基于主成分分析的BP神经网络内螺纹冷挤压成形质量预测

根据冷挤压内螺纹成形中径、螺距、牙型半角和牙高率等来综合评定内螺纹的成形质量等级,并基于BP神经网络对其进行预测。在BP神经网络预测模型数据前处理过程中,采用主成分分析方法以提取影响内螺纹冷挤压成形质量的主要因素,消除各影响因素之间的线性相关性。试验结果表明,与传统的BP神经网络相比,采用该方法的BP神经网络模型,简化了网络结构,提高了收敛速度及预测精度,能准确实现内螺纹成形质量等级的预测,从而为内螺纹质量的检测提供了一条新途径。

基于遗传算法优化BP神经网络的内螺纹冷挤压质量预测

为了预测不同工艺参数下的挤压扭矩、挤压温度及螺纹成形质量,基于MATLAB搭建了BP-GA神经网络预测模型,利用遗传算法对BP神经网络权值和阈值进行优化,使预测结果更加精确。结果表明:BP-GA神经网络预测模型对内螺纹冷挤压过程中的挤压扭矩、温度和牙高率的预测精度较高,挤压扭矩的试验值与预测值误差为10%~15%,挤压温度的试验值与预测值变化趋势一致,牙高率的试验值与预测值误差小于5%。该方法能够实现对内螺纹冷挤压过程中主要参数的预测,有效提高内螺纹挤压质量,降低实际加工成本。