基于Moldflow的电池外壳注塑成型研究

通过Moldflow对电池外壳三维模型网格划分与修复,构建了浇注系统和冷却回路,并进行了填充、流动、翘曲模拟分析,预测制品在成型过程中是否会出现短射、气穴、熔接痕、翘曲等问题。结果表明,所研究的电池外壳制品可能会出现剪切应力过大、熔接痕等问题,需要针对性的注意并改进,以保证制品质量,提高生产效率。     

基于神经网络与DEFORM的薄壁齿套高速车削工艺参数优化

为提高薄壁齿套的加工精度,对某型齿套的高速车削进行理论分析和切削力预测。利用DEFORM 3D软件建立齿套的高速 车削的数值分析模型,得到了正交试验车削工艺参数条件下的切削力;建立了神经网络模型,对切削力进行预测。结果表明,使用神经网络模型可精确预测高速 车削力大小,为新型专用夹具设计和优化加工工艺参数提供数据支持。     

基于ANSYS的木塑挤出3D成型研究

针对目前3D成型技术原材料单一以及木塑挤出成型的局限性,提出了一种木塑挤出3D成型方法。建立了三维成型平台与挤出部分的匹配关系;探究了在成型层厚度为0.5 mm,挤出速度匹配范围在12.74~63.69 mm/s的条件下,动模板移动速度范围为20~100 mm/s。通过分析聚丙烯基木塑复合材料成型温度场和应力场模拟得出：随着动模板移动速度提高,应力波动减小,成型过程中的最大应力值和最大变形量增大。研究表明,动模板移动速度是木塑挤出3D成型的一个重要因素。在实际生产中,为保证成型效率和质量,可以适当提高动模板移动速度,同时也要按照匹配关系提高挤出速度。     

基于深度学习的不规则特征识别检测技术

〖HK44〗〖HT5”H〗摘要：〖HT5”K〗针对目前工业上金属轴零件在加工的过程中可能由于加工失误、本身材质等原因产生不同缺陷,而传统的检测方法检测精 度和泛化能力有限的现状,课题组提出了基于深度学习的不规则特征识别技术,来提升对金属轴表面缺陷的检测效率。课题组设计了金属轴表面缺陷图像预处理 方法,提升采集的缺陷图像的质量;对传统深度学习Faster R CNN进行改进,设计了模型的特征提取网络、RPN网络、分类网络以及模型参数,提升模型的检测 性能。实验结果表明本技术能有效提升工业流水线对金属轴缺陷的检测效率和精度,可同时检测多种不同种类的缺陷。课题组的研究成果具备良好的泛化能力。     

基于RBF神经网络的永磁同步电机控制系统

由于永磁同步电机控制系统具有非线性等特点,而使传统PID人工调节参数过程过于繁琐,且无法根据电机的运行状态改变参数,为了提高控制精度、增强控制系统的自适应能力,课题组以电流环PI控制为基础,结合径向基（RBF）神经网络对永磁同步电机进行在线辨识,根据辨识得到的灵敏度信息整定PID控制参数,建立参考模型。在MATLAB软件中利用Simulink中建立了PMSM模型,通过对比PID、RBF PID在启动环节和负载变化时的速度变化,验证了改进BRF PID控制的有效性。仿真结果表明RBF PID控制具有更快的响应,更好的抗干扰能力。     

基于RBF神经网络的色彩空间转换研究

针对可变数字印刷中色彩空间转换的要求,文章提出一种基于RBF神经网络的RGB(Red,Green,Blue)→CMYK（Cyan,Magenta,Yellow,Black）色彩空间转换方法,解决了Lab色彩空间到CMYK色彩空间的非线性关系。通过研究分析RBF神经网络的原理,建立了基于RBF神经网络色彩空间转换数学模型,并在该模型下进行数据的预测与精度分析。实验结果表明,该方法实现的转换精度非常高,转换后的色偏明显减小,转换速度也很快。     

基于Moldflow的塑件注塑成型参数优化

文章借助Moldflow软件对多筋类塑件进行初始方案模流分析,发现了塑件翘曲变形过大的缺陷。通过调整注塑 参数再次进行模流分析并与初始方案进行了对比,发现改善方案能有效解决制品翘曲变形量较大的问题,成功优化了注 塑成型工艺参数。实践证明,借助Moldflow的模流分析,可估定塑件成型时各个加工参数的合理值变动区域,减少试模 次数,设定最佳的模具注塑方案,获得质量更优的塑料制件。     

基于粗糙-模糊神经网络的焊接图像缺陷识别

针对焊接图像缺陷识别中提取的特征受噪声干扰比较严重以及现有的识别算法准确率低的问题,提出了一种基于粗糙模糊神经网络的缺陷识别算法。该算法充分利用了粗糙集的属性约简、模糊集的处理不精确数据以及神经网络的自学习、对任意函数逼近的优点,有效地解决了不确定建模过程中样本数据受到噪声干扰、模型结构难以确定的问题。仿真结果表明:该算法能有效地提高焊缝图像的缺陷识别能力。     

基于PSO算法优化RBF神经网络的基金净值预测研究

为了更精确地对基金净值进行预测,针对基金净值变化具有非线性和随机性等特点,提出基于粒子群优化RBF神经网络的基金净值预测模型。利用具有全局寻优的PSO算法对RBF神经网络的参数进行优化,并用经PSO算法优化的RBF神经网络对基金净值进行预测分析。仿真实验结果表明:与使用BP神经网络和RBF神经网络的基金价格预测方法相比较,PSO算法优化的RBF神经网络能够准确地预测基金价格的变化趋势,具有较高的预测精度,对于用户选择基金有着非常重要的意义。     

多目标模糊优化潮流模型及其基于神经网络的算法

提出了一种计算交流潮流的多目标模糊优化模型。模型中,同时考虑了发电费用最少及网损最小等多重目标。针对该模型,还提出了一种基于神经网络模型的新算法。该算法分别采用神经网络模型进行模糊集隶属函数的表达及优化问题的求解,从而将模糊优化同神经网络有机地结合起来。通过算例对所提模型及算法进行了验证。     

一种基于优化神经网络的最佳多用户检测器

基于优化理论和神经网络理论提出了一种优化神经网络最佳多用户检测器,将DS－CDMA通信中的多用户信号检测问题看作一种组合优化问题,利用神经网络能有效地求解优化问题的优势：推导了一种优化神经网络最佳多用户检测器,理论分析和计算结果表明：1）在误比特性能和抗多址干扰性能上这种检测器均优于传统检测器和解相关检测器;2）在抗"远近"干扰能力方面,这种检测器优于传统检测器而弱于解相关检测器;3）易于实时应用和VLSI实现。     

基于响应面法的蓄能器壳体工艺优化

为消除蓄能器壳体在冷挤压过程中的表面皱纹,提高表面质量,降低零件的成型载荷,课题组对原有的工艺方案进行改进,提出了一种新的成型工艺方案。方案的第1道工序为反挤压制胚;第2道冷挤压工序改为温挤压工序进行减径成型,以提高金属在成型过程中的流动性。采用响应面优化法对第2道温挤压工序进行实验分析,并找到最佳的工艺参数,即坯料加热温度为792 ℃、模具预热温度为292 ℃、液压机下压速度为18 mm/s。结合DEFORM数值模拟的结果,进行实际的工艺验证,获得了合格的零件,为同类型零件提供参考,对实际生产实践具有一定的参考意义。     

基于Mloldflow和Hypermesh的轴承座翘曲工艺参数优化

为了提高轴承座注塑件有限元分析中的网格质量,利用Hypermesh软件划分有限元网格,并按照网格质量的一 般准则进行检验。运用Moldflow模拟吸尘器轴承座的成型过程中,采用了4因素5水平的正交试验探究翘曲与主要因 素的关系。通过对试验结果进行极差分析来得到正交空间内最优注塑参数组合。为了找出整个工艺条件空间内的最优 解,利用翘曲测试数据建立起用于预测轴承座翘曲值的多元回归方程,然后对回归方程进行显著性检验。最后根据回归 方程求得工艺空间内的最优参数组合,从而得到最小的翘曲量。研究表明采用Hypermesh划分网格比Moldflow更容易 得到高质量的网格模型,运用回归方程求取的最小翘曲值比极差分析获得的翘曲值更优     

基于工作过程系统化的“塑料成型工艺与模具设计”课程改革与实践

“塑料成型工艺与模具设计”课程是模具设计与制造专业的核心课程,也是一门具有较强实践性的综合性课程。为了更好培养学生的职业能力和创新思维,拓展学生的视野,提高学生可持续发展的能力,适应学生的思维特点,通过对本课程知识的优化整合,打破了传统的教学模式,并结合学生个性发展需要组织教学,在教学中推行“基于工作过程系统化项目”教学模式,本文拟对本课程项目化教学实施方案进行探讨。     

基于优化BP神经网络的营销风险衡量与控制

营销风险是由营销环境等因素的不确定变化带来的,营销风险衡量是营销风险管理的核心。文章提出了基于改进BP神经网络的营销风险评价方法。这种方法的步骤包括建立营销风险评价指标体系,并进行FA指标处理;构建BP神经网络模型,以实例训练模型,并验证此方法的可行性。在此基础上,用概率法划分五个营销风险等级,并根据企业承受营销风险的能力及风险管理水平,采取相应的预警控制措施。     

基于响应面法的报警器上盖注塑工艺优化

为降低某报警器上盖注塑的翘曲变形,课题组在分析不同尺寸浇口的翘曲量和剪切力结果后,选用了较优的13 mm浇口。在此基础上建立了响应面方案,对工艺参数进行优化。选择注塑时间、保压时间和保压压力为优化参数,以翘曲量为响应目标,利用Moldflow进行模拟,结合Design Expert软件对方案结果进行分析,利用回归方程拟合预测值。得到了最优工艺参数为：注塑时间1.5 s,保压时间9.6 s ,保压压力70 MPa。根据最优方案获得了合格的产品,证明了优化结果的可靠性。     

基于变尺度混沌优化策略的混合遗传算法及在神经网络中的应用

讨论了遗传算法优化神经网络连接权的优点及存在的局限性.应用变尺度混沌搜索策略,建立了一种新的混合遗传算法——混沌遗传算法.将改进后的遗传算法结合前馈型神经网络应用于储层油气预测,取得了较好的效果.     

基于改进粒子群算法的神经网络优化证券投资组合方法

采用人工神经网络对证券投资进行预测与分析的研究过程中,提高神经网络各个节点参数的优化能力是极其关键的。传统的神经网络存在学习速度慢、易陷入局部极小值、预测结果精度较低等缺点,一种玫进型粒子群（Improved Particle Swann Optimizer,IPSO）算法．可以优化BP（Back Propagation）神经网络．并将优化后的BP神经网络应用于优化证券投资组合中。实验结果表明：该研究方法能够在预测精度和稳定性方面明显优于传统的PSO—BP神经网络优化证券投资组合方法。     

基于改进量子遗传算法的小波神经网络优化及其软测量应用

针对简单量子遗传算法在优化高维问题寻优速度慢、收敛率低的缺陷,提出一种改进的量子遗传算法,通过搜索各种群中最优染色体组成当前最优个体,并依此个体来确定量子门的全局最优搜索方向。将改进算法用于优化小波神经网络,藉此建立了4-CBA浓度的软测量模型。仿真结果表明:与简单量子遗传算法相比,改进算法对复杂优化问题具有全局快速寻优性能。     

基于优化VMD与BP神经网络结合的滚动轴承故障诊断方法研究

为解决滚动轴承微弱故障信号不明显、识别故障类型准确率不高及变分模态分解(VMD)分解时参数主要依靠人为设定的问题,提出一种基于麻雀搜索算法(SSA)优化VMD参数与BP神经网络相结合的故障诊断方法。首先,使用麻雀搜索算法对VMD分解的模态分解个数及惩罚因子进行优化,搜索全局得出最优参数组合;利用优化后的参数对故障信号进行VMD分解,将分解后的本征模态分量导入BP神经网络进行模式识别。结果表明：与EMD、未优化VMD相比,优化参数后的VMD具有更高的故障诊断率99.53%,使故障诊断效果进一步提升。