基于蚁群算法的激光表面淬火工艺参数神经网络优化系统

建立了基于蚁群算法的激光表面淬火工艺参数神经网络优化系统。用神经网络建立激光表面淬火工艺参数与目标参数的非线性模型,借助蚁群算法搜索决策工艺参数的最优组合,自动优化工艺参数。用VC++6.0开发了激光表面淬火工艺参数优化程序。结果表明,基于蚁群算法的神经网络优化系统用于解决激光表面淬火工艺参数优化问题是可行且有效的。     

基于神经网络与遗传算法的压铸工艺参数优化

依据A356咖啡机顶盖高压铸造特点,采用FEM仿真软件对铸件成型工艺进行数值模拟,以L16(45)正交试验和6个补充试验作为BP神经网络的训练样本,建立模具热应力与浇注温度、模具预热温度、压射比压、压铸速度4个压铸工艺参数的非线性映射关系;以模具热应力σmax的最小值为优化目标,运用遗传算法进行工艺参数优化。最终得出浇注温度、模具预热温度、压射比压、压铸速度等4个参数最佳的一组组合,使试验指标σmax最小,模具的热疲劳趋势最低,零件的成型质量最佳。试验结果证明,该减少模具热疲劳趋势的优化方案具有可行性,同时对相近结构压铸件的生产也具有一定的指导意义。     

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BP神经网络L M优化算法的喷液式线切割工艺参数优化

为了解决大能量切割时常因放电极间供液不足而出现干切和断丝的现象,提出在工作液高压浇注供液方式的基础上,增添跟踪喷液辅助系统。该系统可减少或消除供液喷嘴与切割表面间的喷液流失,提高工作液的极间进入量和极间平均流动速度,进而改善极间放电条件。在搭建的喷液系统上进行了正交优化试验,研究了功放管数、脉冲间隔、切割厚度、脉冲宽度、运丝速度等因素对切割效率的影响,确定了线切割优化工艺参数,获得了200 mm~2/min以上切割效率。借助L-M优化算法的BP神经网络搭立了线切割加工工艺网络预测模型,预测精度较高,为跟踪喷液式高速走丝线切割机的高效切割提供了可靠的工艺参数预测模型,满足实际加工需要。     

基于蚁群神经网络的电阻点焊工艺参数优化

提出了一种神经网络与蚁群算法相结合的08Al钢板电阻点焊工艺参数优化方法.以试验数据为样本,通过神经网络建立焊接工艺参数与焊接性能关系之间的复杂模型,利用蚁群算法对焊接工艺参数进行优化,充分发挥神经网络的非线性映射能力和蚁群算法全局寻优能力.仿真试验显示了方法的有效性和优越性.     

基于BP神经网络与遗传算法的罩盖压铸工艺参数优化

为了得到高速压铸过程中的最优工艺参数,用试验数据得到的各工艺参数范围作为神经网络的训练样本,建立压铸工艺参数(浇注温度、模具温度、高速充填速度)与凝固时间、二次枝晶臂间距、抗拉强度的非线性映射关系,并运用遗传算法对函数关系式中的压铸工艺参数寻优,从而获得最优的一组压铸工艺参数。在该工艺参数下,零件的成形质量最佳,凝固时间少,二次枝晶臂间距小,抗拉强度高。     

基于神经网络算法的高强镁合金热处理工艺优化

以高强镁合金成分、固溶温度、固溶时间、时效温度和时效时间为输入层参数,以高强镁合金的抗拉强度为输出层参数,采用5×35×7×1四层结构构建出高强镁合金热处理工艺优化神经网络模型。并对模型进行了学习训练和预测验证。结果表明,该模型具有较好的预测能力和预测精度,预测误差小于4%,平均预测误差为2.6%。与试验优化的热处理工艺相比,采用神经网络优化的热处理工艺可以提高Mg-2Zn-2Y和Mg-10Gd-2.5Y-1.5Zn高强镁合金的抗拉强度。     

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BP神经网络算法的耐磨钢热处理工艺优化

以耐磨钢牌号、淬火温度、淬火冷却方式、回火温度和回火冷却方式作为输入层参数,以硬度作为输出层参数,采用BP神经网络算法构建了耐磨钢热处理工艺优化的BP神经网络模型,并进行了模型的预测和应用验证。结果表明,该模型的输出参数平均相对预测误差为2.2%,具有较好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BP神经网络模型优化工艺热处理后的NM360、NM400、NM500耐磨钢的磨损体积分别减小26%、26%、28%。     

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。     

基于神经网络的焊机参数预测方法

针对脉冲MIG焊参数众多,不易调节的特点,提出了一种基于神经网络的焊机参数预测方法. 该方法采用LM(levenberg-marquarlt)算法建立了焊机参数的BP(back propagation)神经网络模型,充分利用已知的理想数据对网络进行训练,实现了焊接过程中任一给定焊接电流状态下焊机输出参数的预测;利用焊接参数的预测值分别对单、双脉冲MIG焊进行了试焊. 结果表明,基于神经网络的焊机参数预测方法精度较高,焊接过程稳定,焊缝成形美观,能够实现良好的一元化调节.     

基于PID神经网络的弧焊电源控制器的研究

为了实现弧焊过程弧焊电源输出特性到给定量的快速响应及其智能控制,提出了一种基于PID神经网络的控制器.将PID控制与BP神经网络相结合应用于弧焊过程的智能控制,既有PID控制规律的优点,又具有神经网络很强的信息综合处理能力特点.实验表明,该控制器用于弧焊电源输出特性的智能控制,具有控制响应速度快、超调量小、收敛速度快、稳态精度高的特点,满足弧焊过程控制的要求.     

基于BP神经网络的数控加工铣削参数优化

以DMC60H数控机床为试验平台,以壳体类铝合金零件加工为研究对象,提取数控铣削加工试验数据,采用BP神经网络建立数控加工铣削参数优化模型,通过对数控加工铣削参数试验数据的分析与研究,提出了试验数据与样本数据的处理原则,实现了样本数据的优化,提高了BP神经网络模型的收敛精度、收敛速度与预测精度,并分析了验证数据的构成比例。经生产验证:提出的数控加工铣削参数优化方法具有较强的实用性和一定的先进性,能有效提高加工效率,对实现数控机床综合应用效率最优化,实现高效低成本加工具有重要意义。     

基于改进MULTIMOORA方法的PCCP焊接工艺参数优选

焊接作为预应力钢筒混凝土管(prestressed concrete cylinder pipe, PCCP)钢筒加工的主要技术,焊接工艺控制参数直接影响焊缝质量,进而影响PCCP应用性能. 故确定PCCP钢筒最优焊接工艺参数尤为重要,基于现场采集数据和改进MULTIMOORA方法,以焊缝特征指标为评价依据,对螺旋焊接工艺进行综合优选. 首先获取并整理各指标数据,将各指标转化为多属性决策问题,通过评价指标数据,定义权重因子用来分配优先级,量化指标,根据优化原则对方案进行排序,过程采用OWA算子和熵权法消除主观评价值中极端值影响,得到指标综合权重,进行决策排序优选,最后利用占优理论对焊接控制工艺技术参数进行最终评价. 结果表明,PCCP钢筒最优焊接工艺参数为焊接电流340 A、电弧电压为24 V、焊接速度为10.81 mm/s,以期为PCCP钢筒焊接工艺提供技术参考.     

基于神经网络模型的P-GMAW焊缝成形过程仿真

脉冲熔化极气体保护焊(P-GMAW)是一种高效、适应性强的焊接方法之一,在工业生产中得到了广泛的应用.文中以低碳钢P-GMAW为对象,研究其焊缝成形过程的建模与仿真方法.文中首先利用BP神经网络,建立了该过程的动态模型,然后利用该模型的稳态与动态仿真揭示了P-GMAW过程的成形规律.同时,文中提出了一种利用神经网络模型...     

基于BP神经网络遗传算法的薄板CMT点焊变形

焊接是汽车车身制造的一个关键环节,焊接质量的好坏严重影响汽车车身质量,所以焊接参数的选择至关重要. 针对薄板焊接质量控制问题,论文利用BP神经网络解决非线性问题的优势,建立焊接变形量与工艺参数之间映射关系模型;结合遗传算法构建基于遗传神经网络焊接的工艺参数优化系统;同时设计正交试验,将该方法与正交试验法相对比. 结果表明,该方法可以有效地实现CMT(cold metal transfer)点焊焊接变形预测与工艺参数优化. 通过预测模型给出合理参数,指导钢薄板和铝合金薄板的CMT点焊变形试验,提高焊接的效率.     

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。     

Optimization of submerged arc welding process parameters for overlay welding

In this work, we evaluated the influence of welding variables on weld beads applied by the submerged arc process (SAW) with conventional current, aiming future application in overlays against corrosion. Segments of steel API 5L Gr B pipe as substrate, a 1.13 mm-diameter electrode wire of nickel alloy, classification AWS ERNiCrMo-4 (Hastelloy C-276) as filler metal, and a flux neutral, basic and crowded were used. The variables voltage, wire feed speed and contact tip to work distance (CTWD) were analysed, with the remaining parameters constant by an experimental design with full factorial design in two-level and central points. Statistically significant and predictor mathematical models for response dilution and average current were obtained. However, for the response reinforcement/width, the model was characterized as statistically significant, but not predictive, and containing a lack of fit. The CTWD was the most significant variable reducing the dilution.     

基于遗传算法和神经网络技术的板料拉深成形参数优化

结合数值模拟和人工神经网络技术．建立了板料拉深成形的加工参数（压边力和冲压速度）与其成形质量之间的映射关系，既保证了精度，又减少了数值模拟次数。在神经网络建模的基础上，利用遗传算法对板料拉深成形的加工参数进行了优化，通过实例可以看出，该方法具有较好的优化结果。