水平连铸H90合金带坯工艺条件的实验研究

以正交实验为基础，研究了连铸工艺条件中决定铸坯内外质量的铸造温度、冷却强度和引拉参数及其匹配，建立起成材率与主要工艺条件之间的神经网络描述，网络模型与遗传算法相结合对工艺条件的组合进行了优化．改善了铸坯的质量，提高了铸坯的成材率。     

锡磷青铜合金水平连铸工艺参数的优化

铸造锡磷青铜合金组织中存在显微缩松、枝晶偏析和反偏析是冷加工报废的主要原因.通过连铸工艺参数的正交实验,建立了轧制成材率与主要工艺参数之间的神经网络描述,网络模型与遗传算法结合对工艺参数的组合进行了优化,改善了铸坯的组织,提高了轧制带材成材率.     

H68黄铜水平连铸工艺参数的优化

带坯的表面裂纹和内部缩松是冷加工报废的主要原因.对影响带坯质量的几个主要工艺参数进行了正交试验,以正交试验数据为基础,建立起成材率与主要工艺条件之间的神经网络描述,网络模型与遗传算法相结合对工艺条件的组合进行了优化.经实际生产运行,该工艺条件下的成材率接近90%.     

基于改进粒子群算法的板坯二冷制度优化

应用带变异算子的改进粒子群算法对安钢一炼轧连铸板坯的二冷制度进行了优化计算。针对安钢板坯连铸机的特点,建立了连铸板坯凝固传热的二维数学模型,模型的坯壳厚度计算值与现场硫印射钉法实测值一致。由冶金准则及设备约束条件设计优化算法的价值函数,用改进粒子群优化算法以价值函数值最小化为目标,对二冷区各段的水量进行优化。优化后的二冷制度使铸坯各段表面冷却速率和表面温度回升速率趋于平缓,与冶金准则对改善铸坯冷却过程和提高产品质量的要求相吻合。     

基于PSO-BP算法的3D打印制件精度预测模型

针对选择性激光烧结(SLS)中制件精度和工艺参数难以选择的问题以及BP神经网络本身缺陷,提出一种利用粒子群算法优化的BP神经网络建立SLS烧结件精度预测模型的方法。首先根据SLS成型工艺的特点,分析影响成型件精度的因素,通过实验获得不同激光功率、扫描速度、扫描间距和分层厚度条件下多组成型件精度数据,并采用多目标函数优化的单目标化思想优化目标函数,然后通过粒子群算法优化BP神经网络。用优化后的最优解作为BP神经网络算法的初始权值和阈值,利用MATLAB建立优化后的BP神经网络预测模型,对优化后的精度函数模型进行预测分析,并与传统BP神经网络获得的预测结果进行对比。结果表明:粒子群优化的神经网络模型具有良好的全局搜索能力和收敛性,精度预测更加准确,对SLS打印制件具有一定的指导作用。     

基于神经网络的铣削大理石表面粗糙度预测模型

目的利用粒子群优化BP神经网络建立大理石加工表面粗糙度精确预测模型。方法首先采用不同切削参数进行铣削大理石试验,测量加工表面粗糙度值,同时对粒子群算法进行改进,使惯性权重按指数形式递减,并增加速度扰动系数,利用改进粒子群算法优化BP神经网络,建立铣削大理石表面粗糙度神经网络预测模型。其次使用部分试验数据来训练预测模型,使得到的网络参数让网络可以精确预测表面粗糙度。最后利用其余试验数据验证神经网络预测模型的准确性与可靠性。结果经过计算得到粒子群优化BP网络算法的预测模型归一化均方差为0.0501,最大相对误差为10.78%,且误差变化较为均匀。经验公式模型归一化均方差为0.1069,最大相对误差为39.64%,误差变化幅度较大。结论将神经网络模型与经验公式相比较,结果表明,所建网络模型具有较高的预测精度与较强的鲁棒性,对合理选择切削用量以得到理想表面粗糙度有一定参考价值。     

水平连铸无氧铜带坯工艺条件研究

潜流式水平连续铸造坯锭-高精冷轧工艺生产无氧铜带材的关键工序是熔铸过程,它决定着无氧铜加工材的两个内在质量指标--致密度和氧含量.对铸造工艺来说,若参数匹配不妥,铸坯内会存在晶粒粗大、显微裂纹、缩孔、缩松、偏析等组织缺陷,使致密度降低,这也是冷加工报废的主要原因.通过连铸工艺参数的正交实验,建立了铸坯致密度与主要工艺参数之间的神经网络描述,网络模型与遗传算法结合对工艺参数的组合进行了优化,改善了铸坯的组织质量,提高了铸坯致密度.     

汽车用钢铝异种材料的自冲铆接工艺智能优化

为了提高钢铝异种材料的铆接强度和平整度,提出了神经网络与启发式算法相结合的工艺优化方法。分析了自冲铆接工艺流程,确定了铆接接头质量参数和影响接头质量的工艺参数。设计了铆接实验,采用单隐藏层神经网络对质量参数与工艺参数间的非线性关系进行拟合。经过分析,拟合误差符合正态曲线分布,且误差均值接近于0,误差标准差极小,说明单隐藏层神经网络的拟合效果较好。以增大铆接接头内锁值和减小头部高度为目标,建立了参数的优化模型。分析了惯性权重对粒子群算法的影响,提出了多子群粒子群算法的模型求解方法。经实验验证,优化后铆接接头的内锁值均值提高了15.86%,头部高度均值减小了15.38%,说明经过工艺优化可以有效地提高铆接接头的质量。     

基于动态惯性权重粒子群算法的磨削低能耗加工方法

利用三层误差反向传播(back propagation, BP)神经网络建立磨削能耗预测模型,以砂轮线速度、进给速度和磨削深度为影响因素设计125组全因子试验,并取其中的75组试验数据作为该预测模型的训练样本与测试样本。采用动态惯性权重改进粒子群算法(adaption particle swarm optimization, APSO),以BP神经网络的预测作为适应度函数,以最小能耗为目标进行迭代寻优获取最优工艺参数。结果表明:模型预测结果较为准确,采用优化后的工艺参数能够有效降低磨削能耗。      

粒子群算法在提高激光弯曲中神经网络泛化性上的应用

采用径向基函数(RBF)神经网络建立了激光弯曲成形过程中激光功率、扫描速度、扫描次数与弯曲角度之间的预测模型。对TC4钛合金板材进行了激光弯曲成形试验,将试验数据作为训练样本对神经网络进行了训练,得到工艺参数与成形角度之间的映射关系。利用粒子群优化算法对RBF网络的参数进行寻优计算。结果表明:使用优化后的网络对测试数据预测时,误差由之前的4.714%减小到0.974%左右;使用粒子群优化算法能显著地提高RBF神经网络在预测激光弯曲成形角度时的泛化能力。     

Aluminum-zinc alloy squeeze casting technological parameters optimization based on PSO and ANN

This paper presents a kind of ZA27 squeeze casting process parameter optimization method using artificial neural network (ANN) combined with the particle swarm optimizer (PSO). Regarding the test data as samples and using neural network create ZA27 squeeze casting process parameters and mechanical properties of nonlinear mapping model. Using PSO optimize the model and obtain the optimum value of the process parameters. Make full use of the non-neural network mapping capabilities and PSO global optimization capability. The network uses the radial direction primary function neural network, using the clustering and gradient method to make use of network learning, in order to enhance the generalization ability of the network. PSO takes dynamic changing inertia weights to accelerate the convergence speed and avoid a local minimum.     

基于神经网络的铸造模具曲面逆向工程造型

研究目的是通过神经网络方法反求铸造模具复杂曲面.利用径向基函数(RBF)神经网络优异的非线性逼近能力,将外形数据、加工余量、变形数据作为神经网络输入,在神经网络的输出上可以得到铸造模具曲面离散数据点.再通过输出数据,可以对模具曲面进行造型.模具曲面的重构精度高、速度快.通过在复杂曲面模具造型上的实际应用,证明该方法能够实现产品和工艺装备的并行设计,可以缩短产品研制周期,提高设计、生产速度和效率,具有实用推广价值.     

Springback prediction for incremental sheet forming based on FEM-PSONN technology

In the incremental sheet forming (ISF) process, springback is a very important factor that affects the quality of parts. Predicting and controlling springback accurately is essential for the design of the toolpath for ISF. A three-dimensional elasto-plastic finite element model (FEM) was developed to simulate the process and the simulated results were compared with those from the experiment. The springback angle was found to be in accordance with the experimental result, proving the FEM to be effective. A coupled artificial neural networks (ANN) and finite element method technique was developed to simulate and predict springback responses to changes in the processing parameters. A particle swarm optimization (PSO) algorithm was used to optimize the weights and thresholds of the neural network model. The neural network was trained using available FEM simulation data. The results showed that a more accurate prediction of springback can be acquired using the FEM-PSONN model.     

基于CAPSO-RBF的磁悬浮系统控制研究

为解决传统控制器磁悬浮球系统快速性和稳定性易受干扰等问题,建立云自适应粒子群优化（CAPSO）的RBF神经网络监督控制器。通过RBF神经网络学习整定PD控制器的输出后采用云自适应粒子群算法对RBF网络的3个参数进〖JP+1〗行归一动态优化。采用原有RBF神经网络梯度下降法、粒子群算法、云自适应粒子群算法分别训练后进行对比控制仿真。结果表明：基于CAPSO-RBF的混合控制算法实现了磁悬浮球系统自适应控制,其动态性能和稳态性方面有较好的提升。     

SCARA机械手的RBF神经网络自适应轨迹跟踪控制

为了解决机械手系统模型存在参数变化、强耦合、高度非线性等不确定性因素,提出基于RBF神经网络机械手自适应控制方法。该方法利用RBF神经网络的自适应、容错、并行处理及非线性映射能力,从而实现了无需机械手精确模型信息的控制。通过Matlab/Simulink环境下的仿真实验表明,该方法可实现对SCARA机械手的位置跟踪控制,通过控制算法适时地修正网络参数,实现对非线性系统任意轨迹的轨迹跟踪控制,具有良好的控制品质。     

改进PSO算法优化交流伺服系统PID参数研究

伺服系统PID控制参数的优化整定对系统可靠性和稳定性有着重要意义,而传统整定方式下参数优化整定时间较长、效果不佳、反应较慢。为了解决以上问题,提出一种优化交流伺服系统参数的控制方法。基于改进PSO算法实现惯性权重和学习因子随迭代次数的改变自适应调整,引入适应度函数快速优化整定PID控制器参数。利用MATLAB分别对基于遗传算法(GA)、量子遗传算法(QGA)、粒子群算法(PSO)的伺服系统PID参数整定进行仿真实验及对比分析。通过实验测试基于改进PSO算法和GA算法的PID控制器对伺服系统稳定性的影响。结果表明:利用改进PSO算法对PID参数进行优化整定,使得伺服系统具有鲁棒性强、稳定性高、超调量小等优点。     

Optimization of LPDC Process Parameters Using the Combination of Artificial Neural Network and Genetic Algorithm Method

In this article, the low-pressure die-cast (LPDC) process parameters of aluminum alloy thin-walled component with permanent mold are optimized using a combining artificial neural network and genetic algorithm (ANN/GA) method. In this method, an ANN model combining learning vector quantization (LVQ) and back-propagation (BP) algorithm is proposed to map the complex relationship between process conditions and quality indexes of LPDC. The genetic algorithm is employed to optimize the process parameters with the fitness function based on the trained ANN model. Then, by applying the optimized parameters, a thin-walled component with 300 mm in length, 100 mm in width, and 1.5 mm in thickness is successfully prepared and no obvious defects such as shrinkage, gas porosity, distortion, and crack were found in the component. The results indicate that the combining ANN/GA method is an effective tool for the process optimization of LPDC, and they also provide valuable reference on choosing the right process parameters for LPDC thin-walled aluminum alloy casting.     

A prediction method for the precision of extrusion grinding of a needle valve body

The needle valve body is an important part of the fuel injection nozzle of a diesel engine, and its machining precision will affect the performance of the diesel engine. As an important process of needle valve finishing, extrusion grinding can reduce the flow error and improve the flow consistency. However, it is difficult to determine the non-linear relationship between the precision of the grinding process and the processing parameters using conventional experimental methods. Firstly, the various parameters affecting the grinding precision of the needle valve body are analyzed. Secondly, an experiment is designed to acquire the test data with our grinding machine. The method based on support vector machine combined with particle swarm optimization (PSO-SVM) is proposed to predict the precision of the extrusion grinding of the needle valve body. The particle swarm optimization (PSO) algorithm is used to optimize the parameters of the SVM. The results show that our optimized prediction model is more accurate and faster than the BP neural network algorithm. The proposed prediction method provides guidance for selecting the grinding parameters of the needle valve body to further improve the precision of processing.     

基于优化RBF神经网络挤出机温度压力系统辨识

为了精确在线辨识橡胶复合挤出机控制过程中主要干扰变量与内部耦合关系,更好地实现对挤出机温度压力耦合系统的精准控制,采用RBF神经网络进行系统辨识研究,同时结合PSO算法引入GA算法中编码、杂交、交叉、变异等概念,设计了混合型PSO算法进一步优化RBF神经网络,完成对温度压力耦合系统的精准在线辨识。借助MATLAB软件进行神经网络训练,辨识系统耦合关系,同时与混合型PSO算法优化神经网络权值所辨识的效果进行对比。试验结果表明:采用混合型PSO算法优化RBF神经网络训练效果更佳,可以实现RBF神经网络高精度系统辨识;混合型PSO算法优化RBF神经网络应用于挤出机温度压力控制系统辨识,可以在一定程度上提升系统的辨识精度以及挤出机械的智能化水平。