基于支持向量回归的叶片挤压出料温度预测研究

目的 针对传统叶片精锻过程中存在的质量波动较大的问题,提出一种预测传统叶片精锻质量的方法。方法 以GH4169转子叶片精锻的挤压工序为研究对象,以叶片精锻挤压过程中的160组模拟结果为数据集(以其中的120组数据为训练集、其余40组数据为测试集),对截面点的出料温度进行预测。首先利用特定的数据预处理手段及特征工程提升模型的预测精度及泛化能力,建立SVR预测模型,然后基于网格搜索算法和粒子群优化算法(GS–PSO)对预测模型中参数C和γ进行调节,得到优化后的模型,最后将测试数据集带入优化后的模型中,将预测值与真实值进行对比。结果 单一的SVR模型预测效果不佳,利用GS–PSO算法优化后,模型自适应度由0.007 8左右降到0.005 2左右,模型收敛快且优化效果显著。30颗粒子迭代50次的最终优化结果为:C=425.432 8,γ=1.883 2,模型优化后的预测值与实际值之间拟合度较好,每组数据的预测误差都远小于10%。结论 经GS–PSO优化的出料温度SVR预测模型在测试集中有较好的预测效果,满足行业数据预测要求的一般标准,对传统叶片精锻过程指标预测具有较好的参考意义。     

基于压电‒弹性‒流体耦合的压电喷墨打印研究

目的 通过研究双极性梯形波的时间参数和电压幅值对液滴喷射的影响，确定合适的驱动波形，旨在避免卫星液滴出现的同时提高压电喷墨打印头液滴喷射的速度。方法 利用ANSYS Workbench平台仿真分析压电喷墨过程，对压电–弹性–流体双向流固耦合模型和两相流模型进行分布结构分析，根据液滴状态及喷射速度优化驱动波形。结果 最终确定双极性梯形波的时间参数为4、14、4、20、4 μs，电压幅值为15 V和35 V，加载该驱动波形，液滴喷射平均速度达3.1 m/s，且液滴状态较好，无卫星液滴出现。结论 驱动波形的时间参数和电压幅值对压电喷墨打印头喷射液滴的速度和卫星液滴的控制有一定的影响，通过对驱动波形进行优化可以提高压电喷墨打印头喷射液滴的质量。     

基于集成学习的注塑制品质量软测量方法研究

为解决传统注塑间歇过程的质量反馈存在严重滞后性的问题,利用注塑生产过程的传感器数据和成型机操作数据进行工况识别,对制品质量进行基于集成学习的软测量。采用Mini Batch K-Means算法,将注塑过程时段聚类为合模-注塑-保压-冷却主要阶段,实现工况准确、快速在线识别。利用多阶段演变的Stacking集成学习策略,结合工况识别的四个阶段,建立多阶段集成软测量模型。采用分阶段建模的方法明显削弱了数据的非线性,预测精度相比传统线性回归模型得到提升。采用集成学习的方法也提高了模型的精度,与非线性模型相比预测精度也得到提高,该多阶段集成的软测量方法可以为产品质量控制和改进,提供较精确的质量反馈。