基于模糊理论、遗传算法和神经网络的切削参数混合智能优化

提出一种基于模糊理论、遗传算法和神经网络的混合智能优化技术,给出优化目标的优化数学模型,详细叙述了遗传算法的寻优过程,模糊理论的应用及神经网络的训练和学习获取优化切削参数的技术,并给出各种优化目标下的切削参数混合智能优化与普通搜索方法的对比实例。     

基于遗传算法和神经网络的冷挤压工艺参数模糊优化设计

将模糊优化思想引入冷挤压工艺参数优化设计,以冷挤压模具的四个关键工艺参数为设计变量,以最终挤压件的各处材料的损伤值为目标函数,建立了冷挤压工艺参数模糊优化模型。提出了利用神经网络进行材料损伤近似计算的策略,从而形成了基于遗传算法和神经网络的冷挤压工艺参数模糊优化方法。对冷挤压工艺参数模糊优化模型进行了求解,优化结果表明模糊优化思想能提高冷挤压工艺设计质量。     

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。     

密封条结构参数优化设计方法

为了对轿车车门密封条结构参数进行优化设计，采用遗传算法和神经网络相结合的策略，首先利用神经网络建立密封条结构设计参数与压缩负荷、应力等的非线性全局映射关系，获得求解结构优化问题所需的目标函数，然后用遗传算法进行优胜劣汰的寻优搜索运算，求出最优解。优化结果表明，椭圆形结构在壁厚为1．5mm、高度为20mm时，压缩负荷和应力能达到目标函数要求。压缩负荷和应力的优化结果与理论计算值的误差分别为7．4％、9％，因此，利用神经网络和遗传算法进行结构参数优化的方法是可行的。     

基于神经网络建模和遗传算法的线切割工艺参数模糊优化

针对电火花线切割加工工艺难以获得更优异的工艺参数（如同时得到更快的切割速度和更好的表面粗糙度）等问题，先以神经网络建立模型，然后结合遗传算法和模糊理论求解此多目标优化问题，得到优化的工艺参数。结果显示。取得了较好的效果。     

激光切割机飞行横梁抑制变形方法的研究与实现

激光数控切割机是激光加工应用中最有发展前途的技术之一,飞行横梁为激光切割机的关键部件,横梁的变形和振动直接影响其加工精度。通过对飞行横梁进行模态分析,为机构的结构优化设计提供了理论依据;通过两种不同的高速运动情况对飞行横梁的变形进行了分析,找到变形的规律,提出了S形加速的运动方式对飞行横梁的变形起到了抑制作用。     

基于GA-BP神经网络的PDC刀头钎焊残余应力优化分析

针对PDC硬质合金基底与45钢焊后残余应力对刀头钎焊强度的影响,在对钎焊残余应力进行有限元分析的基础上,利用MATLAB平台,将BP神经网络与遗传算法应用于钎焊参数优化设计。首先设计正交试验样本,对样本进行有限元模拟获得最大钎焊残余拉应力,并作为基于遗传算法优化的BP神经网络的导师信号;利用遗传算法,把减小最大残余拉应力作为目标,得到钎焊最优参数;最后通过数值仿真验证,计算数值模拟结果与遗传算法预测结果相吻合。     

基于神经遗传算法二级斜齿轮参数优化设计

针对二级斜齿轮减速器参数优化中多参数、多目标、多约束的特点,提出神经遗传算法。以减速器纵向长度和两级齿轮间接触应力差为目标,引进敏感系数,依据敏感系数的变化,通过神经网络算法对权重系数进行调整,利用遗传算进行优化。优化结果表明,原设计方案不是最优方案,神经遗传算法可用于多参数、多目标的优化设计中。     

基于灵敏度分析的龙门横梁多目标优化研究

为减轻横梁质量并提高其静动态特性,首先对横梁进行受力分析,通过灵敏度分析找出各设计变量对横梁质量和最大变形量的影响程度,然后综合考虑横梁的质量和最大变形量,利用响应面法构造回归方程,并对回归方程进行准确性验证,用优化工具箱对横梁进行多目标优化求解,得到最优的尺寸参数.将优化前后的参数进行对比分析.结果表明,优化后的横梁不但质量减轻,而且静动态特性都有所提高.     

重载大跨距横梁弯曲变形分析与补偿

针对重载大跨距横梁的弯曲变形问题,将有限元数值计算和BP神经网络相结合,提出横梁弯曲变形预测方法,通过预制补偿曲线辅助进行横梁弯曲补偿,提高横梁几何精度。首先,利用ANSYS分析软件获得溜板位于横梁一系列工作位置的变形量,作为神经网络的训练样本;其次,通过在Matlab中编程调整网络参数,建立了满足误差要求的BP神经网络模型,并进行训练,利用训练后的神经网络预测横梁变形曲形;最后,对预制补偿曲线的横梁进行弯曲变形测量,实验表明神经网络预测值与实验数据较吻合,相对误差<15%,并且运行时间只需0.27 s。研究结果表明,该方法能够较为准确地预测横梁弯曲变形并进行补偿,为重载大跨距横梁结构设计与预制补偿曲线提供了新的思路和技术支持。