机械曲臂锻压工艺的神经网络优化研究

以曲臂锻压的5个主要工艺参数作为神经单元输入层参数,以冲击性能作为输出层参数,构建了5×35×1三层拓扑结构的曲臂锻压工艺优化神经网络模型。经学习训练和预测验证,神经网络的相对训练误差1.5%~3.5%、相对预测误差1.8%~3.0%,具有较强的预测能力和较高的预测精度。     

离合器片锻压工艺的神经网络优化研究

以离合器片材料、模具温度、始锻温度、终锻温度和锻压速度为输入层参数,以磨损性能为输出层参数,采用不同训练函数构建出5×40×8×1四层结构的离合器片锻压工艺优化神经网络模型。结果表明,当训练函数选用trainlm、traingd和traingdm函数时,神经网络的相对训练误差分别在2.6%~4.7%、3.1%~5.6%、1.9%~3.4%。以traingdm函数作为训练函数的离合器片锻压工艺优化神经网络相对预测误差在2.1%~3.3%,具有较强的预测能力和较高的预测精度。     

机械联接环的锻压工艺优化研究

针对20CrMnTi钢机械联接环生产效率低、质量稳定性差、废品率高等问题,对其进行了工艺改进试验,并进行了显微组织、拉伸和冲击试验测试分析。结果表明:改进的锻压工艺为毛坯1180℃预热后1320℃反向锻压;与生产线现有工艺相比,采用改进工艺后机械联接环抗拉强度增加161 MPa,屈服强度增加201 MPa,断后伸长率增加7.6%。     

基于神经网络的汽车连杆锻压工艺优化

以模具加热温度、预热温度、始锻温度、终锻温度和锻压速度为输入层参数,以冲击性能、耐磨损性能为输出层参数,构建了汽车连杆锻压工艺优化的5×25×15×2四层神经网络模型。结果表明,神经网络模型的预测误差小于3%,具有较强的预测能力和较高的预测精度。与生产线原锻压工艺相比,采用优化工艺生产的汽车连杆冲击吸收功增大24%,磨损体积减小35%。使用优化工艺生产的汽车连杆冲击性能和耐磨损性能得到提高。     

基于BP神经网络的前轴锻压工艺优化

以始锻温度、终锻温度、锻压比和前轴材质4个参数作为输入层函数,以耐磨损性能和疲劳性能作为输出层函数,采用4×16×8×2四层拓扑结构构建了前轴锻压工艺的神经网络优化模型,并进行了训练、预测和验证。结果表明,神经网络的耐磨损性能相对训练误差在3.2%～5.7%、疲劳性能相对训练误差在3.2%～5.5%;耐磨损性能的相对预测误差在2.6%～4.2%、平均相对预测误差为3.15%,疲劳性能的相对预测误差在2.6%～4.1%、平均相对预测误差为3.17%。     

基于BP神经网络的连杆锻压工艺优化

以连杆材料、模具预热温度、始锻温度、终锻温度、锻压速度为输入层参数,以磨损体积为输出层参数,构建了5×25×1三层拓扑结构的连杆锻压工艺优化神经网络模型,并对该模型进行了预测和验证。还对45钢连杆和40Cr钢连杆的磨损性能进行了测试分析。结果表明,连杆锻压工艺神经网络模型的平均相对训练误差为4.1%,平均相对预测误差为4.5%,具有较精准的预测能力和精度。应用BP神经网络模型优化锻压工艺的45钢连杆和40Cr钢连杆的磨损体积分别较产线现用工艺减小了38.2%、44%。神经网络优化的连杆锻压工艺的最佳参数为:材料40Cr钢、模具预热温度450℃、始锻温度1240℃、终锻温度810℃、锻压速度32 mm/s。     

基于神经网络算法的连杆锻压工艺优化

基于神经网络算法,以连杆材料、始锻温度、终锻温度、毛坯预热温度、模具加热温度和锻压速度为输入层参数,以屈服强度和耐磨损性能为输出层参数,构建了三层拓扑结构的连杆锻压工艺优化模型,并进行了模型的训练、预测和应用验证,以及连杆的屈服强度和耐磨损性能的测试与分析。结果表明,神经网络模型具有较强的预测能力和较高的预测精度。与生产线现用工艺相比,采用神经网络模型优化工艺制备的连杆屈服强度和耐磨损性能均得到明显提高;40Cr和42CrNiMo连杆屈服强度分别增加69 MPa、56 MPa,40Cr和42CrNiMo连杆磨损体积分别减小44%、40%。     

基于神经网络的汽车前轴锻压工艺优化

采用5×25×2三层拓扑结构,以始锻温度、终锻温度、锻压速度、模具预热温度、模具预热时间为输入层参数,以室温耐磨损性能和高温耐磨损性能为输出层参数,构建出前轴锻压工艺优化的神经网络模型。结果表明,神经网络模型的预测能力较强,预测精度较高。与生产线传统工艺相比,采用神经网络模型优化工艺制备的前轴室温和高温磨损体积分别减小了39%和42%,室温和高温耐磨损性能均得到明显提高。     

基于神经网络的新型镁合金锻压工艺优化

以始锻温度、终锻温度、模具预热温度和变形速度作为输入层神经元,并以力学性能(抗拉强度)作为输出层参数,构建了4×24×1三层拓扑结构的汽车用新型镁合金锻压工艺的神经网络模型,并对该模型进行了预测和验证.结果表明,采用traingd函数、traingda函数、trainlm函数的镁合金锻压工艺的神经网络模型的平均相对训练...     

基于BP神经网络算法的喷头锻压工艺优化

以喷头材质、模具预热温度、始锻温度、终锻温度和锻压速度作为输入层参数,以磨损性能作为输出层参数,采用BP神经网络算法构建了5×20×4×1四层拓扑结构的喷头锻压工艺优化BP神经网络模型。经过训练和预测验证,神经网络模型的相对训练误差低于5%,相对预测误差低于5.5%,具有较佳的预测能力和预测精度。     

基于神经网络的镁合金汽车车轮锻压工艺优化

采用5×30×10×2四层拓扑结构,以模具温度、锻件温度、成形速率、摩擦因子和保压时间作为输入层函数,以耐腐蚀性能、耐磨损性能作为输出层函数,构建了镁合金汽车车轮锻压工艺神经网络优化模型并进行了训练、预测、验证和生产线应用,以及试样的显微组织、耐腐蚀性能和耐磨损性能的测试与分析。结果表明,该神经网络优化模型预测能力强、预测精度高,输出的耐腐蚀性能预测相对误差在1.1%~2.8%之间、耐磨损性能的预测相对误差在1.3%~2.9%之间。与生产线现用工艺参数相比,采用神经网络模型优化工艺参数获得的镁合金汽车锻压车轮的腐蚀速率减小40%、磨损体积减小32%,耐腐蚀性能和耐磨损性能得到明显提高。     

基于神经网络的6系铝合金接头锻压工艺优化

采用5×30×6×1的四层拓扑结构,以铝合金牌号、模具预热温度、始锻温度、终锻温度、锻压速度作为输入层参数,以抗拉强度作为输出层参数,构建了6系铝合金接头锻压工艺神经网络模型,并对其进行了训练、预测和验证。结果表明,模型预测性强,精度性较高,平均相对预测误差值仅为3.3%。和生产线传统用工艺锻压的试样抗拉强度相比,运用神经网络模型优化工艺锻压的试样抗拉强度增大了16%,拉伸性能得到了显著的提高。     

基于模糊PID控制的机械连杆锻压工艺优化

为了优化机械连杆的锻压工艺,提升机械连杆锻件的力学性能和耐磨损性能,分别采用常规PID控制和模糊PID控制方法对铝基复合材料机械连杆锻压过程进行控制,并对两种控制方式下锻压机械连杆的室温力学性能和耐磨损性能进行了测试与对比分析。结果表明:与常规PID控制相比,采用模糊PID控制时连杆抗拉强度和屈服强度分别增大了36和45 MPa,经20 min磨损试验后连杆的磨损体积减小42.3%。模糊PID控制方式显著优于常规PID控制,采用模糊PID控制的锻压机械连杆的力学性能和耐磨损性能均优于常规PID控制,有利于提高锻压机械连杆的综合性能。     

汽车前轴的锻压工艺优化研究

采用不同的始锻温度、终锻温度和锻压速度制备了12Mn VBS汽车前轴锻件,并进行了耐磨损性能和力学性能的测试与分析。结果表明:在试验条件下,随始锻温度从1110℃提高至1170℃、终锻温度从990℃提高至1050℃或锻压速度从0.5 mm/min提高至2.5 mm/min,前轴的耐磨损性能和力学性能均先提高后下降。与0.5 mm/min锻压速度相比,2.0 mm/min锻压速度时前轴的磨损体积减小67%,抗拉强度增大11%,屈服强度增大14%。前轴的始锻温度、终锻温度和锻压速度分别优选为1160℃、1040℃、2.0 mm/min。     

数控机床钻头的锻压工艺优化研究

采用不同的始锻温度、终锻温度和锻比,对含锶数控机床钻头进行了锻压试验,并进行了表面硬度、高温耐磨损性能和高温冲击性能的测试与分析。结果表明,随着始锻温度、终锻温度、锻比的增加,钻头的表面硬度、高温磨损体积和高温冲击吸收功均先增大后减小。钻头的优化工艺为始锻温度1180℃、终锻温度950℃、锻比6。此工艺下,钻头的表面硬度达78 HRC,600℃磨损体积低至21×10~(-3)mm~3,600℃冲击吸收功高达58 J。     

锻压钟罩拉杆的失效分析

借助扫描电镜等设备，对炼钢用锻压钟罩拉杆的失效原因进行了分析，发现拉轩服役寿命受外部工况和内部结构的复合作用影响，材料内部结构和微观组织的不理想是造成拉杆失效的主要原因.     

锻压钟罩拉杆的失效分析

借助扫描电镜等设备,对炼钢用锻压钟罩拉杆的失效原因进行了分析,发现拉杆服役寿命受外部工况和内部结构的复合作用影响,材料内部结构和微观组织的不理想是造成拉杆失效的主要原因。     

锻压机械工艺过程的模拟试验

每个成形过程都可以用一定的成形力——行程的变化过程来表示。在现有锻压机械中,对这一过程发生很大影响的因素是:成形件的材料、形状、所使用的润滑剂和其它环境条件。但是,从本质上来看,每一种成形过程是表示了一定的。对这个过程来说是典型的力——行程关系。     

对锻压机械和锻压工艺远景发展的一些估计

目前一些工业发达国家的许多部门都在进行技术发展远景的预测工作,以作为制订枝术政策和发展规划的参考。本刊这期发表侍慕超同志的《对锻压机械和锻压工艺远景发展的一些估计》一文,目的在于引起本行业广大读者的注意和兴趣,共同展开讨论和研究,以便今后能够在科学的基础上开展具有一定规模的预测工作。     

基于神经网络的机械油泵轴锻造工艺优化

为了优化机械油泵轴锻造工艺,提升机械油泵轴的综合性能,基于5×25×1三层拓扑结构,以坯料加热温度、始锻温度、终锻温度、模具预热温度和锻造变形量为5个输入参数,以磨损性能为输出参数,以tansig函数为传递函数,构建了机械油泵轴锻造工艺神经网络优化模型,并进行了神经网络模型的训练、预测与验证。结果表明该模型平均相对训练误差为3.2%,相对预测误差低于5%,具有较高预测精度和较强预测能力。与生产线现用工艺相比,采用模型优化工艺锻造的SKH-51高速钢机械油泵轴的磨损体积减小了51.9%,磨损性能得到明显提高。