压力铸造充型过程多工艺参数的优化选择

doi:10.7523/j.issn.2095-6134.2004.4.016

中国科学院大学学报 ›› 2004, Vol. 21 ›› Issue (4): 532-537.DOI: 10.7523/j.issn.2095-6134.2004.4.016

压力铸造充型过程多工艺参数的优化选择

贵刚^1,2, 于军^1,2, 苏丽杰^1,2, 聂义勇¹

1. 中国科学院沈阳自动化研究所, 沈阳 110016;
2. 中国科学院研究生院, 北京 100039

收稿日期:2003-06-27 修回日期:2003-10-15 发布日期:2004-07-10
通讯作者: 贵刚,Email：gui.gang@tom.com;nyy@sia.ac.Cn
基金资助:
辽宁省自然科学基金项目(972020)资助

Optimal Selection of Multiple Parameters in Filling Processof Pressure Die Casting

GUI Gang^1,2, YU Jun^1,2, SU Li-Jie^1,2, NIE Yi-Yong¹

1. Shenyang Institute of Automation, Chinese Academy of Sciences, Shenyang 110016, China;
2. Graduate School, Chinese Academy of Sciences, Beijing 100039, China

Received:2003-06-27 Revised:2003-10-15 Published:2004-07-10

摘要/Abstract

摘要：

首先建立一个多维参数优化模型,即2个目标函数,多个工艺参数.在不能得到其理论解的时候,采用神经网络与遗传算法相结合的方法,求解该复杂优化模型的近似解.即先利用铸造充型过程数值仿真软件,通过数值计算获得一些有关工艺参数的仿真结果 ;然后将数值实验结果作为样本数据,运用L M算法训练神经网络,建立起目标函数值 (充型时间和充型结束时型腔内最高温度与最低温度之差)和输入参数 (多个工艺参数)之间的函数关系,进而使用遗传算法寻优,从而得到最合适的浇铸参数组合.

关键词: 压力铸造, 神经网络, 遗传算法, 插值

Abstract:

A technological parameter optimal model with multi-object and multi-parameter is given. Some numericalsimulation results are firstly obtained by ProCAST when the technological parameters are specified. Then thesesimulation data are provided for the multi-layer feed-forward network training. As a result,the function,between theinput and output parameters,can be constructed by neural networks. Finally,the optimal problem may be solved byGenetic Algorithm. The most proper cast parameters are obtained.

Key words: die cast, neural network, genetic algorithm, interpolation

中图分类号:

TG249

贵刚, 于军, 苏丽杰, 聂义勇. 压力铸造充型过程多工艺参数的优化选择[J]. 中国科学院大学学报, 2004, 21(4): 532-537.

GUI Gang, YU Jun, SU Li-Jie, NIE Yi-Yong. Optimal Selection of Multiple Parameters in Filling Processof Pressure Die Casting[J]. , 2004, 21(4): 532-537.

[1]	王慧玲, 谢卓辰, 梁旭文. 单粒子翻转对神经网络的影响分析与优化[J]. 中国科学院大学学报, 2021, 38(6): 832-840.
[2]	于文欣, 李凯, 周明拓, 李剑, 杨旸. 面向三维信道幅值预测的自适应神经网络[J]. 中国科学院大学学报, 2021, 38(5): 678-686.
[3]	钱欢, 谢卓辰, 梁旭文. 基于dropout算法的卷积神经网络单粒子翻转容错方法[J]. 中国科学院大学学报, 2021, 38(5): 712-719.
[4]	纪玉峰, 郑敏, 谭冲, 刘洪. 基于神经网络的车联网频谱感知组合算法[J]. 中国科学院大学学报, 2021, 38(4): 549-556.
[5]	肖亚楠, 周伟, 崔杰, 刘亭亭, 肖灵. 一种LSTM神经网络和卡尔曼滤波相结合的复合材料承载预测方法[J]. 中国科学院大学学报, 2021, 38(3): 374-381.
[6]	胡莉娜, 高盛华. 基于层次化标签的人体解析[J]. 中国科学院大学学报, 2020, 37(6): 820-827.
[7]	冯齐心, 杨辽, 王伟胜, 陈桃, 黄双燕. 基于时序光谱重构的卷积神经网络遥感农作物分类[J]. 中国科学院大学学报, 2020, 37(5): 619-628.
[8]	王虹, 徐佑宇, 谭冲, 刘洪, 郑敏. 基于改进粒子群的BP神经网络WSN数据融合算法[J]. 中国科学院大学学报, 2020, 37(5): 673-680.
[9]	唐思琦, 韩丛英, 郭田德. 基于机器学习的点集匹配算法[J]. 中国科学院大学学报, 2020, 37(4): 450-457.
[10]	明卫鹏, 马广彬, 章文毅. 基于基因表达式编程的多星成像任务规划算法[J]. 中国科学院大学学报, 2020, 37(4): 532-538.
[11]	胡亮, 肖俊, 王颖. 基于多维度特征和MLP的岩体点云植被滤波方法[J]. 中国科学院大学学报, 2020, 37(3): 345-351.
[12]	薛建伟, 唐亮, 卜智勇. 基于神经网络的认知无线电合作频谱感知[J]. 中国科学院大学学报, 2020, 37(3): 379-386.
[13]	宋晗, 杨炜暾, 耿修瑞, 赵永超. 基于卷积神经网络与主动学习的高光谱图像分类[J]. 中国科学院大学学报, 2020, 37(2): 169-176.
[14]	王惠君, 赵桂萍, 李良, 张威, 齐荣, 刘珺. 基于卷积神经网络(CNN)的泥质烃源岩TOC预测模型——以鄂尔多斯盆地杭锦旗地区为例[J]. 中国科学院大学学报, 2020, 37(1): 103-112.
[15]	宋旭鸣, 沈逸飞, 石远明. 基于深度学习的智能移动边缘网络缓存[J]. 中国科学院大学学报, 2020, 37(1): 128-135.

压力铸造充型过程多工艺参数的优化选择

Optimal Selection of Multiple Parameters in Filling Processof Pressure Die Casting

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价

访问统计

联系我们