论文部分内容阅读
连杆衬套是柴油机的关键部件,其主要作用是可以避免连杆小头与活塞销直接接触而影响连杆的寿命。采用强力旋压工艺制得的连杆衬套不但具有优良的表面质量,而且具备较高的机械性能和较长的使用寿命,可以满足大功率高比压柴油机在恶劣工况下的使用。由于连杆衬套强力旋压成形的工艺参数与力学性能之间的关系比较复杂,没有一个准确可靠的数学关系可以表达,通常情况是凭经验设定。本文基于人工神经网络研究并分析了连杆衬套的强力旋压工艺参数与其力学性能之间的关系并对主要工艺参数进行多目标优化,具有较为重要的研究价值和意义。通过正交试验和极差分析的方法分析了连杆衬套的强力旋压成形工艺参数(减薄率、热处理温度、进给比)对其力学性能(布氏硬度、伸长率、屈服强度、抗拉强度)的影响规律及影响显著性次序。基于正交试验的结果,建立了工艺参数与力学性能之间的RBF和BP神经网络非线性关系。用训练样本数据对神经网络进行训练,用测试样本对神经网络的预测能力进行检测,并对两种神经网络模型的预测精度进行了检测对比,发现所建立的RBF神经网络模型具有较为精确的预测能力。RBF神经网络模型具有预测能力强、建模时间短等优点,在实际生产上可以利用此模型对工艺参数进行设计,可以有效提高工艺参数的设计效率和降低实际试验的所需成本。根据正交试验极差分析所得到的工艺参数对力学性能影响显著性,建立了主要工艺参数(减薄率、进给比)与主要力学性能(伸长率、抗拉强度)的RBF神经网络非线性关系,将此非线性关系作为适应度函数,基于MATLAB数值仿真平台和遗传算法建立了主要工艺参数的多目标优化算法模型,得出相应的多目标Pareto最优解集,并得出了两个主要力学性能伸长率和抗拉强度的关系。通过实验分析验证了这些最优解集的可行性,可以有效提高工艺参数的设计效率和有效提升产品的力学性能。