-
题名基于神经网络的汽车前轴锻压工艺优化
被引量：12
- 1
-
-
作者
谢芳
-
机构
河南职业技术学院
-
出处
《热加工工艺》
CSCD
北大核心
2017年第17期161-163,166,共4页
-
基金
河南省高校青年骨干教师资助计划项目(2014GGJS-227)
-
文摘
采用5×25×2三层拓扑结构,以始锻温度、终锻温度、锻压速度、模具预热温度、模具预热时间为输入层参数,以室温耐磨损性能和高温耐磨损性能为输出层参数,构建出前轴锻压工艺优化的神经网络模型。结果表明,神经网络模型的预测能力较强,预测精度较高。与生产线传统工艺相比,采用神经网络模型优化工艺制备的前轴室温和高温磨损体积分别减小了39%和42%,室温和高温耐磨损性能均得到明显提高。
-
关键词
前轴
锻压工艺优化
神经网络
耐磨损性能
-
Keywords
front axle
forging process optimization
neural network
wear resistance
-
分类号
TG316
[金属学及工艺—金属压力加工]
-
-
题名基于神经网络的6系铝合金接头锻压工艺优化
被引量：1
- 2
-
-
作者
籍宇
-
机构
河北机电职业技术学院
-
出处
《热加工工艺》
CSCD
北大核心
2017年第17期177-179,共3页
-
基金
河北省科技厅软科学项目(11457249)
-
文摘
采用5×30×6×1的四层拓扑结构,以铝合金牌号、模具预热温度、始锻温度、终锻温度、锻压速度作为输入层参数,以抗拉强度作为输出层参数,构建了6系铝合金接头锻压工艺神经网络模型,并对其进行了训练、预测和验证。结果表明,模型预测性强,精度性较高,平均相对预测误差值仅为3.3%。和生产线传统用工艺锻压的试样抗拉强度相比,运用神经网络模型优化工艺锻压的试样抗拉强度增大了16%,拉伸性能得到了显著的提高。
-
关键词
神经网络
铝合金接头
锻压工艺优化
拉伸性能
-
Keywords
neural network
aluminum alloy joint
forging process optimization
tensile property
-
分类号
TG301
[金属学及工艺—金属压力加工]
-
-
题名基于BP神经网络的前轴锻压工艺优化
被引量：2
- 3
-
-
作者
张淑华
王文权
-
机构
吉林农业科技学院电气与信息工程学院
吉林大学材料科学与工程学院
-
出处
《热加工工艺》
北大核心
2020年第19期115-117,121,共4页
-
文摘
以始锻温度、终锻温度、锻压比和前轴材质4个参数作为输入层函数,以耐磨损性能和疲劳性能作为输出层函数,采用4×16×8×2四层拓扑结构构建了前轴锻压工艺的神经网络优化模型,并进行了训练、预测和验证。结果表明,神经网络的耐磨损性能相对训练误差在3.2%~5.7%、疲劳性能相对训练误差在3.2%~5.5%;耐磨损性能的相对预测误差在2.6%~4.2%、平均相对预测误差为3.15%,疲劳性能的相对预测误差在2.6%~4.1%、平均相对预测误差为3.17%。
-
关键词
BP神经网络
前轴
锻压工艺优化
磨损性能
疲劳性能
-
Keywords
BP neural network
front axle
forging process optimization
wear performance
fatigue performance
-
分类号
TG316
[金属学及工艺—金属压力加工]
-
-
题名机械拉杆锻压工艺的神经网络优化研究
被引量：3
- 4
-
-
作者
苏燕云
-
机构
闽南理工学院实践教学中心
-
出处
《热加工工艺》
CSCD
北大核心
2018年第7期165-167,171,共4页
-
文摘
采用不同的隐含层传递函数构建了4×28×1三层拓扑结构的机械拉杆锻压工艺神经网络优化模型,并进行了学习训练和预测验证。结果表明：与logsig函数相比,以tansig函数作为隐含层传递函数的模型平均相对训练误差从5.4%减小至2.5%。以tansig函数作为隐含层传递函数的模型平均相对预测误差为2.4%,具有较强的预测能力和较高的预测精度。
-
关键词
机械拉杆
锻压工艺优化
神经网络优化
隐含层传递函数
抗拉强度
tansig函数
-
Keywords
mechanical tie rod
forging process optimization
neural network optimization
hidden layer transferfunction
tensile strength
tansig function
-
分类号
TG306
[金属学及工艺—金属压力加工]
-
-
题名机械曲臂锻压工艺的神经网络优化研究
被引量：2
- 5
-
-
作者
王卫芳
-
机构
苏州工业职业技术学院
-
出处
《热加工工艺》
CSCD
北大核心
2018年第11期131-133,共3页
-
基金
江苏高校品牌专业建设工程资助项目(PPZY2015B186)
-
文摘
以曲臂锻压的5个主要工艺参数作为神经单元输入层参数,以冲击性能作为输出层参数,构建了5×35×1三层拓扑结构的曲臂锻压工艺优化神经网络模型。经学习训练和预测验证,神经网络的相对训练误差1.5%~3.5%、相对预测误差1.8%~3.0%,具有较强的预测能力和较高的预测精度。
-
关键词
锻压工艺优化
神经网络
曲臂
45钢
40CR钢
冲击性能
-
Keywords
forging process optimization
neural network
crank arm
45 steel
40Cr steel
impact property
-
分类号
TG301
[金属学及工艺—金属压力加工]
-
-
题名离合器片锻压工艺的神经网络优化研究
被引量：2
- 6
-
-
作者
张玲
曹青华
-
机构
江苏商贸职业学院
南通大学机械工程学院
-
出处
《热加工工艺》
CSCD
北大核心
2018年第7期151-153,158,共4页
-
文摘
以离合器片材料、模具温度、始锻温度、终锻温度和锻压速度为输入层参数,以磨损性能为输出层参数,采用不同训练函数构建出5×40×8×1四层结构的离合器片锻压工艺优化神经网络模型。结果表明,当训练函数选用trainlm、traingd和traingdm函数时,神经网络的相对训练误差分别在2.6%~4.7%、3.1%~5.6%、1.9%~3.4%。以traingdm函数作为训练函数的离合器片锻压工艺优化神经网络相对预测误差在2.1%~3.3%,具有较强的预测能力和较高的预测精度。
-
关键词
训练函数
锻压工艺优化
神经网络
离合器片
磨损性能
相对训练误差
-
Keywords
training function
forging process optimization
neural network
clutch plate
wear resistance
relativetraining error
-
分类号
TG301
[金属学及工艺—金属压力加工]
-
-
题名机械油泵轴锻压工艺的正则化递归ESN网络优化
被引量：1
- 7
-
-
作者
徐安林
钱善华
-
机构
无锡职业技术学院
江南大学机械工程学院
-
出处
《机械设计与制造》
北大核心
2022年第10期85-88,93,共5页
-
基金
江苏省食品先进制造装备技术重点实验室自主研究课题项目(FMZ201907)。
-
文摘
为了提高机械油泵轴的耐磨性、减少油泵轴工作过程中的磨损量,提出了基于L1正则化递归最小二乘ESN网络的锻压工艺优化方法。分析了油泵轴的生产工艺流程和磨损实验方法。以回声状态网络为基础,为了解决训练过程中动态储备池中大量无关特征问题,将L1范数正则化约束加入到算法中,使ESN网络对特征具有自主选择能力,实现动态储备池中特征稀疏性,解决ESN网络计算量大和过拟合问题;使用递归最小二乘法优化输出权值矩阵,可以实时接受新样本对模型精度的训练和提高,综合以上两点创新,提出了L1RLS-ESN网络模型。将L1RLS-ESN网络应用于油泵轴磨损量的拟合与预测,得到了磨损量最小的对应锻压工艺。将模型优化的锻压工艺和实际锻压工艺进行对比,模型优化工艺锻压的泵轴磨损量比实际锻压工艺减少了约2倍。
-
关键词
机械油泵轴
锻压工艺优化
L1RLS-ESN网络
L1范数正则化
递归最小二乘法
-
Keywords
Mechanical Oil Pump Shaft
Forging and Stamping Process Optimization
L1RLS-ESN Network
L1-norm Regularization
Recursive Least Squares
-
分类号
TH16
[机械工程—机械制造及自动化]
TG316
[金属学及工艺—金属压力加工]
-
