铝的硬质阳极氧化工艺

在BS5599中将硬质氧化定义为厚度至少25μm、最低表面硬度为300VPN的一种膜层。常规的或透明的硫酸阳极氧化通常是在15℃(大多数情况是18～20~C)时,在含有7.5到12.5体积硫酸(即138～230g/L硫酸s、g.1.84)的电解液中进行。该电解液所用的电流密度大约为1.6～2.0A/     

铝合金硬质阳极氧化工艺研究

通过大量的工艺试验,确定了能够同时满足三种铝合金硬质阳极氧化的溶液配方、工艺流程和工艺参数.实验结果表明,通过选择适当的工艺参数,能够在铝合金表面形成均匀、致密、高耐磨、高耐蚀性的硬质阳极氧化层.     

基于RBF神经网络PID的阳极氧化电源电流控制

阳极氧化电源系统是一个非线性、时变性的复杂系统,建立数学模型比较困难。传统PID控制方法无法保证阳极氧化电源电流拥有恒流、抗干扰能力强、超调小等特性。为了解决上述问题,开发了一种基于RBF神经网络PID的阳极氧化电源电流控制算法。利用RBF神经网络的自我学习能力,实现传统PID控制参数的自适应调整。仿真结果表明:基于RBF神经网络PID的控制算法响应速率快、超调小,拥有一定的抗干扰能力。     

铝铜合金硬质阳极氧化

经固溶处理和自然时效的铝铜合金可以进行硬质阳极氧化。     

铸铝合金脉冲硬质阳极氧化

铸铝合金在常温下应用直流叠加方波脉冲进行硬质阳极氧化工艺：硫酸１５０，草酸２０～４０，酒石酸４０～８０ｇ／Ｌ，１０～２５℃，Ｅ＿１，５０～７０Ｖ，Ｅ＿２２５～３０Ｖ，３～１０ｓ，ｔ＿１／ｔ＿２＝１：１。     

草酸硬质阳极氧化

以AHS-88为添加剂的草酸硬质阳极氧化可得到硬度高、成膜速度快的氧化膜,是一种较好的硬质氧化工艺。为保证氧化膜的质量,应注意控制各种影响因素。     

铝硬质阳极氧化新工艺的研究

开发出铝在复合有机羧酸中的大电流硬质阳极氧化工艺。该工艺可在20-40min的氧化时间内获得硬度为400-800HV、厚度为30-60μm的黑色致密氧化膜层。研究了工艺条件如复合有机羧酸浓度、初始电流密度以及氧化时间对膜层性能的影响。     

铝合金低压硬质阳极氧化

对氧化过程中零件表面状态的分析及膜层增长速率的测定,找出了影响氧化膜质量及表面粗糙度的主要原因;提出了低压硬质阳极氧化的工艺条件及应用范围。     

电压对铝锂合金硬质阳极氧化膜性能的影响

选用2099铝锂合金作为基体进行硬质阳极氧化,并研究电压对硬质阳极氧化膜形貌特征、成分、厚度、硬度、耐磨和耐腐蚀性能的影响。结果表明：随着电压从50 V提高到90 V,硬质阳极氧化膜的结构趋于致密,然后变得疏松,表面粗糙度先降低后增加,厚度先增加后降低,导致硬度、耐磨与耐腐蚀性能表现出明显的差异,但硬质阳极氧化膜的元素组成未变。电压为70 V制备的硬质阳极氧化膜表面结构致密,厚度达到27.3μm,具有高硬度(457.4HV)、良好的耐磨和耐腐蚀性能,平均摩擦系数和腐蚀电流密度仅为0.49和2.02×10^-6 A/cm²,对铝锂合金的防护效率达到95.1%。由于电压提高逐步形成较致密的硬质阳极氧化膜并促使膜层增厚,承载能力、抵抗局部塑性变形能力、阻碍腐蚀介质渗透和抵抗腐蚀能力增强,因此硬质阳极氧化膜的性能明显提高。     

基于BP神经网络的电力负荷预测算法

将BP神经网络用于电力负荷预测。给出了具体的数据处理方法、神经网络构造及预测结果评价方法。在南京市夏季电力负荷统计数据集上面的实验结果表明．BP神经网络能够对电力负荷进行较好地预测。     

基于BP神经网络实现碎解时间的预测

目前,我国广泛采用水力碎浆机碎解废纸,而碎解时间是碎解过程中最重要的影响因素,并且实践中的碎解时间都来源于经验值,缺乏整体评判,所以本文主要介绍了某造纸厂碎解的工艺过程,并分析研究了BP神经网络的结构及其改进的LM算法,通过一些已有的良好数据,建立碎浆过程中碎解时间预测的BP神经网络模型,并将碎解时间的预测模型用于碎浆过程控制,从理论上获取了比较合理的碎解时间,为造纸过程提供了理论依据,最终达到了节省能源和提高纸浆质量的目的.     

基于BP神经网络的焦炭质量预测

分析了配煤炼焦中影响焦炭质量指标的各种因素及传统焦炭质量的预测方法。以天津天铁焦化厂的配合煤及生产焦炭的各项实际数据为基础,在MATLAB环境下,进行了基于BP神经网络对焦炭质量预测的方法研究。实验结果显示:3种网络的误差基本相同,范围在2%～0.05%,以中间层为15个神经元的略好,满足焦炭质量的预测要求。     

基于BPNN的陶瓷材料抗弯强度预测

误差反向传播神经网络具有能够正确逼近非线性映射关系的优点，将其运用到复相结构陶瓷材料抗弯强度预测当中，克服了陶瓷材料研究中单因素实验法不能正确反映抗弯强度与添加组分多因素之间复杂的非线性关系的弱点，通过抗弯强度预测和试验验证，该方法可行有效，为快捷、经济地开发研制新的陶瓷材料提供新的思路和有效手段。     

基于BP神经网络的双色塑件翘曲变形量预测

以某遥控器前壳双色塑件注塑成型为例,以该塑件在注塑成型过程中的翘曲变形量为研究目标,提出了一种结合AMI数值模拟、正交试验和BP神经网络的双色塑件翘曲变形量快速、准确的预测方法。首先建立了基于AMI数值模拟的CAE模流分析模型,并对注塑成型工艺参数及翘曲变形量进行数值模拟分析;之后结合正交试验设计法使AMI软件数值模拟结果在指定的工艺参数范围内实现了离散分布;最后以正交试验数据为基础建立BP神经网络预测模型,通过Matlab训练网络使其满足误差精度要求,从而达到准确预测新工艺参数下翘曲变形量的目的。结果表明:训练出的BP神经网络模型具有很高的预测精度,能够满足对该双色塑件翘曲变形量准确、快速的预测要求。     

基于BP神经网络在储层预测中研究及应用

利用人工神经网络模式识别技术可以在现有油层下面寻找新的油气储层,也可以预测储层类型。将用于预测的网络提供的浅层地震反演参数集作为输入,经BP网络学习后,对深层或无井储层进行预测。最后利用垦71地区实际参数,对BP神经网络进行检验。     

基于测井资料的BP神经网络模型在储层渗透率定量预测中的应用

本文针对某油田的地质特点,提出了一种基于BP神经网络利用测井资料求取地层渗透率的实用方法。该法从测井信息与地层渗透率的关系出发,选用与地层渗透率密切相关的孔隙度,通过BP神经网络建立储层渗透率的数学模型。通过实例研究,预测结果的准确性较高且明显优于其它线性回归分析预测的结果,认为此法可以作为一种储层渗透率定量预测的方法。     

基于Moldflow和BP神经网络的薄壳注塑件预测

基于Moldflow平台,通过正交试验研究了一模两腔薄壳注塑件成型工艺参数对翘曲量的影响。以流动速率、保压压力、保压时间、熔体温度和模具温度五个工艺参数为输入,注塑件翘曲量参数作为输出,在Matlab神经网络工具箱中建立三层BP神经网络;利用Moldflow正交试验所得工艺参数与翘曲量的数据作为训练样本对神经网络进行训练,得到注塑工艺参数与注塑件翘曲量之间的非线性映射关系,并验证该神经网络的泛化能力。结果表明,该神经网络能较好地预测薄壳注塑件翘曲量。     

基于BP神经网络的镀镍层表面粗糙度预测及验证

以镀镍层的表面粗糙度为研究对象,应用BP神经网络构建预测模型,并对预测结果进行验证。结果显示:预测结果与测定结果较为接近,基本呈线性相关,偏差介于0.005~0.015μm范围内,最大误差为2.01%。这表明构建的BP神经网络模型能较为准确地反映电镀工艺条件与镀镍层表面粗糙度间的映射关系,凸显出应用价值。     

基于RBF神经网络的挤出吹塑中型坯尺寸的预测

在利用BP神经网络预测挤出吹塑中型坯尺寸工作的基础上,采用径向基神经网络(RBF)来预测挤出吹塑中型坯尺寸,并与BP神经网络的预测结果进行了比较。结果表明,虽然RBF与BP神经网络均能较好地预测挤出吹塑中型坯尺寸,RBF网络的训练时间比BP少很多,只是BP的0.7%。