激光切割加工工艺参数选取的神经网络方法

通过激光切割加工工艺实验,建立了相应的激光切割参数模型,应用改进ＢＰ神经网络算法进行参数选取,取得了满意的效果。     

激光切割加工工艺参数选取的神经网络方法

通过激光切割加工工艺实验,建立了相应的激光切割参数模型,应用改进ＢＰ神经网络算法进行参数选取,取得了满意的效果。     

基于CMAC神经网络的激光切割加工工艺参数的选取

提出了一种用神经网络技术构造激光切割加工工艺参数模型和建立加工参数自动选取系统的方法。利用CMAC神经网络算法，产生一个工艺参数自动选择器，将它嵌入到激光切割加工控制系统中，尤其适用于实时控制选取和改变加工工艺参数，进一步提高控制系统的智能和加工的柔性。     

激光切割工艺参数优化数据库系统

用Visual Basic 6.0和用SQL server 7.0设计了激光切割工艺参数数据查询系统.能实现对常用材料的激光切割工艺参数进行查询.同时,提供了方便的数据库维护方法,提出用户基于Web技术的数据库更新方法.     

基于正交试验的MS-WEDM第二次切割工艺参数优化

研究MS-WEDM多次切割中第二次切割参数对表面质量和切割速度的影响规律,寻求最优参数组合,有利于提高多次切割的加工质量。采用单因素试验研究第二次切割参数的脉宽、脉间、功放、丝速等参数对表面粗糙度和切割速度的影响规律,选取4水平4因素进行正交试验,用综合评分法将表面粗糙度和切割速度的多目标优化问题转化为加权综合评分的单目标问题。结果表明:更优的加工参数方案为脉冲宽度6μs、脉冲间隔5μs、功放1个、丝速6 m/s,并通过试验验证,其表面粗糙度为1. 54μm,切割速度为149. 43 mm~2/min,加权综合评分为0. 26。     

基于正交试验-人工神经网络模型的镁合金薄板加热拉伸工艺优化

设计了正交试验表,在万能试验机上对AZ31镁合金试样进行了在线加热拉伸试验,对正交试验结果进行了极差分析和方差分析,并且通过人工神经网络模型优化,得到了AZ31镁合金薄板的最佳拉伸工艺参数,即拉伸温度300℃,拉伸速度10 mm/min,变形量20％.该结论为指导AZ31镁合金薄壁拉伸件的生产提供了理论依据.     

基于BP神经网络与遗传算法的固结磨具制作工艺参数优化

目的 利用BP神经网络技术与遗传算法寻找固结磨具制作最优工艺参数组合,实现固结磨具制作工艺参数的快速寻优.方法 设计磨粒粒径、磨粒质量分数、成型压力、烧结温度的正交工艺参数表,按正交表工艺参数制作蓝宝石晶片加工用的Cr2O3固结磨具,并且设计不同固化温度下制作的固结磨具的硬度与抗压强度测试试验,验证自制的固结磨具加工的...     

基于BP神经网络的电解加工工艺参数优选研究

电解加工中通过适当地控制工艺参数可获得较好的表面质量.运用正交试验方法研究了工作电压、电解液压力、初始间隙、阴极转速及阴极进给速度对电解加工表面质量的影响,得到了优化的工艺组合.在此基础上运用BP神经网络对试验数据进行分析处理,预测了较正交试验分析结果更为优化的工艺组合,并用试验验证了其正确性.结果表明,经正交试验数据训练过的BP神经网络,较好地映射了工艺参数与优化指标之间的复杂非线性关系,应用BP神经网络对工艺参数进行优选研究能得到更全面、准确的结果.     

基于BP神经网络的压铸成型工艺参数的模拟与优化

利用数值模拟、BP神经网络和正交试验相结合的方法对压铸成型的工艺参数进行模拟和优化。并且通过一个简单的实例对该方法的可行性进行了验证。基于BP神经网络对压铸工艺参数及其相对应的铸件最低温度点样本进行训练,得到了工艺参数到铸件温度映射关系的神经网络模型,并验证该模型的准确性。结果表明,神经网络结合正交实验设计方法的优化算法,可以确定出最优的工艺参数组合,缩短了优化工艺参数的时间。     

基于正交试验和BP神经网络的板材多点渐进成形工艺优化

针对金属板材渐进成形过程中易出现壁厚不均的问题,在多点渐进成形工艺的基础上,选定合理的工艺参数,建立有限元模型,设计正交试验方案,利用ANSYS/LS-DYNA对方锥台制件渐进成形过程进行数值模拟,并对正交试验结果进行极差分析、方差分析和BP神经网络优化。结果表明:在板材多点渐进成形中,进给量对目标制件成形区壁厚均匀性影响最大,其次是工具头半径,进给速度影响不明显;BP神经网络模型的预测结果与正交试验结果相比误差小于5%;1060铝合金板材在多点渐进成形过程中,当工具头半径为6 mm、进给量为0.25 mm、进给速度为30 mm·s-1时,可获得壁厚较均匀的目标制件。     

基于 BP 神经网络的 Fe 基合金粉末喷涂工艺参数优化

目的基于BP神经网络具有自学习、自训练和输出预测的功能,将其应用于热喷涂过程中的参数优化问题。方法依托高效能超音速等离子喷涂系统实验平台,以Fe基合金粉末为喷涂材料,将等离子喷涂中的主气流量、电功率和喷涂距离作为模型输入,涂层沉积速率和硬度作为模型输出,不断调整隐含层节点个数,最终建立3-7-2网络结构的BP神经网络以优化工艺参数。利用优化出的工艺参数制备Fe基合金涂层,测试其性能,并计算误差。结果神经网络优化出的最优喷涂工艺参数为:主气流量96L/min,电功率56 k W,喷涂距离95 mm。采用该工艺参数制备涂层,涂层增厚实测平均值为360μm,硬度为672HV0.3,而模型的预测值分别为332μm和611HV0.3,与预测值的相对误差分别为7.8%和9.1%。结论 BP神经网络对等离子喷涂参数优化问题的拟合精度比较高,误差在可以接受的范围之内。将BP神经网络运用于热喷涂工艺参数的优化具有科学性和可操作性。     

铝合金铸造凝固过程有限元模拟的神经网络优化

应用神经网络优化了铝合金铸造凝固有限元模拟(FEM)过程,使得CPU时间最小化.在优化中,通过粗化FEM网格减少CPU时间.模拟精度降低的代价通过神经网络拟合机制来补偿.拟合机制由自适应学习率-动量因子的误差反向传播改进算法来实现.FEM模拟的控制方程是基于焓变的Fourier导热方程.模拟结果为开模循环周期20 s的温度场,几何中心与浇道等铸件特定部位的温度-时间曲线.本工作证实了对凝固FEM技术实施神经网络优化的可行性.     

基于BP神经网络的钒基合金自蔓延高温合成工艺参数优化设计

以坩埚H/D值、V2O5还原率、V2O5收得率、TiO2还原率和TiO2收得率为输入参数,钒基合金V3TiNi0.56收得率为输出参数,训练过程采用trainlm函数,设计了具有较高精确度的BP神经网络优化模型,可推广应用到各种钒基合金的自蔓延高温合成工艺参数的优化.     

AA8030铝合金挤压工艺参数的神经网络分析

应用神经网络模型分析AA8030铝合金的力学性能对等通道转角挤压变形工艺参数的响应。进行了SEM分析和金相组织观察,对模型进行了实验验证。计算结果表明,利用神经网络模型预测的铝合金拉伸力学性能和试验值之间的误差没有超过1.5%,平均误差0.8%。说明该模型对拉伸力学性能的预测能力及预测精度良好。利用该模型,得到合适的等通道转角挤压工艺条件为:挤压方式为前一道次完成后旋转180°再进入下一道次;挤压道次为4;挤压速度为5 mm/s。     

基于改进的BP神经网络对切削参数的优化选择

为了在切削零件时能合理选择切削参数并充分发挥机床的效能,建立了改进的BP神经网络,用样本集来训练和检测BP神经网络.实现了对切削参数的优化选择和切除率的预测,为切削参数的选择提供了理论依据.实例表明,采用BP神经网络优选的切削参数进行加工,能明显地降低成本、提高生产效率.     

基于LPSO与BP神经网络电阻点焊工艺参数建模优化

电阻点焊工艺参数的设置对点焊焊接质量有着非常重要的作用,难以建立精确的数学模型。基于此,提出一种将Logistic映射微粒群优化算法(LPSO)与BP神经网络相结合的方法,对0.8mm厚08AL钢板点焊工艺参数建模优化。在详细分析点焊工艺的基础上,利用BP神经网络建立点焊工艺参数与焊接质量之间的模型,同时结合LPSO的全局寻优能力,对点焊工艺参数进行优化,获得三大主要工艺参数(点焊时间、点焊电流与电极压力)的最优匹配。以点焊时间9周波、点焊电流11.41k N、电极压力1.7k N的最优工艺参数组合进行试验,结果表明,与BP+COA和正交实验法相比,该方法具有更高的可靠性。     

基于神经网络的显示器主板无铅焊接工艺参数优化设计

以合金型号、预热温度、链条速度、链条角度、焊接温度和焊接时间为输入参数,直通率为输出参数,构建6×18×9×1四层拓扑结构的神经网络优化模型,可以实现无铅焊接工艺参数的优化设计,且预测精度较高、预测能力较强。现场验证表明,与产线上原用无铅焊接工艺参数相比,采用神经网络优化模型设计的无铅焊接工艺参数,获得的无铅焊接焊点直通率从98.12%提高到100%;焊点内部均匀、致密,无气孔等缺陷。     

基于正交实验的H型截面铝合金锻件多目标成形优化

为了提高H型截面铝合金锻件的变形均匀性,减少流线折断等缺陷,采用正交实验法确定实验方案,采用DEFORM-2D数值模拟软件对方案进行仿真模拟。以锻件最后的充填性,变形均匀性和纤维折断为多目标评价标准,分别研究设计因素对成形目标影响的主次顺序,并通过综合平衡法得到了工艺参数的最佳水平组合,以此进行有限元模拟验证。验证结果表明,该优化方法能够获得满足质量要求的H型截面铝合金锻件。