| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第10-19页 |
| 1.1 课题研究的背景及意义 | 第10-11页 |
| 1.2 强力旋压工艺的概述及发展 | 第11-13页 |
| 1.3 强力旋压的国内外研究现状 | 第13-14页 |
| 1.4 连杆衬套的研究状况概述 | 第14-16页 |
| 1.5 人工神经网络在旋压领域的应用发展 | 第16-17页 |
| 1.6 遗传算法在旋压领域的应用 | 第17页 |
| 1.7 本文研究的意义及主要内容 | 第17-19页 |
| 2 强力旋压连杆衬套力学理论基础 | 第19-28页 |
| 2.1 材料的屈服现象 | 第19-23页 |
| 2.1.1 屈雷斯加屈服准则 | 第19-20页 |
| 2.1.2 米塞斯（Von.Mises）屈服准则 | 第20-23页 |
| 2.2 材料塑性变形的应力应变关系 | 第23-25页 |
| 2.3 材料塑性变形的流动理论 | 第25-27页 |
| 2.4 本章小结 | 第27-28页 |
| 3 影响强力旋压连杆衬套力学性能因素分析 | 第28-42页 |
| 3.1 强力旋压连杆衬套主要参数与目标函数介绍 | 第28-31页 |
| 3.1.1 主要旋压工艺参数 | 第28-29页 |
| 3.1.2 连杆衬套的主要力学性能指标 | 第29-31页 |
| 3.2 连杆衬套力学性能的正交试验研究 | 第31-35页 |
| 3.2.1 正交试验设计的介绍 | 第31-32页 |
| 3.2.2 强力旋压连杆衬套正交试验的设计 | 第32-35页 |
| 3.3 正交试验结果分析 | 第35-40页 |
| 3.3.1 因素的显著性分析 | 第35-39页 |
| 3.3.2 工艺参数对力学性能的影响规律 | 第39-40页 |
| 3.4 本章小结 | 第40-42页 |
| 4 强力旋压连杆衬套力学性能的预测研究 | 第42-64页 |
| 4.1 人工神经网络的概念 | 第42-49页 |
| 4.1.1 RBF神经网络 | 第43-46页 |
| 4.1.2 BP神经网络 | 第46-48页 |
| 4.1.3 RBF和BP神经网络的比较 | 第48-49页 |
| 4.2 强力旋压连杆衬套力学性能RBF神经网络模型的建立 | 第49-55页 |
| 4.2.1 RBF神经网络模型的训练 | 第49-52页 |
| 4.2.2 RBF神经网络的预测及结果分析 | 第52-55页 |
| 4.3 强力旋压连杆衬套力学性能BP神经网络模型的建立 | 第55-59页 |
| 4.3.1 BP神经网络模型的训练 | 第55-57页 |
| 4.3.2 BP 神经网络的预测及结果分析 | 第57-59页 |
| 4.4 神经网络预测误差的比较 | 第59-60页 |
| 4.5 主要工艺参数的神经网络模型 | 第60-63页 |
| 4.6 本章小结 | 第63-64页 |
| 5 强力旋压连杆衬套工艺参数的优化 | 第64-76页 |
| 5.1 遗传算法理论 | 第64-66页 |
| 5.1.1 遗传算法编码操作 | 第65页 |
| 5.1.2 适应度函数 | 第65-66页 |
| 5.2 多目标优化算法理论 | 第66-70页 |
| 5.2.1 多目标优化Pareto解 | 第66-68页 |
| 5.2.2 多目标遗传算法gamultiobj函数 | 第68-70页 |
| 5.3 基于遗传算法强力旋压工艺参数的优化 | 第70-75页 |
| 5.3.1 强力旋压连杆衬套工艺参数优化模型的建立 | 第70-71页 |
| 5.3.2 基于遗传算法的多目标优化操作 | 第71-75页 |
| 5.4 本章小结 | 第75-76页 |
| 6 总结与展望 | 第76-78页 |
| 6.1 全文总结 | 第76-77页 |
| 6.2 工作展望 | 第77-78页 |
| 参考文献 | 第78-83页 |
| 攻读硕士学位期间发表的论文及所取得的研究成果 | 第83-84页 |
| 致谢 | 第84-85页 |
