基于BP和RBF神经网络的表面质量预测研究

目的 研究RBF和BP神经网络在铣削加工中的作用,实现对铣削加工质量的预测,改善铣削性能。方法 对环形铣刀与常用的球形铣刀进行对比,然后基于MATLAB平台,建立以铣削速度、进给量和铣削深度为输入参数,表面粗糙度为输出参数的RBF神经网络模型。通过大量的试验数据对RBF神经网络模型进行训练,然后再用训练好的RBF神经网络模型预测表面粗糙度,将预测值与实测值进行比较,验证RBF神经网络的预测性能。将训练好的BP神经网络模型与RBF神经网络所建模型的预测结果进行比较。结果 发现用RBF方法预测的表面粗糙度相对误差的绝对值不超过6%,最大误差为0.056 098,平均误差为0.022 277,而BP方法的最大误差为0.074 947,平均误差为0.036 578。结论 环形铣刀加工质量更好。RBF神经网络的预测精度较高,具有比BP神经网络更优的预测能力,且拥有建模时间短、收敛速度高、训练过程稳定以及学习速度快等优点,能有效进行铣削质量预测。     

基于BP和RBF神经网络的稀土合金铸铁腐蚀深度预测

通过动态质量损失法腐蚀试验获取样本数据,利用MATLAB的工具箱函数分别建立了稀土合金铸铁碱腐蚀深度的BP和RBF神经网络预测模型,并对两种网络模型的结构、预测精度和训练过程进行对比研究。结果表明,在样本集和训练条件下,BP和RBF神经网络的预测相对误差在10%以内,解决腐蚀时间、合金铸铁主要合金成分与腐蚀深度之间的非线性映射关系,可满足工程预测需要,为制碱工业的防腐蚀技术提供了新途径。但RBF神经网络的预测能力和泛化能力优于BP神经网络,且较BP神经网络具有迭代次数少、收敛速度快和网络结构简单等优势。     

基于人工神经网络的Q235焊缝强韧性预测

采用正交试验L9(34)设计Q235钢的机器人焊接试验次数及焊接参数，通过拉伸试验和低温冲击试验分别获取9组焊缝抗拉强度和冲击吸收能量样本数据，并进行归一化处理；通过Matlab工具箱函数分别建立BP网络、RBF网络和Elman网络，在尝试性学习训练和泛化验证的基础上确定各网络的最佳结构及主要参数，即BP网络结构确定为3×10×2，RBF网络spread值设为2.4，Elman网络隐含层神经元数设为25个，进而比较分析和研究3种网络模型对Q235钢焊缝强韧性的预测精度和应用效果。结果表明，BP，RBF及Elman神经网络的平均相对误差均低于10%，可用于焊缝的强韧性预测，尤其对焊缝抗拉强度的预测精度相对较高；在样本条件下，相比于BP和RBF网络，Elman网络更加稳定，预测精度更高，综合预测效果最佳，对焊缝抗拉强度和冲击韧性的趋势性预测较为有效，能够反映焊缝强韧性的实际变化规律和趋势；引入机器人焊接和射线检测方法，提高样本数据的准确性和代表性，从而提高神经网络的预测效果。 创新点：(1)比较BP，RBF及Elman神经网络对Q235钢焊缝强韧性的预测精度和效果。 (2)采用机器人焊接、射线检测及正交试验，提高样本数据准确性和代表性。     

基于RBF神经网络的强力旋压连杆衬套力学性能预测研究

针对难以运用公式来表达强力旋压连杆衬套工艺参数与力学性能之间的复杂关系问题,建立了旋压工艺参数(减薄率、热处理温度、进给比)与力学性能(布氏硬度、伸长率、屈服强度、抗拉强度)之间的径向基函数(RBF)神经网络模型。用实验所得的数据对RBF神经网络进行训练,再用训练好的RBF神经网络对成形件的力学性能进行预测,通过与实测值对比分析,并与用BP神经网络所建模型的预测结果进行比较,发现RBF神经网络模型具有较BP神经网络更优的预测性能。RBF神经网络模型预测能力强、建模时间短、能有效提高连杆衬套工艺的设计效率和降低实际实验的所需成本。     

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。     

基于粒子群算法的RBF神经网络齿轮磨损预测

针对机械设备磨损难以预测问题,提出RBF神经网络预测模型,并结合粒子群算法优化模型参数。利用变速箱型号为SG135-2系列的K727840ZW齿轮磨损实验输入-输出数据,通过基于粒子群算法的RBF神经网络建立输出预测模型,并与传统的AR模型、BP神经网络模型及Hermite神经网络模型预测作比较。仿真结果表明,基于粒子群算法的RBF神经网络模型结构简单、预测精度高,验证了所提方法的有效性和实用性。     

基于RBF神经网络的强力旋压连杆衬套成形质量预测研究

为了实现对强力旋压连杆衬套成形质量(壁厚差和扩径量)的预测,进而对工艺参数进行优化,利用MATLAB人工神经网络工具箱,建立了强力旋压工艺参数与成形质量的RBF神经网络模型。基于减聚类算法改进的K-means学习算法,用模拟实验所得数据对神经网络进行训练,进而对旋压成形质量进行预测,通过与实测值对比,发现所建神经网络模型预测性能良好,实现了RBF神经网络在强力旋压领域的成功应用,与原始K-means学习算法训练的RBF神经网络和BP神经网络所建模型比较,发现改进K-means学习算法训练的RBF神经网络预测模型拥有更优的性能。该模型不仅可以为工艺参数的优化提供参考,还能缩短工艺参数的优化周期和减少实际实验的成本。     

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.     

基于神经网络的喷丸25CrMo合金疲劳寿命及残余应力松弛行为预测研究

首先,本文采用BP神经网络建立了喷丸25CrMo车轴钢疲劳寿命预测模型。然后,在此基础上采用遗传算法（GA）对BP神经网络的预测精度进行了优化。此外,还采用了径向基神经网络（RBF）进行建模分析,并与以上两种模型的预测结果进行对比,结果表明：遗传算法优化的BP神经网络（GA-BP）相比于BP和RBF神经网络具有更高的预测精度,其中训练集和测试集的平均预测精度分别为91.5%和85.4%。然后,基于GA-BP神经网络模型的连接权值矩阵和Garson方程进行了灵敏度分析,从而进一步量化了输入影响因素对喷丸25CrMo车轴钢疲劳寿命的相对影响比重;最后,还采用GA-BP神经网络预测了喷丸25CrMo车轴钢表面残余压应力的松弛行为,结果表明：测试集的平均预测误差仅为3.4%,表明了该神经网络预测性能良好。综上所述,本文采用神经网络建模分析了喷丸25CrMo车轴钢的疲劳性能和残余压应力松弛行为,显著降低了传统疲劳试验所需的成本,并且还保证了较高的准确性。     

BP神经网络在铁液预处理脱硫率预测中的应用

水模动力学试验是设计KR脱硫搅拌器结构及优化工艺参数的主要方法之一,此方法存在脱硫率难以提取、试验周期长和成本高的缺点。针对上述问题,提出了一种BP神经网络脱硫率的预测方法。搅拌器在运行过程中,不同的结构参数和操作参数直接影响到脱硫率。基于此,选取叶片厚度、叶片高度、插入深度和搅拌转速作为BP神经网络的输入量,以脱硫率为输出量,构建了3层神经网络预测模型。利用Matlab软件对BP神经网络模型反复训练,训练精度为0.001 02,达到了预设精度。应用该网络模型对脱硫率进行预测,结果表明,建立的模型具有可行性、通用性强等优点,缩短了实验周期,提高了搅拌器的设计效率。     

基于径向基神经网络焊接接头力学性能预测

利用径向基神经网络建立了TC4钛合金,TIG焊焊接工艺参数与接头力学性能关系的网络模型.训练模型使用了27组数据,并对另外9组数据进行仿真.结果表明,以焊接电流、焊接速度和氩气流量作为网络输入参数,利用所建的模型能够对该焊接接头抗拉强度、抗弯强度和断后伸长率进行较为准确的预测.通过与常用的标准BP神经网络模型比较发现,径向基网络相对于BP网络预测精度有了大幅度的提高,克服了BP网络训练时间长和容易陷入局部极小的缺点,为实现焊接接头力学性能预测提供了一条有效途径.     

基于电弧声信号特征分析MAG焊熔透状态在线监测

提出一种基于MAG焊过程可闻电弧声信号采集和处理的熔透状态在线监测方法.通过对平板拼焊射流过渡过程中典型状态下的电弧声信号的实时采集与分析,采用小波去噪和短时加窗等预处理手段,提取了11个可表征焊缝熔透状态的特征参数.通过对构造的高维联合特征向量进行基于特征级的PCA参数融合,重新合成并选取了携带最多熔透状态信息量的8维特征向量,并以此为输入和四种熔透状态为输出,建立了BP和RBF熔透状态辨识网络模型.监测模型的应用例证表明,所建立的两种网络均可实现对熔透状态的在线识别,RBF网络的识别准确率高于BP网络6.25个百分点之多,其熔透状态整体辨识准确率达到91.25%.     

混合聚类RBF神经网络焊接接头力学性能预测

构建混合聚类算法,与伪逆法结合建立RBF神经网络模型预测焊接接头力学性能.以TC4钛合金TIG焊接试验为基础,将焊接参数作为模型输入,焊后接头力学性能作为模型输出.通过仿真,该模型预测平均相对误差范围为1.74%~6.69%,具有较高的预测精度、适应性和泛化能力,能够预测焊接接头力学性能.采用数学解析对所建模型分解,得到焊接工艺参数与接头力学性能之间映射关系的函数表达式,可优化焊接工艺参数.利用焊接专业知识对模型的径向基单元参数进行调整,提高了模型的预测精度,为将焊接专家知识融入RBF神经网络模型开辟了新方法与途径.     

摩擦焊接轴向缩短量神经网络与支持向量机预测

轴向缩短量是惯性摩擦焊接过程中的关键参量.文中利用ABAQUS有限元软件对高温合金管材惯性摩擦焊接过程进行了模拟,获得并研究了不同焊接工艺参数下的轴向缩短量结果.基于模拟结果,分别建立了支持向量机(SVM)和径向基函数(RBF)神经网络的轴向缩短量的预测模型.两种模型的对比表明,对于该小样本的预测,RBF神经网络比SVM智能预测结果更接近有限元模拟值.因此RBF神经网络模型可以更好的辅助摩擦焊接的有限元模拟,并有效降低模拟的时间成本.     

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。     

径向基函数神经网络在复合材料滚压加工中的应用

文章以滚压速度、进给量、滚压力、滚压次数为输入参数,建立了对表面粗糙度进行预测的径向基函数神经网络模型,利用该模型对高硅铝合金基复合材料的已加工表面粗糙度进行了预测.结果表明,预测值可达到满意的精度要求,对7组样本进行预测时最大相对误差不超过12%,且表面粗糙度值越大,模型的预测效果越明显;模型的学习速度和精度均优于传统的BP神经网络.此外,利用所建立的模型对滚压工艺参数进行了优化,得出了工艺参数的最佳范围.     

多臂协同焊接机器人运动学逆解及误差分析

为了实现飞机双曲度壁板与桁条之间T形接头双侧焊缝的精准焊接,提出基于神经网络的多臂协同焊接机器人逆运动学求解方法.在构建多臂协同焊接机器人DH模型并进行有效性验证的基础上,考虑焊接机器人各关节运动范围,获取样本数据.基于BP和RBF神经网络,将18个关节子空间映射到三条机械臂末端作业空间,把高维、非线性逆运动学求解问题转换为多输入多输出预测模型.对两种神经网络模型求解效果进行对比.结果表明,基于神经网络的多臂焊接机器人运动学逆解求解结果精度高,其中BP神经网络求解速度更快,而RBF神经网络的预测效果更好.