论文部分内容阅读
摘要:金属注射成形(MIM)工艺作为高效的粉末冶金零部件近净成形技术,应用广泛;需要研究工艺流程的控制方法,以消除产品缺陷提升成品质量。而注射成形阶段注射成形坯的密度分布是衡量成品质量优劣的重要指标。本文首先综述了神经网络、粒子群算法的发展应用现状。分析了MIM注射阶段各工艺参数对注射成形坯质量的影响,选定了六个主要工艺参数及注射成形坯密度分布为研究对象,采用正交表选取研究数据,运用有限元软件ANSYS流体模拟模块CFX对五角模型的注射成形过程进行数值模拟,为神经网络模型提供数据样本。其次,运用采样数据训练神经网络,建立能够反映工艺参数与MIM密度分布间复杂关系的六输入四输出BP神经网络模型,并用测试数据验证模型可行性;所建模型具有很强的泛化能力,注射成形坯密度值和分布体积分数预测相对误差在0.45%和5%以内。最后,以MIM密度分布BP神经网络预测模型为基础,运用粒子群算法优化工艺参数组合,转化MIM密度分布控制问题为约束非线性优化问题。选用改进的粒子群算法,以优化算法多峰基础测试函数测试算法可行性,运用ANSYS数值模拟验证控制效果,注射成形坯密度值和分布体积分数控制相对误差不超过0.331%和3.5%,并与以内点法为基础的全局优化方法做比较,为MIM密度分布的控制探讨了一条有效途径。图19幅,表17个,参考文献76篇