基于神经网络的宽带激光熔覆熔池特征参数预测

为了实现宽带激光熔覆熔池特征的准确预测,从 而对激光熔覆工艺过程进行实时监测、评价及反馈 控制。通过宽带激光熔覆全因素工艺试验采集熔池特征参数样本数据,采用遗传算法优化BP 神经网络的 初始权值和初始阈值,建立激光熔覆工艺参数(激光功率、粉末厚度、扫描速度)与熔池特 征参数之间的 BP神经网络预测模型。利用训练集数据对所建立的神经网络进行训练,形成输入与输出之间 的映射关系, 并利用测试集数据对网络进行测试。试验结果表明,宽带激光熔覆熔池特征参数神经网络预 测模型具有很 高的精度。该神经网络预测模型对激光熔覆过程监测及熔覆层质量控制具有重要意义。     

激光弯曲成形机理与翘曲抑制研究

针对TA15钛合金材料，建立激光弯曲成形的三维热力耦合有限元仿真模型，得到不同加工参数下的材料温度场及变形场。通过搭建弯曲试验和测试系统，获得了部分加工参数下钛合金板的温度场和变形数据，并与仿真数据进行对比，验证了数值模型的有效性。基于板材厚度方向温度和塑性应变的分布，明确了在激光弯曲成形中的主导机制。研究了激光弯曲成形中的翘曲变形现象，提出可用于抑制翘曲变形的来回扫描加工方法。     

小样本激光切割工艺参数预测模型优化

神经网络强大的非线性拟合能力使其在参数预测方面的应用越来越广泛,在神经网络预测激光切割工艺参数过程中,使用小样本数据训练的神经网络模型存在预测误差大、鲁棒性较低等缺点.因此,提出了一种基于生成式对抗网络的小样本数据处理方法,设计了适用于此问题的基于生成式对抗网络的数据生成模型,对激光切割工艺参数的小样本数据进行扩充,运用显著性检验法对扩充的数据进行了可靠性验证.利用BP神经网络构建工艺参数预测模型,分别使用原数据和扩充后数据训练参数预测神经网络,通过实验对比,优化后的模型具有更好的准确性和泛化性.     

激光弯曲成形设备及其闭环成形过程

在激光弯曲成形基本工艺的基础上,分析了成形加工设备的基本特点和具体要求.提出多功能激光成形机的概念,实现了激光弯曲成形与激光切割或激光焊接的有机复合,并研究了激光成形机上的闭环成形过程,不仅可实现激光弯曲精密成形,而且可实现成形过程的智能化.     

基于灰色神经网络的压力传感器温度补偿模型

压力传感器的输出随温度呈非线性变化,同时含有较大的随机噪声。针对BP神经网络对压力传感器温度补偿建模时误差较大的问题,提出了基于灰色模型和BP神经网络的压力传感器温度补偿模型。首先,用灰色模型对数据进行预处理,以减小原始数据的噪声;然后,用降噪后的样本数据作为BP神经网络的输入进行训练。在相同的训练次数下训练误差可减小一个数量级。结果表明,采用该模型补偿后的压力传感器补偿精度明显优于BP网络模型。     

不锈钢-碳钢层合板激光弯曲试验研究

层状金属复合板以优良的材料和结构性能在舰船、汽车和飞行器等装备中显示了广阔的应用前景。为研究工艺因数对层状金属复合板激光弯曲成形的影响,以不锈钢-碳钢层合板为研究对象,对这种层状金属复合板的激光弯曲角度和规律进行了系统的试验研究。结果表明,不锈钢-碳钢层合板和不锈钢板激光弯曲存在共性,弯曲角度随着激光功率增加而增大,随着扫描速度增加而减小,随着扫描次数增加而增大,随着板厚增大而减小。同时二者也存在差异;随着不锈钢-碳钢层合板宽度的增加,弯曲角度先减小后增大;在相同工艺条件下,不锈钢-碳钢层合板弯曲角度大于不锈钢板的弯曲角度,并在一次固定安装下获得85.6°这一接近直角的极限弯曲角度。     

铝-锂合金薄板激光弯曲成形工艺参数的优化

激光弯曲成形是一种新型金属板材柔性成形方法.利用正交试验法理论对航空航天用铝-锂合金AA2090薄板激光弯曲成形进行试验设计和优化;通过对试验结果的计算和分析,得出四个与激光能量有关的工艺参数对铝-锂合金薄板激光弯曲成形影响的主次顺序为:激光功率、扫描速度、扫描次数、光斑直径;同时得出了最优工艺参数组合.对所得的最优工艺参数组合进行了试验验证.     

激光能量密度对激光弯曲成形的影响

激光弯曲成形是一种热应力成形塑性加工技术.光斑的能量密度的大小对弯曲角度和材料的组织性能影响很大.增加能量密度,板料的弯曲角度显著增大.对于一种材料,总存在一组特定的工艺参数(光束输出功率、扫描速度、光斑大小等)使板料的弯曲角度最大.而且通过合理控制光斑的能量密度,可以显著改善变形区材料的组织和性能.     

激光斜冲击强化FGH95高温合金变形试验研究

为了探究激光斜冲击强化各工艺因素对FGH95高温合金航空涡轮盘榫接材料强化效果和变形的影响,选取激光能量、光斑直径、冲击次数三个主要因素进行三因素三水平的正交试验,对强化后试样件的表面残余应力和弯曲变形指标进行检测,并将所得的数据进行极差和方差分析,探讨各工艺因素对各指标影响的规律和显著性。结果表明,在试验条件下,影响表面残余压应力大小各因素的主次顺序为：激光能量>冲击次数>光斑直径;影响弯曲变形程度各因素的主次顺序为：冲击次数>光斑直径>激光能量;当因素水平组合为激光能量8 J,光斑直径3 mm,冲击次数1次时,弯曲变形程度相对最小,且能获得较高的表面残余压应力,可符合实际加工要求。因此,对激光斜冲击强化工艺参数进行适当搭配,在保证变形量小的同时也可以获得相对最佳的表面性能。     

激光弯曲过程对薄硅片伏安特性的影响

对不同加工参数下脉冲激光弯曲后的薄片硅材料的伏安特性进行了分析.通过对样品电流(I)-电压(V)特性的测量,研究了脉冲频率、扫描次数和扫描路径对薄硅片电学性质的影响.结果表明,在一定的加工参数范围内,通过降低脉冲频率,减少扫描次数,优化扫描路径都有利于降低弯曲硅片的电阻率.     

基于S函数的BP神经网络PID控制器及Simulink仿真

BP网络在人工神经网络中应用最为广泛,文中给出基于MATLAB语言的BP神经网络PID控制器的S函数实现,在此基础上建立BP神经网络PID控制器的Simulink仿真模型,最后给出了该仿真模型应用在非线性对象中的仿真结果.     

基于Matlab的BP神经网络结构与函数逼近能力的关系分析

人工神经网络是一种非线性动态数学模型,广泛应用于非线性系统建模、系统辨识、函数逼近等方面。介绍BP网络的结构和学习过程,并介绍利用Matlab人工神经网络工具箱设计BP网络的步骤,在此基础上设计了BP网络以验证其函数逼近能力,仿真结果说明了BP网络具有很强的函数逼近能力。并分析BP网络结构和函数逼近能力的关系,得出网络的结构直接影响网络对函数的逼近能力和效果。     

基于BP神经网络的数字语音去噪方法研究

利用设计的BP神经网络滤波器对引入噪声的数字实验语音信号进行去噪试验 ,并在此试验的基础上对其去噪效果与FIR维纳滤波器去噪效果进行分析和比较 ,结果表明利用BP神经网络滤波器对数字实验语音信号进行去噪具有良好的效果。     

启发式改进BPNN在模式分类领域内的对比研究

采用附加动量BP算法、自适应最速下降BP算法、自适应动量BP算法、弹性BP算法4种启发式改进方法分别对标准BP算法进行改进,并构建了相应的BP神经网络分类模型,将构建的4种分类模型应用于二维向量模式的分类,并进行了泛化能力测试,将4种BP网络分类模型的分类结果进行对比。仿真结果表明,对于中小规模的网络而言,弹性BP算法改进的BP网络的分类结果最为精确,收敛速度最快,分类性能最优;附加动量BP算法改进的BP网络的分类结果误差最大,收敛速度最慢,分类性能最差;自适应学习速率BP算法改进的BP网络的分类结果的误差值、收敛速度及分类性能介于上述两种算法之间。     

基于神经网络的异常检测

本文针对流量异常,提出了一种使用神经网络的检测方法。在仔细分析网络流量异常的基础上,提取流量特征数据,经预处理后供优化的BP神经网络分析,可准确检测出流量异常。测试结果表明,该模型对流量异常的检测有较高的准确性。     

BP神经网络在电子战效能评估中的应用

利用BP神经网络算法对电子对抗干扰效果进行评估,根据干扰效果评定的诸因素的隶属函数确定其隶属度,以此作为神经网络输入层数据.然后,根据选定的训练样本对所构造的三层BP神经网络进行训练,再运用几组典型干扰对抗效果实验数据对该BP神经网络性能进行检验.结果表明BP网络已经训练好,用此BP神经网络评估电子对抗干扰效果是合理的,该方法减少了评估中的人为因素,使得评估结果更为可信.     

基于量子—BP神经网络的教学评价研究

将量子计算和BP神经网络相结合,产生一种新的量子—BP神经网络的方法,并将该方法应用于教学评价中,应用量子—BP神经网络的方法构建教学评价系统模型,进而对教学质量进行评价。通过实证分析,得到了满意的评价结果,说明该方法具有一定的可行性和实用性。     

神经网络在系统辨识中的应用研究

系统辨识在工业方面应用广泛，用神经网络进行系统辨识适用于线性系统和非线性系统。对系统辨识及神经网络均作了较为详细的介绍，并以BP网络为例介绍了网络的初始化、训练和仿真函数，给出了网络结构的设计和辨识结果的输出。     

改进BP神经网络在物体识别中的应用

针对传统BP神经网络容易陷入局部极小、收敛速度慢和确定隐含层的神经元个数比较困难等缺点,从结构和算法两方面对BP神经网络进行改进。改进后的网络具有较快的收敛速度和较短的运行时间,加强了BP神经网络的学习能力和自适应能力,并将其应用于物体的分类识别,取得了良好的效果。仿真结果表明了此改进方法的可行性和有效性。