基于BP-NSGA的注塑参数多目标智能优化设计

为获得成型性能最优的注塑参数设计方案,提出了基于BP神经网络和非支配排序遗传算法的注塑参数多目标优化方法。将注塑模结构尺寸参数和注塑工艺参数作为待优化的设计变量,建立了以高质量、低成本、高效率为优化目标的注塑参数优化设计模型。基于非支配排序遗传算法获取给定参数范围内的所有Pareto最优解,并通过建立多输入和多输出的BP神经网络来快速获得非支配排序遗传算法优化进程中所有个体的适应度值。开发了基于BP神经网络与非支配排序遗传算法集成的注塑参数智能优化设计系统,并通过鼠标注塑参数设计实例,验证了其适用性和有效性。     

基于遗传算法的BP神经网络滚动轴承故障诊断

针对滚动轴承的故障诊断问题,提出了一种基于遗传算法的BP神经网络滚动轴承故障诊断方法。以BP神经网络的误差为目标函数,利用遗传算法进行BP神经网络的权值和阈值优化,并用优化后的BP神经网络进行故障诊断。通过MATLAB仿真,结果表明遗传算法优化的BP神经网络相比传统的BP神经网络具有更好的诊断效率和准确度。     

基于BP网络和Pareto遗传算法的多目标协同优化

多学科设计优化（MDO）问题往往是多目标的。Pareto遗传算法（PGA）所求得的Pareto最优解集为设计决策提供了很大方便。针对在CO的计算构架中直接使用PGA会导致计算量过大的问题，提出基于BP神经网络和pareto遗传算法的多目标协同优化方法。采用试验设计方法选择设计点，构造具有全局近似能力的各学科优化神经网络响应面，进而采用PGA进行系统层优化问题的多目标寻优。用上述方法对某型干线客机进行总体多目标优化。与直接采用PGA求解MDF单级多目标优化模型所得的计算结果对比表明，所提出的方法能有效近似该问题的Pareto最优前沿．、     

应用BP网络和遗传算法的快速分析与优化

将BP神经网络和遗传算法相结合运用于快速设计的结构优化问题。利用已有的实例对神经网络进行训练达到要求精度,使神经网络能够代替有限元分析达到快速分析的目的。用神经网络计算遗传算法的适应度,对结构进行优化。把BP神经网络和遗传算法相结合进行分析和优化符合快速设计的思想。此方法运用于某拱梁的快速优化设计中效果良好。     

基于遗传算法优化的BP神经网络在粗糙度预测上的应用

针对BP神经网络预测工件表面粗糙度精度不高的问题,提出了一种基于遗传算法优化的BP神经网络预测方法。首先用遗传算法对BP神经网络的初始权值、阈值进行全局寻优,然后对优化的BP神经网络进行训练、预测。通过MATLAB进行了粗糙度预测仿真验证。结果表明:优化的BP神经网络比未优化的BP神经网络具有更高的预测精度。     

基于遗传算法优化的汽车主动转向控制研究

针对汽车线控主动转向行驶稳定性问题,对汽车线控主动转向的控制策略和控制方法进行了研究;并对汽车的动力学模型进行了建立及简化;利用遗传算法可以克服BP网络收敛速度慢和极易陷入局部极小值等特点,提出了一种基于遗传算法优化BP神经网络的线控转向系统。通过选择典型工况,利用Carsim和Matlab/Simulink联合仿真平台对不同的控制方法进行了仿真验证。研究结果表明,基于遗传算法优化的BP网络控制对汽车主动转向控制效果较好,能使实际横摆角速度对理想的横摆角速度实现很好的跟踪,并显著提高了汽车行驶稳定性。     

遗传算法优化BP神经网络港口起重机故障诊断

针对港口起重机故障诊断问题,提出了一种基于遗传算法优化BP神经网络的故障诊断方法。规避传统BP神经网络算法的不足,同时建立起所对应的优化神经网络算法模型。采用Matlab中的NNTool工具箱,以港口起重机其中一个支腿液压阀故障为实例,分析该诊断方法的理论原理和具体实施过程。结果表明遗传算法优化的BP神经网络比传统的BP神经网络在港口起重机故障诊断问题中具有更好的诊断效率和准确度。     

伺服压力机滑块轻量化设计方法

针对传统设计方法难以解决滑块刚度和轻量化之间的矛盾问题,建立起基于BP神经网络和多种群遗传算法的滑块尺寸参数优化设计模型。采用正交试验设计方法安排试验方案,以有限元计算数据作为训练和测试样本,获得了滑块尺寸参数组合对其刚度的高精度映射关系。在保证滑块刚度指标的前提下,以滑块质量最小化为优化目标,并采用遗传算法求解,实现了滑块轻量化设计。     

螺杆泵定子橡胶磨损趋势的遗传神经网络预测模型

针对螺杆泵定子橡胶在复杂工况下受多种因素影响的磨损预测问题,结合各影响因素之间非线性、时变性和强耦合性的特点,将遗传算法和BP算法相结合以实现网络结构参数的优化,建立了遗传神经网络的螺杆泵定子橡胶磨损趋势预测模型。同时,利用测试样本数据将模型的预测结果与BP算法的预测结果进行了比较。结果表明,基于遗传算法的BP神经网络优于BP算法,能够有效地解决受多因素影响的螺杆泵定子橡胶磨损预测的建模问题,具有一定的实用价值。     

“桑巴塔”回转架的有限元分析与钢结构轻量化

大型游乐设备核心部件的设计校核多采用以材料力学为基础的传统计算方式。然而对于复杂的装配件,传统计算方法难以建立吻合度较高的力学模型,因此力学计算的结果难以真实反映承载特性。采用有限元软件ANSYS Workbench真实模拟桑巴塔回转架的2种典型工况,得到回转架在典型工况下的应力、变形分布情况,确定应力关键部位。根据有限元静力学分析结果当中最大应力与最大变形的富余程度提出可优化的参数变量,将基于ANSYS Workbench神经网络响应面法的多目标遗传优化算法应用于回转架钢结构的轻量化设计当中,得出最佳的优化参数配比,实现回转架结构自重减轻8.3%,完成桑巴塔回转架静力学分析与轻量化设计的"无缝"设计流程。     

Smart health evaluation of slewing bearing based on multiple-characteristic parameters

A rotational connection between two substructures generally consists of a slewing bearing which is very often used for heavy loads at low speeds. Slewing bearing condition monitoring is a good method to identify the inception and propagation of structural defects at an early stage for timely remedy, and ultimately, enable condition-based “intelligent” maintenance instead of schedule-based. The traditional health evaluation accuracy is not high based on single vibrating signal. We present a new strategy for health evaluation of slewing bearing based on multiple characteristic parameters and the artificial neural networks, and we applied the genetic algorithm to model multiparameters health evaluation. Seventy days fatigue life test was carried out using a special slewing bearing test table and 70 sets data was chosen to input the networks evaluation model for training and evaluation. Test results show that the ANN (Artificial neural network) with GA (Genetic algorithm) optimization converges more easily, takes fewer iterations and shorter training time, and has higher precision and good stability. And the output of multi-parameters health evaluation network model shows a better agreement with the target. The evaluation results were in accordance with the experiment. Therefore, this methodology can be used to evaluate the health state of slewing bearing.     

基于BP神经网络的三角机翼飞行载荷模型研究

针对三角机翼结构设计复杂、传力路径多和大载荷引起结构非线性等因素,采用BP神经网络方法建立飞行载荷模型。通过地面静力试验,利用某型三角机翼载荷标定试验数据,建立机翼根部剪力和弯矩的载荷模型,并对多个校验工况进行验证。经与多元线性回归载荷预测结果对比分析,结果显示,BP神经网络模型预测误差都在3%以内,特别对于剪力,BP神经网络预测误差明显小于多元线性回归,表明BP神经网络可作为测量三角机翼飞行载荷的一种更加有效的工程方法。     

基于改进BP神经网络的机床基础部件可再制造性评价模型

为了利用样本数据准确完成机床基础部件可再制造性评价,提高机床基础部件可再制造性评价预测精度,提出一种采用模拟退火遗传算法优化BP神经网络的机床基础部件可再制造性评价模型。该评价模型以机床基础部件可再制造性经典评价模型评价结果为样本数据,建立机床基础部件可再制造性评价BP神经网络预测模型,采用模拟退火遗传算法优化BP神经网络模型,寻找更优初始网络权值、阈值,以提高收敛速度和避免局部收敛。以一台机床基础部件可再制造性评价为例,验证了基于模拟退火遗传算法优化的BP神经网络评价模型具有更好的预测精度。     

基于遗传算法和神经网络的六自由度并联平台位置正解

位置正解是并联平台机构应用的基础。提出了用GA +BP混合算法求六自由度并联平台位置正解的方法。首先用改进的Newton Raphson法对数学迭代模型进行求解运算 ,将所得的输入输出数据组作为训练样本 ,再用GA+BP混合算法对该模型进行了精确求解 ,仿真研究表明GA +BP混合算法运算速度快、计算精度高 ,用于求解并联平台机构的位置正解是一种比较理想的方法。     

遗传神经网络在工时定额计算中的应用

工时定额数据量大、影响因素多,使用常规拟合方法计算工时定额比较困难。为提高工时定额计算的正确性,采用人工神经网络技术,在MATLAB中建立了工时定额计算神经网络模型。针对BP神经网络存在易陷入局部最小值、收敛速度慢等不足,引入标准遗传算法来优化神经网络的权值和阈值。实验结果表明,基于实数编码的遗传算法优化速度快,优化后的神经网络迅速收敛,神经网络模型的测试误差低于5％。遗传神经网络可以克服单独使用神经网络时存在的缺点,训练好的模型在工时定额计算时正确性较高,有较好的实用价值。     

遗传算法改进的BP神经网络在协同创新评价中的应用

为了解决客户协同创新中协同工作效率难于评价的问题,提出了一种用遗传算法优化的神经网络对客户协同产品创新进行评价的评价模型：在评价指标方面,设计了一套包括效益、效率和过程的18个指标的评价体系;在评价算法方面,将遗传算法与BP神经网络结合起来,设计了遗传算法改进的BP神经网络算法。该模型充分利用遗传算法的全局搜索能力强与神经网络的局部搜索能力强的特点,克服了遗传算法局部收敛与神经网络收敛速度较慢的问题,是一种非常适用于评价协同工作的模型。最后通过实例训练,证明了该模型的有效性与可行性。     

基于双隐含层BP算法的激光主动成像识别系统

在传统激光主动成像系统的基础上,结合目标识别技术搭建了一个激光主动成像识别系统实验平台,用于研究激光主动成像后的目标识别。介绍了实验平台的工作原理,基于Hu矩特征的双隐含层BP神经网络算法以及实验处理流程和实验结果。特征量由7个不变Hu矩构成,通过240张原始目标样本库对由136个权值系数构成的双隐含层BP神经网络算法进行了训练。利用训练好的双隐含层BP算法对黑夜条件下远处的运动目标--43式冲锋模具枪进行了实验研究,成功获得了清晰的红外激光主动成像效果。实验显示对450 m处2 740帧和550 m处2 420帧激光主动成像图像的统计识别率达到了68.87%和72.11%,其中旋转变换下的统计识别率可达80.05%和84%,好于仿射变换的识别效果。     

基于遗传算法的人工神经网络在航空发动机磨损预测中的应用

提出了一种将遗传算法和BP算法相结合的学习算法来训练BP神经网络，实现网络结构的优化，并用优化后的BP人工神经网络建立了航空发动机的磨损预测模型。将该模型预测结果与BP算法和多元线性回归法的预测结果进行了比较。检验结果表明：基于遗传算法的BP神经网络优于BP算法及多元线性回归法，具有良好的预测效果。     

齿轮箱复合故障信号的非线性盲源分离算法研究

针对齿轮箱复合故障分析问题,文中提出一种新型非线性盲源分离（Nonlinear Blind Source Separation, NBSS）算法。该算法先利用反向传播（Back Propagation, BP）神经网络逼近非线性混合模型的逆,并对经过BP 神经网络处理后的信号进行独立成分分析（Independent Component Analysis, ICA）;然后以独立成分分析后的信号的负熵作为适应度函数,采用遗传算法对BP神经网络的参数进行寻优;最后利用优化的BP神经网络参数,对观测到的混合信号进行分解,分离出纯净的振源信号。与采用粒子群优化（Particle Swarm Optimization, PSO）算法的核独立成分分析（Kernel ICA, KICA）相比,该方法提取的分离信号具有更高的精度,为齿轮箱复合故障诊断提供了关键技术与有效方法。     

遗传神经网络在轴系故障诊断中的应用

为解决BP神经网络收敛速度慢以及容易陷入局部最优解的问题,将遗传算法与BP神经网络相结合应用于轴系故障诊断中。首先设计了船舶柴油机轴系模拟实验平台,然后利用小波包分解技术分析了轴系故障时的振动信号,并将其能谱熵作为故障模式的特征向量,最后对轴系的4种运行状态进行了故障识别与分析。仿真结果表明,GA-BP算法预测精度要高于传统的BP算法,适用于轴系的状态监测和故障诊断。