论文部分内容阅读
挤压力与挤压出口温度的快速精确预测,在挤压设备选择、挤压模具与工艺设计中均具有重要的指导意义,有利于高效、高质生产挤压产品。很多传统的方法可以用来确定挤压过程中的挤压力与挤压出口温度,如理论计算法、经验公式法和图解法等,但挤压过程受多因素共同影响,此类方法计算效率较低,且精度不高。BP神经网络,由于其具有良好的逼近任意非线性映射的能力,在挤压加工中得到了越来越广泛的应用。本文基于挤压形状因子开展对挤压过程中挤压力与挤压出口温度变化规律的研究,分别建立了预测挤压力峰值与挤压出口温升的BP神经网络ANN1和预测挤压力与挤压出口温度变化的BP神经网络ANN2,实现了挤压过程中挤压力与挤压出口温度的快速精确预测。本文采用DEFORM-3D软件对两种方案中36组不同挤压形状因子(1~1.45)、挤压比(8.1、17.4和26.4)和挤压速度(1、2和4mm/s)的AZ31镁合金型材挤压过程进行了数值模拟,并对数值模拟结果进行了分析。通过调整网络结构参数对比性能结果确定最优网络,在MATLAB平台上分别建立了预测挤压力峰值与挤压出口温升的BP神经网络ANN1和预测挤压力与挤压出口温度变化的BP神经网络ANN2。其中挤压形状因子、挤压比、挤压速度和挤压行程作为输入变量,挤压力峰值、挤压力、挤压出口温升和挤压出口温度作为输出变量,对经过训练的网络ANN1和ANN2进行了检验和应用,并通过挤压实验进行验证。研究结果表明:在其他变形条件不变的情况下,挤压形状因子越大,挤压力越大,挤压出口温度越高;网络预测结果与模拟结果吻合较好,预测结果误差均较小,预测精度满足实际应用要求,说明网络有很好的推广能力;运用BP网络ANN1,预测了挤压比为26.4和挤压速度为2mm/s条件下,21组不同形状因子型材挤压过程的挤压力峰值与挤压出口温度,预测结果与模拟结果相吻合,最大误差为3.5%;运用BP网络ANN2,预测了形状因子为1.04、1.23和1.31,挤压比为17.4,挤压速度为4mm/s时的挤压力与挤压出口温度曲线,并获得了形状因子为1.12,挤压比为8.1,挤压出口温度为420℃时的AZ31镁合金型材等温挤压速度曲线;形状因子为1.03,挤压比为8.84,挤压速度分别为3和4mm/s的十字形型材挤压实验挤压力曲线与网络预测结果吻合较好,误差平均值仅为6.3%,说明本文建立的BP神经网络具有实际应用价值。