Optimization of Processing Parameters of Power Spinning for Bushing Based on Neural Network and Genetic Algorithms

A neural network model of key process parameters and forming quality is developed based on training samples which are obtained from the orthogonal experiment and the finite element numerical simulation. Optimization of the process parameters is conducted using the genetic algorithm (GA). The experimental results have shown that a surface model of the neural network can describe the nonlinear implicit relationship between the parameters of the power spinning process:the wall margin and amount of expansion. It has been found that the process of determining spinning technological parameters can be accelerated using the optimization method developed based on the BP neural network and the genetic algorithm used for the process parameters of power spinning formation. It is undoubtedly beneficial towards engineering applications.     

基于BP神经网络的车身U形类冲压件成形回弹预测

基于MATLAB平台,将BP神经网络和数值模拟技术应用于冲压回弹预测中。采用三层BP神经网络建立基于变压边力的回弹预测数学模型,由正交实验法安排模拟实验组合,采用有限元软件进行冲压过程的数值模拟,并把端点处的Z向回弹量作为模型目标值。将模拟结果作为神经网络的输入样本对训练网络并建立网络知识源,得到了输入为工艺参数、输出为冲压回弹量的神经网络模型,并通过检验样本检验了ANN模型的准确性。实验表明：将神经网络与正交实验、数值模拟三者结合用于板料冲压参数优化可以明显缩短优化工艺参数的时间,提高工艺设计效率,同时在数值模拟实验次数一定的条件下,能获得比单纯使用正交实验和数值模拟方法更为精确的结果。     

遗传算法参数分析及其在故障诊断中的应用

针对BP神经网络收敛速度慢、易陷入局部极小的缺点,将具有全局搜索能力的遗传算法引入到神经网络的权值优化中.遗传算法优化神经网络模型时,参数选取直接关系到模型优化的效率,在给出一种遗传算法的基础上对相关参数进行了研究分析.并采用Matlab软件编程实现算法,把该算法应用到XOR问题求解中,显示出GA-BP算法的优越性,并通过磨机故障诊断实例验证了算法的有效性.     

基于GA-BP神经网络的短期负荷预测

以供热系统为研究对象,针对集中供热热负荷中由于温度因素、随机因素、以及建筑本身因素等问题导致预测精度不高。因此提出了采用BP神经网络算法来进行预测,它对具有非线性的模型有很好的控制效果,并且可以进行自我学习。但由于BP神经网络的波动较大,比较容易出现局部优化现象,因此在使用BP神经网络的基础上进行改进,将BP神经网络与遗传优化算法相结合,弥补BP神经网络的不足。最后通过仿真实验结果表明热负荷预测的误差大大减少,预测精度提高,继而实现合理供热。     

基于GA-PSO优化BP神经网络的压缩机气阀故障诊断

针对压缩机气阀故障信号非平稳性、非周期性的特点,提出一种基于主成分分析（PCA）和GA-PSO优化BP神经网络的压缩机气阀故障诊断方法。首先利用小波包分解提取出气阀故障的特征;然后故障特征向量通过PCA降维,降低网络的规模和计算时间。针对标准BP算法收敛速度慢且易陷入局部极小的缺点,引入一种GA-PSO算法用于BP神经网络的参数优化过程。最后以往复压缩机阀盖的振动信号作为信号源,通过故障诊断仿真测试,验证了PCA和GA-PSO-BP神经网络对压缩机气阀故障诊断具有可行性和有效性。     

人工神经网络结合遗传算法反演岩体初始地应力的研究

提出综合应用实数编码的遗传算法与改进的BP神经网络的优化反演分析方法,并通过数值分析,探讨了该方法在应用于位移反演岩体初始应力与材料参数方面的有效性.在算例中,以Burgers模型的计算数据作为改进神经网络的训练样本,用遗传算法搜索待反演参数解向量.计算结果表明利用遗传算法优化神经网络权值能提高神经网络迭代算法的效率与可靠性.该方法应用于岩体初始应力场的反演具有迭代过程平稳、收敛快、结果准确等特点,能够有效地求得岩体初始应力与材料参数.     

基于神经网络优化的迭代学习控制方法的研究及应用

聚合反应的动态特性具有时变性、非线性等特点,应用传统的控制方法已不能满足实际的控制要求,且达不到需要的控制精度,急需提出一种先进的控制方法.本文提出了一种新的基于神经网络优化的迭代学习控制方法,介绍了由迭代学习控制理论设计迭代学习控制器,提出用神经网络对控制器参数进行优化计算,找出最优的学习增益;并将该方法应用于ABS树脂聚合反应过程的温度控制中,仿真结果表明了该方法的有效性,且能在较少的迭代次数下,以最快的收敛速度、较高的跟踪精度逼近期望轨迹.     

方形分离器的神经网络运行优化

介绍了处理方形分离器原始数据的一种新方法,提出了方形分离器基于改进后的ＢＰ算法的神经网络运行优化模型,并借助该模型用相应的优化淮则对方形分离器的运行参数进行了优化,得出了不同入口颗粒浓度下的优化风速,为该方形分离器的运行优化提供了参照依据。     

遗传神经网络在PQF轧制工艺设计中的应用

基于遗传神经网络建立PQF轧制工艺模型．根据工艺要求利用最大最小值归一法对数据进行预处理．利用遗传算法的全局搜索优化BP网络的初始权重,避免BP算法陷入局部收敛,改善收敛速度．实验表明,将建立的模型应用于PQF轧制工艺设计中,能预置PQF自动化控制参数,达到良好的预测效果．     

Gauss-Newton神经网络的旋转机械故障诊断

BP神经网络具有优良的非线性映射能力,可以很好地描述频率特征和诊断结果之间的关系.针对BP神经网络存在局部极小值和收敛速度慢等问题,提出了一种基于Gauss-Newton的改进的BP网络.论述了Gauss-Newton神经网络的基本原理以及学习、运行过程,通过模拟运算指出了Gauss-Newton神经网络具有较快的学习速度,进而探讨了Gauss-Newton神经网络在旋转机械故障诊断中的应用,将该网络模型应用于旋转机械故障诊断,显示出Gauss-Newton网络具有诊断精度高、容错性和稳定性好的优势.     

BP神经网络的遗传优化及其应用研究

针对BP神经网络具有训练速度慢、容易陷入局部极小值的特点,在分析其训练算法本质的基础上,提出将遗传算法（GA）引入神经网络训练,优化神经网络的权值和闽值,充分发挥遗传算法的全局寻优能力和BP算法的局部搜索优势,形成了一种新的GA—BP神经网络．应用实例仿真结果表明,GA—BP神经网络具有全局搜索、快速收敛的特点,建立的模型具有较高的预测精度和良好的泛化能力．     

基于遗传BP算法的我国汽车保有量预测

在对我国中长期汽车保有量预测时。针对传统BP算法的不足,采用遗传算法优化BP算法的连接权值。使优化后的BP网络的训练速度和预测精度得到了有效提高,说明该方法具有较好的实用性和推广价值．     

构架式空间可展开天线结构优化参数预测模型

为了得到构架式空间可展开天线结构优化中目标函数与设计变量的解析表达式,基于BP神经网络建立一种天线结构优化参数的预测模型．根据天线背架的结构及神经网络的训练原理,构建对优化参数进行预测的网络模型;应用有限元软件ANSYS对优化参数进行数值计算,通过正交试验设计,得到BP神经网络的训练样本;调整传递函数、隐层节点数及训练...     

基于HKBFO优化神经网络的悬索桥动载识别

为提高BP神经网络对桥梁动载识别的效果,提出了一种基于分层菌王觅食算法(HKBFO)的桥梁动载识别方法.该算法首先进行“交叉”复制操作,再类比人大代表选举过程进行分层寻优.数值模拟证明,HKBFO算法优于BFO算法,可用于桥梁动载识别.     

基于神经网络优化法的故障诊断应用研究

在机械设备的故障诊断中，常采用BP网络算法对故障进行诊断计算，但由于BP网络易于收敛于局部极小点，且在初始参数与网络结构选取不当时。网络将出现发散现象．为此提出了将神经网络优化算法应用于汽轮发电机组的故障诊断中，实现了神经网络权值和阈值的快速计算，并以汽轮发电机组的故障诊断为背景。将两种算法的结果进行比较，证明该方法比BP算法精度高且收敛速度快、可靠性好．     

基于BP神经网络的GMAW焊接工艺参数设计

焊接工艺参数决定着焊缝几何尺寸和焊接接头的组织性能,正确地设计焊接工艺参数是焊接结构生产的重要工作.基于数值模拟和神经网络技术,以焊接质量信息(焊缝几何尺寸和冷却时间)为输入,焊接工艺参数为输出,建立了BP网络设计焊接工艺参数系统,对该网络的性能进行了测试和验证.     

基于GABP-NSGA-Ⅱ的开关磁阻电机系统级多目标优化设计

为提升开关磁阻电机（SRM）的系统驱动性能,提出一种基于遗传算法（GA）优化反向传播（BP）神经网络和非支配排序遗传算法（NSGA-II）相结合的多目标优化设计方法,旨在降低其转矩脉动、提高其平均转矩和效率。通过灵敏度分析,选择对开关磁阻电机优化目标影响较大的3个本体参数（匝数、转子极弧系数、气隙）和两个控制参数（开通角、关断角）作为决策变量,采用有限元分析、GA-BP法建模和NSGA-II算法进行多目标寻优,得到最优解。仿真结果表明,运用GA-BP-NSGA-II优化设计方法对提升开关磁阻电机的系统驱动性能有显著效果。     

基于智能优化算法的教学质量评价方法

为了提高教学质量评价的准确性,提出了一种基于智能优化算法的教学质量评价方法。首先采用层次分析法构建评价指标体系,然后用多群体遗传算法优化设计BP神经网络,最后用BP神经网络评价教学质量。实验结果证明,该文提出的方法由于结合了神经网络和遗传算法的优点,克服了评价系统的盲目性,采用非线性逼近的方法提高了教学质量评价的准确率,是一种高效的评价方法。     

基于遗传算法的BP神经网络在声音智能监控中应用

针对标准的BP神经网络对于声音信号在线监控模型的预测误差比较大,提出了一种用遗传算法优化BP神经网络的算法,建立了声音监控的预测模型。遗传算法优化BP神经网络主要是用遗传算法来优化BP神经网络的初始权值和阀值,然后通过训练BP神经网络以得到预测模型的最优解,优化后的神经网络具有预测误差比较小、反应速度快等特点。实验结果证明,利用遗传算法优化BP神经网络在声音的智能监控中取得了比较好的效果,达到了系统设计的目的。     

基于神经网络的模拟电路故障诊断

针对目前模拟电路故障诊断中存在的容差和非线性特性所带来的诊断难点,提出了一种基于LM算法的神经网络故障诊断方法;主要包括故障特征的选取以及神经网络的建立.其中网络隐含层节点数的选取采用黄金分割优选法.试验仿真表明,LM算法明显提高了网络训练速度,减少了训练时间,其效果优于标准BP算法,可有效提高故障诊断性能.