弯曲成形智能化控制中材料参数的实时识别
| 中文摘要 | 第1-5页 |
| 英文摘要 | 第5-9页 |
| 第1章 绪论 | 第9-20页 |
| 1．1 引言 | 第9-11页 |
| 1．2 弯曲成形智能化的研究 | 第11-16页 |
| 1．2．1 弯曲成形智能化的研究现状 | 第11-13页 |
| 1．2．2 弯曲成形智能化系统的建立 | 第13-16页 |
| 1．3 模糊神经网络和RBF神经网络的研究与应用 | 第16-17页 |
| 1．4 选题意义及主要研究内容 | 第17-20页 |
| 第2章 基于模糊神经网络的参数实时识别 | 第20-38页 |
| 2．1 引言 | 第20页 |
| 2．2 模糊神经网络参数识别建模 | 第20-28页 |
| 2．2．1 网络基本结构 | 第21-22页 |
| 2．2．2 网络学习算法 | 第22-24页 |
| 2．2．3 网络输入输出层设计 | 第24-27页 |
| 2．2．4 模糊化层及规则层单元数的选择 | 第27-28页 |
| 2．3 模糊神经网络程序设计 | 第28-33页 |
| 2．3．1 编程语言的特点 | 第28-29页 |
| 2．3．2 程序设计关键部分 | 第29-33页 |
| 2．4 网络训练及检验结果 | 第33-37页 |
| 2．4．1 网络输入值的处理 | 第33-34页 |
| 2．4．2 网络学习结果 | 第34-37页 |
| 2．5 本章小结 | 第37-38页 |
| 第3章 基于RBF神经网络的参数实时识别 | 第38-45页 |
| 3．1 引言 | 第38页 |
| 3．2 实时识别RBF神经网络建模 | 第38-42页 |
| 3．2．1 RBF神经网络模型 | 第38-40页 |
| 3．2．2 RBF神经网络初始权值的选取 | 第40页 |
| 3．2．3 RBF神经网络学习算法 | 第40-42页 |
| 3．2．4 RBF神经网络实时识别模型确定 | 第42页 |
| 3．3 网络训练及检验结果 | 第42-44页 |
| 3．3．1 归一化参数的确定 | 第42-43页 |
| 3．3．2 网络学习结果 | 第43-44页 |
| 3．4 本章小结 | 第44-45页 |
| 第4章 弯曲成形有限元数值模拟 | 第45-59页 |
| 4．1 引言 | 第45页 |
| 4．2 ANSYS数值模拟软件特点 | 第45-47页 |
| 4．3 弯曲模拟方法选定 | 第47-51页 |
| 4．3．1 弹塑性变形基本假设 | 第48页 |
| 4．3．2 模拟模具的选择 | 第48页 |
| 4．3．3 单元类型的选择 | 第48页 |
| 4．3．4 单元尺寸的确定 | 第48-49页 |
| 4．3．5 材料模型的确定 | 第49页 |
| 4．3．6 接触部分的处理 | 第49-50页 |
| 4．3．7 模拟算法的选定 | 第50-51页 |
| 4．3．8 卸载路径的选择 | 第51页 |
| 4．4 初始弯曲成形中影响弯曲成形的主要因素研究 | 第51-56页 |
| 4．4．1 板材厚度对初始弯曲成形的影响 | 第51-52页 |
| 4．4．2 凸模圆角半径对初始弯曲成形的影响 | 第52-53页 |
| 4．4．3 凹模跨度对初始弯曲成形的影响 | 第53-54页 |
| 4．4．4 凹模圆角半径对初始弯曲成形的影响 | 第54-55页 |
| 4．4．5 摩擦系数对初始弯曲成形的影响 | 第55页 |
| 4．4．6 材料对初始弯曲成形的影响 | 第55-56页 |
| 4．5 弯曲模拟结果与分析 | 第56-58页 |
| 4．6 本章小结 | 第58-59页 |
| 第5章 输出样本采集及弯曲实验 | 第59-70页 |
| 5．1 引言 | 第59页 |
| 5．2 材料性能参数采集实验 | 第59-66页 |
| 5．2．1 实验系统原理 | 第60-61页 |
| 5．2．2 实验系统控制策略 | 第61-63页 |
| 5．2．3 实验系统的标定 | 第63-65页 |
| 5．2．4 数据处理 | 第65-66页 |
| 5．3 弯曲实验系统 | 第66-69页 |
| 5．3．1 实验工作原理 | 第66-68页 |
| 5．3．2 实验控制策略 | 第68-69页 |
| 5．3．3 板材宽度对弯曲成形影响的研究 | 第69页 |
| 5．4 本章小结 | 第69-70页 |
| 结论 | 第70-72页 |
| 参考文献 | 第72-80页 |
| 攻读硕士学位期间承担的科研任务与主要成果 | 第80-81页 |
| 致谢 | 第81-82页 |
| 作者简介 | 第82页 |
