面向气辅注射成型工艺参数优化的软计算方法研究
| 摘要 | 第1-7页 |
| ABSTRACT | 第7-11页 |
| 第1章 绪论 | 第11-18页 |
| ·研究意义 | 第11-12页 |
| ·国内外研究现状 | 第12-15页 |
| ·气辅成型CAE 技术及工艺优化研究 | 第12-14页 |
| ·软计算方法在注塑模中的应用 | 第14-15页 |
| ·本文研究内容 | 第15-17页 |
| ·本章小结 | 第17-18页 |
| 第2章 软计算方法中代理模型的建模技术研究 | 第18-34页 |
| ·引言 | 第18-20页 |
| ·正交试验技术原理 | 第20-24页 |
| ·正交矩阵概述 | 第20-21页 |
| ·正交矩阵的概念 | 第21-22页 |
| ·正交表的基本性质 | 第22-23页 |
| ·正交试验设计注意事项 | 第23-24页 |
| ·棒类零件软计算方法中的代理模型的建模研究 | 第24-31页 |
| ·初始代理模型的建立 | 第24-26页 |
| ·确立长度修正系数的试验模拟 | 第26-27页 |
| ·模拟结果中回归分析的应用 | 第27-31页 |
| ·关于代理模型的验证 | 第31-32页 |
| ·本章小结 | 第32-34页 |
| 第3章 代理模型气辅注塑成型中工艺参数优化分析 | 第34-45页 |
| ·引言 | 第34页 |
| ·代理模型正交试验设计研究 | 第34-43页 |
| ·代理模型正交试验设计因子设置及试验结果 | 第34-36页 |
| ·试验因子对成型结果的影响分析 | 第36-43页 |
| ·不同设置水平的正交试验设计及结果 | 第43-44页 |
| ·本章小结 | 第44-45页 |
| 第4章 软计算方法中基于代理模型的神经网络方法 | 第45-64页 |
| ·神经网络概述 | 第45-49页 |
| ·神经元 | 第45-46页 |
| ·神经元网络模型结构 | 第46页 |
| ·学习规则 | 第46-47页 |
| ·神经网络的基本属性及模型类别 | 第47-49页 |
| ·反向传播网络——BP 网络 | 第49-55页 |
| ·BP 网络重要定理 | 第49-50页 |
| ·BP 学习算法 | 第50-54页 |
| ·对BP 网络的评价 | 第54-55页 |
| ·气体辅助注塑工艺参数智能设定 BP 网络设计 | 第55-60页 |
| ·样本数据的处理 | 第55-57页 |
| ·传递函数的确定 | 第57页 |
| ·训练算法的确定 | 第57-58页 |
| ·初始权值的确定 | 第58页 |
| ·学习速率的确定 | 第58-59页 |
| ·隐层神经元个数确定 | 第59-60页 |
| ·BP 神经网络预测结果与 CAE 模拟结果比较 | 第60-63页 |
| ·本章小结 | 第63-64页 |
| 第5章 软计算方法在汽车后视镜产品中的应用 | 第64-69页 |
| ·对汽车后视镜镜框模型的处理 | 第64-65页 |
| ·镜框模型CAE 模拟与神经网络预测的比较 | 第65-66页 |
| ·汽车后视镜镜框代理模型的确立 | 第66-68页 |
| ·本章小结 | 第68-69页 |
| 第6章 结论与展望 | 第69-71页 |
| ·结论 | 第69页 |
| ·展望 | 第69-71页 |
| 参考文献 | 第71-74页 |
| 致谢 | 第74-75页 |
| 攻读学位期间参加的科研项目和成果 | 第75页 |
