基于蚁群神经网络的耐热钢管热处理工艺优化

提出了一种神经网络与蚁群算法相结合的91耐热钢管热处理工艺参数优化方法.以4个主要热处理工艺参数为优化对象,5个材料力学性能指标为优化目标.首先进行正交试验,以试验数据为样本通过神经网络建立优化参数与优化目标之间的非线性映射模型,然后用蚁群算法对模型进行优化获取最佳热处理工艺参数.神经网络的非线性映射能力解决了优化建模困难问题,蚁群算法的智能化寻优能力克服了优化求解复杂的缺点.仿真试验显示热处理工艺参数优化精度高,材料力学性能指标预测误差小.     

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.     

混合聚类RBF神经网络焊接接头力学性能预测

构建混合聚类算法,与伪逆法结合建立RBF神经网络模型预测焊接接头力学性能.以TC4钛合金TIG焊接试验为基础,将焊接参数作为模型输入,焊后接头力学性能作为模型输出.通过仿真,该模型预测平均相对误差范围为1.74%~6.69%,具有较高的预测精度、适应性和泛化能力,能够预测焊接接头力学性能.采用数学解析对所建模型分解,得到焊接工艺参数与接头力学性能之间映射关系的函数表达式,可优化焊接工艺参数.利用焊接专业知识对模型的径向基单元参数进行调整,提高了模型的预测精度,为将焊接专家知识融入RBF神经网络模型开辟了新方法与途径.     

基于均匀设计法的T91钢管焊接接头工艺参数优化

以某锅炉厂T91钢管环形焊接接头为研究对象,采用均匀试验设计,以焊接电流、焊接电压、焊接速度、预热温度、焊后热处理温度、保温时间作为可调整的工艺参数,使用Abaqus有限元分析软件对焊后热处理的接头残余应力进行模拟。通过RBF神经网络和粒子群算法对焊接参数进行优化,并采用优化后的焊接参数进行了试验。结果表明,通过均匀试验设计的方法得到RBF神经网络拟合用的训练样本是可行的,大大降低了数据计算量。在优化的焊接工艺参数下预测的焊后最大残余应力与实际模拟值相近。采用优化的焊接参数进行试验得到的接头金相检验合格。     

蚁群算法在白车身底板焊接路径规划中的应用

利用Delmia软件建立了白车身底板的焊接工艺模型,按照传统的机器人焊接路径规划对其进行了仿真分析,得到了焊枪走过的路程以及各焊点之间的平均距离等参数.阐述了蚁群算法的理论基础和算法流程,依据该算法的计算思想并结合白车身底板焊接的自身特点,设计了蚁群算法的计算程序,从而找出了白车身底板焊接路径的最优解并且再次通过仿真得出新的参数,并与之前参数进行对比.结果表明,蚁群算法能够应用在焊接路径的规划研究上,这也为今后焊接工艺的规划提供了新的思路.     

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LSSVM和AFSA的摩擦焊接工艺参数优化

为了准确和快速确定最佳摩擦焊接工艺参数,提出了一种最小二乘支持向量机与鱼群算法相结合的摩擦焊接工艺参数优化方法。以摩擦时间、摩擦压力和顶锻压力3个主要摩擦焊接工艺参数为优化对象,焊接接头抗拉强度为优化目标,通过最小二乘支持向量机拟合优化对象与优化目标之间的复杂函数关系。首先进行焊接试验,以试验数据为样本对模型进行训练,然后用鱼群算法对模型进行优化,获得最佳摩擦焊接工艺参数。结果表明,该方法具有建模容易、求解快捷等优点,优化得到的工艺参数与正交回归优化的工艺参数相比,使焊接接头的抗拉强度提高了2.1%。     

改进型BP网络在优化焊接工艺参数中的应用

运用改进的BP网络方法建立焊接工艺参数与焊缝成形的关系.提出了L-M(Levenberg-Marquardt)优化算法进行改进BP神经网络,采用六因素和两水平的正交试验法安排实验,保证了网络训练样本的代表性,构建了旋转电弧焊缝成形的预测模型.预测结果表明,该方法有较高的预测精度,最大相对误差不超过3%.该网络模型的建立为优化旋转电弧工艺参数提供理论依据.     

基于人工智能的薄板电阻点焊数值分析及工艺参数优化

焊接参数的设置对电阻点焊质量有着至关重要的作用,将有限元数值模拟技术与BP神经网络及遗传算法相结合,对不锈钢薄板电阻点焊过程的工艺参数进行优化.对点焊过程进行有限元分析,将模拟结果作为网络的数据样本,以焊接电流,电极压力,焊接时间这三个主要的焊接工艺参数作为优化参数,以焊接熔核尺寸作为优化目标,建立了优化参数与目标函数之间的BP神经网络模型.结合遗传算法的全局寻优能力,获得使熔核尺寸最大的三大主要工艺参数的最优搭配.为电阻点焊工艺参数的选取提供了一条合理途径,对提高点焊质量有一定的意义.     

基于神经网络优化的车身镀锌板点焊性能预测

针对汽车车身常用的镀锌钢板(GMW2和DP600)的点焊性能预测问题进行了研究,引入人工神经网络模型来描述点焊工艺参数空间同焊点接头质量空间的映射关系;在对普通网络存在的缺陷问题进行深入分析的基础上,结合大量试验综合考虑,对网络模型进行了优化改进;然后将试验得到的大量点焊工艺参数与相应点焊接头质量的试验数据提供给神经网络学习.结果表明,学习后的优化神经网络模型能够准确有效地预测焊接电流对点焊熔核直径、压痕深度以及拉剪强度的影响规律.亦即该优化神经网络模型可有效地实现对车身镀锌钢板点焊性能的预测,且预测精度和准确率较高,符合工程需要,具有一定的实用价值.     

Parameter selecting and quality predicting of spot welding based on artificial neural networks

This paper proposes a procedure for using artificial neural networks (ANN) in spot welding, and estabishesspot wilding parameter selecting ANN systems and sopt welding joint quality predicting ANN systems.It has been provedthat the ANN systems have high prediction precision ,providing a new way of parameter selecting and quality predicting in spot welding.     

继电器引线的逆变电阻点焊质量智能监测

采用了人工神经网络技术对继电器制造中铜线在磷铜片上的点焊进行了质量监测.利用BP(back propagation)神经网络模型及其算法,建立以焊接电流和电极间电压作为输入参量、焊点拉剪强度作为输出参量的神经网络质量监测模型.在Matlab中对不同隐层节点和转移函数的模型进行仿真,选择合适的隐层节点数和转移函数.在逆变电阻点焊机上进行了试验验证,表明所建立的人工神经网络质量监测模型的精度能满足工程应用的要求.     

基于遗传算法的Al-5%Cu合金电脉冲孕育处理参数优化

以实验为基础,利用神经网络和遗传算法优化Al-5%Cu合金的电脉冲孕育处理工艺参数。神经网络的输入参数为脉冲电压、脉冲时间和电脉冲孕育处理时熔体温度,输出参数是合金凝固组织的晶粒度。在神经网络训练的基础上,采用遗传算法优化神经网络的输入参数。结果表明,神经网络和遗传算法的组合建模获得了较好的优化结果。     

An approach of artificial neural network to robotic welding process modelling

Ａｎａｐｐｒｏａｃｈｏｆａｒｔｉｆｉｃｉａｌｎｅｕｒａｌｎｅｔｗｏｒｋｔｏｒｏｂｏｔｉｃｗｅｌｄｉｎｇｐｒｏｃｅｓｓｍｏｄｅｌｌｉｎｇ￥ＬｉＹａｎ（ＨａｒｂｉｎＲｅｓｅａｒｃｈＩｎｓｔｉｔｕｔｅｏｆＷｅｌｄｉｎｇＪｏｈｎＮｏｒｒｉｓｈａｎｄＴ．Ｅ．Ｂ...     

点焊工艺设计智能混合系统研究

将计算机和人工智能技术引入点焊工艺设计,综合运用人工神经网络（ＡＮＮ）、基于事例失推理（ＣＢＲ）、模糊系统（Ｆｕｚｚｙ）、基于事例的学习（ＣＢＬ）以及产生式专家系统（ＥＳ）等多种智能方法,建立了一个点焊工艺设施有混和系统（ＩＳＳＷ）。工艺实验表明,本文所研制的ＩＳＳＷ可以满足点焊工艺基本要求。     

Artificial neural networks applied to spot welding process modeling

Artificial neural networks have been studied for applicability for modeling of spot welding process. Some basic concepts relating to neural networks are explained as well as how they can be used to model welding quality parameters in terms of the welding process parameter. The performance of the neural networks for modeling is presented and evaluated using actual welding data. It is concluded that neural network modeling is a good means of estimating spot welding quality on-line.     

A Comparative Study of Artificial Neural Network and Response Surface Methodology for Optimization of Friction Welding of Incoloy 800 H

This article deals with the optimization of process parameters for friction welding of Incoloy 800 H rod and compares the results obtained by response surface methodology(RSM) and artificial neural network(ANN).The experiments were carried out on the basis of a five-level,four-variable central composite design.The output parameters were the tensile strength and burn-off length(BOL).They were considered as a function of four independent input variables,namely heating pressure(HP),heating time,upsetting pressure(UP),and upsetting time.The RSM results showed that the quadratic polynomial model depicted the interconnection between individual element and response.For optimizing the process parameters,ANN analysis was used,and the optimal configuration of the ANN model was found to be 4–9–2.For modeling aspect,a requisite trained multilayer perceptron neural network was rooted,and a quick propagation training algorithm was used to train ANN.The purpose of optimization was to decide the maximum tensile strength and minimum burn-off length of the welded joint which was done by varying the friction welding process variables.The order of importance of input parameters for friction welding of Incoloy 800 H was HP [ UP [ N [ BOL.After predicting the model using RSM and ANN,a comparison was made for predicting the effectiveness of two methodologies.By analyzing the results,it was observed that as compared to RSM,ANN model was more specific.     

主成分分析结合神经网络技术在焊接质量控制中的应用

介绍了主成分分析方法及人工神经网络技术在相关因素分析和质量控制的建模与估计中的应用。以大电流MAG焊熔宽控制为例，通过对6个焊接过程参数进行主成分分析，提取出影响熔宽的4个主要因素。讨论了提取的主成分与原始过程参数间的关系。以主成分得分作为新的训练样本集，送入神经网络进行计算。结果表明，基于主成分分析的神经网络无论在收敛速度，还是在训练精度上，都远远优于基本BP神经网络。