基于人工神经网络的焊缝宽度预测

研究了用神经网络预测焊缝宽度的方法。首先对焊接质量检测系统的一些相关问题进行了研究,考虑了弧焊特性的提取、焊接质量的预报以及人工神经网络模型(ANN)的应用,设计了一个基于人工神经网络的焊接质量检测系统,给出系统的组成结构,ANN被用于预测焊缝宽度,建立了焊缝宽度预测的人工神经网络模型。为了验证建立的ANN模型的可行性,进行了仿真研究。仿真结果表明,所建立的ANN模型可预测焊缝宽度,基于人工神经网络的焊接质量检测系统是有效的。     

Q235钢控时水浴淬火强韧化工艺

采用金相观察、硬度测试、冲击和拉伸试验,研究了Q235钢60 ℃控时水浴淬火并低温回火对强韧化的影响。结果表明,完全淬火、180~300 ℃回火比控时水浴淬火、同样条件回火的硬度及强度高,这归因于完全淬火过程中马氏体的自回火程度低及残留奥氏体量少。但进行控时水浴淬火、300 ℃回火则强度升高,增大的强度与水浴淬火增加的残留奥氏体及其转变有关。与完全淬火、回火相比,水浴亚温淬火、回火的冲击性能较高,这主要是未溶铁素体及水浴淬火时增加的残留奥氏体对韧性的贡献。但水浴完全淬火、300 ℃回火则表现出更好的韧性。对于Q235钢,采用890 ℃加热、60 ℃水浴13 s控时淬火并300 ℃回火,能够获得良好的强韧化效果。     

用人工神经网络模型预测灰铸铁件的性能

材料的成分和性能之间具有很强的非线性关系,人工神经网络是解决非线性映射关系的一种有效的手段.本文以L9(33)发动机缸盖灰铁铸件的性能与成分的关系为研究对象,在Matlab语言环境下,以型正交试验数据作为训练和预测样本,用5节点的单隐含层BP型神经网络进行了预测.结果表明:正交试验和人工神经网络相结合来预测发动机缸盖灰铁铸件的性能是有效的、切实可行的.     

基于神经网络的搅拌摩擦焊接头质量预测系统研究

通过正交试验在不同的试验参数下对铜-铜进行搅拌摩擦焊接得到覆盖面较广的试验数据．形成神经网络质量预测体系的训练样本。以搅拌摩擦焊的工艺参数(旋转速度、横向速度、压力)作为神经网络的输入，以焊接接头的拉仲强度或接头优异性(1接头质量合格、O为接头质量不合格)为神经网络的输出，用剔除畸变样本后的试验样本对人工神经网络进行训练，然后用训练好的网络对搅拌摩擦焊接头质量进行预测。利用MATLAB语言编制用户界面，并建立了搅拌摩擦焊的人工神经网络预测系统，实现了对工艺参数的优化。     

基于人工神经网络的焊缝熔敷金属力学性能预测

基于神经网络预测技术提出了一种新思路。本文利用前向神经网络，使用BP算法对熔融金属的抗拉强度、屈服强度等力学性能指标进行研究。通过对实验数据样本进行训练，建立熔敷金属的抗拉强度、屈服强度与焊缝熔敷金属成分之间的隐性函数，用此神经网络，即可预测熔敷金属的抗拉强度和屈服强度。     

非调质钢强韧性的影响因素

本文介绍了化学成分、显微组织、热加工条件等因素对非调质钢强韧性的影响。并提出了改善非调质钢韧性的可能途径。     

Cr15Mo铸铁的强韧化研究

利用正交试验研究了淬火温度、回火温度、回火时间对Cr15Mo铸铁强韧性的影响;结果表明,Cr15Mo铸铁采用980－1000℃淬火,280℃回火,强韧性最佳。     

非调质钢强韧性的影响因素

本文介绍了化学成分，显微组织，热加工条件等因素对非调质钢韧性的影响，并提出了改善非质钢韧性的可能途径。     

基于人工神经网络建模的磨削烧伤预测

本文介绍了用神经网络建模预测磨削烧伤的方法，并给出了对３００Ｍ超高强度钢磨削烧伤进行建模和预测的实例。实验结果是令人满意的。     

ANN在焊接接头抗弯强度预测中的应用

采用Ni—Fe—C合金作为填充金属,获得了基于11G焊的WC-30Co／45钢焊接接头。采用人工神经网络(ANN)方法,对WC-30Co／Ni-Fe-C／45钢11G焊过程中输入参数(焊接参数和填充金属成分)和力学抗弯强度之间的关系进行预测和分析。训练数据经过数据标准化处理,送入基于反向传播的多层前馈神经网络模型训练。并采用均方误差对模型进行误差分析。并采用训练的网络对焊接参数和填充金属成分与抗弯强度之间的关系进行预测。最后通过试验对预测结果进行了误差分析。结果表明,当采用碳含量(质量分数)0．6％或0．8％;Ni／Fe比为1．9～2．7的合金作为填充金属时可以获得较高的抗弯强度;构建的基于反向传播算法的ANN模型适用于评价WC-30Co／45钢TIG焊接头的抗弯强度,优于传统方法。     

高强度管线钢焊接接头韧性参数CVN的神经网络预测系统

使用VC 6.0建立了多层BP人工神经网络模型预测高强度管线钢焊接接头韧性参数夏比冲击(CVN)值.根据现场X70管线钢焊接参数,选择平均线能量、壁厚、预热温度、焊接位置和取样位置作为模型输入量,建立了节点数为14的一个隐层,激活函数为Sigmoid型的接头韧性参数CVN预测程序.194组样本数据均来自现场焊接数据,随机选取150组样本作为训练样本,其余44组样本作为预测结果的检验样本.分析了神经网络结构对预测结果的影响.预测值误差在20%以内的样本占测试样本数的77%.结果表明,在高强度管线钢焊接中,基于ANN(artificial neural network)的CVN预测方法可为合理选择焊接工艺参数提供一种有效途径.     

紧密对接激光焊焊缝位置神经网络预测

激光焊接过程中,控制激光束准确对中焊缝是获得良好焊件的关键。以低碳钢板紧密对接激光焊(焊缝间隙不大于0.1 mm)作为研究对象,利用磁光传感法摄取焊接过程中焊缝区域磁光图像。分析焊缝区域图像特征,定义并提取紧密对接焊缝位置坐标,以前时刻的焊缝位置及其变化值作为输入量,当前时刻焊缝位置坐标作为输出量,应用神经网络建立焊缝位置的预测模型。试验结果表明,建立的前馈型神经网络能够较好地预测焊缝位置坐标,为激光焊缝及时纠偏和自动跟踪奠定基础。     

焊缝偏差RBF神经网络预测算法

以10 kW大功率光纤激光焊接304奥氏体不锈钢板为试验对象,研究一种焊缝偏差预测算法.利用红外摄像机摄取焊接过程中的熔池红外图像,提取匙孔质心、匙孔形状参数和热堆积效应参数等反映激光束与焊缝位置偏差的特征量作为径向基函数RBF神经网络预测模型的输入量,建立焊缝偏差RBF神经网络预测模型.选择焊缝偏差特征量作为训练样本并对预测模型进行训练,建立焊缝偏差预测模型.结果表明,该模型能够对大功率光纤激光焊接过程中的激光束与焊缝位置之间的偏差进行有效预测.     

大功率激光焊背面焊缝宽度神经网络预测

针对焊接过程中熔透及焊缝背面成形难以直接检测的问题,通过焊件正面和侧面的传感特征信息,对焊件背面的焊缝宽度进行预测. 用视觉传感器获取激光焊接过程中包含焊接特征信息的图像,对图像进行分割分层、模式识别和空域图像处理,准确提取焊接特征信息,发现焊接特征信息随着焊接路径的变化有着相应的变化趋势. 建立包含两个隐含层的贝叶斯神经网络,用提取到的9组特征信息作为输入,对焊件背面焊缝宽度进行预测. 通过10组焊件背面焊缝宽度的预测值与实际值的比较,验证了贝叶斯神经网络具有良好的预测能力,在焊缝不理想的状态下,也具有较好的预测能力.     

Artificial neural network modeling of weld joint strength prediction of a pulsed metal inert gas welding process using arc signals

This paper addresses the weld joint strength monitoring in pulsed metal inert gas welding (PMIGW) process. Response surface methodology is applied to perform welding experiments. A multilayer neural network model has been developed to predict the ultimate tensile stress (UTS) of welded plates. Six process parameters, namely pulse voltage, back-ground voltage, pulse duration, pulse frequency, wire feed rate and the welding speed, and the two measurements, namely root mean square (RMS) values of welding current and voltage, are used as input variables of the model and the UTS of the welded plate is considered as the output variable. Furthermore, output obtained through multiple regression analysis is used to compare with the developed artificial neural network (ANN) model output. It was found that the welding strength predicted by the developed ANN model is better than that based on multiple regression analysis.     

基于BP人工神经网络的高强度管线钢焊接接头性能参数CTOD预测系统

针对实际中高强度管线钢焊接工艺参数的选择主要依据试验和经验的局限性,使用VC 6.0建立了预测高强度管线钢焊接接头性能参数裂纹尖端张开位移(CTOD)的BP神经网络模型.该模型输入层节点数为4,1个隐层,节点数为14,激活函数为Sigmoid型.根据试验数据提取平均热输入、壁厚、预热温度和接头区域作为预测模型的输入量,预测结果的平均绝对误差为0.154,预测值误差在±20%以内的样本数占总样本数的93.3%.结果表明,人工神经网络方法是预测管线钢焊接接头性能参数CTOD的一种有效途径,可为管线钢焊接过程中主要工艺参数的选择和优化提供有效的手段.     

基于人工神经网络的点焊熔核直径预测

从电极位移曲线上提取出的两个特征值及焊接能量值作为输入值,熔核直径为输出值,建立了基于BP算法的铝合金直流点焊熔核直径预测模型.该模型为隐层结点数为5的三层结构,隐层转移函数为Sigmoid函数,输出层的转移函数为线性函数.对实测结果与仿真结果进行了对比分析,结果表明,45.2%的预测值与实测值相差不超过0.5 mm,77.4%的预测误差不超过1 mm,94.3%的预测误差没有超过2 mm.回归分析结果为A=0.878T 0.982.     

Predicting effects of diffusion welding parameters on welded joint properties by artificial neural network

1　ＩＮＴＲＯＤＵＣＴＩＯＮＭｅｔａｌｍａｔｒｉｘｃｏｍｐｏｓｉｔｅｓ (ＭＭＣｓ) ,ｄｕｅｔｏｔｈｅｉｒｏｕｔｓｔａｎｄｉｎｇｐｒｏｐｅｒｔｉｅｓｓｕｃｈａｓｈｉｇｈｓｐｅｃｉｆｉｃｓｔｒｅｎｇｔｈ ,ｓｐｅｃｉｆｉｃｍｏｄｕｌｕｓ ,ｓｉｚｅｓｔａｂｉｌｉｔｙ ,ｈｉｇｈ ｔｅｍｐｅｒａｔｕｒｅ ｒｅｓｉｓｔａｎｔａｎｄｃｏｓｍｉｃ ｒａｙｒｅｓｉｓｔａｎｔ ,ａｒｅｗｉｄｅｌｙｕｓｅｄｉｎａｅｒｏｓｐａｃｅ ,ａｖｉａｔｉｏｎａｎｄｅｌｅｃｔｒｏｎｆｉｅｌｄｓ ,ａｎｄｂｅｃｏｍｅｔｈｅｍａｊｏｒｄｅｖｅｌ…