基于人工神经网络技术的双金属复合管铸造数值仿真优化

2017年第2期
信息与电脑
China Computer&Communication
计算机工程应用技术
基于人工神经网络技术的双金属复合管铸造数值仿真优化
林　好
（福建工程学院 信息科学与工程学院，福建 福州　350000）
摘　要：笔者旨在实现给予人工神经网络技术的双金属复合管铸造数值仿真的应用，通过分析双金属复合管铸造的工艺，在铸造过程数值仿真过程，实现人工神经网络的建模处理，确定人工神经网络仿真形式，积极构建神经网络，实现神经网络的初始化研究，学习神经网络的同时，确定仿真的结果和实例。

基于实测数据以及仿真数据的研究，结果表明人工神经网络技术下的仿真最大误差约为2.2%，基于铸造过程的仿真应用，结合双金属复合管的优化设计，应用工艺的制作分析，有着较强的理论性意义和现实意义。

关键词：人工神经网络技术；双金属复合管；铸造；数值仿真；优化
中图分类号：TG27 文献标识码：A 文章编号：1003-9767（2017）02-043-02
Bimetal Composite Pipe Casting Numerical Simulation and Optimization
Based on Artificial Neural Network
Lin Hao
(School of Information Science and Engineering, Fujian University of Technology, Fuzhou Fujian 350000, China) Abstract: The author aims to realize the application of numerical simulation of bimetallic composite pipe casting in artificial neural network. By analyzing the process of bimetallic composite pipe casting, in the numerical simulation process of casting process, it achieves the artificial neural network modeling and processing, confirms neural network simulation form, and actively builds neural network, achieves the neural network initialization study, determines the simulation results and examples during learning the neural network. Based on the measured data and the simulation data, the results show that the maximum error of simulation under artificial neural network is about 2.2%. Based on the simulation application of casting process, combined with optimization design of bimetal composite pipe, analyzing application process has a strong theoretical and practical significance.
Key words: artificial neural network; bimetal composite pipe; casting; numerical simulation; optimization
21世纪的今天，科技不断进步，固态颗粒状以及块状物料的传输采取管道输送这种先进的输送方式，基于高速运动气流的作用，颗粒借助于离心力的作用直接冲刷和磨损着弯管外壁，降低了管道内表面的强度，严重制约着管道输送能力。

对于如何延长输送管道的使用寿命，借助于水力实现矿石以及煤这些磨蚀性的物料输送始终是当今科学研究的一个问题。

双金属复合管在矿山以及煤矿开采中的应用过程，结合管道输送的固态颗粒情况，是一种较为先进的输送方式。

在微观结构的分析过程，结合钢管以及浇筑层的具体结构，确定双金属复合管生产的相关关键性问题，基于双金属复合管的界面情况分析，结合生产工艺的具体理论性分析，做好仿真优化设计。

本文主要对人工神经网络技术的双金属复合管铸造数值仿真优化进行了具体的研究和分析。

1　基于双金属复合管的一种制造工艺
一般而言，制造双金属复合弯管时，主要是结合消失模负压铸造的具体工艺特征，也就是实现钢管的除锈处理，制作EPS模，做好EPS模的安装工作与涂料的刷涂处理工作，及时烘干涂料，确定涂料的造型，做好浇筑的处理工作，最后就要进行打磨清理。

模拟中通过结合钢管直径的弯管，除去弯管的内壁锈，将EPS模逐渐装入，涂料刷完之后，在40℃下进行烘干处理，浇筑的同时，选择慢浇以及快浇的主要形式，做好温度的保存工作，一旦冷却到室温之后，借助于双金属复合弯管的浇筑过程。

结合直浇道和抽真空的形式，同时由钢管和蛇皮管构成，应用EPS模型结构，实现双金属复合管的制造和应用。

浇筑过程结合高铬合金铸铁的温度控制，确定浇筑的温度，同时结合出炉前的铝脱氧处理，应用
作者简介：林好（1978-），女，福建福州人，本科，讲师。

研究方向：神经网络。

砂粒度的铸造控制，确定浇注的真空度。

2　基于铸造过程数值仿真的一种人工神经网络建模复合管铸造过程的数值仿真控制，采取具体的神经网络建模处理，体现动态性的铸造过程，实现铸造的精确控制，并做好铸造的预测管理。

应用工程技术，融合数值的仿真处理，逐渐满足仿真的精度需求，基于数量离散网格单元数值的处理应用、有限元数值仿真的研究，结合仿真精度的分析，并确定数量离散网格单元形式，计算时间逐渐消耗。

在仿真信息知识源的处理环节，需要结合数值迭代算法的多种模式应用，实现非符号的一种逻辑性推理和优化，并做好数值的仿真和处理。

基于人工神经网络技术的结构化模型，神经元通过一定的权值进行连接，并结合多变量的非线性映射过程，逐步形成大脑模拟主义计算原理，在无知识随机搜索模式下，及时解决优化求解问题。

神经网络系统紧紧结合有限样本的制作模式，算法学习之后实现知识的自我更新和组合，应用神经网络原理结构，实现铸造过程的一种数值仿真优化应用。

误差反向传播的多种模式，需要确定多层神经网络的一种学习模式，结合神经元的一种误差值，同时应用输出层的多种形式模式，实现网络的一种反向传播应用。

如下所示：
A i+1=f i+1（w i+1a i+b i+1） i=0,1,…,M-1
神经网络层数用M表示，外部激励作用用a0=P表示，神经元的传递函数用fi+1（）表示，网络激励响应环节下的一种样本描述分析，结合激励以及目标相应的多种模式，确定神经网络仿真的具体性能指标分析。

神经元的阈值向量确定，结合自适应学习率的主要模式，融合定义学习率增长因子的多种形式，确定迭代能使性能的具体指标，进而确定动量因子，S形函数为：
（fx）=1/（1+e-x）
结合S M=-1F M(K M)(t-a)确定网络学习收敛的具体标准。

3　人工神经网络仿真的实现
基于人工神经网络理论性的研究，结合MATLAB软件工具形式，做好铸造过程温度场数据的实测工作，应用神经网络的学习和训练，产生铸造工艺条件的基本形式，确定仿真结果映射模式。

人工神经网络仿真的实现，就要进一步构建神经网络，尽可能初始化神经网络，及时学习神经网络，做好神经网络的仿真结果分析，确定仿真的具体结论。

3.1　构建神经网络
在构建神经网络的同时，融合铸造过程的具体仿真应用，确定仿真的精度和运算的速度，结合两层神经网络的基本模式，确定神经元的多种模式，隐含层中的神经元采用Sigmoid型传递函数，输出层函数可采用Sigmoid或线性函数。

3.2　初始化神经网络
初始化神经网络的同时，除了确定初始权值，同时也要确定阈值，将向量P输入，在神经元个数以及函数确定的同时，应用MATLAB软件工具，实现网络的初始化应用，同时应用initiff神经网络函数模式，不仅仅得到了权值矩阵W1，同时也确定了权值矩阵W2,在MATLAB调用过程，有：[W1,b1,W2,b2]=initiff（p,6,’tansing’,6,’pureline’）
3.3　学习神经网络
学习神经网络时，结合算法的基本原理，应用初始矩阵测量点位置，实现矩阵的有效运算处理，并确定对应的具体温度值。

基于温度值的测量过程，结合具体的误差值进行计算和分析，同时也要结合权值矩阵的形式，确定神经网络仿真的具体性能指标。

对于trainbp应用形式而言，如下所示：
[W1,b1,W2,b2，e p o c h s,t r]=t r a i n b p（W1,b1,’F1’, W2,b2’F2’,P,T,tp）
训练误差用tr表示，进一步提高仿真精度，同时控制参数的设置，确定最大训练的步数，确定误差指标。

对于F而言，结合神经元的函数传递类型，确定收敛精度以及实际的搜索步长，对于复杂的计算，借助于计算机完成。

3.4　仿真结果与实例
神经网络学习环节，结合特定的数据样本，确定特定的工艺方案，结合砂型位置，布置热电偶。

神经网络仿真参数的设置，确定动量因子，用β表示，取值0.95，用n表示初始学习率，取值0.05，学习率增长因子取值为1.85，学习率减少因子为1.38，收敛标准为0.01，基于双金属复合管铸造温度场的测量过程，网络性能指标收敛为0.009。

基于复合管末端的神经网络仿真过程，结合实测的具体温度设计，确定凝固过程的仿真数据，结合温度的曲线变化过程，确定铸造过程的一种冷铁效应，同时融合高铬铸铁的铸造模式，提升复合管的具体性能。

对于浇筑末端的实测值和神经网络仿真值，如图1
所示。

图１　浇筑末端的实测值和神经网络仿真值
相同时间内实测值和神经网络仿真值的温度不相同，神经网络仿真值明显高于实测值。

因此，小波神经网络结合神经网络的思想，应用函数的形式，确定双金属复合管凝固过程的一种温度控制，往往有着较好的预测效果，同时也有着较高的预测精度，模拟有着较强的泛化能力。

（下转第62页）
图６　轨压对喷油量的影响曲线
5　结　语
本文主要是对高压共轨柴油机整体系统进行了简单的介绍，并分析了其原理，以及对控制算法和控制策略设计，并进行了仿真分析。

在高压共轨系统中主要是对喷油量和喷油压力的控制，在保证喷油量的前提下，稳定的喷油压力也至关重要，因此，采用了模糊PID算法来控制轨压以实现更加稳定的喷油压力。

同时，由于在不同工况下，对柴油机工作要求的差别，还对控制策略进行了设计。

最后，利用Matlab软件建立了系统的整体模型，对系统的控制算法和策略进行了验证，达到了预期的效果，为高压共轨系统进一步研究奠定了基础。

参考文献
[1]宋秦中.高压共轨柴油机控制策略的研究[D].大连:大连理工大学,2008.
[2]周文华.高压共轨电控喷油系统控制算法研究[J].内燃机工程,2002.
[3]Hu M, Yang G. Simulation of Speed Controlling System on Diesel Engine Based on FN[C]// Fourth International Symposium on Knowledge Acquisition and Modeling. IEEE, 2011:358-361.
[4]刘巨江.基于模型的高压共轨柴油机扭矩算法研究
[D].杭州:浙江大学,2007.
[5]张红光.柴油机电子调速复合控制策略研究[D].哈尔滨:哈尔滨工程大学,2012.
（上接第44页）
4　结　语
总而言之，基于人工神经网络技术的双金属复合管道铸造过程的数值仿真，不仅仅消除有限元法中的离散网格单元数据测试困难，同时结合全新的优化方法，应用数值仿真技术模式，弥补铸造工艺的具体缺陷，结合产品的优化设计和定型分析，制定合理的工艺制定理论，不断缩短产品制造周期。

参考文献
[1]徐耀增,杜振拴,宋绪丁.离心铸造凝固过程的流场和温度场数值模拟[J].热加工工艺,2012,41(21):40-43,46.
[2]高倩,杨滨,甘贵生.蛇形管浇注制备TiB2/7075半固态浆料及数值模拟[J].特种铸造及有色合金,2015,35(9):937-940.
[3]张小军,刘新华,吴永福,等.铜包铝扁坯水平连铸直接复合成形过程温度场的数值模拟[J].铸造工程,2013,37(3):10-16.
[4]李全,鲁俐,田光辉.电解铝液生产大尺寸扁锭工艺技术研究[J].铸造技术,2012,33(5):617-618.
[5]杨兵兵,李光照,李红莉,等.铜合金铸件铸造技术国家级精品课程开发[J].铸造技术,2011,32(2):251-254.
[6]邱祥,王斌,王茂祥,等.基于神经网络技术的电机直接转矩控制系统研究[J].现代电子技术,2015(13):107-109.
[7]张应红,李聪,景晖,等.基于人工神经网络技术的矿用皮带机滚动轴承故障诊断[J].机床与液压,2014(3):180-183.
[8]Busch A C, Scheffer C, Basson A H. Development and testing of a prototype reflex measurement system employing artificial neural networks.[J]. Computer Methods & Programs in Biomedicine, 2009, 94(1):15-25.。