论文部分内容阅读
近年来随着汽车产量激增及对性能要求的提高,所需气门的规格、品种和数量愈来愈多,对其质量要求也愈来愈高。目前气门锻件有两种生产工艺方法:一种是采用电镦制坯,然后在螺旋压力机上终锻成型;一种是热挤压制坯,然后镦锻成型。在国内,目前普遍采用第一种工艺方法生产。电热镦粗工艺具有设备投资较低、锻件杆部尺寸精度高、各项质量系数较高等优点,但由于电镦过程涉及的工艺参数较多,某一参数不稳定或相关工艺参数配合不好,都将造成电镦生产中的质量缺陷使成品率下降。目前对气门电镦工艺的研究主要集中在定性分析上,虽然采用了数值模拟和理论推导方式,但是由于电镦工艺的影响因素较多,各因素之间相互作用,并且表示这些方法的模型都是在许多假设条件下建立起来的,模型的可靠性和置信度较差,很难用于实际生产。因此利用人工神经网络非常适合描述具有黑箱性质和非线性强的对象的优点,设想将确定电镦工艺参数的问题视为黑箱,影响工艺参数确定的各种因素作为神经网络的输入,而把要确定的参数作为神经网络的输出,建立起某些复杂电镦工艺参数确定的模型,通过足够的数据样本训练神经网络,来描述确定某些工艺参数的过程。本文采用组合BP人工神经网络来逐步确定气门电镦工艺参数,用合适的学习样本来训练网络,不仅能较好地描述工艺参数确定过程,还能预测出较为合理的工艺参数控制值。为了提供实际可用的系统,将人工神经网络和专家系统结合起来建立气门电热镦粗混合专家系统。针对气门电镦成型的工艺问题,对比较容易运用逻辑推算的工艺参数采用利用传统的专家系统模式确定;而对于非线性、不容易精确推算的工艺参数采用人工神经网络确定。从而实现了将善于处理精确、线性信息的传统人工智能/专家系统和善于处理不精确、非线性的神经网络系统的结合,为整个工艺过程的控制参数的确定提供了较好的实用的混合型系统。本文利用面向对象编程技术C++语言,在VC++6.0程序开发器上,针对工艺参数的确定过程,采用基于原型的知识表示方式,将确定相应参数的知识库和推理机制封装起来。神经网络计算部分采用MATLAB编程实现,并且通过在VC中调用MATLAB的计算引擎来实现数据的处理和传递。用户界面采用MFC来设计。基于神经网络的混合专家系统提供的计算结果经过实践验证表明,效果良好,为获得合理的气门电热镦粗工艺参数提供了可靠依据。