CN113642160A - 一种基于bp神经网络和鱼群算法的铝合金发动机缸体铸造工艺设计优化方法 - Google Patents
一种基于bp神经网络和鱼群算法的铝合金发动机缸体铸造工艺设计优化方法 Download PDFInfo
- Publication number
- CN113642160A CN113642160A CN202110843647.0A CN202110843647A CN113642160A CN 113642160 A CN113642160 A CN 113642160A CN 202110843647 A CN202110843647 A CN 202110843647A CN 113642160 A CN113642160 A CN 113642160A
- Authority
- CN
- China
- Prior art keywords
- neural network
- design
- aluminum alloy
- engine cylinder
- swarm algorithm
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 95
- 238000013461 design Methods 0.000 title claims abstract description 81
- 238000005266 casting Methods 0.000 title claims abstract description 51
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 39
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 35
- 238000005457 optimization Methods 0.000 title claims abstract description 35
- 241000251468 Actinopterygii Species 0.000 title claims abstract description 34
- 229910000838 Al alloy Inorganic materials 0.000 title claims abstract description 30
- 230000008569 process Effects 0.000 claims abstract description 68
- 238000004088 simulation Methods 0.000 claims abstract description 30
- 238000012360 testing method Methods 0.000 claims abstract description 30
- 238000004458 analytical method Methods 0.000 claims abstract description 18
- 238000004519 manufacturing process Methods 0.000 claims abstract description 14
- 238000007689 inspection Methods 0.000 claims abstract description 11
- 238000003062 neural network model Methods 0.000 claims abstract description 4
- 230000007547 defect Effects 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 10
- 239000000463 material Substances 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 7
- 238000007711 solidification Methods 0.000 claims description 6
- 230000008023 solidification Effects 0.000 claims description 6
- 238000012546 transfer Methods 0.000 claims description 6
- 238000001816 cooling Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000013386 optimize process Methods 0.000 claims description 4
- 230000008439 repair process Effects 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 238000010276 construction Methods 0.000 claims description 2
- 230000002431 foraging effect Effects 0.000 claims description 2
- 239000007788 liquid Substances 0.000 claims description 2
- 238000010606 normalization Methods 0.000 claims description 2
- 230000000630 rising effect Effects 0.000 claims description 2
- 238000012795 verification Methods 0.000 claims description 2
- 230000006399 behavior Effects 0.000 claims 1
- 230000006872 improvement Effects 0.000 abstract description 3
- 238000000465 moulding Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 9
- 238000009826 distribution Methods 0.000 description 4
- 239000011162 core material Substances 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000005429 filling process Methods 0.000 description 2
- 239000011347 resin Substances 0.000 description 2
- 229920005989 resin Polymers 0.000 description 2
- 239000004576 sand Substances 0.000 description 2
- 239000010963 304 stainless steel Substances 0.000 description 1
- 229910000589 SAE 304 stainless steel Inorganic materials 0.000 description 1
- 229910000831 Steel Inorganic materials 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 238000011960 computer-aided design Methods 0.000 description 1
- 230000003031 feeding effect Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 239000007791 liquid phase Substances 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 229910052751 metal Inorganic materials 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Injection Moulding Of Plastics Or The Like (AREA)
Abstract
一种基于BP神经网络和鱼群算法的铝合金发动机缸体铸造工艺设计优化方法，其特征是它包括工艺设计及数值模拟分析模型建立，工艺设计改进，确定优化变量及试验设计，BP神经网络模型建立，鱼群算法工艺参数寻优和生产检验。本发明可靠性和适用性较高，可以有效的获得铝合金发动机缸体较优的铸造工艺设计及最佳的工艺参数方案，能够提高铸件成型质量，节省开发成本和开发周期，为汽车铝合金发动机缸体铸造工艺的开发提供参考。
Description
技术领域
本发明属于铸造工艺，尤其是一种低压铸造技术领域，具体地说是一种基于BP神经网络和鱼群算法的铝合金发动机缸体铸造工艺设计优化方法。
背景技术
发动机缸体作为汽车动力系统的核心零部件，支承和保证活塞、连杆、曲轴等运动部件工作时的准确位置，因此需要有足够的强度和刚度。铝合金发动机缸体总体呈箱型，结构较为复杂，壁厚也不是特别均匀。在实际铸造生产过程中，由于工艺结构设计的不合理或者工艺参数选用的不合适，在壁厚处如各缸筒之间的部位容易产生缩松缩孔缺陷，使其强度和刚度下降，在使用过程中可能发生断裂，严重影响汽车的行驶安全。
目前铝合金发动机缸体在设计制造时一般依靠操作人员的生产经验，在模具设计方面不断的进行试制调整，在工艺参数方面也不断的试错，这使产品的设计周期长、生产效率低。同时，调整试错后的工艺方案不一定为最优方案，成型质量可能难以保证。因此在铝合金发动机缸体铸造设计方面缺乏一种科学有效的设计优化方法。
发明内容
本发明的目的在于针对目前发动机铸造过程中工艺设计效率低下且成型质量难以保证的问题，提供一种基于BP神经网络和鱼群算法的铝合金发动机缸体铸造工艺设计优化方法，该设计方法能够提高铝合金发动机缸体的成型质量，减少铸造缺陷，大大缩短新产品的试制时间，减少试制成本，并提高生产效率。
本发明的技术方案是：
一种基于BP神经网络和鱼群算法的铝合金发动机缸体铸造工艺设计优化方法，其特征在于,包括以下步骤：
步骤一：工艺设计及数值模拟分析模型的建立；
根据铝合金发动机缸体结构进行铸造工艺设计，建立三维模型，并对三维模型进行格式转换，导入到铸造数值模拟仿真软件中，建立铝合金发动机缸体的数值模拟分析模型；
步骤二：工艺设计改进；
进行数值模拟分析，根据模拟结果，对充型凝固过程以及缺陷进行综合分析，改进工艺设计，重新建立有限元模型；
步骤三：确定优化变量及试验设计；
选取多个铸造工艺参数作为优化变量，并确定其设计空间及优化目标，提取试验样本点，并通过数值模拟分析模型计算得到样本点所对应的样本数据；
步骤四：BP神经网络模型建立；
建立反映输入与输出关系的BP神经网络回归模型，并对模型精度进行检验；
步骤五：鱼群算法工艺参数寻优；
根据BP神经网络回归模型,利用鱼群算法对工艺参数在设计空间内进行寻优，进行验证后确定最优工艺参数组合；
步骤六：生产检验；
根据最终工艺方案进行实际生产并检验；
进一步地，所述步骤一中，工艺设计包括模具设计和工艺参数的设计；
进一步地，所述步骤一中，数值模拟分析模型包括模型修复和检查、网格划分、定义材料、属性和边界条件；
进一步地，所述步骤二中，根据模拟仿真获得的结果，判断工艺设计是否合理，若合理，执行步骤三，若不合理，不断对工艺设计进行改进，直至工艺设计符合要求；
进一步地，所述步骤三中，优化变量是指结合铸造生产现场条件以及在铸造过程中可控的工艺参数，设计空间是指包含了最优工艺参数的参数变化范围，优化目标是指发动机缸体在铸造过程中所产生的缩松缩孔缺陷最小；
进一步地，所述步骤三中，试验样本点是根据正交和均匀试验设计方法确定合理的试验点；
进一步地，所述步骤四中，BP神经网络回归模型的构建主要分为网络参数初始化、正向传播计算损失和反向传播更新参数等步骤；
进一步地，所述步骤四中，对模型精度检验利用BP神经网络所输出的预测值和训练及测试的样本值之间的相对误差来评判；
进一步地，所述步骤五中，鱼群算法的寻优过程主要是通过模拟鱼群的觅食、聚群、追尾、随机等行为在搜索域中进行寻优；
进一步地，所述步骤五中，对优化工艺方案进行数值模拟检验，判断是否满足要求，若满足，执行步骤六，若不满足，不断对鱼群算法进行调整和检验，直至工艺方案满足要求；
进一步地，所述模具设计包括模具结构、浇注系统、冷却系统、砂芯系统和排气系统的设计，工艺参数设计包括压力曲线、模具预热温度和浇注温度的设计；
进一步地，所述网络参数初始化包括数据的归一化，网络层数和节点个数的确定，传递函数的选择，学习方法的确定和初始权值的确定等方面；
进一步地，所述正向传播计算损失中损失函数表达方程为：
式中，θ表示神经网络权重，y表示测试集的输出，a(l)表示网络当前输出，l表示网络层数；
进一步地，所述反向传播更新参数中神经网络每一层参数反向迭代的表达方程为：
式中，θ表示神经网络权重，J(θ)表示损失函数，δ表示反向传播的中间量，a(l)表示网络当前输出，l表示网络层数；
进一步地，所述压力曲线为升液、充型、增压、保压和卸压过程中的压力和时间的关系函数。
与现有技术相比，本发明及其优选方案具有以下有益效果：
本发明采用计算机辅助设计方法对铝合金发动机缸体进行工艺设计改进，利用BP神经网络对铝合金发动机缸体铸造工艺参数和缺陷之间进行回归拟合，采用鱼群算法对回归模型进行寻优，解决了目前铸造工艺方案依赖于工程师经验的问题，能够高效地获得发动机缸体铸造的最优工艺方案，有效减少铸件工艺方案设计时间，降低试制的成本，提高了生产效率，也极大的提升了铝合金发动机缸体的成型质量。
附图说明
图1为本发明的结构原理示意框图；
图2为本发明发动机缸体浇注系统初步设计图；
图3为本发明发动机缸体铸造压力曲线设计图；
图4为本发明发动机缸体初步设计的铸造数值模拟结果反映缩孔缩松缺陷的示意图；
图5为本发明发动机缸体浇注系统改进设计图；
图6为本发明发动机缸体改进设计的铸造数值模拟结果反映缩孔缩松缺陷的示意图；
图7为本发明BP神经网络结构图；
图8为本发明缩松缩孔缺陷体积的训练样本、测试样本与网络的输出值之间的比较图；
图9为本发明鱼群算法的流程图；
图10为本发明利用最优工艺参数组合的铸造数值模拟结果反映缩孔缩松缺陷的示意图。
具体实施方式
为让本专利的特征和优点能更明显易懂，下面结合附图和实施例对本发明作详细进一步的说明。
如图1-10所示。
一种基于BP神经网络和鱼群算法的铝合金发动机缸体铸造工艺设计优化方法，其工艺流程如图1所示，具体包括以下步骤：
步骤一：工艺设计及数值模拟分析模型的建立；
根据发动机缸体的结构进行模具的设计，包括模具结构、浇注系统、冷却系统、排气系统和砂芯系统的设计，其中模具结构采用采用上下模两半式分型，分型面设置在飞轮槽上方，上模设计成对开式，采用垂直型分型面，位于铸件的中间面位置；浇注系统采用直条形浇口的底注式浇道，如图2所示；冷却系统采用水冷，设置于缸体燃烧室厚大部位；排气系统采用排气塞，材质为304不锈钢；砂芯系统采用整体式砂芯设计，材质为树脂砂材料。基于经验公式设计浇注工艺参数，包括压力曲线、上下模具预热温度和浇注温度的设计，其中压力曲线设计如图3所示，各具体工艺参数如表1所示：
表1铸造工艺参数
在三维设计软件中建立发动机缸体及其模具的三维模型，将三维模型以stp格式导入至铸造数值模拟仿真软件中，进行模型修复及检查，网格划分，定义材料、属性和边界条件，生成用于铸造模拟的发动机缸体的数值模拟分析模型。其中，铸件材料选用A356铝合金，模具材料选择H13模具钢，砂芯材料选择树脂砂。各换热面间换热系数设置如表2所示：
表2换热系数设置
步骤二：工艺设计改进；
对有限元模型进行数值模拟仿真，获得金属液充型过程的速度场、压力场图，凝固过程的温度场、固相率场图，铸造缺陷分布图。对仿真结果进行分析，可以发现充型过程整体非常平稳，略微发生了反向流动的翻滚现象，但在凝固过程中，浇注系统的内浇口与缸筒间未凝固部位间的补缩通道被阻断，导致量缸筒间出现孤立液相，最终导致缩松缩孔的产生。缩松缩孔缺陷分布如图4所示，缩松缩孔体积为182mm3。针对数值模拟仿真的分析结果，主要需要对凝固过程进行改进。由于内浇口附近凝固较早，因此需对内浇口的形状和位置进行调整。将直条形内浇口中间部位设计成半圆柱状和直条形，增强内浇口的补缩作用。发动机缸体浇注系统改进设计如图5所示。改进后重新建立有限元模型进行数值模拟仿真，缩松缩孔分布如图6所示，缩松缩孔体积为5.2mm3，工艺设计较为合理。
步骤三：确定优化变量及试验设计；
选取浇注温度，上模具温度，下模具温度和保压压力这四种工艺参数作为优化变量，优化目标为缩松缩孔体积缺陷最小，设计空间为工艺参数的参数变化范围，各优化变量的设计空间如表3所示：
表3优化变量的设计空间
通过正交和均匀试验设计选取29个试验样本点，将选取的试验样本点代入步骤二中建立的数值模拟分析模型计算得到缩松缩孔体积的值。试验样本点和所对应的样本数据如表4所示：
表4试验样本点和样本数据
步骤四：BP神经网络模型建立；
BP神经网络模型结构如图7所示。随机选取25组样本作为训练集，剩余的4组样本作为测试集用来对模型的性能进行评价。由于数据集中各个变量的差异较大，因此先对数据进行归一化处理。网络的学习算法采用LM算法。输入层到隐含层采用S型函数作为传递函数，隐含层到输出层使用线性函数。BP神经网络的运行参数设定如表5所示：
表5BP神经网络运行参数设定
在得到BP神经网络回归模型后，利用网络所输出的预测值和训练及测试的样本值之间的相对误差来评判模型精度是否符合要求。缩松缩孔缺陷体积的训练样本、测试样本与网络的输出值之间的比较如图8所示，缩松缩孔体积网络输出与样本数据如表6所示：
表6缩松缩孔体积网络输出与样本数据
从图8和表6可以看出，网络的训练误差较小，测试数组的网络泛化误差也比较小，精度较高。这说明该BP神经网络回归模型可以很好的反映各组工艺参数和缩松缩孔体积之间映射关系。
步骤五：鱼群算法工艺参数寻优；
根据BP神经网络回归模型,利用鱼群算法对工艺参数在设计空间内进行寻优。鱼群算法的流程图如图9所示。鱼群算法的运行参数设定如表7所示：
表7鱼群算法运行参数设定
最终得到使缩松缩孔缺陷体积最小的工艺参数组合，工艺参数组合如表8所示：
表8最优工艺参数组合
对优化后工艺参数组合进行数值模拟分析，模拟后缩松缩孔分布如图10所示，缩松缩孔体积为0.035mm3，缺陷基本得到了消除。因此该工艺参数组合符合要求。
步骤六：生产检验；
根据最终工艺方案进行实际生产并检验。
以上仅就本发明较佳的实例作了说明，但不能理解为是对权利要求的限制。本发明不仅局限于以上实例，其具体优化变量允许有变化。总之，凡在本发明独立权利要求的保护范围内所作的各种变化均在本发明的保护范围内。
本发明未涉及部分均与现有技术相同或可采用现有技术加以实现。
Claims (10)
1.一种基于BP神经网络和鱼群算法的铝合金发动机缸体铸造工艺设计优化方法，其特征在于,包括以下步骤：
步骤一：工艺设计及数值模拟分析模型的建立；
根据铝合金发动机缸体结构进行铸造工艺设计，建立三维模型，并对三维模型进行格式转换，导入到铸造数值模拟仿真软件中，建立铝合金发动机缸体的数值模拟分析模型；
步骤二：工艺设计改进；
进行数值模拟分析，根据模拟结果，对充型凝固过程以及缺陷进行综合分析，改进工艺设计，重新建立有限元模型；
步骤三：确定优化变量及试验设计；
选取多个铸造工艺参数作为优化变量，并确定其设计空间及优化目标，提取试验样本点，并通过数值模拟分析模型计算得到样本点所对应的样本数据；
步骤四：BP神经网络模型建立；
建立反映输入与输出关系的BP神经网络回归模型，并对模型精度进行检验；
步骤五：鱼群算法工艺参数寻优；
根据BP神经网络回归模型,利用鱼群算法对工艺参数在设计空间内进行寻优，进行验证后确定最优工艺参数组合；
步骤六：生产检验；
根据最终工艺方案进行实际生产并检验。
2.根据权利要求1所述的基于BP神经网络和鱼群算法的铝合金发动机缸体铸造工艺设计优化方法，其特征在于，所述步骤一中，工艺设计包括模具设计和工艺参数的设计；；数值模拟分析模型包括模型修复和检查、网格划分、定义材料、属性和边界条件。
3.根据权利要求1所述的基于BP神经网络和鱼群算法的铝合金发动机缸体铸造工艺设计优化方法，其特征在于，所述步骤二中，根据模拟仿真获得的结果，判断工艺设计是否合理，若合理，执行步骤三，若不合理，不断对工艺设计进行改进，直至工艺设计符合要求。
4.根据权利要求1所述的基于BP神经网络和鱼群算法的铝合金发动机缸体铸造工艺设计优化方法，其特征在于，所述步骤三中，优化变量是指结合铸造生产现场条件以及在铸造过程中可控的工艺参数，设计空间是指包含了最优工艺参数的参数变化范围，优化目标是指发动机缸体在铸造过程中所产生的缩松缩孔缺陷最小；试验样本点是根据正交和均匀试验设计方法确定的试验点。
5.根据权利要求1所述的基于BP神经网络和鱼群算法的铝合金发动机缸体铸造工艺设计优化方法，其特征在于，所述步骤四中，BP神经网络回归模型的构建主要分为网络参数初始化、正向传播计算损失和反向传播更新参数等步骤；对模型精度检验利用BP神经网络所输出的预测值和训练及测试的样本值之间的相对误差来评判。
6.根据权利要求1所述的基于BP神经网络和鱼群算法的铝合金发动机缸体铸造工艺设计优化方法，其特征在于，所述步骤五中，鱼群算法的寻优过程主要是通过模拟鱼群的觅食、聚群、追尾、随机行为在搜索域中进行寻优；对优化工艺方案进行数值模拟检验，判断是否满足要求，若满足，执行步骤六，若不满足，不断对鱼群算法进行调整和检验，直至工艺方案满足要求。
7.根据权利要求2所述的基于BP神经网络和鱼群算法的铝合金发动机缸体铸造工艺设计优化方法，其特征在于，所述模具设计包括模具结构、浇注系统、冷却系统、砂芯系统和排气系统的设计，工艺参数设计包括压力曲线、模具预热温度和浇注温度的设计。
8.根据权利要求5所述的基于BP神经网络和鱼群算法的铝合金发动机缸体铸造工艺设计优化方法，其特征在于，所述网络参数初始化包括数据的归一化，网络层数和节点个数的确定，传递函数的选择，学习方法的确定和初始权值的确定等方面；所述正向传播计算损失中损失函数表达方程为：
式中，θ表示神经网络权重，y表示测试集的输出，a(l)表示网络当前输出，l表示网络层数。
9.根据权利要求5所述的基于BP神经网络和鱼群算法的铝合金发动机缸体铸造工艺设计优化方法，其特征在于，所述反向传播更新参数中神经网络每一层参数反向迭代的表达方程为：
式中，θ表示神经网络权重，J(θ)表示损失函数，δ表示反向传播的中间量，a(l)表示网络当前输出，l表示网络层数；。
10.根据权利要求7所述的基于BP神经网络和鱼群算法的铝合金发动机缸体铸造工艺设计优化方法，其特征在于，所述压力曲线为升液、充型、增压、保压和卸压过程中的压力和时间的关系函数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110843647.0A CN113642160A (zh) | 2021-07-26 | 2021-07-26 | 一种基于bp神经网络和鱼群算法的铝合金发动机缸体铸造工艺设计优化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110843647.0A CN113642160A (zh) | 2021-07-26 | 2021-07-26 | 一种基于bp神经网络和鱼群算法的铝合金发动机缸体铸造工艺设计优化方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113642160A true CN113642160A (zh) | 2021-11-12 |
Family
ID=78418305
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110843647.0A Pending CN113642160A (zh) | 2021-07-26 | 2021-07-26 | 一种基于bp神经网络和鱼群算法的铝合金发动机缸体铸造工艺设计优化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113642160A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115625317A (zh) * | 2022-12-21 | 2023-01-20 | 昆山市恒达精密机械工业有限公司 | 一种用于压铸调控的表面水纹优化处理方法及系统 |
| CN116237515A (zh) * | 2023-04-27 | 2023-06-09 | 浙江省机电设计研究院有限公司 | 一种龙筋板智能化成型生产线及生产方法 |
| CN117066496A (zh) * | 2023-10-17 | 2023-11-17 | 南通盟鼎新材料有限公司 | 一种铸造冷却控制方法及系统 |
| CN116910984B (zh) * | 2023-06-15 | 2024-02-06 | 小米汽车科技有限公司 | 压射曲线参数优化方法、装置、电子设备和存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7369976B1 (en) * | 1997-08-08 | 2008-05-06 | Bridgestone Corporation | Method of designing tire, optimization analyzer and storage medium on which optimization analysis program is recorded |
| CN102831269A (zh) * | 2012-08-16 | 2012-12-19 | 内蒙古科技大学 | 一种流程工业过程工艺参数的确定方法 |
| CN111079338A (zh) * | 2019-12-24 | 2020-04-28 | 广东海洋大学 | 一种汽车后视镜外壳注塑工艺优化方法 |
| CN111563347A (zh) * | 2020-04-03 | 2020-08-21 | 江苏师范大学 | 一种纤维增强复合材料的注塑工艺参数优化方法 |
-
2021
- 2021-07-26 CN CN202110843647.0A patent/CN113642160A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7369976B1 (en) * | 1997-08-08 | 2008-05-06 | Bridgestone Corporation | Method of designing tire, optimization analyzer and storage medium on which optimization analysis program is recorded |
| CN102831269A (zh) * | 2012-08-16 | 2012-12-19 | 内蒙古科技大学 | 一种流程工业过程工艺参数的确定方法 |
| CN111079338A (zh) * | 2019-12-24 | 2020-04-28 | 广东海洋大学 | 一种汽车后视镜外壳注塑工艺优化方法 |
| CN111563347A (zh) * | 2020-04-03 | 2020-08-21 | 江苏师范大学 | 一种纤维增强复合材料的注塑工艺参数优化方法 |
Non-Patent Citations (1)
| Title |
|---|
| 陈川川 等: "基于遗传算法的铝合金转向节差压铸造工艺参数优化", 《热加工工艺》, vol. 49, no. 19, pages 66 - 69 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115625317A (zh) * | 2022-12-21 | 2023-01-20 | 昆山市恒达精密机械工业有限公司 | 一种用于压铸调控的表面水纹优化处理方法及系统 |
| CN116237515A (zh) * | 2023-04-27 | 2023-06-09 | 浙江省机电设计研究院有限公司 | 一种龙筋板智能化成型生产线及生产方法 |
| CN116910984B (zh) * | 2023-06-15 | 2024-02-06 | 小米汽车科技有限公司 | 压射曲线参数优化方法、装置、电子设备和存储介质 |
| CN117066496A (zh) * | 2023-10-17 | 2023-11-17 | 南通盟鼎新材料有限公司 | 一种铸造冷却控制方法及系统 |
| CN117066496B (zh) * | 2023-10-17 | 2024-01-23 | 南通盟鼎新材料有限公司 | 一种铸造冷却控制方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113642160A (zh) | 一种基于bp神经网络和鱼群算法的铝合金发动机缸体铸造工艺设计优化方法 | |
| CN106649964B (zh) | 一种基于ga-elm算法的铝合金压铸件晶粒尺寸预测方法 | |
| CN108062427A (zh) | 基于数值计算的梯度控速降低涡轮盘锻造残余应力的方法 | |
| Wang et al. | An optimization method of gating system for impeller by RSM and simulation in investment casting | |
| CN110502779B (zh) | 一种基于模糊推理的注塑成型模具的智能设计方法 | |
| CN103567392A (zh) | 柴油机缸盖制造方法 | |
| CN111967172A (zh) | 基于kriging模型的内高压成形工艺优化设计方法 | |
| Gong et al. | Optimization of steel casting feeding system based on BP neural network and genetic algorithm | |
| CN106202686B (zh) | 一种涡轮盘等温模锻预成形坯料的多目标设计方法 | |
| CN104636565B (zh) | 基于可加工性分析的镁合金一次模锻成形工艺优化方法 | |
| CN112836297B (zh) | 基于集成计算与容差设计的合金铸件尺寸精确调控方法 | |
| Tian et al. | A shrinkage prediction method of investment casting based on geometric parameters | |
| CN109604529A (zh) | 基于砂芯3d打印技术的铸造工艺快速验证方法 | |
| CN111444619B (zh) | 一种注塑模具冷却系统在线分析方法及设备 | |
| CN106523426A (zh) | 核电站主泵叶轮的开发制造方法 | |
| Rutkauskas et al. | Knowledge-based method for gate and cold runner definition in injection mold design | |
| JP2019000861A (ja) | 圧力鋳造の溶湯湯まわり判定方法及びその装置 | |
| CN113297758A (zh) | 一种大型复杂筋板件预锻成形初始毛坯优化设计方法 | |
| Lin | The optimal design of a cooling system for a die-casting die with a free form surface | |
| CN109210001B (zh) | 一种超塑成形空心扭转叶片的设计方法 | |
| CN113705101A (zh) | 基于极限学习机的铝合金减速器壳体铸造参数设计方法 | |
| Rianmora et al. | A development of computer aided program for aluminium die-casting mold design | |
| YANG et al. | Development and Application of Casting Distortion & Compensation Technology Based on Automatic Iteration Method | |
| CN115855511B (zh) | 一种发动机气道性能的验证方法及装置 | |
| Liu et al. | Numerical simulation on the die casting forming process of a magnesium alloy bearing block |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |