导管数控弯曲工艺知识管理技术研究

为实现导管数字化集成制造模式,分析了导管数控弯曲过程中工艺知识的内容、特征及其存在形式,采用基于重用的方法将工艺知识分为两类:重用型工艺知识和决策型工艺知识;针对其内容结构特点,研究了工艺知识的表示与存储方法,建立了它们的关系数据库存储模型,进而构建了导管工艺知识管理系统的结构模型;研究了知识推理技术,建立了基于关系数据库技术的正向和反向推理方法,实现了导管工艺设计过程中的可加工性分析和制造资源选择;针对导管工艺的特点实现了基于实例的工艺参数设计(CBR),提高了导管数控弯曲工艺设计的效率。     

基于人工神经网络的液压泵工作特性建模

为了确定液压泵的高效率工作区域,需要做出其工作特性图,传统的作法需要大量的测试数据.本文给出了一种采用人工神经网络建模的方法,运用三层BP网络,只需要少量数据就可以建立液压泵的工作特性模型,输出液压泵的各种工作特性值.     

喷射成形锭材三维动态成形模型及工艺参数预测

推导了盘状、柱状喷射成形产品的动态成形模型,并采用该模型对３种不同条件下喷射成形产品的最终几何形状进行了分析和预测。同时采用Ａｌ９３．５Ｃｕ３Ｆｅ１．５Ｎｉ１Ｃｅ０．５Ｚｒ０．５（ａｔｏｍ％）合金,对应于上述３种实验条件,制备了不同形状的喷射成形产品。实验及理论分析结果表明,该模型符合实际情况,可以对不同工艺条件下喷射成形产品的最终形状加以控制和预测。     

参数控制的数控旋压成形工艺

应用于数控车削加工中心上的数控旋压成形工艺充分利用了数控加工中心的柔性对零件的最终形状,成形的轨迹等参数进行任意 调整,以获得最佳的工艺参数。可以旋压出各种不同的形状的零件,具有加工效率高,劳动强度,无须进行切削加工等特点。     

不同模具组合对航空导管数控弯曲的影响

金属导管作为飞机的主要部附件之一,在飞机的内部起着压力传递、燃油传输、气体输送、电缆保护等作用,其数控弯曲成形的质量将直接影响飞机的飞行安全。为满足飞机内部各部位的设计需求,对其弯曲成型的质量要求不断加深,应用有限元分析的方法进行数值模拟,研究不同模具组合对导管数控弯曲成形质量的影响,对航空导管的制造有着重要的指导意义。基于有限元模拟软件建立了1Cr18Ni10Ti不锈钢管的有限元模型,分析其弯曲变形过程,研究出便于导管制造的模具组合方式。     

工艺参数对管材激光弯曲成形影响规律的研究

管材激光弯曲成形是一种柔性金属塑性成形方法。将连续的激光光斑简化为一间歇跳跃的方形匀强面热源,并考虑材料性能参数与温度的相关性,建立了管材激光弯曲成形的热-机耦合有限元工艺仿真模型,对成形过程进行了数值模拟。有限元模拟结果表明:在其他条件不变的情况下,激光弯曲角度随激光功率的增大而增大,两者基本上成线性关系;弯曲角度随扫描速度的升高而减小,随光斑直径的减小而增大,但当光斑直径减小到一定程度后,弯曲角度开始减小;弯曲角度随扫描包角的增大而增大,当扫描包角为180°时,弯曲角度达到最大,弯曲角度随扫描包角的继续增大而减小;扫描次数与弯曲角度间成近似的线性关系,且第一次扫描管材产生的弯曲角度最大。     

基于神经网络和粒子群算法的管材弯曲工艺参数优化

针对弯管成形质量受多个工艺参数耦合影响的问题,提出基于神经网络和粒子群算法相结合的工艺参数优化方法。以压模压力、压模助推力、芯轴间隙、芯轴伸出量作为优化对象,以壁厚减薄率、横截面畸变率和起皱值最小为优化目标,通过神经网络构建优化对象和优化目标之间的非线性函数关系,并以此作为粒子群优化算法的适应度函数,实现管材弯曲的多目标工艺参数优化,最后进行了理论分析和实验验证。     

贝叶斯正则化的LMBP神经网络在电气检测系统中的应用

针对现役某型火箭布雷车上装电气系统存在较多的故障,提出了基于贝叶斯正则化的LMBP(levenberg marquardt back propagation)神经网络故障诊断算法。用基于贝叶斯正则化的LM算法来优化BP神经网络,分别结合小数据和大数据对该神经网络进行分析验证。实验结果表明,该方法收敛速度快,且预测精度高,可以用于电气系统的故障诊断和识别。     

金属薄板激光弯曲成形的工艺参数研究

以不锈钢薄板的激光弯曲成形为研究对象,研究其成形的工艺过程及影响因素;介绍实验设备和激光调焦方法。通过实验研究了激光能量因素、扫描速度因素、激光光斑大小和扫描次数等因素对弯曲成形角度的影响。     

基于人工神经网络研究油田产量预测方法

准确预测油田未来原油产量对油田的开发和生产管理具有重要的指导意义.对于具有非线性、不确定和开放特性的多变量系统进行预测,使用传统的统计学方法或静态模型预测通常不能满足精度要求.这里把BP神经网络、模糊神经网络以及基于神经网络的组合预测方法应用于多变量系统.采用了两层预测系统第一层包含两个神经网络;第二层是把第一层的两个网络输出进行组合.研究了3种不同的组合算法平均法、最小平方回归法和前馈神经网络法.实验结果表明,采用组合方法比采用单一的预测方法的预测精度有了进一步的提高,特别是应用人工神经网络(即BPNN)的组合预测优于其他的预测方法,具有较好的适应性.     

基于人工神经网络的铣削参数优化

探讨了金属切削加工的优化问题.并以铣削为例,建立最高生产率为目标的数学模型,通过人工神经网络的方法进行优化.通过实例表明,用人工神经网络优化方法可降低加工成本和提高劳动生产率.     

Determination of process parameters for the NC bending of a TA18 tube

Determining appropriate process parameters is key to obtain qualified TA18 (Ti–3Al–2.5V, ASTM Gr. 9) titanium alloy tubes with medium strength by numerically controlled (NC) bending at low cost. This paper focuses on the variations in wall thickness and cross-section under various operating parameters and mandrel parameters for the NC bending of TA18 tubes. We put forward a method for quickly determining the range of the axial mandrel feed. The method is based on the principle of an equivalent mandrel supporting radius for a given bending radius but employing some mandrels with varying diameters and the principle of an equivalent mandrel supporting angle for various bending radii but employing the same diameter mandrel. The finite element analysis and the experimental verification results show that the bending speed should be less than 0.5 rad/s and the pressure die velocity should be approximately equal to or slightly higher than the bending speed, and that the method for determining the range of the axial mandrel feed is feasible. Considering the effects of an equivalent mandrel supporting radius and equivalent mandrel supporting angle, the mandrel diameter and axial feed should be chosen in a compatible range.     

Optimization of high-pressure die-casting process parameters using artificial neural network

High-pressure die casting is a versatile process for producing engineered metal parts. There are many attributes involved which contribute to the complexity of the process. It is essential for the engineers to optimize the process parameters and improve the surface quality. However, the process parameters are interdependent and in conflict in a complicated way, and optimization of the combination of processes is time-consuming. In this work, an evaluation system for the surface defect of casting has been established to quantify surface defects, and artificial neural network was introduced to generalize the correlation between surface defects and die-casting parameters, such as mold temperature, pouring temperature, and injection velocity. It was found that the trained network has great forecast ability. Furthermore, the trained neural network was employed as an objective function to optimize the processes. The optimal parameters were employed, and the castings with acceptable surface quality were achieved.     

基于过程神经网络的航空发动机性能参数预测

针对传统方法难以对性能参数进行有效预测的问题,提出一种基于过程神经网络的性能参数预测方法。为解决反向传播学习算法收敛速度慢、易陷于局部极小点等问题,开发了一种基于正交基函数展开的Leven-berg-Marquardt学习算法。为提高过程神经网络的泛化能力,从提高训练样本的质量和规模入手,研究了实际测量数据的预处理方法,并提出一种基于样条函数拟合和相空间重构理论的训练样本集构造方法。最后,将该方法用于某型航空发动机性能参数的预测,获得了满意的结果。     

数控弯管工艺知识库研究

通过分析弯管各个加工参数及模具对弯管成形的影响,设计了数控弯管工艺知识库.通过该知识库,用户可以查询以往加工记录、模具、弯管机等信息,方便了数控弯管的工艺参数选取与资源的管理.在数控弯管工艺知识库的基础上,通过运用CBR方法,得到了弯管回弹角,减少了试弯次数,提高了数控弯管效率.     

基于神经网络的电梯导轨多步校直弯曲形式预测

根据压力校直原理分析了电梯导轨校直过程中影响校正挠度的主要因素,以此作为神经网络输入数据。利用正交化方法设计得到的实验组进行有限元仿真,所得到的结果对神经网络进行训练,经检验神经网络可以达到很高的计算精度。以T127-B导轨为例,进行了五步校直,同时以训练后的神经网络对每步校直弯曲进行了预测,经验证神经网络预测结果达到导轨校直要求,此方法为电梯导轨校直专家系统提供了参考。     

Prediction of heating-line paths in induction heating process using the artificial neural network

This paper presents the development of a back propagation neural network model for the prediction of heating-line positions in induction heating process. The vertical displacements of plate have been considered as the input parameters and the selected induction heating lines as output parameters to develop the model. The training patterns of neural network are obtained using an analytical solution that predicts plate deformations in induction heating process. The feasibility test reveals that the developed method can be used to determine the heating-line positions in line heating process.     

基于神经网络与PSO算法的发动机装配工艺参数优化

针对汽车发动机装配过程中缸体泄漏问题,结合Back Propagation(BP)神经网络及粒子群优化(Particle Swarm Optimization, PSO)算法,提出了一种发动机装配工艺参数优化方法。首先,使用BP神经网络建立了生产工艺参数与质量指标之间的非线性映射关系,并以此作为泄漏率预测模型。其次,根据实际生产需求,应用皮尔逊相关性分析法求解得到相关性最强的部分工位工艺参数,并以其作为后续优化对象。最后,以BP神经网络预测模型作为适应度函数,使用粒子群优化算法求解得到工艺参数的最优值。使用400台发动机的实际生产数据进行试验。试验结果显示,BP神经网络具有较准确的预测效果,结合粒子群优化算法得到了优化后的工艺参数值,显著降低了发动机的泄漏率,具有一定的指导意义。     

基于类神经网络注塑成型翘曲和收缩值之预测

以熔融温度、模具温度、射出时间、保压压力、保压时间等5个制程参数作为控制因子。利用Moldflow来模拟塑料薄壳挡板不同的成型制程参数下的翘曲与收缩值。基于仿真所得翘曲及收缩值数据,使用田口方法结合倒传递神经网络5-14-14-2建立预测模型。再利用测试样本来验证的倒传递神经网络模型的准确性。运用所建立的倒传递神经网络模型预测其他成型制程参数的翘曲及收缩值。结果证明,田口法结合倒传递神经网络,不仅可以有效的优化倒传递神经网络,而能成功的预测翘曲及收缩值,与Moldflow仿真值相比平均误差都在±1%内。