基于不等分剪切模型的ZM5镁合金本构参数的逆向辨识

为了解决ZM5镁合金动态力学性能参数缺失的问题,提出基于不等分剪切模型的ZM5镁合金J-C本构参数逆向识别方法。根据金属切削理论建立主剪切区的应力、应变、应变率及温度分布模型,将正交切削试验和准静态拉伸试验相结合,采用混合粒子群算法确定ZM5镁合金的J-C本构参数,并应用于仿真。将所获得的仿真值与试验结果进行对比,所求得的J-C模型参数用于仿真能较好地反映实际切削试验中的切削力和切削温度,从而证明了所提出的逆向辨识方法的可行性。

基于神经网络的磁流变阻尼器逆向模型辨识研究

磁流变阻尼器应用于振动控制系统时,阻尼器逆向模型的精度直接关系到整个振动控制系统的优劣。针对以上问题,首先,通过磁流变阻尼器的力学性能试验获得试验数据,如磁流变阻尼器的阻尼力、阻尼器两端的相对位移、相对速度和输入电流。然后,分别采用BP神经网络和RBF神经网络对磁流变阻尼器进行逆向模型辨识,并对逆向模型辨识的效果进行对比分析。结果表明:RBF建立的神经网络逆向模型能够更好地预测磁流变阻尼器所需的控制电流,应用于振动控制的效果更好。

混合神经网络用于滚珠丝杠热误差预测

为了减小数控机床热致定位误差影响,提高机床加工精度,这里建立了径向基神经网络(RBFNN)和时间序列(ARIMA)混合模型的变权值热误差预测方法。综合两个单一模型对数控机床热误差进行预测,利用逆向辨识优化算法分别获取两个单一模型的优化权值,得到变权值混合模型,使得热误差预测精度得到提高。将这里混合模型与RBFNN模型和ARIMA模型分别进行对比分析,结果表明混合模型(RBFNN-ARIMA)的预测精度明显优于单一RBFNN和单一ARIMA模型,证明了此算法的有效性。

基于直角切削的高温合金John-Cook本构参数逆向识别

随着计算机技术的发展,有限元仿真越来越广泛应用于切削加工中参数优化、切削机理研究等领域。John-Cook(J-C)本构模型是高温合金切削仿真的基础,关系到仿真结果的准确性与可靠性。针对传统的霍普金森杆试验(SplitHopkinson pressure bar, SHPB)获得的材料流动特性不能准确描述切削加工中材料的热塑性变形,其参数辨识的结果与实际切削状况有较大偏差的问题。提出了一种基于OXLEY切削理论和直角切削试验相结合的高温合金J-C本构参数逆向辨识方法。首先,基于不等分剪切区模型,给出了切削过程中应变、应变率、剪切区温度的分布规律;然后,针对传统车削与二维仿真模型无法直接比较的问题,设计并搭建了直角切削试验平台;最后,基于不等分剪切区模型与直角切削试验,分别计算了主剪切面流动应力的理论值和试验值,在给定本构参数约束条件下,以理论值与试验值差距最小为目标函数,通过遗传算法搜索本构参数的最优组合,实现了5个J-C本构参数(初始屈服应力A,应变强化系数B,应变率强化系数C,热软化系数m,加工硬化指数n)的最小二乘辨识。最后,将获得J-C本构参数的仿真值与试验结果进行对比,验证了逆向辨识方法的可行性与本构模型的准确性。