基于BP神经网络的连杆衬套强力旋压回弹量预测

利用SXD100/S3-CNC数控强力旋压机,对不同工艺参数(减薄率、进给比、旋轮工作角)下的连杆衬套进行强力旋压,并测量其回弹量。基于正交试验数据,运用BP神经网络技术,以减薄率、进给比、旋轮工作角作为输入层,回弹量作为输出层,建立连杆衬套强力旋压回弹量预测模型,并用试验数据对模型进行训练与预测。结果表明,模型具有较高的预测精度,能够准确预测不同强力旋压工艺参数下的连杆衬套回弹量。     

基于RBF神经网络的强力旋压连杆衬套力学性能预测研究

针对难以运用公式来表达强力旋压连杆衬套工艺参数与力学性能之间的复杂关系问题,建立了旋压工艺参数(减薄率、热处理温度、进给比)与力学性能(布氏硬度、伸长率、屈服强度、抗拉强度)之间的径向基函数(RBF)神经网络模型。用实验所得的数据对RBF神经网络进行训练,再用训练好的RBF神经网络对成形件的力学性能进行预测,通过与实测值对比分析,并与用BP神经网络所建模型的预测结果进行比较,发现RBF神经网络模型具有较BP神经网络更优的预测性能。RBF神经网络模型预测能力强、建模时间短、能有效提高连杆衬套工艺的设计效率和降低实际实验的所需成本。     

基于BP神经网络的强力旋压成形连杆衬套力学性能预测

强力旋压成形工艺与成形件的力学性能的关系是复杂的、具有高度非线性,一般很难用公式来表达。通过正交试验,获得了实验因素(旋轮与芯模间隙值、热处理温度、进给比)下,评价指标(布氏硬度、屈服强度、抗拉强度、伸长率)的实验数据。运用BP神经网络技术建立了成形件力学性能预测模型,并用实验所得的数据对模型进行了训练。结果表明:模型具有较高的精度,能够很好地反映工艺参数与成形件力学性能之间的复杂关系。该结果能为工艺参数的优化提供理论依据。     

基于BP神经网络的强力旋压成形连杆衬套壁厚预测

对不同工艺参数组合的连杆衬套的强力旋压成形过程进行了模拟,基于BP神经网络技术,建立了工艺参数与壁厚之间的非线性函数关系。用模拟实验结果训练神经网络模型,以实现对连杆衬套壁厚的预测。该方法不仅可以缩短工艺参数优化的时间,而且能够有效地提高连杆衬套工艺设计的效率。     

基于RBF神经网络的强力旋压连杆衬套成形质量预测研究

为了实现对强力旋压连杆衬套成形质量(壁厚差和扩径量)的预测,进而对工艺参数进行优化,利用MATLAB人工神经网络工具箱,建立了强力旋压工艺参数与成形质量的RBF神经网络模型。基于减聚类算法改进的K-means学习算法,用模拟实验所得数据对神经网络进行训练,进而对旋压成形质量进行预测,通过与实测值对比,发现所建神经网络模型预测性能良好,实现了RBF神经网络在强力旋压领域的成功应用,与原始K-means学习算法训练的RBF神经网络和BP神经网络所建模型比较,发现改进K-means学习算法训练的RBF神经网络预测模型拥有更优的性能。该模型不仅可以为工艺参数的优化提供参考,还能缩短工艺参数的优化周期和减少实际实验的成本。     

基于灰色关联度的连杆衬套强力旋压参数优化

强力旋压工艺参数的选取对连杆衬套的力学性能、生产成本及生产效率有着十分重要的影响。采用正交设计试验方案进行了不同参数下的强力旋压试验,以旋压后工件的布氏硬度、屈服强度、抗拉强度为评价指标,通过分析其灰色关联系数和灰色关联度,进行多目标参数优化,得到了优化后的强力旋压的参数组合及对评价指标影响程度的主次顺序,将优化后的强力旋压参数组合与正交优化的参数组合进行对比并进行试验验证。结果表明,影响力学性能的主次顺序为:芯模与旋轮的间距热处理温度进给比,采用优化后的旋压参数在保证产品质量的同时,减低生产成本,提高生产效率。     

基于灰色GM(0,4)模型的强力旋压连杆衬套成形质量的预测研究

强力旋压的旋轮参数严重影响连杆衬套的成形质量。为了科学准确地预测连杆衬套成形质量,本文在正交试验方案的基础上引入灰色系统理论。选择旋轮工作角、旋轮工作圆弧半径、进给比和减薄率作为因素,以成形质量作为预测指标,建立了影响连杆衬套成形质量的关键参数(内径扩径量和壁厚偏差)的GM(0,4)预测模型。在回代检验时发现GM(0,4)预测模型的相对误差小于10%,模型精度良好。将一组外来数据代入检验时,预测结果相对误差仍在10%以内。结果表明:基于灰色理论建立的GM(0,4)预测模型的相对误差均小于10%。结果能够较准确地预测连杆衬套的成形质量,且建模简单实用,可为实际强力旋压参数的选取提供优化依据。     

基于ABAQUS连杆衬套强力旋压残余应力研究

针对连杆衬套强力旋压成形件的残余应力过大,影响使用性能的问题,在ABAQUS仿真软件中采用单因素设计试验方案进行强力旋压试验。以锡青铜QSn7-0.2为研究材料,探究强力旋压工艺参数对连杆衬套成形件残余应力的影响,分别以旋压成形件的轴向、周向以及径向3个方向的残余应力大小为测量目标,探究主轴转速、减薄率以及进给比3因素对连杆衬套成形件残余应力的影响,并对仿真结果进行试验验证,确保仿真结果的可靠性。结果表明:连杆衬套成形件的轴向残余应力与径向残余应力随着主轴转速、减薄率以及进给比的增大均增大;周向残余应力则随着主轴转速的增大而减小,随着减薄率及进给比的增大而增大;仿真结果与试验结果之间的误差小于10%,有限元模拟结果具有良好的可靠性。     

强力旋压连杆衬套力学性能的试验研究

强力旋压工艺是制造柴油机连杆衬套最有效的工艺方法之一,其力学性能受到旋压过程中众多工艺参数的影响。为了改善加工工艺,提高衬套质量,通过正交试验的方法,制备了不同工艺参数下的旋压筒形件。试样拉伸后,得出了应力—应变曲线。根据不同连杆衬套的力学性能需求,调整参数后生产出了合格的连杆衬套。这能为强力旋压工艺提供一定的技术支持和理论保证。     

基于Simufact的柴油机连杆衬套强力旋压成形分析

基于Simufact旋压模块,对连杆衬套强力旋压加工过程进行了数值模拟,获得了稳定状态下应力、应变的分布规律,解释了部分缺陷产生的原因,为提高连杆衬套的质量给出了指导性建议.     

基于正交试验的连杆衬套强力旋压成形分析

基于Simufact旋压平台和正交试验优化设计方法对连杆衬套的强力旋压成形过程进行了模拟,得出了参数(旋轮与芯模的间隙、旋轮成形角、圆角半径及进给比)对成形结果(壁厚差、轴向旋压分力、径向旋压分力)的影响显著性次序以及影响规律,获得了较优的工艺参数。验证试验表明,模拟及正交试验优化结果准确、可靠,能有效地提高衬套的壁厚均匀性,同时减小轴向和径向产生缺陷的倾向。     

基于Simufact强力旋压连杆衬套旋轮参数的研究

为得到高成形质量的连杆衬套,以锡青铜连杆衬套为研究对象,以成形质量中内径扩径量、外圆度误差、直线度误差为评价指标,以旋轮参数中工作角、圆弧半径、轴向错距为变量因素,通过响应曲面法设计了试验表,采用错距旋压成形方式,利用Simufact软件进行数值模拟,对旋轮参数对成形质量的影响进行分析,得出最优旋轮参数组合并进行试验验证。结果表明:工件成形质量最优时的旋轮参数组合为轴向错距为5 mm,工作角为20°,圆弧半径为4 mm。对成形质量内径扩径量影响程度顺序是圆弧半径工作角轴向错距;对外圆度误差的影响程度顺序是工作角圆弧半径轴向错距;对直线度误差影响程度顺序是圆弧半径工作角轴向错距。     

信噪比与灰色关联分析连杆衬套强力旋压参数优化研究

强力旋压加工连杆衬套优化过程受多个工艺参数的制约,这也决定了旋压成形的优化是多目标优化。为了目标函数粗糙度和回弹量同时降低,应用正交试验方案,选取了进给比、减薄率、首轮压下量等工艺参数对成形精度目标的影响试验,信噪比结合灰色关联分析方法,将多目标工艺参数优化问题转化为单目标灰色关联优化,获得强力旋压加工成形精度工艺指标要求下的参数优化组合。结果表明,信噪比与灰色关联度相结合的优化方法,有效地降低强力旋压过程的缺陷,提高成品的成形精度。     

采用灰色关联法优化强力旋压连杆衬套旋轮参数的研究

在强力旋压连杆衬套时,工件的成形质量与旋轮的参数密不可分。连杆衬套成形质量包括内径扩径量、外圆度误差以及直线度误差。本文以成形质量为评价指标,利用Simufact进行QSn7-0.2连杆衬套错距旋压的数值模拟。通过灰色关联法进行多目标的优化,得到最优的旋轮参数组合以及各参数对工件成形质量的影响程度。结果表明,影响强力旋压连杆衬套成形质量的旋轮参数顺序依次为:工作圆弧半径工作角轴向错距。采用优化后的旋轮参数组合强力旋压的连杆衬套成形质量非常高。     

基于BP神经网络的连杆衬套强力旋压轴线直线度预测

强力旋压成形工艺的轴线直线度误差对采用该工艺生产的连杆衬套的产品使用可靠性有很大影响。采用单因素试验设计方法,利用数值模拟技术手段,获得了以减薄率、进给比、首轮压下比、主轴转速为试验因素,内、外轴线直线度误差为评价指标的试验数据。基于试验因素和评价指标应用BP神经网络技术建立了4-10-2的三层神经网络结构模型,得到了减薄率、进给比、首轮压下比、主轴转速和轴线直线度误差之间的非线性关系。用试验所得到的数据对模型进行了训练和预测,并将预测值与仿真值相比较。结果表明:该模型可以有效预测连杆衬套强力旋压轴线直线度误差。     

基于RBF神经网络的连杆衬套强力旋压轴线直线度预测

为了实现对连杆衬套强力旋压轴线直线度误差的预测,从而改善连杆衬套的性能,基于MATLAB平台,建立了减薄率、进给比、首轮压下比与轴线直线度误差之间的RBF神经网络模型。用仿真数据对其进行训练,然后预测内、外轴线的直线度误差。并将预测值与仿真值比较,得出RBF神经网络预测误差百分比,与实测值进行比较,验证RBF神经网络在实际生产中的预测性能。再与同样条件下所建立的BP神经网络预测误差百分比对比。发现RBF神经网络可以用来预测连杆衬套强力旋压轴线的直线度误差,并且比BP神经网络收敛速度及学习速率更高,训练过程更稳定,预测精度更高。     

连杆铜衬套尺寸精度的强力旋压参数优化

强力旋压工艺参数的选择对于成形产品的尺寸精度具有直接影响。以强力旋压的连杆铜衬套为研究对象,选择减薄率、旋轮工作角、旋轮圆角半径和进给比作为优化性试验因素,以旋压后连杆衬套筒形件的壁厚差和扩径量作为评价指标,设计正交试验并对试验数据进行分析。通过田口算法对强力旋压参数进行优化,得到减薄率为30%、旋轮工作角为15°、旋轮圆角半径为10 mm、进给比为0.5 mm/r的优化参数组合。     

基于均匀设计法的连杆衬套强力旋压工艺优化研究

在连杆衬套强力旋压工艺研究中,选取芯模与旋轮间隙、进给比、热处理温度作为试验因素,采用均匀设计法进行了旋压试验,并通过DPS数据处理软件采用二次多项式逐步回归法处理数据,优选最佳工艺条件。从试验优化得到的影响连杆衬套屈服强度的最佳工艺条件为:进给比0.1 mm/r,芯模与旋轮间隙为3.5 mm,热处理温度为270℃。