拉弯成形智能控制关键技术的研究
| 摘要 | 第1-3页 |
| ABSTRACT | 第3-7页 |
| 第一章 绪论 | 第7-13页 |
| ·引言 | 第7-8页 |
| ·板材成形智能化研究现状及国内外发展趋势 | 第8-11页 |
| ·弯曲成形智能化研究 | 第9-10页 |
| ·拉弯智能化的研究 | 第10-11页 |
| ·课题背景 | 第11页 |
| ·选题意义与主要研究内容 | 第11-12页 |
| ·论文章节安排 | 第12-13页 |
| 第二章 拉弯成形工艺分析 | 第13-20页 |
| ·拉弯成形方式 | 第13-14页 |
| ·拉弯加载方式 | 第14-15页 |
| ·力控制模式与位移控制模式 | 第15页 |
| ·拉弯成形工艺参数 | 第15-16页 |
| ·拉弯过程的基本控制参数及其作用 | 第16-18页 |
| ·基本控制参数 | 第16-17页 |
| ·控制参数的作用结果 | 第17-18页 |
| ·型材性能参数及其对拉弯成形精度的影响 | 第18-19页 |
| ·型材的性能参数 | 第18-19页 |
| ·型材性能参数对拉弯成形精度的影响 | 第19页 |
| ·本章小结 | 第19-20页 |
| 第三章 材料性能参数的在线识别 | 第20-36页 |
| ·在线监测量和在线识别量的确定 | 第20-22页 |
| ·在线监测量的滤波处理 | 第22-24页 |
| ·材料性能参数的识别 | 第24-27页 |
| ·弹性模量E的识别 | 第24-25页 |
| ·屈服强度σ_s的识别 | 第25-26页 |
| ·硬化指数n、强度系数B及极限强度σ_b的识别 | 第26-27页 |
| ·材料参数识别应用分析 | 第27-34页 |
| ·型材拉伸试验及结果分析 | 第27-28页 |
| ·零点校正 | 第28-30页 |
| ·主／补拉装置总体弹性系数计算模型 | 第30-31页 |
| ·误差补偿模型验证 | 第31-33页 |
| ·硬化指数n、强度系数B | 第33-34页 |
| ·材料性能参数识别程序的实现 | 第34-35页 |
| ·本章小结 | 第35-36页 |
| 第四章 人工神经网络与智能预测 | 第36-48页 |
| ·人工神经网络概述 | 第36-37页 |
| ·神经网络的结构 | 第37-40页 |
| ·人工神经元模型 | 第37-38页 |
| ·人工神经网络的结构 | 第38页 |
| ·几种常见的神经网络模型 | 第38-40页 |
| ·神经网络的泛化能力 | 第40-44页 |
| ·泛化能力是神经网络的重要技术指标 | 第40页 |
| ·影响神经网络泛化能力的主要因素 | 第40-41页 |
| ·提高神经网络泛化能力的方法 | 第41-44页 |
| ·神经网络预测方法 | 第44-47页 |
| ·神经网络在预测中的应用 | 第44-45页 |
| ·基于神经网络的智能预测系统实现 | 第45-47页 |
| ·本章小结 | 第47-48页 |
| 第五章 基于神经网络的拉弯回弹预测 | 第48-62页 |
| ·回弹量的评估 | 第48页 |
| ·BP神经网络应用于回弹预测 | 第48-52页 |
| ·BP网络的原理 | 第49-51页 |
| ·BP算法及其改进 | 第51-52页 |
| ·输入层和输出层变量的确定 | 第52-53页 |
| ·训练样本数据的采集及处理 | 第53-55页 |
| ·拉弯试验引用标准 | 第53-54页 |
| ·试验设备 | 第54页 |
| ·试验材料 | 第54页 |
| ·试验结果及训练样本 | 第54-55页 |
| ·基于BP神经网络的回弹预测 | 第55-60页 |
| ·网络层数和节点数目的选取 | 第55-57页 |
| ·选择网络训练工具 | 第57页 |
| ·BP网络的训练 | 第57-59页 |
| ·预测结果及精度分析 | 第59-60页 |
| ·本章小结 | 第60-62页 |
| 第六章 拉弯成形过程智能控制系统 | 第62-67页 |
| ·拉弯成形过程智能控制系统的构成 | 第62-63页 |
| ·预拉力控制及工艺参数估算 | 第63-65页 |
| ·拉弯成形回弹预测及工艺参数修正 | 第65-66页 |
| ·本章小结 | 第66-67页 |
| 第七章 结束语 | 第67-69页 |
| ·工作总结 | 第67-68页 |
| ·论文的创新之处 | 第68页 |
| ·后续工作 | 第68-69页 |
| 参考文献 | 第69-73页 |
| 附录 拉弯成形试验数据表 | 第73-75页 |
| 攻读硕士学位期间承担的科研任务与主要成果 | 第75-76页 |
| 致谢 | 第76-77页 |
