基于遗传算法的BP神经网络熔融沉积成型翘曲变形预测研究

将遗传算法(GA)和BP神经网络结合,建立熔融沉积成型工艺参数(喷头温度、扫描速度、分层厚度和成型室温度)与制件翘曲变形之间关系的数学模型,实现制件翘曲量的预测。利用GA的全局优化搜索能力,对BP神经网络的初始权值阈值进行优化,改善了BP网络容易陷入局部极小值和收敛速度慢的缺点。结果表明,与BP神经网络相比.GA-BP神经网络对熔融沉积成型后产品翘曲量具有更好的非线性拟合能力和预测准确性,具有较高的实用价值。

基于优化BP神经网络的FDM制品翘曲变形量预测

为了减少熔融沉积成型(FDM)制品的翘曲变形,提高产品的成型质量,建立了以分层厚度、成型速度、挤出温度和热床温度为输入参数,产品翘曲变形量为输出参数的预测模型。该模型以翘曲变形量最小为目标,利用遗传算法(GA)和思维进化算法(MEA)分别对BP神经网络进行优化,并通过正交试验验证预测结果。结果表明:MEA-BP翘曲变形量预测模型在多种预测模型中预测结果最为精准,且运行速度较快。

塑封IC翘曲问题

为分析封装材料及模塑过程参数对塑封IC翘曲的影响,本文先介绍塑料四边引线扁平封装(PQFP)使用的环氧模塑化合物(EMC)的热特性。并对不同模塑样品的聚合程度(DOC)、热膨胀系数(CTE)、玻璃转变温度Tg、剪切模量G等,运用各种热分析技术进行测量。结合不同封装过程参数,运用三维有限元分析法进行封装翘曲预测。最后对塑料四边引线扁平封装(PQFP)IC翘曲的测量值与预测值进行比较。