实验与数据混合驱动的喷墨打印电子电路质量预测研究

当前,喷墨打印在制造电子电路过程中,工艺参数对印制电路的导线线宽和电阻影响尚未明确,这会导致在实际生产过程中难以配置最优工艺参数组合,从而降低产品的最终质量。针对此问题,基于GA-BP神经网络对喷墨打印电子电路的导线线宽和电阻进行了精确预测与优化。首先,通过探究神经网络的神经元个数与模型均方误差的关系,建立了适用于喷墨打印电路导线线宽与电阻的GA-BP神经网络;其次,采用全因子实验的方法,获取基板温度、打印速度、打印层数和延迟时间对印制电路导线线宽和电阻的影响,此外,对比分析BP和GA-BP神经网络对于电路导线质量的预测精度并确定了打印参数对质量的拟合方程;最后,通过遗传算法对导线线宽和电阻进行工艺参数优化,并对二者的优化结果进行实验验证。实验结果表明,导线线宽和电阻的测量值和预测值的相对误差在5%之内,该模型能够准确实现对电子电路质量的预测与参数优化,从而提升电路质量,为产品的研发设计提供了有力参考。     

基于BP神经网络的氢氧微火焰锡焊工艺参数优化研究

为解决氢氧微火焰锡焊工艺参数影响焊接质量的问题,使用正交试验法缩小工艺参数范围,通过实验获得100组真实数据,将其中92组实验数据作为输入样本导入MATLAB神经网络模块中,建立了锡焊质量指标与锡焊工艺参数之间的BP神经网络预测模型,经过多次优化训练后,将剩余的8组工艺参数组合导入优化后的BP神经网络模型进行模型准确性验证,并在PCB板上进行氢氧微火焰锡焊实验,发现仿真结果和实际结果的误差范围不超过4%。使用训练好的BP神经网络模型得到一组最优工艺参数,实验结果表明采用该工艺参数组可以得到平均焊点锡料覆盖率98%以上的焊点质量,可应用于实际氢氧微火焰自动锡焊中。     

基于BP神经网络的铝合金搅拌摩擦焊接头疲劳性能研究

以焊接母材、搅拌头旋转速度、焊接速度、轴向压力、搅拌头倾角和板材厚度为输入参数,以疲劳寿命为输出参数,构建6×18×9×1四层拓扑结构的铝合金FSW接头疲劳性能BP神经网络模型,并进行了试验验证和产线应用研究。结果表明,神经网络模型具有较高的预测能力和预测精度,相对训练误差小于5.5%、相对预测误差小于6%;生产线上铝合金板材的搅拌摩擦焊工艺参数经神经网络优化后,接头疲劳寿命较神经网络优化前增加51.11%,接头疲劳性能显著提高。     

融合GRU-Attention与鲸鱼算法的流程制造工艺参数云边联动优化

为解决流程制造工艺参数优化面临的多工序耦合模型构建复杂、多目标冲突分析困难、实时和准确性难以保障等问题，提出一种融合GRU-Attention与鲸鱼算法的流程制造工艺参数云边联动优化方法。设计了适用于多工序耦合生产的训练计算云边协同架构，通过设备边缘节点与云平台的高效协同，完成了预测模型和优化模型的云端训练，边缘端数据收集、模型下载和调用计算。在此基础上，建立了基于GRU-Attention多层神经网络的生产工艺质量预测模型，将输出质量指标作为适应度，调用鲸鱼算法对生产工艺参数进行全局寻优，获得不同工序最优工艺参数组合，实现流程生产不同工序加工质量的实时预测和综合优化。最后，以某流程制丝生产线为例进行了实验验证，结果表明，所提基于深度学习的云边联动方法可实现生产质量的综合动态优化，同时可降低工艺参数调控任务的完成时间。     

复杂地质条件下盾构掘进参数预测分析

将粒子群算法和BP神经网络相结合,构建PSO-BP神经网络盾构参数预测模型,可将盾构参数预测值与实际值的相对误差控制在10%以内,能够在前期盾构施工参数基础上,对后续盾构施工参数做出很好的预判,可为指导后续盾构施工提供帮助。     

基于神经网络的波峰焊用钎料改性研究

采用6×24×8×2四层拓扑结构,以Bi含量、In含量、Sr含量、Ag含量、Y含量和Ce含量为输入层参数,设计最多五元的波峰焊用SnCu基钎料合金,以可焊性和熔点为输出层参数,构建了波峰焊用钎料神经网络改性研究模型,并进行了试验验证、组织分析和性能测试。结果表明,该神经网络的预测精度较高,可焊性预测值相对误差在1.7~2.9%之间、熔点预测值相对误差在1.5~2.8%之间,优化钎料合金Sn-0.7Cu-0.9Bi-0.2In-0.4Y可焊性好、组织致密、熔点较Sn99.3Cu0.7钎料熔点下降了近20℃。     

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。     

压痕法评价奥氏体不锈钢拉伸性能的神经网络分析

基于Ludwik模型,采用有限元软件进行仿真,建立压痕曲线神经网络数据库,利用Matlab提供的函数来创建反向传播神经网络,利用材料参数输入和压痕曲线输出向量对神经网络进行训练,学习输入和输出数据之间的关系.利用训练好的神经网络模拟压痕曲线,通过Matlab优化函数使试验观测值与神经网络模拟预测值之间的误差最小.由于神...     

神经网络在工序质量故障诊断中的应用

本文介绍了用于工序质量故障诊断的三层BP神经网络模型，该模型利用X—R控制图作为研究的工具，以控制图的七种异常现象作为输入，工序质量故障作为输出．在实际加工过程中采集到训练样本，对神经网络进行训练．经过训练后的神经网络可以对工序质量控制的异常情况进行分析诊断后，得出故障的原因．仿真实验结果表明，神经网络对工序质量故障诊断具有诊断速度快、有自学功能、对环境适应性强等特点，更适用于CIM环境中的在线控制．     

基于BP神经网络的焊接工时定额模型研究

为了提高焊接工时定额的计算效率和精确度,消除传统定额方法过度依赖线性公式进行计算而忽略工时定额与其加工工艺参数之间的非线性关系的不足,将BP神经网络技术应用到焊接工时定额中,建立多输入单输出的神经网络模型,并运用实际数据对建立的神经网络进行训练,通过测试样本验证了该网络模型输出的仿真值与实际值之间的误差在5%以内。验证结果表明,用BP神经网络方法建立的焊接工时定额模型能够对焊接工时进行准确的预测。     

汽车同步器齿环锻压工艺的神经网络优化研究

以4×24×12×1的四层拓扑结构,以始锻温度、终锻温度、锻压速度、模具预热温度作为输入层函数,以耐磨损性能作为输出层函数,构建了优化汽车同步器齿环锻压工艺的神经网络模型,并对此模型进行了预测验证以及产线应用验证。结果表明,模型输出的室温和高温磨损体积平均相对预测误差分别为3.3%、3.2%,模型预测能力佳、精度高。与目前产线现用工艺相比,采用神经网络模型优化的工艺锻压的汽车同步器齿环室温磨损体积减小5.3%、高温磨损体积减小38.9%,齿环耐磨损性能提高。     

基于广义神经网络多目标铣削参数自适应研究

为了研究多参数多目标自适应优化,通过Ti6Al4V铣削试验采集了各铣削参数水平下的铣削力和工件表面粗糙度数值,以控制铣削力和表面粗糙度值为目标,对各水平铣削参数进行稳健设计优化,获得铣削参数的非劣解集。基于非劣解集数据,采用广义神经网络算法建立铣削参数自适应优化训练模型,将训练模型预测的数据与非劣解集中的参数进行对比,结果显示二者具有很好的一致性。因此,该自适应模型能够通过限定的铣削力和粗糙度目标值预测得出自适应优化的切削速度、进给量、轴向切削深度和径向切削深度参数值。铣削参数的自适应调节方法为:当所限定的铣削力和粗糙度值所对应的参数值与预测值之间的均方误差超过10%时,则先前的铣削参数会自适应调节为广义神经网络模型预测的值。     

基于遗传算法和神经网络的冷挤压工艺参数模糊优化设计

将模糊优化思想引入冷挤压工艺参数优化设计,以冷挤压模具的四个关键工艺参数为设计变量,以最终挤压件的各处材料的损伤值为目标函数,建立了冷挤压工艺参数模糊优化模型。提出了利用神经网络进行材料损伤近似计算的策略,从而形成了基于遗传算法和神经网络的冷挤压工艺参数模糊优化方法。对冷挤压工艺参数模糊优化模型进行了求解,优化结果表明模糊优化思想能提高冷挤压工艺设计质量。     

神经网络在工序质量故障诊断中的应用

本文介绍了用于工序质量故障诊断的三层ＢＰ神经网络模型。该模型利用Ｘ－Ｒ控制图作为研究的工具，以控制图的七种异常现象作为输入，工序质量故障作出输出，在实际加工过程中采集到训练样本，对神经网络进行训练。经过训练后的神经网络可以对工序质量控制图的异常情况进行分析诊断后，得出故障的原因。仿真实验结果表明，神经网络对工序质量故障诊断具有诊断速度快，有自学功能、对环境适应性强等特点，更适用于ＣＩＭ环境中的在线     

基于嵌入式CPS模型的产品质量在线管控方法

随着工业4.0时代的来临,制造技术正逐步从自动化、数字化、网络化向智能化方向发展。作为工业4.0的重要策略—信息物理系统(Cyber-physical system,CPS),由于其具有自主判断、自主决策、自主调控能力,如何将CPS技术应用于流程工业的智能化制造引起了广泛关注。根据钢铁制造过程的特点,提出在各工序中嵌入CPS质量管控模块的过程控制系统,实现全流程产品质量在线动态管控与优化。重点研究采用嵌入式CPS方法的产品质量在线管控系统架构和产品质量管控模型。在这些模型中,提出一种基于数据驱动的质量异常判定模型,提出基于贡献图的质量异常原因分析方法,讨论动态的工艺参数控制策略。嵌入式CPS产品质量监控系统可以根据生产过程中各个工序的产品质量偏离情况,及时调整后工序的工艺参数,实现产品质量的在线优化。通过汽车钢的应用实例,证实了基于嵌入式CPS模型的动态产品质量管控方法是提高产品质量的稳定性和实现柔性智能化制造的有效途径。     

基于BP神经网络的锁模机构运行振动量的预测

利用BP神经网络建立吹瓶机锁模机构的运行参数的优化模型,通过BP神经网络模型结构的确定、BP神经网络模型的训练和BP神经网络模型的验证,预测出最优参数组合下锁模机构运行过程中的振动量,与现场实际测试结果进行对比,得到锁模机构的最优运行参数,节约资源,降低生产成本,指导实际生产。     

小工件热处理生产线的数字化设计与实现

分析热处理生产线控制系统现状,该文设计了一套小件热处理生产线数字化系统。文章分析了生产线数字化系统的组成及主要功能,提出了小件热处理生产线数字化应用架构,给出了生产线数据采集站的分布及其信息采集方法,研究基于数字化技术的热处理生产线的运行状态自动监控。特别是报表系统记录了几乎所有热处理工序工艺参数、工艺过程的数字化信息,有利于产品质量追溯,为优化热处理生产线参数,开展精细生产提供了一种新思路。     

铝合金板快速加热弯曲的参数预测

基于BP神经网络平台,建立了铝合金板快速加热弯曲的角度预测BP网络模型,实现了脉冲激光加工工艺的参数控制与优化。通过试验获得样本数据,将试验样本数据用于BP网络的训练,利用训练好的BP网络对非线性的样本数据规律进行拟合,对脉冲激光弯曲角度和工艺参数进行准确的预测,预测误差范围可控制在＜5~8%,研究结果为实际生产中精密成形提供了有效的理论与试验依据。     

基于PSO-BP神经网络的磨削表面粗糙度预测模型的研究

基于粒子群算法和BP算法相结合,借助粒子群算法优化BP神经网络的初始权值和阈值构建了PSO-BP神经网络磨削表面粗糙度预测模型。以砂轮粒度、砂轮转速、工件速度和径向进给量为正交实验四因素,设计了L_(75)(3~1×5~3)混合水平表,并获取75组实验数据作为该预测模型的训练和测试样本。实验结果表明:与BP神经网络预测模型相比,PSO-BP神经网络预测模型的预测精度更高,其预测值与实测值的平均误差由0.48%降至0.29%。     

基于人工神经网络构建优化板料拉延成形工艺模型

利用人工神经网络构建了板料拉深成形的目标函数模型,建立了板料拉深成形工艺参数和性能评价指标之间的映射关系,为各参数的研究和优化提供了重要参考.通过正交试验法对模型的训练,得到了高精度的神经网络模型.并以某后壁板为例进行拉深成形建模,通过对训练后的网络进行测试,网络误差小于5%,验证了所建网络模型的正确性和实用性,为工艺优化提供了行之有效的手段.