共查询到20条相似文献,搜索用时 203 毫秒
1.
2.
基于正交试验和神经网络的激光拼焊板回弹预测 总被引:2,自引:1,他引:1
准确预测和有效控制拼焊板成形回弹,研究各因素的影响及其交互作用具有重要意义。以U形件拼焊板为研究对象,通过数值模拟、正交试验和神经网络相结合的方法,考察多个工艺参数对拼焊板回弹的交互作用,建立拼焊板回弹的BP神经网络预测模型,对U形件拼焊板的回弹进行预测和控制。结果表明,板料参数、焊缝位置、压边力、模具间隙、凹模圆角等均对拼焊板回弹有重要的影响,并存在交互作用;建立的BP神经网络模型能很好地预测U形件拼焊板在各参数影响下的回弹变化趋势,和给定一组工艺参数下的拼焊板回弹量,为拼焊板的回弹控制提供了可靠的依据。神经网络技术在拼焊板回弹预测中的应用,为拼焊板成形优化研究提出了新思路。 相似文献
3.
蒙皮件多点拉形过程中成形缺陷的数值模拟 总被引:1,自引:0,他引:1
多点拉形是一种将柔性制造技术和计算机技术结合为一体的先进制造技术。文章基于动力显式有限元算法,从板厚、材质、变形程度和塑性指数等工艺参数入手,对球形和鞍形件的多点拉形过程进行数值模拟。研究表明,正确的选择工艺参数可以减轻或消除压痕缺陷。同时利用显-隐式算法,分析了板材厚度和成形件目标曲率半径对回弹的影响,得到了回弹的趋势和分布规律,即回弹量与板材厚度成反比,与成形件的曲率半径成正比。研究结果对蒙皮件多点拉形技术的实际应用具有一定的参考价值。 相似文献
4.
5.
基于正交实验,运用方差分析、多元二次回归和径向人工神经网络研究2A97铝合金时效成形过程中的回弹量和抗拉强度。方差分析结果表明,在预弯半径为400 mm、时效温度为210°C时效20 h后试样具有最小的回弹量;而在预弯半径为1000 mm、时效温度为180°C下时效15 h后试样具有最大的抗拉强度。确定了预弯半径、时效温度和时效时间这3个因素对试样回弹量和抗拉强度影响大小的顺序。多元二次回归方法和径向人工神经网络的预测结果表明,径向人工神经网络模型具有更高的预测精度。 相似文献
6.
7.
8.
9.
10.
为了掌握U形件回弹的规律,本文运用数值模拟技术及回归分析的方法,建立了U形件校正弯曲的多因素回弹预测数学模型.此模型与实验结果的相关性达到了86%,并对结果进行了残差分析验证,对U形件回弹起到了较好的预测作用. 相似文献
11.
12.
金属液体凝固中直接挤压工艺的神经网络 总被引:5,自引:4,他引:1
金属液体凝固中直接挤压工艺是近几年发展起来的一种高效成形管、棒、型材新工艺。利用人工神经网络方法研究了该工艺的参数协调和变形力预测等问题, 建立了神经网络预测模型。实验结果与预测值吻合良好, 从而为预测和控制该工艺成形质量提供了有效的手段 相似文献
13.
14.
15.
激光焊缝宽度是考核激光拼焊板质量的重要指标之一,直接影响到拼焊板的成形性能.因此,通过对激光焊缝宽度进行预测可以达到焊接工艺参数优化的目的,以提高拼焊板的焊接质量与成形性能.本文利用BP人工神经网络技术建立了焊缝宽度预测模型,该模型可以实现对焊缝宽度的有效预测,预测精度达到96%以上,具有较好的工业实用价值. 相似文献
16.
《Science & Technology of Welding & Joining》2013,18(4):195-200
AbstractAn artificial neural network approach for the modelling of plasma arc cutting processes is introduced. Neural network models have been proposed for predicting the cut shape and estimating the special cutting variables. The implementation of artificial neural networks in the modelling of cutting processes is discussed in detail. The performance of the neural networks in modelling is presented and evaluated using actual cutting data. Moreover, prediction applications of the above neural network models are described for various cutting conditions. It is shown that estimated results based on the proposed models agree well with experimental data; the neural network models yield good prediction results over the entire range of cutting process parameters spanned by the training data. The testing and prediction results show the effectiveness and satisfactory prediction accuracy of the artificial neural network modelling. The developed models are applicable to carbon steel. 相似文献
17.
宽度精度是热轧带钢成形过程的重要指标,准确预测精轧宽度有助于及时修正粗轧宽度设定模型,提高成品带钢的宽度精度。然而,依据轧制机理建立的宽度预测模型偏离实际工况从而精度较低,依据神经网络建立的模型由于过程黑箱导致可信度低。为此,提出了一种融合轧制机理和人工神经网络的热轧带钢精轧宽度组合预测模型,以基于Hill公式的机理模型计算精轧宽度的预测基准值,以基于深度置信网络(DBN)的深度学习模型预测精轧宽度的修正值。选取实际生产的2 730组数据中的49个特征值作为试验数据进行建模分析,结果表明:该组合模型预测精度高、稳定性好且预测时间短,其均方根误差为0.428 15 mm,相比机理模型降低了79.6%,相比神经网络模型降低了6.2%,实现了精轧宽度的高精度预测。 相似文献
18.
在深入分析热变形工艺参数对Ti-15-3合金显微组织及成形载荷的影响的基础上,以变形温度、变形程度和变形速率等热变形工艺参数作为设计变量,以显微组织和成形力的最佳综合为目标,建立了该合金热塑性成形工艺参数的多目标优化数学模型。以显微组织参数和成形力的人工神经网络预测模型作为优化算法的知识源,将人工神经网络与修正的遗传算法相结合,对Ti-15-3合金的热塑性成形工艺参数进行优化。结果表明,提出的修正的遗传算法是有效的,采用将其与人工神经网络相结合的方法对钛合金的热塑性成形工艺参数进行优化是可行的。 相似文献
19.
采用多组双辉离子渗碳工艺对1Cr18Ni9Ti不锈钢进行了试验研究。对渗后试件的显微硬度、耐磨性等指标进行测试。将人工神经网络应用于双辉离子渗碳的研究,在对人工神经网络训练的基础上,建立了双辉离子渗碳工艺与渗层性能预报的数学模型。试验结果验证了性能预报神经网络模型的可靠性,为解决双辉离子渗碳性能预报问题提供了一条先进、合理的途径。 相似文献
20.
Spray Forming Quality Predictions via Neural Networks 总被引:3,自引:0,他引:3
R. D. Payne R. E. Rebis A. L. Moran 《Journal of Materials Engineering and Performance》1993,2(5):693-702
]To produce consistently high-quality spray-formed parts,correlations must be made between the input process parameters and
the final part quality. The Spray Forming Technology Group at the Naval Surface Warfare Center decided to “model” this correlation
through the use of artificial neural networks. In this study, neural networks accurately predicted trends in spray forming
process outputs based on variations in process inputs. The graphs generated by the neural network prediction help to define
the optimal operating region for the spray forming process and indicate the effect of changing input process parameters on
final part quality
The Johns Hopkins University Department of Materials Science and Engineering, Baltimore,MD 21218
United States Naval Academy, Department of Mechanical Engineering, Annapolis, MD 21401. 相似文献