序的编制，并给出了判定实例。     

基于深度循环神经网络的大规模风力发电功率预测

本文针对目前风力发电功率预测存在超短期、精度差等问题,通过分析大规模风力发电功率特性和风电预测时间序列特性,提出以深度循环神经网络进行预测,结合小波系数多尺度分析的隐马尔可夫预测方法,将深度学习引入到循环神经网络中来,构建基于多尺度隐马尔可夫模型-深度循环神经网络模型的大规模风力发电功率预测模型(MHMM-DRNN)。实例验证相对误差平均值:BP神经网络模型约为31.56%,在预测过程中误差最大,ARMA模型约为23.20%,小波分析约为26.11%,而MHMM-DRNN预测模型约为16.85%,具有较好的实用性。     

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。     

人工神经网络在塑性成形领域中的应用研究

在概述人工神经网络发展及应用的基础上,综述了国内外神经网络在塑性成形领域中应用的现状,着重介绍了板材成形和模具设计与制造方面应用神经网络的现状。利用人工神经网络实现了板材拉深成形智能化控制过程中摩擦系数的实时识别,并对其进行了实验证,结果表明,神经网络模型能够很好地解决板材拉深成形智能化控制过程中摩擦系数的实时识别问题,实现整个拉深化过程的智能化控制。最后指出了当前人工神经网络研究与应用中的不足之处及今后的研究方向。     

基于空时模型的航空管路卡箍故障诊断研究

针对航空液压管路卡箍振动信号受强噪声干扰,导致航空卡箍故障难以精准识别的问题,提出一种空时模型的航空卡箍故障诊断新方法。建立空间特征提取模型,对航空卡箍的故障特征进行局部融合。在空间模型中引入GRU模块,提取航空卡箍故障信号中的全局特征。结果表明：设计的空时故障诊断模型可实现航空卡箍故障的精准识别。与目前所用的深度卷积神经网络模型、门控循环单元神经网络模型、循环神经网络模型、支持向量机和误差反向传播神经网络模型等5种先进的故障诊断方法进行对比分析,所提方法对航空卡箍故障识别具有优越性。     

汽车后围板拉深成形过程中的回弹预测

以汽车后围板为对象,运用BP神经网络对其拉深过程中的回弹量进行预测。通过CATIA建立CAD模型,运用Dynaform软件对板料冲压过程进行仿真分析,借助正交试验获取不同参数组合下的回弹数据,并通过试验验证了关键数据的可靠性,建立了4-9-6的3层BP神经网络回弹预测模型。通过对数据样本进行训练学习,控制其预测的精度为0.01,将预测结果与实际测量结果进行对比,显示预测误差最大为5.62%。说明运用BP神经网络可以实现对复杂拉深件成形的回弹预测,可以大量节省仿真预测的时间,对模具的设计具有很好的指导作用。     

基于人工智能高碳盘条钢索氏体识别探讨

高碳盘条钢索氏体含量是评价其性能重要指标之一,现行检测方法存在识别准确性差、检测结果容易受检验员影响等缺点.通过索氏体制样标准化、素材收集、素材定值、素材标记等建立供神经网络学习的素材库,利用计算机人工智能和深度神经网络技术初始化识别模型,采用未标记素材对初始化模型进行测试、互动优化,最终验证识别模型的准确率高、检测速...     

基于多源数据融合的半导体晶片CMP抛光材料去除率预测

目的 对半导体晶片抛光过程中的工艺参数、耗材使用量、抛光垫状态参数等多源数据预处理后进行数据融合,建立材料去除率(MRR)预测模型,为实现半导体晶片抛光加工工艺的决策和处理奠定基础。方法 研究晶片抛光加工中的数据特点及数据融合需求,提取数据集中每个晶片加工过程中的统计特征并生成新数据集,同时引入邻域特征以应对晶片加工过程中动态因素对材料去除率的影响。提出基于深度自动编码器的多源数据融合及材料去除率预测方法。设计深度自动编码器参数,优化深度自动编码器的损失函数从而增强深度自动编码器对强相关性特征变量的重建。基于深度自动编码器进行多源传感器信号融合,降低数据维度。使用超参数搜索算法优化BP神经网络超参数,利用BP神经网络方法将融合后的数据进行半导体晶片抛光过程中的材料去除率预测。结果 采用PHM2016数据集对模型进行验证,均方误差MSE达到7.862,相关性R²达到91.2%。结论 基于多源数据的融合模型能有效预测MRR,可以对半导体晶片CMP工艺过程的智能决策与控制起到良好的辅助作用。