摘要：现有的九轴五联动数控缓进给磨床运动环节多,在工作过程中可能出现刚度不足、床身等铸件变形及加工精度失准等问题.以磨床的最大变形量以及模态分析下的一阶固有频率作为主要优化目标,整身质量作为次要目标,利用ANSYS Workbench对磨床进行分析与优化,结合灵敏度分析对原有结构进行改进,得到各关键零部件新的设计方案,在磨床整机质量上升一定的程度上,磨床的最大静变形及一阶固有频率得到很大改进.再使用遗传算法(Genetic Algorithm)优化后的极限学习机网络模型(Extreme Learning Machine)联合遗传算法对该九轴五联动磨床改进结构的一些主要参数进行优化:首先,利用灰色关联分析将磨床的整机质量、最大静变形及一阶固有频率转成综合目标灰色关联度,其次,通过遗传算法优化后的极限学习机网络模型(Genetic Algorithm-Extreme Learning Machine)拟合改进磨床主要参数与综合目标灰色关联度之间的非线性耦合关系,最后,使用GA强大的寻优能力在训练好的GA-ELM网络模型中寻找最优工艺参数,优化后九轴五联动磨床的整机质量、最大静变形减小及一阶固有频率相对于改进方案得到优化.为后续相关工艺人员对该磨床的结构和参数优化提供一定理论支撑与参考价值.

摘要：以某电器扣盖壳体注塑成型工艺参数优化为例,对正交试验结果进行极差分析,得到各工艺参数对塑件翘曲变形量的影响程度顺序为保压时间>模具温度>注射时间>熔体温度>保压压力>冷却时间。利用遗传算法优化后的极限学习机网络模型(GA-ELM)预测该塑件的翘曲变形量,得到训练好的GA-ELM模型可以很好反映6个工艺参数与翘曲变形量之间的非线性耦合关系,利用遗传算法强大寻优能力在训练好的GA-ELM网络模型中寻找较优的工艺参数。通过对比分析ELM与GA-ELM网络预测模型可知,ELM网络模型的R^(2)为0.67032,GA-ELM网络模型的R^(2)为0.99107,利用遗传算法优化得到的ELM网络预测系统与直接使用ELM网络预测系统相比,有较高的预测精度及稳定性。GA-ELM-GA优化后的翘曲变形量及收缩不均引起的变形量与正交试验设计优化结果相比,降低了12.18%,与初始方案的翘曲变形量及收缩不均引起的变形量相比,降低了39.8%。在一定程度上降低了该塑件翘曲变形量,并验证了该优化方法的可行性。

摘要：以某汽车连接端子作为研究对象,结合金属挤压成型流变力学基本理论,基于三维模拟软件DEFORM-3D进行模拟分析,获得大量神经网络的样本信号。建立多输入-单输出的BP网络拓扑结构,以模具温度、坯料温度和挤压时间作为输入变量,以连接端子在挤压工作带处具有最均衡的表面平整度为目标。通过正交实验分析成型设计最优方案,具有函数逼近功能的神经网络加以运用,优化设计连接端子的挤压模具参数。通过预测值和模拟值的对比验证最优解的可行性,并发现训练后BP神经网络模型的相对误差较小,具有很好的预测能力。通过DEFORM仿真验证最优解。该方法和运算思路对同类型的研究具有较大的借鉴价值。

摘要：以某发动机曲轴作为研究对象,通过DEFORM软件对曲轴预锻和终锻过程进行了金属流动和微观组织的耦合模拟,得出了不同工艺参数下曲轴锻造的模拟数值;采用Geomagic软件逆向工程技术,得到了最终处理完成后曲轴的实际尺寸,获得体积验证参数;最后,通过FORGE软件验证了其结果的正确性。建立了多输入、多输出的BP网络拓扑结构,以预锻温度、终锻温度、预锻阻尼墙高度、终锻阻尼墙高度、有无润滑、预锻速度和终锻速度等作为神经网络模型的输入参数,以终锻填充率、折叠量以及最大应力值性能指标作为神经网络模型的输出参数。通过神经网络预测值与正交试验下模拟值的对比,得出最优解下的工艺参数,发现训练后BP神经网络模型的相对误差较小,并具有很好的预测能力。

摘要：以某电器连接壳体为例,借助Moldflow软件对正交试验方案组合进行模拟,对正交试验模拟结果进行极差分析,得到各工艺参数对塑件翘曲变形量的影响程度为:保压时间>模具温度>注射时间>熔体温度>保压压力。极差分析得到的最优工艺参数组合对应的翘曲变形量与正交试验方案中最小翘曲变形量相比降低了6.7%。关键点采用遗传算法优化后的预测模型(GA-ELM)对塑件翘曲变形量进行预测。由于传统极限学习算法(ELM)的权值和阈值随机产生,网络系统预测稳定性及精度较差,故通过GA全局寻优能力寻找最佳的权值和阈值,得到GA-ELM。选择正交试验前80%样本作为训练集训练ELM与GA-ELM模型,通过样本后20%作为测试集验证ELM与GA-ELM模型预测精度。对比分析可看到:使用GA-ELM预测模型比直接使用ELM预测模型预测结果有更高预测精度及稳定性。此GA-ELM模型可用来预测该塑件翘曲变形量。对同类模具设计优化提供一定的思路及理论参考。

摘要：针对某电器活动上盖翘曲变形及体积收缩问题,对相关注塑工艺参数进行正交实验设计,在Moldflow中模拟分析,并对翘曲变形量及体积收缩率进行信噪比优化处理。利用灰色关联分析法得到翘曲变形量和体积收缩率的灰色关联度,通过对灰色关联度进行极差分析得到各注塑工艺参数对塑件综合目标(翘曲变形量及体积收缩率同时较小)的影响程度为:保压时间>注塑时间>模具温度>熔体温度>保压压力>冷却时间,同时由灰色关联度极差分析结果得出最优工艺参数组合,在最优工艺参数组合下的翘曲变形量相对于正交实验水平下最小翘曲变形量降低了11.8%,体积收缩率相对于正交实验水平下最小体积收缩率降低了5.9%。最后采用粒子群优化算法(PSO)优化后的支持向量机(SVM)神经网络模型对该塑件翘曲变形量及体积收缩率进行预测,通过与不优化的SVM神经网络及BP神经网络预测模型相比发现,PSO–SVM神经网络模型预测精度及稳定性都优于SVM及BP神经网络,可以用于塑件翘曲变形量和体积收缩率的协同优化,解决塑件实际翘曲变形及体积收缩问题。

摘要：研究了车用升降器开关面板制件产生翘曲变形的原因;通过选择保压曲线模型及参数进行正交实验设计并在Moldflow软件中进行模拟分析,得到了制件的翘曲变形量;通过对翘曲变形量进行极差分析,得到了极差分析优化法的最优工艺参数组合;利用模糊集(Vague集)对体积收缩率标准差(δ)和最大体积收缩率(Vmax)进行多目标优化,求取了Vague集优化法的最优工艺参数组合;并将不同优化方法得到的翘曲变形量进行了对比。结果发现,收缩不均是引起该制件翘曲变形的主要因素;极差分析优化法对应的翘曲变形量较正交实验中最小翘曲变形量降低了1.5%,优化效果不明显;Vague集优化法对应的翘曲变形量较正交实验方案中最小翘曲变形量降低了26.5%,制件内部压力分布无较大差异,优化效果优于极差分析法,很大程度上降低了该制件的翘曲变形程度。