离合器片锻压工艺的神经网络优化研究

以离合器片材料、模具温度、始锻温度、终锻温度和锻压速度为输入层参数,以磨损性能为输出层参数,采用不同训练函数构建出5×40×8×1四层结构的离合器片锻压工艺优化神经网络模型。结果表明,当训练函数选用trainlm、traingd和traingdm函数时,神经网络的相对训练误差分别在2.6%~4.7%、3.1%~5.6%、1.9%~3.4%。以traingdm函数作为训练函数的离合器片锻压工艺优化神经网络相对预测误差在2.1%~3.3%,具有较强的预测能力和较高的预测精度。

基于神经网络的汽车齿圈锻压工艺优化

以始锻温度、终锻温度、锻压比和模具预热温度为输入参数,以耐磨损性能(磨损体积)为输出参数,以tansig函数为隐含层传递函数,以purelin函数为输出层传递函数,采用4×20×1三层拓扑结构,构建了汽车齿圈盘体的神经网络优化模型。结果表明,模型的平均相对训练误差5.37%,平均相对预测误差5.98%,模型预测能力较好,预测精度较高。与企业现用工艺相比,采用神经网络优化工艺锻压的20CrMnTi汽车齿圈的磨损体积减小10%,耐磨损性能得到明显提高。