基于正交试验和BP神经网络的板材多点渐进成形工艺优化

针对金属板材渐进成形过程中易出现壁厚不均的问题,在多点渐进成形工艺的基础上,选定合理的工艺参数,建立有限元模型,设计正交试验方案,利用ANSYS/LS-DYNA对方锥台制件渐进成形过程进行数值模拟,并对正交试验结果进行极差分析、方差分析和BP神经网络优化。结果表明:在板材多点渐进成形中,进给量对目标制件成形区壁厚均匀性影响最大,其次是工具头半径,进给速度影响不明显;BP神经网络模型的预测结果与正交试验结果相比误差小于5%;1060铝合金板材在多点渐进成形过程中,当工具头半径为6 mm、进给量为0.25 mm、进给速度为30 mm·s-1时,可获得壁厚较均匀的目标制件。     

基于数值模拟和神经网络的圆台件渐进成形回弹量预测研究

以圆台件为研究对象,运用DYNAFORM对板材渐进成形加工过程和回弹过程进行了数值模拟,并结合正交实验设计方法,对渐进成形回弹影响因素的敏感性进行了深入分析;同时,分别建立了回弹量的线性回归预测模型和BP神经网络预测模型。结果表明,各因素对回弹量的敏感程度由高到低按顺序依次为成形半顶角、加工高度、工具头直径和层进给量;BP神经网络模型可有效逼近工艺参数与回弹量间的非线性关系,预测精度相对误差2%以内。     

基于BP神经网络的单点渐进成形回弹预测

通过数值模拟与BP神经网络对单点渐进成形AZ31B镁合金方锥件的回弹进行了预测。首先采用ABAQUS数值模拟软件对方锥件成形过程进行了模拟,研究了成形角、成形温度、压下量对板料侧壁和底部的回弹的影响。再通过正交试验获取不同参数组合下的回弹数据并作为样本数据,在MATLAB软件中对BP神经网络进行训练,将预测结果与实验结果进行了对比。     

基于SOA-LSSVM的SLS成形工艺参数优化研究

为提高选择性激光烧结(SLS)成形精度,解决工艺参数优化试验成本高等问题,选择激光功率、预热温度、扫描速度、扫描间距以及分层厚度5个工艺参数设计正交试验以获得样本数据并建立统一目标函数。采用人群搜索算法(SOA)优化最小二乘支持向量机(LSSVM),建立基于SOA-LSSVM的SLS成形件精度预测模型;预测不同工艺参数组合下制件的统一性能,并与采用传统BP神经网络和LSSVM模型获得的预测结果进行对比。结果表明：SOA-LSSVM模型针对小样本预测问题具有良好的泛化能力,预测值与实际值的最大相对误差仅为1.11%,可为SLS加工参数组合的选择提供参考。     

方锥件渐进成形工艺优化

针对渐进成形中板料严重减薄、易开裂和尺寸精度差及成形效率低等问题,采用BP神经网络建立了优化目标和工艺参数之间的非线性映射关系。然后利用多目标遗传算法(NSGA-II)实现方锥件渐进成形工艺参数的优化。结果表明,采用BP神经网络与多目标遗传算法能很好地优化渐进成形工艺参数,提高零件成形质量。     

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BP神经网络的强力旋压成形连杆衬套力学性能预测

强力旋压成形工艺与成形件的力学性能的关系是复杂的、具有高度非线性,一般很难用公式来表达。通过正交试验,获得了实验因素(旋轮与芯模间隙值、热处理温度、进给比)下,评价指标(布氏硬度、屈服强度、抗拉强度、伸长率)的实验数据。运用BP神经网络技术建立了成形件力学性能预测模型,并用实验所得的数据对模型进行了训练。结果表明:模型具有较高的精度,能够很好地反映工艺参数与成形件力学性能之间的复杂关系。该结果能为工艺参数的优化提供理论依据。     

BP神经网络在铝合金板材激光弯曲成形中的应用

在铝合金板材的激光弯曲成形中,工艺参数(激光功率、扫描速度和扫描次数)的不同组合使板材的弯曲角度也不同,而且从试验数据中很难得出激光工艺参数与弯曲角度之间的规律。本文用BP神经网络技术对铝合金板材的激光弯曲成形结果和工艺参数进行了预测。结果表明,预测值与真实值之间的误差都稳定在10%以内。精度比较高,说明运用BP神经网络对激光弯曲角度进行预测是可行的。     

神经网络技术在注塑成形中的应用

对人工神经网络技术在注塑成形研究中的主要应用和发展概况进行了综述,并将神经网络技术与正交试验设计方法、CAE模拟技术相结合,建立了注塑工艺参数与制品翘曲变形量关系的BP神经网络模型.     

连接杆头模锻工艺参数优化研究

采用有限元数值模拟、正交实验设计与智能优化算法和生产相结合的方法,针对连接杆头的模锻成形工艺进行了优化研究,根据模具磨损量与其影响因素之间的映射关系,以试验数据为基础,建立了BP神经网络模型。模型的输入包括坯料温度、模具温度和摩擦系数等工艺参数,输出为模具磨损量;运用该模型对模具磨损量能进行了预测,通过试验数据对模型的预测精度进行了可靠性验证。通过智能优化算法,确定了连接杆头的工艺参数:坯料温度1179℃,模具温度368℃,摩擦系数0. 17。采用上述工艺参数进行了连接杆头的模锻成形,模具寿命得到提高。     

基于BP神经网络的镁合金焊缝成形预测

为了研究镁合金的焊缝成形效果,搭建了焊接试验平台和数据采集系统,通过试验采集焊缝的数据样本,作为BP神经网络的学习训练和预测样本。建立了基于BP神经网络的镁合金焊缝成形预测模型,利用神经网络的映射能力和分析能力,采用焊接过程的焊接电流、焊接电压、焊接速度、焊丝干伸长作为预测输入,把焊缝成形中的焊缝熔深、熔宽、余高作为信息输出对神经网络进行训练,从而建立基于BP神经网络的焊接参数和焊缝成形的映射模型,通过BP神经网络的预测试验,预测值与实际值的误差能够控制在5%以内,可以满足设计要求。     

单点渐进成形时工艺参数对成形能力的影响

采用2A12铝合金作为试验材料,以成形极限角作为衡量工艺参数对板料单点渐进成形的成形能力影响的标准。试验中研究对成形能力影响的工艺参数有:工具头半径、加工步长、进给速度和主轴转速。采用正交试验法对板料在单点渐进成形中的成形极限进行研究。试验结果表明,对板料单点渐进成形的成形能力影响最大的因素是加工步长,其次是进给速度、主轴转速和工具头半径。     

基于RBF神经网络的强力旋压连杆衬套成形质量预测研究

为了实现对强力旋压连杆衬套成形质量(壁厚差和扩径量)的预测,进而对工艺参数进行优化,利用MATLAB人工神经网络工具箱,建立了强力旋压工艺参数与成形质量的RBF神经网络模型。基于减聚类算法改进的K-means学习算法,用模拟实验所得数据对神经网络进行训练,进而对旋压成形质量进行预测,通过与实测值对比,发现所建神经网络模型预测性能良好,实现了RBF神经网络在强力旋压领域的成功应用,与原始K-means学习算法训练的RBF神经网络和BP神经网络所建模型比较,发现改进K-means学习算法训练的RBF神经网络预测模型拥有更优的性能。该模型不仅可以为工艺参数的优化提供参考,还能缩短工艺参数的优化周期和减少实际实验的成本。     

基于BP神经网络算法的耐磨钢热处理工艺优化

以耐磨钢牌号、淬火温度、淬火冷却方式、回火温度和回火冷却方式作为输入层参数,以硬度作为输出层参数,采用BP神经网络算法构建了耐磨钢热处理工艺优化的BP神经网络模型,并进行了模型的预测和应用验证。结果表明,该模型的输出参数平均相对预测误差为2.2%,具有较好的预测能力和较高的预测精度。与生产线现用工艺相比,采用BP神经网络模型优化工艺热处理后的NM360、NM400、NM500耐磨钢的磨损体积分别减小26%、26%、28%。     

基于GA-BP和PSO-BP神经网络的6061铝合金板材流变应力预测模型（英文）

6061铝合金作为一种热可强化铝合金,具有良好的成形性能,但是其塑性流变应力受最终热处理工艺的加热温度、保温时间和冷却方式等参数的影响很大。因此,为了获得最终热处理工艺参数对6061铝合金板材的塑性性能及流变行为的影响,试验中以6061-T6铝合金板材为研究对象,通过单向拉伸试验、金相实验和硬度测试等方法研究不同热处理工艺参数(加热温度为500、530、560和590℃、保温时间2 h、冷却方式为空冷)对6061铝合金塑性性能和硬度的影响。通过单向拉伸试验获取不同热处理工艺参数条件下6061铝合金的真实应力-应变曲线;借助BP、GA-BP和PSO-BP神经网络构建不同热处理温度条件下6061铝合金的本构关系模型。结果表明,BP、GA-BP和PSO-BP神经网络模型均能较好的拟合不同热处理温度条件下6061铝合金的流变行为,但是PSO-BP神经网络模型对6061铝合金流变应力的预测精度更高,模型预测性能更优越,其平均绝对误差(MAE),平均相对误差(AARE)和相关系数(R~2)分别为1.89,1.56%和0.9965。     

基于正交试验和BP网络的2524铝合金热处理工艺优化及预测

对2524铝合金进行热处理正交试验,结合电导率测试,对正交试验结果进行极差分析和方差分析,并且通过人工BP神经网络模型优化,得到2524铝合金的最佳热处理制度:固溶温度为500℃,固溶时间为11h,时效温度为185℃,时效时间为5h。结果表明,该模型能较好的反映热处理工艺参数与铝合金电导率之间的内在规律,BP网络预测最大相对误差为2.19%,表明该神经网络模型具有较高的预测精度。     

基于DPSO-BP神经网络的V形自由折弯成形角度和回弹预测北大核心CSCD

采用基于DPSO算法优化BP神经网络(DPSO-BP)的机器学习算法建模,提出一种考虑材料参数和几何参数的V形自由折弯成形角度和回弹的预测方法。该方法主要引入非线性惯性权重改进粒子群(PSO)算法,进一步优化神经网络的初始权值和阈值,构建神经网络预测模型。以不同批号的SUS304不锈钢板料为研究对象,通过设计正交试验得到45个训练样本数据,验证所建立的预测模型的准确性。结果表明:采用DPSO-BP神经网络模型预测的成形角和回弹角的平均误差分别为0.150°和0.120°,与未优化的PSO-BP神经网络模型相比,预测的成形角和回弹角的平均误差明显减小,且计算耗时由14.0 min大幅缩短至0.8 min,同时实现了高预测精度和高计算效率。     

基于GA-BP和PSO-BP神经网络的6061铝合金板材流变应力预测模型

6061铝合金作为一种热可强化铝合金,具有良好的成形性能,但是其塑性流变应力受最终热处理工艺的加热温度、保温时间和冷却方式等参数的影响很大。因此,为了获得最终热处理工艺参数对6061铝合金板材的塑性性能及流变行为的影响,试验中以6061-T6铝合金板材为研究对象,通过单向拉伸试验、金相实验和硬度测试等方法研究不同热处理工艺参数(加热温度为500、530、560和590℃、保温时间2小时、冷却方式为空冷)对6061铝合金塑性性能和硬度的影响。通过单向拉伸试验获取不同热处理工艺参数条件下6061铝合金的真实应力应变曲线;借助BP、GA-BP和PSO-BP神经网络构建不同热处理温度条件下6061铝合金的本构关系模型。研究结果表明BP、GA-BP和PSO-BP神经网络模型均能较好的拟合不同热处理温度条件下6061铝合金的流变行为,但是PSO-BP神经网络模型对6061铝合金流变应力的预测精度更高,网络预测性能更优越,其平均绝对误差(MAE),平均相对误差(AARE)和相关系数(R2)分别为1.89,1.56%和0.9965。     

汽车后围板拉深成形过程中的回弹预测

以汽车后围板为对象,运用BP神经网络对其拉深过程中的回弹量进行预测。通过CATIA建立CAD模型,运用Dynaform软件对板料冲压过程进行仿真分析,借助正交试验获取不同参数组合下的回弹数据,并通过试验验证了关键数据的可靠性,建立了4-9-6的3层BP神经网络回弹预测模型。通过对数据样本进行训练学习,控制其预测的精度为0.01,将预测结果与实际测量结果进行对比,显示预测误差最大为5.62%。说明运用BP神经网络可以实现对复杂拉深件成形的回弹预测,可以大量节省仿真预测的时间,对模具的设计具有很好的指导作用。     

神经网络与正交试验法结合优化板料成形工艺

结合人工神经网络所表现出来的良好特性,利用正交试验获得的数据作为神经网络的训练样本,建立输入为工艺参数、输出为回弹量△Z的神经网络模型.通过样本检验了ANN模型的准确性,从而缩短设定工艺参数的时间,在工艺参数取值范围内,采用ANN模型代替CAE软件模拟试验,结合正交试验法,对工艺参数进一步优化.结果表明,将神经网络与正交试验、数值模拟三者结合用于板料成形参数优化,可以缩短优化工艺参数的时间,提高工艺设计效率.