基于神经网络和遗传算法的拉深成形工艺优化

论述人工神经网络和遗传算法在板料拉深成形工艺优化中的应用,利用人工神经网络建立拉深工艺参数与零件厚度相对误差之间关系的数学模型,用遗传算法对工艺参数进行优化.其中由正交法设计得到实验样本,由数值模拟软件计算得出的厚度同实际成形件厚度进行比较,得到零件厚度相对误差,将其作为优化目标.按优化后的工艺参数进行实验,获得较高质量的拉深制件,从而为优化拉深模工艺参数提供了一种行之有效的方法.     

基于代理模型和NSGA-Ⅱ的超高强钢电阻点焊工艺参数多目标优化

为寻求超高强钢电阻点焊时最佳的焊接工艺参数,开展正交试验法设计三因素五水平的平板搭接点焊试验,以焊接时间、焊接电流和电极压力为可调的工艺参数,将熔核直径、压痕深度、拉剪强度及飞溅情况作为焊接接头质量评价指标.基于高斯过程回归和BP神经网络建立起焊接工艺参数与焊接接头质量评价指标之间关系的代理模型,训练的结果显示模型精度很高.最后利用带精英策略的非支配排序的遗传算法NSGA-Ⅱ实现多目标优化,得到各评价指标之间的最优pareto解集.经验证,各评价模型的相对误差值都很小.结果表明,该优化方法有较好的预测效果和稳定性.通过使用较少的试验数据,建立优化模型的方法对电阻点焊及其它焊接领域最佳焊接工艺参数的选取具有重要的指导价值.     

基于进化神经网络的磁粒研磨表面粗糙度预测方法研究

目的 为实现磁粒研磨光整加工的表面粗糙度精准预测,提出一种遗传算法优化表面粗糙度BP神经网络的预测模型.方法 将表面粗糙度作为预测的目标,影响磁粒研磨5052铝合金管内表面粗糙度的五个主要工艺参数作为神经网络的输入.合理设计正交试验,得到不同工艺参数配置下的表面粗糙度值,将其作为神经网络的输出.通过建立非线性预测模型,对比遗传算法优化后和传统BP神经网络的均方差与仿真时间,分析优化前后表面粗糙度的预测效果.结果 通过试验数据建立了结构为5-11-1的神经网络,进化BP神经网络预测模型均方差为0.044,建模仿真时间为0.187 s,其平均相对误差率为13.2％.传统的BP神经网络预测模型均方差为0.231,建模仿真时间为1.840 s.结论 通过遗传算法优化后的BP神经网络均方差更小,建模仿真时间更短,进化BP神经网络可以实现更为精准的预测,同时能够极大地避免传统BP神经网络易陷入局部极小值的弊端.     

基于GA-BP神经网络的喷丸样品表层硬度预测模型

目的 建立能够准确预测不同喷丸工艺参数下工件表层显微硬度的数学模型。方法 以42CrMo钢作为研究对象,采用正交实验法设计喷丸实验方案和逐点测量法测量0～320μm层深内的显微硬度,以实验数据为样本,基于BP神经网络建立42CrMo钢受喷后表层显微硬度的预测模型,并利用遗传算法（GA）对BP神经网络结构进行优化,建立基于GA-BP神经网络的42CrMo钢受喷后表层显微硬度模型。结果 将实验数据集用于模型的训练,BP神经网络模型和GA-BP神经网络模型训练的相关系数R均为0.97左右,两种模型的训练效果均较好。对比20组测试集的模型预测值和实验值发现,BP神经网络模型预测值与实验值之间的相对误差的最大值和平均值分别为3.5%和1.1%,相比之下,经遗传算法优化的BP神经网络（GA-BP）模型预测值与实验值的相对误差的最大值和平均值仅为2.9%和0.7%。GA-BP神经网络模型具有更高的预测精度和稳定性。结论 经GA遗传算法优化的BP神经网络（GA-BP）更适合用于建立受喷工件表层显微硬度的预测模型,可为其在工程上的应用提供一定的参考。     

基于多特征融合与GA-BP模型的滚动轴承故障识别

针对滚动轴承故障识别问题,基于遗传算法(GA)和BP神经网络等技术,提出一种GA-BP神经网络模型。该模型以训练数据的输出误差作为目标函数,利用遗传算法对BP神经网络的初始权值和阈值进行优化选择。将经验模态分解能量比和时域特征相结合的特征向量作为BP神经网络的输入,对滚动轴承不同工况下的故障进行识别。滚动轴承故障诊断的实例表明:该模型较传统BP神经网络模型具有更好的收敛精度、收敛速度和识别率。     

方锥件渐进成形工艺优化

针对渐进成形中板料严重减薄、易开裂和尺寸精度差及成形效率低等问题,采用BP神经网络建立了优化目标和工艺参数之间的非线性映射关系。然后利用多目标遗传算法(NSGA-II)实现方锥件渐进成形工艺参数的优化。结果表明,采用BP神经网络与多目标遗传算法能很好地优化渐进成形工艺参数,提高零件成形质量。     

基于量子优化的铝电解多目标控制系统理论研究

针对电解铝生产节能降耗,提高能源利用率的需求,根据铝电解控制过程复杂,变量多等特点,提出了一种铝电解多目标优化控制策略。建立了基于Elman神经网络的铝电解直流电耗与电流效率的预测模型,铝电解多目标优化控制系统,采用BP神经网络控制器用以提高控制精度和动态跟踪精度,以及用量子优化的方法对BP神经网络控制器进行了优化。仿真结果表明基于量子优化算法的控制系统相比于改进型非劣分类遗传算法(NSGAII)优化的控制系统,理论上在相同的电流效率的情况下,直流电耗会明显降低。     

基于薄板件装夹变形控制的夹紧点位置优化方法研究

对薄板件装夹变形控制问题进行了研究,分析了薄板件装夹变形控制的不足,提出了一种基于工件变形控制的装夹夹紧点位置优化方法--耦合BP神经网络与遗传算法.采用均匀试验设计表设计仿真方案,基于ABAQUS仿真数据建立了BP神经网络预测模型,结合该预测模型在夹紧点设定区域内构建优化数学模型,并用遗传算法进行优化.对优化后的结果进行了仿真验证.结果表明装夹变形明显减小.说明耦合BP神经网络与遗传算法的优化方法是可行的.     

基于AGA-BP算法的智能故障诊断技术研究

针对传统BP神经网络的不足,提出基于自适应遗传算法的BP神经网络故障诊断算法.在迭代计算前期,采用自适应遗传算法对神经网络的权值和阈值进行全局优化;在迭代计算后期,利用改进的BP算法在近似最优解附近进行局部寻优.将该算法用于磨削烧伤的故障诊断之中,并将结果与基于改进BP网络的诊断结果进行比较,证明该方法的正确性和有效性.     

使用改进型BP神经网络量化裂纹漏磁信号

为量化油气管道的裂纹漏磁信号,提出使用改进型BP神经网络的方法。介绍了BP神经网络的运作方式、改进的BP算法和如何将遗传算法用于改进BP神经网络的初始权值和阈值。测试样本和实际检测数据的输出结果表明,采用改进型BP神经网络量化裂纹漏磁信号是可行的。     

基于遗传神经网络的等离子喷涂纳米ZrO2-7%Y2O3涂层工艺参数优化

将BP神经网络和遗传算法相结合用于等离子喷涂纳米ZrO2-7％ Y2O3涂层的工艺参数优化,根据正交试验结果对模型结构进行训练,建立了喷涂距离、喷涂电流、主气压力、辅气压力与涂层结合强度和显微硬度之间的BP神经网络模型,并基于遗传算法对涂层结合强度和显微硬度进行了单目标和多目标参数优化.结果表明,模型预测值与试验值十分接近,说明该网络模型是正确和可靠的.遗传算法优化的涂层最大结合强度和显微硬度(HV)分别为44.0 MPa和12.663 GPa;当涂层结合强度和显微硬度两个性能参数权重相同时,在喷涂距离90.66 mm、喷涂电流934.63 A、主气压力0.304MPa和辅气压力0.898 MPa时涂层综合性能最优.     

基于遗传神经网络的铣削力预测方法

铣削过程的复杂性和铣削力产生的多因素性使得铣削力预测模型很难建立.论文在遗传算法与BP网络模型相结合的基础上,利用遗传算法训练神经网络权重的方法,建立了铣削力预测的遗传神经网络模型.最后将神经网络预测结果与实验数据进行比较和误差分析,证明了该神经网络能够准确地预测铣削力的大小.     

基于强繁殖NSGA-Ⅱ算法的柔性车间调度多目标优化

为了实现减少车间完工时间、机器总负荷和车间能耗等优化目标,提出了基于强繁殖NSGA-Ⅱ算法的柔性车间调度优化方法。对柔性车间调度问题进行了描述,建立了车间调度的多目标优化模型,给出了调度问题编码和甘特图解码方法。以NSGA-Ⅱ算法为基础,根据繁殖能力的不同将染色体分为强繁殖子群和普通子群,两个子群根据自身特点使用不同的遗传操作,从而给出了强繁殖NSGA-Ⅱ算法。将强繁殖NSGA-Ⅱ算法应用于柔性车间调度优化,改进算法求解的Pareto解集分布优于传统NSGA-Ⅱ算法;选择一个折中解进行验证,强繁殖NSGA-Ⅱ算法解的甘特图完工时间、机器总负荷、车间能耗均小于传统NSGA-Ⅱ算法解的参数,验证了NSGA-Ⅱ算法在柔性车间调度多目标优化中的优越性。     

基于混沌神经网络的钻削力在线预测

针对深孔加工中钻削力和扭矩测量难的问题以及BP神经网络本身存在的缺陷,利用混沌遗传算法优化的BP神经网络对深孔钻削时产生的钻削力和扭矩进行在线预测。通过混沌遗传算法优化BP神经网络的初始权值和阈值,用优化后得到的最优解作为BP网络算法的初始权值和阈值。以BTA钻削为例,通过实验获得不同钻头直径,转速和进给量条件下的多组轴向力和扭矩。利用MATLAB建立优化后的BP神经网络预测模型,对轴向力和扭矩进行预测分析。并与传统BP神经网络获得的预测结果进行对比。结果表明,利用混沌遗传算法优化的BP神经网络模型很好的克服了传统BP网络收敛速度慢、易陷入局部最小值的缺陷,预测结果更加准确,为钻削力和扭矩的在线预测提供了新的思路。     

基于遗传算法的神经网络在预测油管钢腐蚀速率中的应用

针对目前BP神经网络在实际应用中,网络结构难以确定以及网络极易陷入局部解问题,用遗传算法优化神经网络的连接权和网络结构,并在遗传进化过程中采取保留最佳个体的方法,建立基于遗传算法的BP网络模型,同时用一个实例说明该模型在预测油管钢腐蚀速率中的应用,实践证明神经网络预测结果与实验值吻合较好.最后通过现场实验数据检验了该神经网络的泛化能力，表明其预测结果与现场实验结果相近.     

改进型BP网络在优化焊接工艺参数中的应用

运用改进的BP网络方法建立焊接工艺参数与焊缝成形的关系.提出了L-M(Levenberg-Marquardt)优化算法进行改进BP神经网络,采用六因素和两水平的正交试验法安排实验,保证了网络训练样本的代表性,构建了旋转电弧焊缝成形的预测模型.预测结果表明,该方法有较高的预测精度,最大相对误差不超过3%.该网络模型的建立为优化旋转电弧工艺参数提供理论依据.     

基于遗传算法和神经网络的曲面零件拉伸类翻边研究

利用遗传算法和BP神经网络建立曲面零件拉伸类翻边的计算模型,该模型可代替系统原来的有限元模型,提高了优化过程的效率.首先通过分析曲面零件拉伸类翻边的变形特点,找出影响其成形极限的主要因素,并利用正交试验法和有限元技术确定神经网络训练样本,同时得到了上述因素对翻边结束后板料最大变薄率的影响规律和影响重要程度,最后利用遗传算法的神经网络构建了主要影响因素对零件最大变薄率的响应面,并得到使翻边成形性能最优的设计参数组合.     

遗传小波神经网络仿真技术在复合管铸造中的应用

提出了一种基于遗传算法学习的小波神经网络（GAWNN），它继承了小波分析良好的局部性及其神经网络的学习和推广能力，又具有遗传算法全局性优化搜索的特点，是多层前向神经网络学习的一种理想算法。将该算法应用于双金属复合管铸造过程的数值仿真，用热电偶对铸造温度场进行实测，并以实测数据为样本，仿真双金属复合管充型、凝固过程的温度分布。与实测数据比较表明，仿真数值的最大相对误差为1．3％，为双金属复合管的设计和工艺制订提供了理论依据。     

基于BP与GA对非标机床结构对比研究

针对多工位非标机床既节约成本又运行稳定困难的问题,非常有必要对非标机床进行优化设计研究。以非标机床—齿轮淬火自动上料机为载体,提取非标机床关键部件进行结构设计并对此建立多目标数学模型,运用神经网络与遗传算法对关键部件优化分析,最终通过ANSYS Workbench对两种优化结果进行理论对比以及仿真分析。其结果表明:在本案例中,通过遗传算法优化的数据结果比神经网络优化出的数据更合理,其总体质量相差5.1%;同时所优化结果中最大位移变形值分别为0.00017968mm和1.2249mm;最大应力分别为0.6863MPa和0.057739MPa;前6阶模态值在4Hz至50Hz以内,同时为以后类似研究提供基础。     

基于改进型BP神经网络的并联机构位置正解研究

采用了一种改进型的BP神经网络方法对3-RSR并联机构的位置正解进行了研究,首先通过理论方法对3-RSR并联机构的位置逆解进行求解,然后采用改进型BP神经网络对通过位置逆解得到的数据进行了网络训练,神经网络训练结果与理论结果对比,验证了该方法的合理性。而且,对比改进后的BP神经网络结果与普通BP神经网络结果,发现两种方法均具有非常高的计算效率,且有效避免了复杂的推导和演算,但改进型BP神经网络方法得到的结果精度更高,因而在高精度的工程领域,采用改进型BP神经网络方法更具合理性。