基于遗传神经网络的直线伺服系统定位误差补偿

针对数控直线伺服系统的定位误差补偿,采用激光干涉仪测量工作台的定位误差,建立基于RBF算法的神经网络误差模型.提出遗传算法的训练方案优化RBF的网络参数,为了评价优化后RBF网络预测的精度,运用部分误差样本进行训练和仿真.构建了以DSP为核心的直线电机定位误差实验平台,根据误差校正值进行误差实时补偿实验.仿真和实验结果表明:经过遗传算法训练的神经网络模型对工作台的误差具有良好的学习能力和泛化能力,工作台定位精度显著提高.     

宏/微双驱动微切削定位进给系统的递进式误差补偿技术研究

宏/微双驱动微切削定位进给系统在航空航天、医疗、核能以及IC制造等领域具有广泛的应用,其定位进给精度是保证零件切削加工质量的根本。为了提高其定位进给精度,提出一种机械补偿与算法补偿相结合的递进式误差补偿方法:首先通过微动平台元件的压电致动特性实现对宏平台的粗误差机械方式补偿,再采用最小二乘法和BP神经网络误差补偿模型进行宏/微双驱动系统的精误差算法补偿。并通过误差补偿实验验证后得出,在微切削加工条件下,基于宏/微双驱动定位进给系统的递进式误差补偿法极大地提高了机床的定位进给精度;补偿后X、Y轴的误差波动区间集中在[-0.010,+0.010]μm,定位精度分别为0.006 mm和0.009 mm,重复定位精度为0.010 mm和0.013 mm,实现了系统的纳米级定位和10 nm级的重复定位。     

基于改进蚁群算法的农用喷药机器人路径规划

研究农用喷药机器人路径规划问题,提出一种基于改进蚁群算法的路径寻优方法。首先,获取实际工作环境信息,抽象化处理工作环境,采用栅格法建立喷药机器人工作环境模型;其次,为使算法搜索更具目的性,引入目标点诱导机制,设计新的距离启发函数,并在此基础上对状态转移概率进行改进;为避免算法搜索出现停滞和提高路径搜索效率,通过引入信息素阈值限定、信息素局部和全局更新相结合的策略对信息素更新方式进行优化;最后,通过仿真实验测试两种算法解决喷药机器人路径规划问题的实际效果。结果表明:两种算法均能有效解决喷药机器人路径规划问题,且相比传统蚁群算法,改进蚁群算法不仅可以有效改善自身收敛性能,而且可以增强自身全局寻优能力。     

基于蚁群神经网络的耐热钢管热处理工艺优化

提出了一种神经网络与蚁群算法相结合的91耐热钢管热处理工艺参数优化方法.以4个主要热处理工艺参数为优化对象,5个材料力学性能指标为优化目标.首先进行正交试验,以试验数据为样本通过神经网络建立优化参数与优化目标之间的非线性映射模型,然后用蚁群算法对模型进行优化获取最佳热处理工艺参数.神经网络的非线性映射能力解决了优化建模困难问题,蚁群算法的智能化寻优能力克服了优化求解复杂的缺点.仿真试验显示热处理工艺参数优化精度高,材料力学性能指标预测误差小.     

基于PMAC快速PID整定与精度补偿研究

数控系统中动态性能与定位精度决定了加工质量及效率,为满足磨床数控系统控制要求及加工精度,研究快速整定PID方法及提高定位精度补偿方式,基于PMAC运动控制器搭建五轴数控工具磨床的全闭环伺服系统。针对伺服系统动态性能差、跟随误差较大等问题,阐述了基于PMAC的前馈-PID陷波滤波器伺服算法,提出了快速PID整定方法。针对定位精度差的问题,论述了定位补偿原理及方式,使用激光干涉仪进行目标点测量后制作螺距补偿和反向间隙补偿表。结果表明,PID整定方法得当,五轴磨床的动态响应性能良好,跟随误差大幅度减小;定位补偿措施合理,定位精度和重复定位精度大幅度提高,达到设计要求的3μm以内。     

基于BP神经网络和蚁群算法的机械手轨迹控制算法研究

为了提高机械手运行的平稳性,实现机械手控制的精准度,采用BP神经网络和蚁群算法相结合的方法实现机械手轨迹控制。首先,建立机械手运动轨迹模型,然后利用神经网络算法对机械手主要参数进行训练,接着,将输出预测的运动轨迹与机械手期望运动轨迹对比,以便求解更趋近于期望的最优参数。最后,借助蚁群算法对神经网络模型参数进行优化。经过实验证明：相比于传统BP神经网络算法,所提算法训练得到的角位移与期望角位移的拟合程度更高,且在空间三维坐标系的位移误差更小。     

基于双蚁群算法的双机器人路径规划方法

针对双机器人协同作业时的路径规划问题,在蚁群算法的基础上提出一种双蚁群路径规划方法。通过轮候选择机制,使2个不同的蚂蚁群能合作完成所有的作业任务。在蚁群迭代过程中,利用同种群蚂蚁之间信息素的正反馈作用,优化蚁群的移动路径;利用不同种群蚁群之间信息素的负反馈作用,降低2个蚁群之间的冲突,找到2台机器人的最优移动路径。仿真结果表明：该算法具有收敛性,能同时实现双机器人的任务分配和路径规划,且路径规划结果优于现有的双机器人路径规划算法。     

基于BP神经网络和蚁群算法的机械手轨迹控制算法研究（英文）

为了提高机械手运行的平稳性,实现机械手控制的精准度,采用BP神经网络和蚁群算法相结合的方法实现机械手轨迹控制。首先,建立机械手运动轨迹模型,然后利用神经网络算法对机械手主要参数进行训练,接着,将输出预测的运动轨迹与机械手期望运动轨迹对比,以便求解更趋近于期望的最优参数。最后,借助蚁群算法对神经网络模型参数进行优化。经过实验证明:相比于传统BP神经网络算法,所提算法训练得到的角位移与期望角位移的拟合程度更高,且在空间三维坐标系的位移误差更小。     

基于蚁群神经网络的电阻点焊工艺参数优化

提出了一种神经网络与蚁群算法相结合的08Al钢板电阻点焊工艺参数优化方法.以试验数据为样本,通过神经网络建立焊接工艺参数与焊接性能关系之间的复杂模型,利用蚁群算法对焊接工艺参数进行优化,充分发挥神经网络的非线性映射能力和蚁群算法全局寻优能力.仿真试验显示了方法的有效性和优越性.     

物联网感知层传感节点故障诊断研究

针对物联网感知层节点故障诊断问题,提出基于蚁群聚类优化RBF神经网络的WSNs节点故障诊断算法。将从节点硬件模块故障和节点故障率对故障诊断精度的影响两个方面研究WSNs节点故障诊断。将改进的蚁群聚类优化RBF神经网络的初始权值应用到WSNs节点故障诊断研究中。利用蚁群算法并行寻优特性和自适应调整挥发系数特征作为聚类算法来确定RBF神经网络初始权值,同时采用裁剪约简RBF神经网络隐含层、优化网络结构。通过实验结果表明,基于蚁群聚类优化RBF神经网络的WSNs节点故障诊断方法能准确实现感知节点的故障诊断,与其它方法相比具有更高的诊断精度。     

基于蚁群优化和模糊Petri网的建筑工程成本预测研究

为了有效提高建筑工程成本动态控制的精确度,提出将蚁群优化算法和模糊Petri网理论应用于建筑工程成本预测。首先,通过模糊产生式规则选择样本工程并确定工程之间的相似度,以便建立工程成本预测模型,其权值和阈值等参数由ＢＰ神经网络训练得出。然后,利用蚁群优化对模型各参数进行优化,从而进一步提高工程成本预测的精确度。实际建筑工程实例分析结果表明：相比传统的BP神经网络预测方法,提出的方法具有更高的准确度,能够有效应用于企业建筑工程成本的科学管理。     

基于PSO-LSSVM算法的表面粗糙度预测模型与应用

为便于选取合适的切削参数,以满足期望的加工表面质量要求,提出一种最小二乘支持向量机(LSSVM)和粒子群优化(PSO)相结合的表面粗糙度预测模型。以预测精度和收敛速度为指标,对比PSO-LSSVM模型与支持向量机、人工神经网络和遗传算法优化BP神经网络模型的优劣。结果表明:PSO-LSSVM模型具有较高的预测精度和较快的收敛速度。基于MATLAB GUI搭建了表面粗糙度预测与参数优化应用系统。该系统具有较好的实用性,可实现简单、快速预测表面粗糙度,帮助决策人员灵活选取切削参数。     

基于多传感器信息融合移动机器人导航定位研究

移动机器人的导航及定位是机器人自主导航的关键技术之一。为提高移动机器人的导航及定位能力,提出以多种导航定位传感器组合为融合单元,设计扩展卡尔曼滤波算法,将陀螺仪、里程计和电子罗盘采集的数据进行融合。设计模糊神经网络对所融合的数据进行训练处理,提高数据处理的精度和效率,实现对移动机器人精确的控制。并进行了仿真分析,结果证明：所提出的多传感器信息融合算法既可使移动机器人在复杂环境中自主定位,又实现有效避障,有实际参考价值。     

基于神经网络的铣削大理石表面粗糙度预测模型

目的利用粒子群优化BP神经网络建立大理石加工表面粗糙度精确预测模型。方法首先采用不同切削参数进行铣削大理石试验,测量加工表面粗糙度值,同时对粒子群算法进行改进,使惯性权重按指数形式递减,并增加速度扰动系数,利用改进粒子群算法优化BP神经网络,建立铣削大理石表面粗糙度神经网络预测模型。其次使用部分试验数据来训练预测模型,使得到的网络参数让网络可以精确预测表面粗糙度。最后利用其余试验数据验证神经网络预测模型的准确性与可靠性。结果经过计算得到粒子群优化BP网络算法的预测模型归一化均方差为0.0501,最大相对误差为10.78%,且误差变化较为均匀。经验公式模型归一化均方差为0.1069,最大相对误差为39.64%,误差变化幅度较大。结论将神经网络模型与经验公式相比较,结果表明,所建网络模型具有较高的预测精度与较强的鲁棒性,对合理选择切削用量以得到理想表面粗糙度有一定参考价值。     

基于改进蚁群算法的机器人焊接路径规划

针对基本蚁群算法在机器人焊接路径规划时，在搜索的过程中容易出现搜索时间过长、效率低、容易陷入局部最优等问题，文中针对基本蚁群算法，引入了Adadelta算法，通过基本蚁群算法和Adadelta算法结合，来改变蚂蚁搜索过程中选择下一焊点的概率，增加了随机性. 通过Adadelta算法参数的更新，改善了蚂蚁信息素的更新，并改进了信息素挥发系数ρ，采用自适应的方式来更新信息素. 对改进算法运用MATLAB进行仿真，结果分析得知，文中的改进蚁群算法比基本蚁群算法搜索能力更强，算法效率更高，比基本蚁群算法提前20代左右收敛，有效解决基本蚁群算法的局部最优、收敛速度慢等问题，使搜索结果更优.     

基于HPSO优化BP神经网络的刀具磨损状态识别

针对BP神经网络容易陷入局部极值导致识别精度低的问题,文章提出了一种基于混合粒子群算法(HPSO)的BP神经网络优化算法。在刀具磨损监测实验过程中,采集刀具切削的声发射(AE)信号,利用小波包分解算法对AE信号进行滤波,并进行特征提取。将频带能量特征和切削参数分别作为主特征和辅助特征,并对其对归一化处理。采用混合粒子群优化算法(HPSO)对BP神经网络预测模型进行优化,利用优化后的模型对测试样本进行模式识别,结果表明,优化后的HPSO-BP模型能够有效地降低神经网络陷入局部极值的情况,提高刀具磨损识别精度。     

基于PSO-ACO融合算法的物流车辆路径优化与控制研究

传统蚁群算法在解决物流配送路径问题时容易出现“早熟”问题,使路径寻找速度和优化结果受到影响。为更合理进行车辆路径调度管理,提出一种粒子群-蚁群相融合的物流配送路径规划算法,该算法充分利用粒子群较强的全局搜索能力和搜索速度快的特点,将得到的次优解转化为蚁群算法中的初始信息素的增量,最后利用蚁群算法的正反馈机制求解问题的精确解。研究结果表明:与单一算法相比,融合算法能快速有效地确定物流配送路径,具有较快的寻优速度和收敛精度,更合理的控制物流配送成本。     

基于GA-BP的6061Al切削参数优化

针对6061Al铣削中表面粗糙度预测精度低、切削参数选择不合理的问题,提出一种基于遗传神经网络与遗传算法结合的优化模型,对6061Al切削参数进行优化。采用遗传神经网络(GA-BP)构建表面粗糙度预测模型;基于表面粗糙度预测,以材料去除率为目标函数构建切削参数优化模型;利用遗传算法进行优化求解,对6061Al切削参数进行优化。研究结果表明:所建预测模型表面粗糙度预测精度在97%以上;同时,优化模型能优化6061Al切削参数,达到较好的全局寻优效果,为铝合金工件铣削加工切削参数优化提供参考。     

钛合金铣削参数多目标优化及神经网络预测模型建立

为有效降低钛合金TC4铣削过程中的刀具磨损及能耗的同时提升效率,以合力弯矩、加工能耗、加工效率为优化目标开展多目标优化研究。通过单因素试验分析切削参数影响规律,通过响应曲面试验建立径向基神经网络预测模型。最后将预测模型整体引入粒子群算法中进行帕累托前沿求解得到若干组合理的切削参数组合。试验结果表明：神经网络预测模型的预测精度达95%以上;多目标优化模型的优化结果可使钛合金铣削加工过程中的合力弯矩减小28.98%、加工效率提高25.93%、加工能耗减少13.08%,可为钛合金铣削加工切削参数的选择及多个生产目标之间的协调提供有力支持。