基于神经网络的汽车用铝合金热处理工艺优化

发布时间：2018-04-10 02:05

  本文选题：神经网络　切入点：锻造铝合金　出处：《热加工工艺》2017年20期

【摘要】：采用7×35×2三层拓扑结构,以锻造铝合金牌号、退火温度、退火时间、固溶温度、固溶时间、时效温度、时效时间作为输入层参数,以耐磨损性能和冲击性能作为输出层参数,构建了汽车用锻造铝合金热处理工艺优化神经网络模型,并进行了模型训练、预测验证和生产线应用。结果表明,汽车用锻造铝合金用神经网络优化模型的优势较明显,预测性较好,且精度性较高。和生产线传统工艺相比,通过神经网络优化模型热处理的试样磨损体积减小22%、冲击吸收功增大了79%。
[Abstract]:A three-layer topology of 7 脳 35 脳 2 was adopted. The parameters of the inputted layer were the forging aluminum alloy grade, annealing temperature, annealing time, solution temperature, solution time, aging temperature and aging time, and the wear resistance and impact resistance were taken as the output layer parameters.The optimized neural network model of heat treatment process of forging aluminum alloy for automobile was constructed, and the model training, prediction verification and production line application were carried out.The results show that the neural network optimization model for forging aluminum alloy for automobile has obvious advantages, good predictability and high precision.Compared with the traditional production line, the wear volume of heat treated by neural network optimization model is reduced by 22%, and the impact absorption energy is increased by 79%.
【作者单位】： 潍坊科技学院汽车工程学院;
【分类号】：TG166.3

【相似文献】

相关期刊论文 前10条

1 雷明,李作清,陈志祥,吴雅,杨叔子;神经网络在预报控制中的应用[J];机床;1993年11期

2 邬再新;王凯;王连波;吕洪波;;基于神经网络的自由曲线插补研究[J];制造技术与机床;2007年09期

3 顾玉钢;夏智海;庄力健;;基于改进神经网络的疲劳裂纹扩展速率预测[J];合肥工业大学学报(自然科学版);2008年06期

4 王秀梅,吕程,王国栋,刘相华;轧制力预报中的神经网络和数学模型[J];东北大学学报;1999年03期

5 于洪海,张新平,胡云峰;偏最小二乘-神经网络光度法同时测定钢中钨和钼[J];冶金分析;2004年02期

6 梁伟;王杰;王玫;;神经网络在冷剪机曲轴优化中的应用[J];机械设计与制造;2010年08期

7 赖兴余,李春雄,严霖元,刘明智;基于神经网络的自适应模糊控制器[J];江西农业大学学报;1998年01期

8 刘立君;兰虎;郑红艳;;基于神经网络熔透电弧声特征参数评价与选择[J];焊接学报;2010年03期

9 李旭东;刘治国;穆志韬;;基于神经网络的金属材料疲劳裂纹扩展规律的预测[J];新技术新工艺;2013年11期

10 李文鑫;王武;张元敏;;遗传优化神经网络在孔系加工中应用研究[J];机械设计与制造;2009年04期

相关会议论文 前10条

1 高进强;刘新峰;武传松;;TIG焊接熔透信息的提取[A];第十次全国焊接会议论文集（第2册）[C];2001年

2 付培众;尹怡欣;;基于PSO-RBF的神经网络及其应用研究[A];2007'仪表，自动化及先进集成技术大会论文集（一）[C];2007年

3 孙雷;王建国;王明辉;;模块化神经网络在CSP连轧过程逆质量模型建立中的应用[A];第十一届全国自动化应用技术学术交流会论文集[C];2006年

4 莫春立;李殿中;冯峰;李强;詹志东;;耦合物理冶金和神经网络方法预测钢材的性能[A];2002年材料科学与工程新进展（下）——2002年中国材料研讨会论文集[C];2002年

5 张海波;刘恩东;;基于RBF神经网络PID控制[A];2007中国钢铁年会论文集[C];2007年

6 张崇辉;陈蕾;;计算机在热处理工艺编制中的应用[A];2002年黑龙江省机械工程学会年会论文集[C];2002年

7 张改兰;;45钢热处理工艺及性能试验[A];中国邮电/电子学会生产技术学会热处理邮电三届/西南二届/四川四届年会论文集[C];1992年

8 谭新兴;王多斌;;塔式容器终环缝热处理工艺质量控制[A];2006年第二届七省区市机械工程学会科技论坛暨学会改革与发展研讨会论文集[C];2006年

9 高书岚;;热处理工艺对1J512合金性能的影响[A];北京电子学会第二届热处理年会论文简要汇编[C];1990年

10 王增友;;高速锻叶片1Cr13钢的热处理工艺[A];数控设备使用和管理学术研讨会论文集[C];2003年

相关重要报纸文章 前4条

1 张丹;轴承热处理工艺新发展[N];中国冶金报;2013年

2 刘杰;大直径圆钢和型钢的在线热处理工艺[N];世界金属导报;2014年

3 王;柔性化在线热处理工艺[N];世界金属导报;2011年

4 谈猛 刘占增;热处理工艺在HFW焊管中的应用研究[N];世界金属导报;2014年

相关博士学位论文 前2条

1 严翔;船体结构用HSLA100钢热处理工艺、组织及性能研究[D];武汉科技大学;2015年

2 赵曦;热处理工艺绿色性评价与评价系统的研究与开发[D];机械科学研究总院;2014年

相关硕士学位论文 前10条

1 胡丙坤;基于神经网络的金属板材折弯回弹预测与研究[D];上海应用技术学院;2015年

2 赵燕燕;优化FPN及其在板形识别中的应用[D];济南大学;2015年

3 王余敬;基于分离谱的激光超声表面裂纹识别技术研究[D];中北大学;2016年

4 付泽;典型汽车用板变形滞后回弹的试验研究及有限元分析[D];北京理工大学;2016年

5 熊伟;基于改进BP神经网络的车床主轴优化设计的研究[D];江苏大学;2016年

6 吕慧超;中厚板轧机液压AGC系统的控制研究[D];辽宁科技大学;2016年

7 杨轶宁;基于BP神经网络的点焊接头疲劳寿命预测研究[D];昆明理工大学;2016年

8 闵喜瑞;基于径向基函数（RBF）神经网络滑模变结构厚度控制[D];华北理工大学;2016年

9 李冬梅;主动学习算法在板厚控制系统中的应用研究[D];华北理工大学;2016年

10 张雷;基于振动分析的机床状态识别与人机效能评估方法研究[D];东北大学;2013年

，

本文编号：1729161