Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Bücher
Zeitschriften
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
SLX-Digitalkonferenz: Zukunftswerkstatt 2024

Mehr Umsatz mit Top-Kontakten

Am 7. Mai erfahren Sie, wie Vertriebsteams Leadgenerierung, Leadnurturing und Leadstrategien effizient steuern können.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Introduction Kapitel lesen Erstes Kapitel lesen

2018 | OriginalPaper | Buchkapitel

3. Distribution Modeling of Batch Forging Processes

verfasst von : Xinjiang Lu, Minghui Huang

Erschienen in: Modeling, Analysis and Control of Hydraulic Actuator for Forging

Verlag: Springer Singapore

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

An effective model of batch forging processes is crucial in order to ensure the quality conformance control of batch productions. However, obtaining this model has proven difficult due to a variety of the raw forgings produced by manufacturing error, material variation, and geometric defects, etc. In this chapter, an online probabilistic extreme learning machine (ELM) is proposed to model batch forging processes. A probabilistic ELM is first developed to extract the distribution information of the batch forging processes from data. The stochastic property of the batch forging processes is then derived and processed. On this basis, a strategy is further developed to update the distribution model as new forging process data are collected. As a result, the model built is able to represent the distribution behavior of the batch forging processes well.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel Process/Shape-Decomposition Modeling for Deformation Force Estimation
Nächstes Kapitel Multi-level Parameter Identification Approach
Literatur
1.
X.J. Lu, W. Zou, M.H. Huang, K. Deng, A process/shape-decomposition modeling method for deformation force estimation in complex forging processes. Int. J. Mech. Sci. 90, 190–199 (2015)CrossRef
2.
X.J. Lu, M.H. Huang, System decomposition based multi-level control for hydraulic press machine. IEEE Tran. Ind. Electron. 59(4), 1980–1987 (2012)CrossRef
3.
J. Beddoes, M.J. Bibbly, Principles of metal manufacturing process (Elsevier Butterworth-Heinemann, Burlington, 2014)
4.
Z.P. Lin, Engineering Computation of Deformation Force Under Forging (Mechanical Industry Press, China, 1986)
5.
O. Pantalé, B. Gueye, Influence of the constitutive flow law in FEM simulation of the radial forging process. J. Eng. 2013(1-3), 1845–1858 (2013)
6.
J. Chen, K. Chandrashekhara, V.L. Richards, S.N. Lekakh, Three-dimensional nonlinear finite element analysis of hot radial forging process for large diameter tubes. Mater. Manuf. Processes 25(7), 669–678 (2010)CrossRef
7.
J.M. Berg, F.W. Grath, A. Chaudhary, S.S. Banda, Optimal Open-Loop Ram Velocity Profiles for Isothermal Forging: A Variational Approach. Proceedings of the American Control Conference IEEE Xplore (vol. 1, issue no. 4, 1998), pp. 150–154
8.
X.J. Lu, B. Fan, M.H. Huang, A novel LS-SVM modeling method for a hydraulic press forging process with multiple localized solutions. IEEE Trans. Industr. Inform. 11(3), 663–670 (2015)CrossRef
9.
G. Shen, D. Furrer, Manufacturing of aerospace forgings. J. Mater. Process. Technol. 98(2), 189–195 (2000)CrossRef
10.
S.J. Cho, J.C. Lee, Y.H. Jeon, J.W. Jeon, The Development of a Position Conversion Controller for Hydraulic Press Systems. International conference on robotics and biomimetics, 2009, pp. 2019–2022
11.
Y. Xie, Y. Tan, R. Dong, Nonlinear modeling and decoupling control of XY micropositioning stages with piezoelectric actuators. IEEE/ASME Trans. Mechatron. 18(3), 821–832 (2013)CrossRef
12.
R.A.S. Fernandes, I.N. da Silva, M. Oleskovicz, Load profile identification interface for consumer online monitoring purposes in smart grids. IEEE Trans. Ind. Inform. 9(3), 1507–1517 (2013)CrossRef
13.
H.T. Lin, T.J. Liang, S.M. Chen, Estimation of battery state of health using probabilistic neural network. IEEE Trans. Ind. Inform. 9(2), 679–685 (2013)CrossRef
14.
X. Sun, L. Chen, Z. Yang, H. Zhu, Speed-sensorless vector control of a bearingless induction motor with artificial neural network inverse speed observer. IEEE/ASME Trans. Mechatron. 18(4), 1357–1366 (2013)CrossRef
15.
F. Ortega-Zamorano, J.M. Jerez, L. Franco, FPGA implementation of the C-Mantec neural network constructive algorithm. IEEE Trans. Ind. Inform. 10(2), 1154–1161 (2014)CrossRef
16.
Z. Liu, H.X. Li, A spatiotemporal estimation method for temperature distributed in lithium ion batteries. IEEE Trans. Ind. Inform. 10(4), 2300–2307 (2014)CrossRef
17.
J.A.K. Suykens, T.V. Gestel, J.D. Brabanter et al., Least squares support vector machines. Int. J. Circuit Theory Appl. 27(6), 605–615 (2002)CrossRefMATH
18.
G.B. Huang, Q.Y. Zhu, C.K. Siew, Extreme learning machine: theory and applications. Neurocomputing 70(1), 489–501 (2006)CrossRef
19.
C. Wan, Z. Xu, P. Pinson, Z.Y. Dong, K.P. Wong, Probabilistic forecasting of wind power generation using extreme learning machine. IEEE Trans. Power Syst. 29(3), 1033–1044 (2014)CrossRef
20.
G.B. Huang, L. Chen, C.K. Siew, Universal approximation using incremental constructive feedforward networks with random hidden nodes. IEEE Trans. Neural Netw. 17(4), 879–892 (2006)CrossRef
21.
Y. Xu, Z.Y. Dong, Z. Xu, K. Meng, K.P. Wong, An intelligent dynamic security assessment framework for power systems with wind power. IEEE Trans. Ind. Inform. 8(4), 995–1003 (2012)CrossRef
22.
G.B. Huang, H. Zhou, X. Ding, R. Zhang, Extreme learning machine for regression and multiclass classification. IEEE Trans. Syst. Man Cybern. Part B Cybern. A Publ. IEEE Syst. Man Cybern. Soc. 42(2), 513–529 (2012)CrossRef
23.
N.Y. Liang, G.B. Huang, P. Saratchandran, N. Sundararajan, A fast and accurate online sequential learning algorithm for feedforward networks. IEEE Trans. Neural Netw. 17(6), 1411–1423 (2006)CrossRef
24.
H.X. Li, J.L. Yang, G. Zhang, B. Fan, Probabilistic support vector machines for classification of noise affected data. Inf. Sci. 221(2), 60–71 (2013)CrossRef
25.
C.K. Qi, H.X. Li, X. Zhang, X. Zhao, S. Li, F. Gao, Time/space-separation-based SVM modeling for nonlinear distributed parameter processes. Ind. Eng. Chem. Res. 50(1), 332–341 (2010)CrossRef
26.
H.J. Choi, J.K. Allen, A metamodeling approach for uncertainty analysis of nondeterministic systems. J. Mech. Des. 131(4), 041008 (2009)CrossRef
27.
I. Rivals, L. Personnaz, Constructure of confidence intervals for neural networks based on least squares estimation. Neural Netw. 13(4-5), 463–484 (2000)CrossRef
28.
C. Mencar, G. Castellano, A.M. Fanelli, Deriving prediction intervals for neuro-fuzzy networks. Math. Comput. Model. 42(7-8), 719–726 (2005)CrossRefMATH
29.
P.K. Wong, H.C. Wong, C.M. Vong, Online time-sequence incremental and decremental least squares support vector machines for engine air-ratio prediction. Int. J. Engine Res. 13(1), 28–40 (2012)CrossRef
30.
K. De Brabanter, J. De Brabanter, J.A. Suykens, B. De Moor, Approximate confidence and prediction intervals for least squares support vector regression. IEEE Trans. Neural Netw. 22(1), 110–120 (2011)CrossRef
Metadaten
Titel
Distribution Modeling of Batch Forging Processes
verfasst von
Xinjiang Lu
Minghui Huang
Copyright-Jahr
2018
Verlag
Springer Singapore
Buch
Modeling, Analysis and Control of Hydraulic Actuator for Forging

Print ISBN: 978-981-10-5582-9

Electronic ISBN: 978-981-10-5583-6

Copyright-Jahr: 2018

DOI
https://doi.org/10.1007/978-981-10-5583-6_3

Premium Partner

    Marktübersichten

    Die im Laufe eines Jahres in der „adhäsion“ veröffentlichten Marktübersichten helfen Anwendern verschiedenster Branchen, sich einen gezielten Überblick über Lieferantenangebote zu verschaffen. 

    Zur Marktübersicht
    Bildnachweise