基于SSA-PSO-BP神经网络航空壁板装夹变形预测研究

航空壁板在制孔时由于装夹会发生轻微形变，导致盲制孔精度降低。受加工成本影响，无法通过众多激光传感器来确定装夹后壁板的确切位置。为精准预测航空壁板的变形量，提出一种改进的神经网络预测算法，首先利用粒子群优化算法(PSO)将BP神经网络的初始权值和阈值进行初次优化，再选取收敛速度快、全局寻优能力强的麻雀搜索算法(SSA)对权值和阈值进行二次寻优，从而建立SSA-PSO-BP神经网络航空壁板装夹变形预测模型。利用Abaqus软件获取50组壁板变形数据作为神经网络的训练与预测数据(训练集45个，测试集5个),对神经网络模型进行训练。为了验证所建模型的准确性，利用BP、PSO-BP、SSA-PSO-BP这3种模型对测试集进行预测，并运用MAPE与RMSE对神经网络模型进行评价。结果表明：基于SSA-PSO-BP的神经网络模型预测航空壁板变形误差较小，预测结果准确率更高。     

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.     

多元非线性回归的非对称薄壁件装夹位置优化

采用Johnson-Cook动态本构和剪切失效准则,从装夹位置角度对非对称航空薄壁件加工变形问题进行研究,获得加工变形与装夹位置关系数据;利用多元非线性回归手段,得到装夹位置与加工变形的数学模型;采用全局寻优能力较强的遗传算法优化装夹位置。结果表明:采用优化后的装夹位置较大幅度的降低了加工变形,与传统装夹位置(夹紧元件均匀分布)相比,平均变形量降低62%。     

装夹优化抑制薄壁件加工振动研究

切削振动是影响薄壁件加工精度和质量的重要因素。不正确的装夹方式会引起薄壁件加工振动,从而影响工件加工质量。通过研究装夹布局对薄壁件结构动态特性的影响,提出了一种用来抑制由切削力引起的薄壁结构加工振动的装夹布局方法。并以帯耳形薄壁件为对象进行分析研究,建立了薄壁件有限元模型,采用模态分析方法,根据模型的固有频率和振动规律,优化了夹具辅助支承件的位置以及数量,有效地抑制切削振动。通过试验验证了改进后的夹具布局能提高加工稳定性,为发动机操纵系统带耳形零件的实际加工提供了有益参考。     

基于神经网络的药芯焊丝GMAW发尘率预测

焊接工艺对焊接发尘率有直接的影响,建立基于相关焊接工艺参数的焊接发尘率预测模型,预测特定焊接工艺的发尘率对控制和降低焊接烟尘的排放具有重要意义。鉴于焊接发尘率影响因素复杂,存在高度非线性特征,提出了基于神经网络的熔化极气体保护焊(GMAW)焊接发尘率的预测模型。通过药芯焊丝E501T-1发尘率实测数据,分别建立了BP和Elman神经网络模型,并采用遗传算法(GA)对2种神经网络进行了优化。基于15组实测数据的验证,结果表明,采用遗传算法优化后,BP和Elman神经网络模型的预测合格率分别提升了6.7%和13.4%,遗传算法优化的BP神经网络模型(GA-BP)的均方误差为586.21,平均绝对百分比误差为3.01%,均为4个模型中最小,其预测结果更为准确可靠。基于GA-BP模型所预测数据,对不同焊接电流和电弧电压的发尘率进行预测,在一定的焊接速度和保护气流量条件下,焊接电流约为170 A,电弧电压约为26 V时,焊接发尘率最小。 创新点： (1)将神经网络模型引入到焊接发尘率数值预测中,并通过遗传算法对神经网络的权值和阈值进行优化,提高了预测准确性和可靠性。 (2)根据优化后的模型的预测结果,分析了焊接电流和电弧电压对发尘率的影响规律,为进一步控制焊接发尘率提供了有益的指导。     

基于改进GA优化BP网络的双目视觉定位研究北大核心

为了提高传统遗传算法(genetic algorithm, GA)IGA优化BP网络迭代时间过长以及精度偏低的缺陷,设计了一种通过改进遗传算法(improved genetic algorithm, GA)IGA优化BP网络,并进行完成双目视觉的定位计算。改进遗传算法来提升BP网络收敛能力并获得更强的全局寻优效果,显著改善BP网络处理效率与精度,最终促使相机获得更高定位精度以及运算速率。给出了IGA优化BP网络的双目视觉定位算法流程,并开展了双目视觉定位实验。研究结果表明,未优化坐标预测值误差均值为0.66 mm,优化坐标误差均值为0.08 mm。改进BP网络进行双目视觉定位精度达到0.12 mm,相对最初预测定位误差降低近0.01 mm。以BP网络来定位双目视觉精度均值是0.12 mm,以OpenCV定位的实际精度是0.10 mm。推断以神经网络双目视觉进行定位时满足双目视觉定位精度条件。     

基于遗传光学算法的镜片加工车间布局优化

为了提高镜片加工车间生产效率,降低成本,对设备布局优化问题进行研究。以最小化镜片车间设备间物流搬运费用和设备包络面积为优化目标,构建了多行设备布局优化模型,并开发了一种遗传光学算法来求解模型。在算法设计中,通过连续编码、部分优先权解码的策略,将光学算法取代遗传算法中变异算子,改进了遗传算法容易陷入局部最优的缺点。结果表明,光学遗传算法的求解质量高于遗传算法和自适应遗传算法,能比遗传算法结果节约搬运成本10%;表明文中方法能够解决镜片车间设备布局的问题。     

基于BP神经网络遗传算法的薄板CMT点焊变形

焊接是汽车车身制造的一个关键环节,焊接质量的好坏严重影响汽车车身质量,所以焊接参数的选择至关重要. 针对薄板焊接质量控制问题,论文利用BP神经网络解决非线性问题的优势,建立焊接变形量与工艺参数之间映射关系模型;结合遗传算法构建基于遗传神经网络焊接的工艺参数优化系统;同时设计正交试验,将该方法与正交试验法相对比. 结果表明,该方法可以有效地实现CMT(cold metal transfer)点焊焊接变形预测与工艺参数优化. 通过预测模型给出合理参数,指导钢薄板和铝合金薄板的CMT点焊变形试验,提高焊接的效率.     

基于小波包和IGA-BP神经网络的滚动轴承故障识别方法

为识别数控机床运行过程中滚动轴承的运行状态,提高滚动轴承的故障状态诊断正确率,提出了一种基于小波包分解的改进遗传算法优化BP神经网络的滚动轴承故障识别方法。以滚动轴承的4种故障状态为研究对象,通过小波包分解振动信号,得到敏感特征向量;针对BP神经网络的缺点,运用改进遗传算法优化BP神经网络的阈值和权值,实现最优训练,建立更精确的滚动轴承IGA-BP状态预测模型。结果表明:IGA-BP预测模型收敛速度更快,预测准确率更高,证明了所提方法的有效性。     

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。     

基于遗传算法优化Elman神经网络的机床热误差建模

为了提高数控机床热误差模型的预测精度,以某型号立式加工中心为实验对象,采用模糊聚类与灰色综合关联度相结合的方法对机床测温点进行优化,将测温点从8个减少到3个。利用遗传算法(GA)优化的Elman神经网络建立了主轴热漂移误差预测模型,通过实例比较了GA-Elman神经网络模型与普通Elman神经网络模型的预测效果。结果表明,与普通Elman神经网络所建的预测模型相比,GA-Elman神经网络模型对主轴轴向热漂移误差的预测精度较高,残差较小,网络的泛化能力较好。     

基于GA-ELM的铝合金压铸件晶粒尺寸预测

为提高铝合金压铸件晶粒尺寸预测的效率和准确率,应用遗传算法-极限学习机(GA-ELM)模型预测晶粒尺寸。ELM的输入层权值矩阵及隐含层阈值矩阵具有随机性,通过GA算法对ELM的输入层权值矩阵和隐含层阈值矩阵进行优化,建立GA-ELM模型。以晶粒尺寸作为输出参数,相关压铸工艺参数作为输入参数,通过压铸生产实验及金相测量获得相应数据,对GA-ELM模型进行实例分析,并与同样使用遗传算法优化的GA-BP神经网络模型和原始ELM模型预测结果进行对比。最后,通过金相组织测量实验验证GA-ELM模型预测结果的可靠性。结果表明,利用GA-ELM模型预测铝合金压铸件晶粒尺寸具有较高的预测精度及预测效率,与其它算法相比,具有一定的优越性。     

基于小波包能量谱和改进FOA-GRNN的轴承寿命预测

为增强轴承退化特征信息,提高广义回归神经网络(Generalized Regression Neural Network, GRNN)的预测精度,提出了一种基于小波包能量谱和改进FOA-GRNN的轴承剩余使用寿命预测方法。首先,为提取和增强轴承退化特征,采取小波包能量谱对轴承振动信号进行分解,生成频带能量谱,以能量谱信息构建轴承退化特征;其次,为提高果蝇优化算法(Fruit Fly Optimization Algorithm, FOA)的寻优能力和寻优效率,提出了一种多种群自适应果蝇优化算法,引入自适应惯性权重,并应用于广义回归神经网络参数优化;实验结果表明,基于文中退化特征相比时域、频域特征,提高了预测精度,改进FOA-GRNN与FOA-GRNN、MFOA-GRNN、IFOA-GRNN相比具有较高的寻优精度和寻优效率。     

基于改进遗传算法优化的双步进电机伺服阀控制研究

针对当前电液伺服阀控制系统响应速度慢、输出误差较大的问题,采用改进遗传算法优化控制系统,并对控制效果进行仿真验证。设计了新型电液伺服阀结构,建立了电液伺服系统动力学模型,推导了液压缸流量运动方程式。采用改进遗传算法优化RBF神经网络结构,通过MATLAB软件对双步进电机伺服阀改进的控制系统进行仿真验证,并且与传统PID控制效果进行对比。结果显示:在无干扰环境中,采用传统PID控制和改进RBF神经网络控制方法都能较好地提高活塞杆运动位移输出精度;在有干扰环境中,采用传统PID控制方法,活塞杆运动位移输出的误差较大,而采用改进RBF神经网络控制方法,活塞杆运动位移输出的误差较小。采用改进RBF神经网络控制方法,能够抑制外界的干扰,从而提高双步电机伺服阀控制系统的响应速度和输出精度。     

基于机器学习的中厚板变形抗力模型建模与应用

为提高变形抗力预测精度，以兴澄特钢中厚板轧机实际生产数据为基础，针对性提出2种利用机器学习对变形抗力进行预测的方法：一种是极限学习机(ELM)与传统数学模型结合的多钢种变形抗力模型及建模方法，另一种是基于TensorFlow深度学习框架的变形抗力模型及建模方法。方法一参考周纪华-管克智变形抗力模型，改进原变形抗力模型结构形式，计算出低合金钢、合金钢及高合金钢代表钢种的基准变形抗力；通过非线性回归计算出与钢种无关的变形参数影响系数，引进ELM神经网络算法，采用灰色关联分析及交叉验证优选神经网络参数，通过线性插值对预测结果进行平滑处理，减小ELM预测残差，最后与传统数学模型相结合得到变形抗力。方法二基于深度学习技术，结合机理，构建2种不同结构的深度神经网络，采用小批量(minibatch)和均方根传播(RMSprop)优化算法寻优，结合批标准化(BN)和早停(early stopping)正则化策略提高模型泛化能力与稳定性，最后综合工艺特性，分别对粗轧机(RM)、精轧机(FM)建立变形抗力预测模型，提高模型精度。研究结果表明，利用深度学习预测变形抗力具有较高的预测精度，经离线分析，平均绝对...     

基于EEMD-LSTM的冷连轧机振动预测研究

针对冷连轧机振动具有非线性、非平稳,以及与当前和历史状态息息相关的特点,提出了基于集合经验模态分解(EEMD)-长短时记忆循环神经网络(LSTM)的轧机振动预测模型。采用EEMD方法将轧机振动加速度分解为若干个频率单一、相对平稳的IMF模态分量和残差分量,有效地降低了振动加速度信号的复杂性;采用具有记忆单元的LSTM网络建立轧机振动预测模型,并通过引入历史振动信息显著提高了轧机振动的预测精度。仿真结果表明,EEMD-LSTM模型较LSTM模型的预测精度提高了11%,对轧机振动有很好的预测效果,并分析了各工艺参数与轧机振动之间的定量关系,为快速抑制轧机振动、优化轧制规程提供了参考。     

薄壁零件装夹方案设计与优化

针对薄壁零件刚性差,制造过程中在夹具夹紧力和切削力的作用下,容易产生加工变形,严重影响加工精度和表面质量等问题,分析和阐述了提高薄壁零件加工精度的装夹设计方法.研究了基于遗传算法和有限元方法的薄壁零件夹具布局和夹紧力的同步优化设计方法,以一壳体薄壁零件为例,进行了其夹具的装夹方案设计以及夹具布局和夹紧力的同步优化.结果表明该优化方法可以有效地降低由于装夹不当所引起的工件变形程度, 提高工件的加工精度.     

多孔腔零件冲洗夹具装夹方案的研究

文章依据夹具夹紧定位原理,分析冲洗夹具的定位装夹结构实现快速装夹与通用性的局限性。通过比较夹具夹紧机械结构,提出了能够实现快速装夹的夹紧结构。以夹紧定位可靠性原则为目标,建立夹紧点优化数学模型,利用线性加权法对夹紧点优化模型进行求解,确立了装夹结构的改进方案。通过零件稳定性数学模型验证夹具改进后零件的稳定性。结果表明,该装夹方案满足零件的稳定性,改善了装夹速率。     

基于BP神经网络的拉夹逆向车削细长轴切削力预测

为减小细长轴的弯曲变形,提高加工精度,对拉夹逆向车削进行理论分析和切削力预测。首先介绍拉夹逆向车削模型,根据受力情况建立力平衡方程,求解振动频率函数,然后用Deform仿真软件对车削进行仿真,得到不同切削参数下的切削力,最后建立BP神经网络模型,对切削力进行预测。结果表明采用拉夹逆向车削细长轴可以提高工件在装夹状态下的固有频率,取得很好的减振效果,并且使用BP神经网络模型可以精确预测车削力的大小。     

基于拟牛顿法的QN-BP预测爆破振动峰值速度

根据某露天矿台阶爆破实测数据,利用基于回归分析的经验公式和普通BP神经网络模型以及基于拟牛顿法的改进BP神经网络(QN-BP)模型对爆破振动峰值速度进行预测。两种模型的训练结果表明:QN-BP模型经过122次迭代即可收敛,训练平均误差为3.7%;而普通BP模型收敛需要10万次以上迭代,训练平均误差4.2%。通过QN-BP模型、BP模型和经验公式的预测结果与实测值的对比,三者的平均相对误差分别为6.05%、10.21%和23.42%。