| 【中文题名】 | 基于人工神经网络的消声器预混腔体成形缺陷预测 |
| 【英文题名】 | The Failures Forecast of Muffler's Pre-mixed Cavity Based on Artificial Neural Networks |
| 【学科专业】 | 车身工程 |
| 【论文级别】 | 硕士论文 |
| 【投稿时间】 | 2007-8-2 |
| 【中关键词】 | 消声器预混腔体,数值模拟,人工神经网络,缺陷预测,参数优化, |
| 【英关键词】 | Muffler’s pre-mixed cavity,Numerical simulation,Artificial neural networks,Failures forecast,Parameter optimization, |
| 【分类导航】 | 工业技术>自动化技术、计算机技术>自动化基础理论>人工智能理论>人工神经网络与计算> |
| 【论文摘要】 |
拉深是板料冲压成形的关键工艺,如何综合考虑多种工艺参数(压边力、摩擦因数等)以避免拉深成形过程中产生各种成形缺陷(起皱、破裂等),是板料拉深成形工艺参数设计中的重要问题。
对于制造汽车消声器壳体的材料而言,不锈钢比较常用,该材料在加工过程中容易产生开裂或起皱的缺陷。利用传统的方法进行工艺分析时,为了避免成形过程中各种缺陷,必须反复修改成形加工的某些参数或模具形状,使得工艺过程耗资大、产品开发周期长。因此,研究将人工神经网络技术应用于冲压件成形性分析及工艺参数优化具有实际意义。
本文研究了轿车消声器预混腔体的冲压工艺和不锈钢的成形性能,分析了缺陷的形式和影响因素。利用有限元数值模拟软件得到训练人工神经网络的样本数据,应用MATLAB神经网络工具箱建立三层BP神经网络及RBF网络模型进行该壳体拉深件的成形缺陷预测,最后应用RBF神经网络对压边力进行优化,为预测和保证拉深件的质量提供了行之有效的方法。 |
| 【论文题纲】 |
|
提要 |
4-8 |
|
第一章 绪论 |
8-14 |
|
1.1 引言 |
8 |
|
1.2 人工神经网络简介 |
8-11 |
|
1.2.1 人工神经网络的发展概述 |
8-10 |
|
1.2.2 人工神经网络的特点 |
10 |
|
1.2.3 人工神经网络的应用领域 |
10-11 |
|
1.3 板料成形过程模拟及其与人工神经网络的关系 |
11-12 |
|
1.4 课题的背景、意义、国内外现状及研究内容 |
12-14 |
|
1.4.1 课题背景、目的及意义 |
12 |
|
1.4.2 国内外研究现状 |
12-13 |
|
1.4.3 课题研究的主要内容 |
13-14 |
|
第二章 人工神经网络技术 |
14-24 |
|
2.1 引言 |
14 |
|
2.2 人工神经网络的基本原理 |
14-18 |
|
2.2.1 生物神经元的模型与特点 |
14-15 |
|
2.2.2 人工神经网络处理单元 |
15-17 |
|
2.2.3 神经网络模型 |
17-18 |
|
2.3 人工神经网络的分类 |
18-22 |
|
2.3.1 感知器 |
18 |
|
2.3.2 自适应线性元件 |
18-19 |
|
2.3.3 反馈网络 |
19 |
|
2.3.4 自组织竞争人工神经网络 |
19 |
|
2.3.5 反向传播网络 |
19-21 |
|
2.3.6 径向基函数网络 |
21-22 |
|
2.4 基于人工神经网络的成形缺陷预测模型 |
22-23 |
|
2.5 本章小结 |
23-24 |
|
第三章 构建人工神经网络的准备工作 |
24-46 |
|
3.1 本文的研究对象 |
24-27 |
|
3.1.1 汽车新型消声器简介 |
24-25 |
|
3.1.2 冲压工艺分析 |
25-26 |
|
3.1.3 工序编排 |
26-27 |
|
3.2 不锈钢性能对冲压工艺的影响 |
27-29 |
|
3.3 消声器预混腔体成形缺陷的种类和判断依据 |
29-34 |
|
3.3.1 冲压成形缺陷的种类及位置确定 |
29-30 |
|
3.3.2 起皱准则 |
30-31 |
|
3.3.3 拉裂准则 |
31-32 |
|
3.3.4 影响消声器预混腔体成形性的工艺参数分析 |
32-34 |
|
3.4 有限元模拟的方法和过程 |
34-40 |
|
3.4.1 前处理 |
34-37 |
|
3.4.2 求解 |
37-38 |
|
3.4.3 后处理 |
38 |
|
3.4.4 样本数据的选取 |
38-40 |
|
3.5 模拟结果分析 |
40-43 |
|
3.6 本章小结 |
43-46 |
|
第四章 冲压成形缺陷预测的人工神经网络的设计和训练 |
46-66 |
|
4.1 引言 |
46 |
|
4.2 BP 人工神经网络的构建和训练 |
46-55 |
|
4.2.1 神经网络模型的选取 |
46-47 |
|
4.2.2 BP 网络结构的建立 |
47-49 |
|
4.2.3 学习样本的建立 |
49-51 |
|
4.2.4 网络初始化 |
51 |
|
4.2.5 编程实现 |
51-53 |
|
4.2.6 网络性能测试 |
53-55 |
|
4.3 BP 算法的改进及其结果比较 |
55-61 |
|
4.3.1 采用变学习速率算法 |
55-56 |
|
4.3.2 采用弹性BP 算法 |
56-57 |
|
4.3.3 采用共轭梯度算法 |
57-58 |
|
4.3.4 采用拟牛顿算法 |
58-59 |
|
4.3.5 采用一步割线算法 |
59-60 |
|
4.3.6 采用Levenberg-Marquardt 优化算法 |
60-61 |
|
4.4 RBF 网络的构建和训练 |
61-63 |
|
4.5 本章小结 |
63-66 |
|
第五章 基于人工神经网络的压边力优化初探 |
66-72 |
|
5.1 引言 |
66 |
|
5.2 压边力优化神经网络的建立 |
66-69 |
|
5.2.1 网络参数的选取 |
66-67 |
|
5.2.2 学习样本的获得 |
67-69 |
|
5.3 网络训练及测试 |
69-70 |
|
5.4 本章小结 |
70-72 |
|
第六章 结论与展望 |
72-74 |
|
参考文献 |
74-78 |
|
摘要 |
78-81 |
|
ABSTRACT |
81-84 |
|
致谢 |
84 |
|
| 【DOI】 | LunWen.ID:2.2008.388631 |
