CN102937564A - 一种激光拼焊板耐腐蚀性能的预测方法及系统 - Google Patents
一种激光拼焊板耐腐蚀性能的预测方法及系统 Download PDFInfo
- Publication number
- CN102937564A CN102937564A CN2012103979522A CN201210397952A CN102937564A CN 102937564 A CN102937564 A CN 102937564A CN 2012103979522 A CN2012103979522 A CN 2012103979522A CN 201210397952 A CN201210397952 A CN 201210397952A CN 102937564 A CN102937564 A CN 102937564A
- Authority
- CN
- China
- Prior art keywords
- decay resistance
- welding
- pls
- mother metal
- precision
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Landscapes
- Laser Beam Processing (AREA)
- Testing Resistance To Weather, Investigating Materials By Mechanical Methods (AREA)
Abstract
本发明涉及激光焊接技术领域,具体是一种针对拼焊板的耐腐蚀性能进行预测的方法及系统。该系统由数据库、前处理模块、耐腐蚀性能预测模块、后处理模块组成;前处理模块从数据库中读取激光焊接过程所需的焊件及母材基本信息和工艺参数,为后续流程提供初始条件;耐腐蚀性能预测模块通过对不同工艺状态的模拟得出相应的最优PLS预测模以及目标相对误差≤5%的腐蚀率预测值;针对这些腐蚀率预测值;再根据逆映射原理反求得到与最小预测值相对应的最优焊接工艺方案—意即最优工艺参数的组合。
Description
技术领域
本发明涉及激光焊接技术领域,具体地说是一种激光拼焊板耐腐蚀性能的预测方法及系统。
背景技术
近年来,随着国民经济的增长,汽车工业蓬勃发展,经济实用的汽车以其质量轻、耗油少、安全性高而备受广大消费者的青睐。激光拼焊板的应用减低了车身质量,降低了生产成本,被越来越多的汽车制造厂所采用。激光拼焊不仅在交通运输装备制造业中被使用,还在建筑业、桥梁、家电板材焊接生产、轧钢线钢板焊接(连续轧制中的钢板连接)等领域中被大量使用。长期以来,各种板材的激光焊接工艺优化及其耐腐蚀性能控制主要通过实物试验来探索确定,这必将耗费大量的人力、物力和时间,并且因在各个控制环节存在的人为因素,将或多或少地影响到激光焊接工艺优化及其耐腐蚀性能控制的精度。若能在激光焊接领域引入先进的计算机模拟和预测技术,则可迅速而准确地预测激光拼焊板的耐腐蚀性能并及时调整和优化激光焊接工艺,对高性能激光拼焊板的研发具有十分重要的工程意义。然而,此类研究的相关成果在国内外均鲜见报道。
日本Kobe Steel公司在2007年向美国专利局申请了专利“Weld metal excellent intoughness and SR cracking resistance”(专利号:US07597841),该专利的内容主要为通过对焊接金属成份的调整,以获得优良的焊缝力学性能。此外,新日本制铁公司的JosidaKhirosi在2009年向欧洲专利局申请了专利Device to forecast rupture of part subjected topoint welding method to this end computer software and machine-readable data carrier(专利号:RU2006013994820050412),该专利的主要内容为发明了一种基于终端计算机处理的预测点焊件破裂的装置。因为点焊时,随着焊点数目的增加,电极头部产生的塑性变形所导致的电极头直径增大等原因会产生脱焊,需要进行人工干预。但关于激光拼焊板耐蚀性能预测和相应工艺优化方法的专利成果未见报道。
发明内容
本发明的目的是以常用激光拼焊板钢板为研究对象,具体涉及冷轧深冲板系列St12、St16及镀锌板;高强度镀锌钢DOGAL/超级拉延钢BUSD;高强度低合金钢板系列B240/390DP、B340/590DP等。提供一种针对拼焊板产品的耐腐蚀性能进行预测的方法及系统,同时得出与最小腐蚀率相应的优化工艺方案。
本发明所述的激光拼焊板耐腐蚀性能的预测方法,包括以下步骤:
(1)从数据库中读取激光焊接过程所需的母材信息和工艺参数,为后续流程提供初始条件的步骤;
(2)结合待测焊件母材的信息和工艺参数建立PLS耐腐蚀性能预测模型,并对PLS公式进行精度的检验与控制,得到精度最高的PLS耐腐蚀性能预测模型的步骤;
(3)由精度最高的PLS耐腐蚀性能预测模型计算后得出试样的一组腐蚀率预测值;
(4)对所得到的一组预测结果,再根据逆映射原理反求得到与最小预测值相对应的最优焊接工艺方案,即最优工艺参数的组合,并输出优化工艺参数。
步骤(1)中所说的母材信息包括材料牌号、化学成分、母材厚度、焊件尺寸等材质参数;焊接工艺参数包括:激光功率、焊接速度、光斑直径等;当母材信息和焊接工艺参数读取无误,则转入下一步骤;如有错误,则可返回重新读取母材信息和工艺参数。
步骤(2)采用交叉有效性确定主成分的个数,以获得PRESSh最小化的预测方程,利用目标相对误差5%的精度检验与控制,获得精度最高的PLS耐腐蚀性能预测模型以及逆映射反求得到的最优激光焊接方案。即通过对各不同工艺状态的模拟得出目标相对误差≤5%的腐蚀率预测值以及相应的最优PLS预测模型,得到精度最高的PLS耐腐蚀性能预测模型。
步骤(4)为采用表格、图表或普通文本分析报告方式对工艺优化的结果进行显示输出。
本发明还公开了用于实现上述方法的激光拼焊板耐腐蚀性能的预测系统,该系统由数据库、前处理模块、拼焊板耐腐蚀性能预测模块、后处理模块组成。
其中,所述数据库用于储存拼焊板母材信息和焊接工艺参数及其它系统所需数据。母材信息包括材料牌号、化学成分、母材厚度、焊件尺寸等材质参数;焊接工艺参数包括拼焊板激光功率、焊接速度、光斑直径等。
前处理模块的功能是从数据库中读取激光焊接过程所需的母材信息和工艺参数,为后续流程提供初始条件;所述拼焊板耐腐蚀性能预测模块是完成对激光焊接过程各种工艺状态的模拟,预测出拼焊板的耐蚀性能;所述后处理模块的功能是完成焊接过程模拟及结果的显示输出;具体如下:
前处理模块具体流程为:首先从数据库中读取母材信息和焊接工艺参数。母材信息包括:焊接板的钢种及其成分、待焊板材厚度等尺寸规格,焊接工艺参数包括激光功率、焊接速度、光斑直径等。如读取无误,则转入耐腐蚀性能预测模块;如有错误,则可返回重新读取母材信息和工艺参数。
耐腐蚀性能预测模块的功能根据读取的待测焊件母材的信息和焊接工艺参数建立PLS耐腐蚀性能预测模型,并对PLS公式进行精度的检验与控制,得到精度最高的PLS耐腐蚀性能预测模型。即利用已有的钢成分、焊接工艺参数与耐蚀性能(腐蚀率)彼此映射关系的经验公式—偏最小二乘回归(Partial Least-Squares Regression,简称“PLS”)公式,结合待测焊件的成分、工艺参数对已有的PLS公式进行精度检验与控制。该检验与控制方法是通过对各不同工艺状态的模拟得出目标相对误差≤5%的腐蚀率预测值以及相应的最优PLS预测模型,以期得到精度最高的目标区域PLS耐腐蚀性能预测模型,再由此精度最高的PLS耐腐蚀性能预测模型计算后得出试样的一组腐蚀率预测值;对所得到的一组预测结果,再根据逆映射原理反求得到与最小预测值相对应的最优焊接工艺方案,即最优工艺参数的组合,并输出优化工艺参数。
后处理模块的功能是显示输出计算据结果,采用表格、曲线、动画等多种方式对预测模块的结果进行输出,还包括智能报告(包括普通文本报告和Excel报告)。
本发明优点是:
1、能预测常用激光拼焊钢板产品的耐腐蚀性能即腐蚀率。对于腐蚀率待测目标,可获得理想的预测结果,从而保证了焊接工艺优化与拼焊板耐腐蚀性能控制的精度。
2、利用本发明方法,对冷轧深冲板系列St12、St16、St12基镀锌板、高强度镀锌钢DOGAL/超级拉延钢BUSD等的腐蚀率预测精度均达到95%以上。
3、本发明具有优异的普适性,可以推广应用于各种新型、高强韧化材料的激光焊接应用领域,其预测结果有助于技术人员改进现有生产的工艺,为提高各种新型、高强韧化材料拼焊板的耐腐蚀性能提供可靠依据。
4、本发明提供的数据库具有大量的激光焊接生产工艺参数,界面友好、输入、输出均与生产过程保持一致,易于操作。预测工作在标准配置的计算机上运行,实现了计算与结果输出的分离,便于程序的调试、升级、维护和移植。
附图说明
下面结合附图和具体实施方式对本发明作进一步详细说明。
图1为本发明的系统整体框图;
图2为耐腐蚀性能预测模块建立流程框图。
具体实施方式
下面结合附图对本发明作进一步详细说明。
本发明中采用盐水腐蚀失重试验法所得的腐蚀率来表征拼焊板的耐腐蚀性能。
激光拼焊板腐蚀率获得步骤如下:
1.表面处理:用金相砂纸将拼焊板切割试样表面的锈蚀产物打磨掉,使其露出基体表面,然后去除焊接氧化皮。用丙酮清洗表面多次,并在蒸馏水中用超声波清洗15分钟,取出烘干。
2.盐水溶液的配制:称取10.5269g NaCl,加蒸馏水配制200ml的5%的NaCl水溶液,pH值为7.0。
3.浸泡:把上述处理过表面的样片浸泡在所制备的盐水溶液中,试验温度设为35℃,试验周期7天,即浸泡1天,然后晾干6天,干湿比例为6:1。
通过腐蚀前后的失重量计算拼焊板的腐蚀率。即:
η=(W前-W后)/St(mg/m2·h)
式中η—腐蚀率,W前——实验前试样的质量,W后—试验后试样的质量,S—试样的表面积,t-试验时间。
如图1所示,本发明以常用激光拼焊板为研究对象,建立了激光拼焊板耐腐蚀性能预测系统。整体预测系统由数据库、前处理模块、耐腐蚀性能预测模块、后处理模块组成。其中,前处理模块、后处理模块为辅助模块,以实现耐腐蚀性能预测模块的建立和预测结果的显示输出。
在进行如图2所示的拼焊板耐腐蚀性能预测时,为便于预测和控制激光拼焊板耐腐蚀性能,必须检验已有的钢成分、焊接工艺参数与腐蚀率彼此映射关系的PLS经验公式,以期得到最优PLS经验公式,以精确模拟激光焊接工艺,继而保证待测板材腐蚀率的预测精度。
在已有的PLS经验公式:j=0,1,…k,i=1,2,中,耐腐蚀性能预测模块的输入变量为:x=[x1,x2,x3…]:x1-激光功率(W),x2-焊接速度(m/min),x3-光斑直径(mm),x4-成分(%);输出变量η-腐蚀率(mg/m2·h)。
为使上述拼焊板的PLS耐腐蚀性能预测模块输出值与实际值的拟合度最好,应使得输出值的误差平方和PRESSh最小化;同时为消除各输入变量的多重相关性影响,需采用交叉有效性确定主成分的个数,以获得PRESSh最小化的预测方程,计算工具采用MATLAB软件。
另外,为使所建模块具备与典型多元线性相关分析相类似的解释输入、输出变量空间的解释能力并使其达到较高的水平,应使得主成分th对输入变量X和输出变量η的累积解释能力——RdXtt和RdYtt最大化。
对所建模块预测精度的控制,是利用模块的预测值与真实值的目标相对误差加以控制(目标相对误差≤5%),如果符合该精度要求,则输出结果;若不符合时,则返回前处理模块重复图2的建模工作,直至达到目标相对误差为止。
下面结合附图,通过4个实例进一步对本发明的实施过程进行逐步说明。
实施例1
以等厚1.2mm的St12板/St12基镀锌板拼焊板为例,焊接工艺采用单面焊双面成形,焊接工艺参数为:功率P=1525~1850W,焊接速度1.6~2.0m/min,光斑直径Φ0.3mm~1mm,吸收率为0.7,焊接用透镜的焦距为127mm。
步骤1:焊件试样(≥9)相关工艺数据,如表1所示。
表1焊件试样工艺参数与实验结果
步骤2:考察输入变量之间的多重相关性问题,由表2可见,输入变量之间的多重相关性较明显。
表2输入变量、输出变量间相关系数矩阵
步骤3:经交叉有效性原则处理后,得到腐蚀率的最优主成分个数,如见表3所示,当h=3时,PRESShmin=0.4669,h=1,2,3;故本发明最终取三个主成分建立耐腐蚀性能预测模块,如下所示。
拼焊板腐蚀率η为:
η=-0.0055x1+0.9083x2-0.6185x3+18.8473
以上式中的x1—激光功率(W),x2—焊接速度(m/min),x3—光斑直径(mm)。
步骤4:PLS方程的主成分分析
对以上的拼焊板腐蚀率η进行主成分分析后,得到表3。
表3中,符号RdXt表示主成分th对输入变量X的解释能力;符号RdXtt表示主成分th对输入变量X的累计解释能力;符号RdYt表示主成分th对输出变量Y的解释能力;其中,符号RdYtt表示主成分th对输出变量Y的累计解释能力;PRESSh为η的预测误差平方和,是交叉有效性方法判断主成分选取个数的依据。
表3拼焊板腐蚀率的主成份分析数据
表3表明,应选取三个主成分,此时PRESShmin=0.4669,一共解释了原输入变量系统中96.36%的变异信息,解释了输出变量系统中96.08%的变异信息,对输入变量和输出变量的累计解释能力均很高。
步骤5:预测精度检验与控制
将前处理模块的工艺数据导入耐腐蚀性能预测模块,进行耐腐蚀性能预测,预测结果表4所示。由表4可见,腐蚀率相对误差为1.04%~3.90%,预测精度高。
表4腐蚀率实际值、模型预测值及反求所得相应工艺参数
预测结果显示后,可根据逆映射原理反求得到与最小预测值相对应的最优焊接工艺方案—意即最优工艺参数的组合;如表4中,实施例1的最优工艺参数组合是该表中第7行所对应的相应参数:激光功率1850W、焊接速度1.8m/min、光斑直径1.0mm。
实施例2
以等厚的1.2mmSt12/St16拼焊板为例,焊接工艺采用单面焊双面成形,焊接工艺参数为:功率P=850~1450W,焊接速度1.0~2.0m/min,光斑直径Φ0.3mm~1mm,吸收率为0.7,焊接用透镜的焦距为127mm。建模和优化流程及步骤与实施例1相同。
步骤1:焊件试样(≥9)相关工艺数据,如表5所示。
表5焊件试样工艺参数与实验结果
经过实施例1所述的步骤2~步骤4之后,得到耐腐蚀性能的PLS预测模型,如下所示。
拼焊板腐蚀率η为:
η=-0.0058x1+0.7836x2-2.1347x3+19.0347
以上式中的x1—激光功率(W),x2—焊接速度(m/min),x3—光斑直径(mm)。
步骤5:预测精度检验与控制
将前处理模块的工艺数据导入耐腐蚀性能预测模块,进行耐腐蚀性能预测,预测结果如表6所示。由表6可见,腐蚀率预测相对误差为1.13%~4.83%,相对误差均在5%以内,由此可知该模型预测精度高。
表6腐蚀率实际值与预测值
预测结果显示后,可根据逆映射原理反求得到与最小预测值相对应的最优焊接工艺方案—意即最优工艺参数的组合;如表6中,实施例2的最优工艺参数组合是试验焊件序号为7所对应的相应参数:激光功率1450W、焊接速度1.0m/min、光斑直径0.7mm。
实施例3
以0.8mmSt16/1.5mmSt12基镀锌拼焊板为例,焊接工艺采用单面焊双面成形,焊接工艺参数、建模和优化流程及步骤与实施例1相同。
步骤1:焊件试样(≥9)相关工艺数据,如表7所示。
表7焊件试样工艺参数与实验结果
经过实施例1所述的步骤2~步骤4之后,得到耐腐蚀性能的PLS预测模型,如下所示。
拼焊板腐蚀率η为:
η=-0.0068x1+0.8342x2-0.8657x3+19.5873
以上式中的x1—激光功率(W),x2—焊接速度(m/min),x3—光斑直径(mm)。
步骤5:预测精度检验与控制
将前处理模块的工艺数据导入耐腐蚀性能预测模块,进行耐腐蚀性能预测,预测结果如表8所示。由表8可见,腐蚀率预测相对误差为1.06%~4.87%,相对误差均在5%以内,由此可知该模型预测精度高。
表8腐蚀率实际值与预测值
预测结果显示后,可根据逆映射原理反求得到与最小预测值相对应的最优焊接工艺方案-意即最优工艺参数的组合;如表8中,实施例3的最优工艺参数组合是试验焊件序号为7所对应的相应参数:激光功率1850W、焊接速度1.8m/min、光斑直径1.0mm。
实施例4
以等厚的1.5mm高强度镀锌钢DOGAL800DP/超级拉延钢BUSD拼焊板为例,焊接工艺采用单面焊双面成形,焊接工艺参数为:激光功率为950~1350W,焊接速度为1~2m/min,光斑直径为0.3~1.0mm,吸收率为0.7,焊接用透镜的焦距为127mm。其建模和优化流程及步骤与实施例1相同。
步骤1:焊件试样(≥9)相关工艺数据,如表9所示。
表9焊件试样工艺参数与实验结果
经过实施例1所述的步骤2~步骤4之后,得到耐腐蚀性能的PLS预测模型,如下所示。
拼焊板腐蚀率η为:
η=-0.0063x1+0.62x2-1.4986x3+18.0395
以上式中的x1—激光功率(W),x2—焊接速度(m/min),x3—光斑直径(mm)。
步骤5:预测精度检验与控制
将前处理模块的工艺数据导入耐腐蚀性能预测模块,进行耐腐蚀性能预测,预测结果如表10所示。由表10可见,腐蚀率预测相对误差为0.63%~2.94%,相对误差均在5%以内,由此可知该模型预测精度高。
表10腐蚀率实际值与预测值
预测结果显示后,可根据逆映射原理反求得到与最小预测值相对应的最优焊接工艺方案-意即最优工艺参数的组合;如表10中,实施例4的最优工艺参数组合是试验焊件序号为2所对应的相应参数:激光功率1350W、焊接速度1.5m/min、光斑直径0.3mm。
Claims (5)
1. 一种激光拼焊板耐腐蚀性能的预测方法,其特征在于包括以下步骤:
(1)从数据库中读取激光焊接过程所需的母材信息和焊接工艺参数,为后续流程提供初始条件的步骤;
(2)结合待测焊件母材的信息和焊接工艺参数建立PLS耐腐蚀性能预测模型,并对PLS公式进行精度的检验与控制,得到精度最高的PLS耐腐蚀性能预测模型的步骤;
(3)由精度最高的PLS耐腐蚀性能预测模型计算后得出试样的一组腐蚀率预测值;
(4)对所得到的一组预测结果,再根据逆映射原理反求得到与最小预测值相对应的最优焊接工艺方案,即最优工艺参数的组合,并输出优化工艺参数。
2.根据权利要求1所述的一种激光拼焊板耐腐蚀性能的预测方法,其特征在于,步骤(1)中所说的焊接工艺参数包括:拼焊板的钢种及其成分、待焊板材厚度规格、激光功率、焊接速度、光斑直径;当母材信息和焊接工艺参数读取无误,则转入下一步骤;如有错误,则可返回重新读取母材信息和焊接工艺参数。
3.根据权利要求1所述的一种激光拼焊板耐腐蚀性能的预测方法,其特征在于,步骤(4)为采用表格、图表或普通文本分析报告方式对工艺优化的结果进行显示输出。
4.按照权利要求1所述激光拼焊板耐腐蚀性能预测方法,其特征在于:步骤(2)采用交叉有效性确定主成分的个数,以获得PRESS h 最小化的预测方程,利用目标相对误差5 %的精度检验与控制,获得精度最高的PLS耐腐蚀性能预测模型以及逆映射反求得到的最优激光焊接方案。
5.一种实现权利要求1所述的激光拼焊板耐腐蚀性能的预测方法的系统,其特征在于,由数据库、前处理模块、耐腐蚀性能预测模块、后处理模块组成,其中:
数据库,用于储存拼焊板母材信息和焊接工艺参数及其它系统所需数据;
母材信息包括材料牌号、化学成分、母材厚度、焊件尺寸等材质参数;焊接工艺参数包括拼焊板激光功率、焊接速度、光斑直径;
前处理模块,用于从数据库中读取激光焊接过程所需的焊件母材基本信息和工艺参数,为后续流程提供初始条件;
耐腐蚀性能预测模块,根据读取的待测焊件母材的信息和焊接工艺参数建立PLS耐腐蚀性能预测模型,并对PLS公式进行精度的检验与控制,得到精度最高的PLS耐腐蚀性能预测模型;
后处理模块,用于显示输出计算据结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210397952.2A CN102937564B (zh) | 2012-10-18 | 2012-10-18 | 一种激光拼焊板耐腐蚀性能的预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210397952.2A CN102937564B (zh) | 2012-10-18 | 2012-10-18 | 一种激光拼焊板耐腐蚀性能的预测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102937564A true CN102937564A (zh) | 2013-02-20 |
CN102937564B CN102937564B (zh) | 2015-02-04 |
Family
ID=47696475
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210397952.2A Expired - Fee Related CN102937564B (zh) | 2012-10-18 | 2012-10-18 | 一种激光拼焊板耐腐蚀性能的预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102937564B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104416286A (zh) * | 2013-08-28 | 2015-03-18 | 中国科学院沈阳自动化研究所扬州工程技术研究中心 | 一种用于激光拼焊的模块化焊接设备 |
CN104899416A (zh) * | 2015-04-23 | 2015-09-09 | 江苏大学 | 一种高层建筑用钢抗层状撕裂性能的预测方法及其系统 |
CN112149303A (zh) * | 2020-09-24 | 2020-12-29 | 扬州浩辰电力设计有限公司 | 一种基于拉断力预测的碳纤维导线结构优化系统和方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DD281767A5 (de) * | 1988-12-28 | 1990-08-22 | Univ Rostock | Einrichtung zur prozessbegleitenden qualitaetssicherung von schweissverbindungen |
JP2002178147A (ja) * | 2000-12-11 | 2002-06-25 | Kobe Steel Ltd | 溶接金属の簡易特性予測方法および溶接施工条件決定法 |
JP2003302331A (ja) * | 2002-02-08 | 2003-10-24 | Mitsubishi Heavy Ind Ltd | き裂進展解析方法及び装置 |
CN101947693A (zh) * | 2010-09-07 | 2011-01-19 | 江苏大学 | 一种基于性能预测的激光拼焊板工艺优化系统和方法 |
-
2012
- 2012-10-18 CN CN201210397952.2A patent/CN102937564B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DD281767A5 (de) * | 1988-12-28 | 1990-08-22 | Univ Rostock | Einrichtung zur prozessbegleitenden qualitaetssicherung von schweissverbindungen |
JP2002178147A (ja) * | 2000-12-11 | 2002-06-25 | Kobe Steel Ltd | 溶接金属の簡易特性予測方法および溶接施工条件決定法 |
JP2003302331A (ja) * | 2002-02-08 | 2003-10-24 | Mitsubishi Heavy Ind Ltd | き裂進展解析方法及び装置 |
CN101947693A (zh) * | 2010-09-07 | 2011-01-19 | 江苏大学 | 一种基于性能预测的激光拼焊板工艺优化系统和方法 |
Non-Patent Citations (3)
Title |
---|
O.CRAIGUE ET AL: "Laser Beam Weld Bonding of AA5754 for Automobile Structures", 《WELDING JOURNAL》 * |
TSONGI CHAI ET AL: "Mechanical properties of laser-welded cast titanium joints under different conditions", 《THE JOURNAL OF PROSTHETIC DENTISTRY》 * |
李新城等: "基于主成分分析与BP神经网络的激光拼焊板力", 《金属铸锻焊技术》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104416286A (zh) * | 2013-08-28 | 2015-03-18 | 中国科学院沈阳自动化研究所扬州工程技术研究中心 | 一种用于激光拼焊的模块化焊接设备 |
CN104416286B (zh) * | 2013-08-28 | 2016-03-16 | 中国科学院沈阳自动化研究所扬州工程技术研究中心 | 一种用于激光拼焊的模块化焊接设备 |
CN104899416A (zh) * | 2015-04-23 | 2015-09-09 | 江苏大学 | 一种高层建筑用钢抗层状撕裂性能的预测方法及其系统 |
CN104899416B (zh) * | 2015-04-23 | 2018-08-10 | 江苏大学 | 一种高层建筑用钢抗层状撕裂性能的预测方法及其系统 |
CN112149303A (zh) * | 2020-09-24 | 2020-12-29 | 扬州浩辰电力设计有限公司 | 一种基于拉断力预测的碳纤维导线结构优化系统和方法 |
Also Published As
Publication number | Publication date |
---|---|
CN102937564B (zh) | 2015-02-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101947693B (zh) | 一种基于性能预测的激光拼焊板工艺优化系统和方法 | |
Ramakrishnan et al. | Modeling and multi-response optimization of Inconel 718 on machining of CNC WEDM process | |
CN101722371B (zh) | 激光焊接的焊缝/热影响区形状及其晶粒尺寸预测方法及其实现该方法的装置 | |
Lian et al. | Multi-objective optimization of coating properties and cladding efficiency in 316L/WC composite laser cladding based on grey relational analysis | |
Kumar et al. | Optimization of machining parameters in CNC turning of stainless steel (EN19) by Taguchi’s orthogonal array experiments | |
Xiao et al. | Prediction of surface roughness and optimization of cutting parameters of stainless steel turning based on RSM | |
Oliver Nesa Raj et al. | Modeling and analysis of titanium alloy in wire-cut EDM using Grey relation coupled with principle component analysis | |
CN102937564B (zh) | 一种激光拼焊板耐腐蚀性能的预测方法及系统 | |
CN103761429A (zh) | 铣削加工工件表面粗糙度的预测方法 | |
Zhao et al. | Multi-objective optimization of the resistance spot welding process using a hybrid approach | |
Özek et al. | Optimization and modeling of angular deep drawing process for square cups | |
Equbal et al. | Deformation behavior of micro-alloyed steel by using thermo mechanical simulator and finite element method | |
CN106167887A (zh) | 基于刀距动态补偿的热镀锌镀层厚度快速切换方法及系统 | |
Straka et al. | Influence of the main technological parameters and material properties of the workpiece on the geometrical accuracy of the machined surface at wedm | |
Li et al. | Springback and tensile strength of 2A97 aluminum alloy during age forming | |
Zhao et al. | The use of TOPSIS-based-desirability function approach to optimize the balances among mechanical performances, energy consumption, and production efficiency of the arc welding process | |
Chen et al. | The multi-objective optimization modelling for properties of 301 stainless steel welding joints in ultra-narrow gap laser welding | |
Zhao et al. | Statistical modeling and optimization of the resistance welding process with simultaneous expulsion magnitude consideration for high-strength low alloy steel | |
Tian et al. | Reverse identification of constitutive parameters of Inconel 718 alloy based on analytical model and thermo-mechanical loads analysis of machined surface | |
Ravitej et al. | Review paper on optimization of process parameters in turning Custom 465® precipitation hardened stainless steel | |
Hora et al. | Zero failure production methods based on a process integrated virtual control | |
Varma et al. | Neural network and fuzzy logic based prediction of surface roughness and MRR in cylindrical grinding process | |
Nagendra et al. | Evaluation of surface roughness of novel Al-based MMCs using Box-Cox transformation | |
Biegler et al. | Investigation of liquid metal embrittlemment avoidance strategies for dual phase steels via electro-thermomechanical finite element simulation | |
Aghdeab et al. | Surface roughness prediction for steel 304 In Edm using response graph modeling |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20150204 Termination date: 20151018 |
|
EXPY | Termination of patent right or utility model |