行李箱内板拉深压边力曲线的优化

对新型高强度相变诱发塑性钢TRIP600钢板拉深成形的行李箱内板进行研究,将获得的变压边力成形窗口分为若干段,通过数值模拟的方法得到行李箱内板成形质量与各段压边力之间的正交试验数据,经极差分析确定正交试验优化方案;以正交试验数据为训练样本,通过BP神经网络建立成形质量与各段压边力之间的非线性映射关系,并以此关系作为多目标遗传算法的适应度函数进行遗传算法优化,获得一组Pareto最优解集,实现了对行李箱内板成形窗口内压边力曲线的优化。优化结果表明,相比于正交试验优选方案,采用遗传算法和神经网络相结合的方法得到的优化方案成形零件时,能较大程度地提高行李箱内板的成形质量。     

排气消声器拉深成形的压边力优化

本文以排气消声器的拉深成形为例,讨论了有限元模拟与神经网络技术在压边力优化设计中的应用问题.建立了压边力优化的径向基函数(RBF)神经网络模型,网络训练及测试所需样本通过有限元仿真获得.训练好的神经网络可实现压边力的优化设计,仿真结果证明,采用优化后的变压边力曲线能有效改善板料的成形性能和成形质量.     

改进人工蜂群优化神经网络的短期负荷预测

准确的短期负荷预测能够减少发电机组停机备用和旋转备用,其预测效果直接影响电网的安全稳定和经济效益.针对BP神经网络初值敏感、易陷入局部最优的缺点,提出了一种改进人工蜂群算法优化BP神经网络的负荷预测方法.首先融合负荷数据与温度、湿度等天气数据并进行高斯滤波处理,再采用搜索位置更新实现人工蜂群算法的改进,利用其算法完成BP网络权值和阈值的优化,最后建立用于短期负荷预测的优化模型,并通过实例进行仿真验证.结果 表明:该改进预测模型与传统BP算法相比预测精度及收敛速度均有大幅提高,具备工程实用价值.     

分区压边拉深工艺改善矩盒形件成形研究

板料拉深过程中成形性能的优化是最重要的问题之一。通过有限元分析软件DYNAFORM对矩盒形件拉深成形过程进行模拟,研究了盒形件在整体压边圈恒压边力、分块压边圈恒压边力以及分块压边圈变压边力情况下的成形性能。模拟分析结果表明,分块压边下存在最优压边力分布,对每一分区加载随凸模位置变化的压边力类V型曲线,能最大程度的提高矩盒形件的拉深成形性能,为实现矩盒形件拉深过程的最优化提供思路,并在实践生产中指导复杂工件的工艺优化,最终改进工件的成形性能。     

基于数值模拟的B柱加强板成形工艺优化

在对使用拼焊板拉深成形的汽车B柱加强板进行数值模拟的基础上,采用BP神经网络建立工艺参数与成形质量之间的非线性映射关系,通过多目标遗传算法NSGA-II获得最优成形工艺参数.研究结果表明:神经网络结合多目标遗传算法可以获得最优成形工艺参数,可较好地解决B柱加强板的成形问题.     

龙门式多轴自动锁螺丝设备横梁结构优化

为实现龙门式多轴自动锁螺丝设备横梁的轻量化,结合BP神经网络与粒子群优化算法对其横梁进行结构优化。以横梁质量为目标函数,数个关键尺寸为设计变量,变形量及固有频率为约束条件建立数学模型。利用BP神经网络拟合设计变量与约束变量的映射关系,结合已建立的神经网络模型,应用基于Deb可行性规则改进的粒子群算法,在满足约束要求的条件下,寻求各关键尺寸的最优值。优化结果表明,优化后的横梁质量减少29.61%,实现横梁轻量化。     

蚁群优化BP神经网络的电机故障诊断设计与实现

针对传统的故障诊断方法采用专家知识推理方法在获取知识方面的困难,提出了一种采用蚁群优化算法和BP神经网络的自适应电机故障诊断系统。使用BP神经网络对样本数据进行训练,可以建立故障征兆到故障之间的对应关系,从而可以克服专家系统的不足,同时,由于传统的BP算法采用梯度下降算法,具有收敛速度慢和容易陷入局部最优解的问题,且BP神经网络的网络结构和初始参数在确定时往往依靠经验,从而限制了其在故障诊断领域的进一步发展。蚁群算法是一种启发式的模拟进化优化算法,具有正反馈及其分布式计算等特点,因此,将蚁群算法应用于BP神经网络的结构和参数进行优化,然后采用优化后的BP神经网络进行故障诊断,电机诊断实例证明文中方法较BP神经网络和遗传算法优化的BP神经网络具有更高的诊断精度和训练效率。     

基于CAE和神经网络的压边力优化

通过CAE仿真计算,对成形过程中某些时刻板料的稳定性进行数值化描述,直接以板料上某些关键点(如最易失稳处)的稳定性值作为输入参数,运用神经网络方法进行压边力的优化。采用这种方法训练样本时不需要专门的测试设备,可以得到整个冲压过程的压边力最优控制曲线,有较高的精度,试验证明该方法效果很好。     

斜齿圆柱齿轮承载能力设计缺陷的辨识与优化修正

斜齿圆柱齿轮承载能力的设计过程中,涉及到大量的非线性约束条件分析计算,传统的优化方法很难得到全局最优解。利用BP神经网络非线性映射能力,建立了斜齿圆柱齿轮设计参数与承载能力之间的全局映射关系,利用训练后的BP神经网络模型对斜齿圆柱齿轮承载能力设计缺陷进行辨识。采用遗传算法对斜齿圆柱齿轮承载能力设计缺陷进行优化修正,利用BP神经网络得到的斜齿圆柱齿轮结构特性响应构造了遗传算法罚函数,提高了遗传迭代过程中的约束计算效率,优化结果表明该方法能够有效提高斜齿圆柱齿轮设计缺陷优化修正效率。     

基于改进神经网络的数据图书馆满意度评价研究

对用户评价满意度进行大数据分析,挖掘影响满意度关键因素以及对策,持续优化服务为用户提供高质量的知识资源,成为图书馆研究的主流方向。本文采用自组织映射神经网络算法建立满意度评价分类模型,针对自组织映射神经网络模型受神经元网络连接权重的初始值和阈值影响稳定性不足的问题,引入粒子群算法选择最优初始权重,稳定评价模型提升准确度,通过仿真实验论证,优化后的神经网络算法,对比BP神经网络以及自组织映射神经网络模型,其网络性能较好,评价准确性更高,平均准确率达到了94%,且通过粒子群算法的优化,加快了算法本身的收敛速度。     

一种优化算法在齿轮传动装置故障诊断中的应用

分析了粒子群算法（PSO）和差分进化算法（DE）的特点,提出了一种PSO-DV算法用于优化BP神经网络的权值和阈值,并利用PSO-DV算法优化的BP神经网络进行了齿轮箱的故障诊断。试验结果表明,PSO-DV算法可以避免神经网络陷入局部极小,改善了收敛性能,同时保证了齿轮箱故障诊断的正判率。     

基于NARMAX模型的阀控非对称缸神经网络预测控制

针对非对称缸位置跟踪控制精度较差,提出了一种基于非线性自回归平均滑动离散模型(NARMAX)和量子粒子群算法的神经网络预测控制策略(QPSO-NNMPC)。利用NARMAX模型表示阀控非对称缸的动态模型,使用粒子群算法优化BP神经网络(PSO-BP)对阀控非对称缸系统在线预测,使用量子粒子群算法(QPSO)对目标函数非线性优化。仿真结果表明,在不同频率期望信号与变干扰力情况下,该控制策略具有良好的跟踪效果和鲁棒性。     

基于粒子群优化的神经网络电机故障诊断系统

提取电机定予电流信号及转于振动信号,构成用于电机故障诊断网络的训练及测试样本.用BP神经网络建立诊断输入征兆与故障输出间的映射关系,引入改进粒子群优化的策略,对神经网络权值和阀值进行优化,提高了网络系统诊断的可靠性.仿真对比研究表明,经粒子群优化后的BP网络收敛速度显著提高,更适合于电机类故障诊断的要求.     

基于粒子群优化神经网络的水下链式机器人直航阻力预报

多单体水下机器人串联组成的水下链式机器人具有航行效率高、稳定性能好、搭载能力强等优势,对其直航阻力的精确预报可实现更有效的运动控制和更合理的动力编组。针对由于水下链式机器人各单体间耦合关系复杂及使用计算流体力学分析阻力耗时较长导致无法快速准确进行阻力预报问题,开展了水下链式机器人直航阻力预报研究。利用计算流体力学分析获得大量输入量（单体数量、航速和单体间间距）与输出量（直航阻力）样本数据,使用BP神经网络建立输入量与输出量模型关系,并通过粒子群算法优化神经网络的初始权值和偏差以改善BP神经网络易陷入局部极值点和过拟合等问题。由大量测试样本的预报结果可知：基于粒子群优化的BP神经网络算法比传统BP神经网络算法预报结果更准确,在给定不同速度和间距测试中均方误差分别降低了2.04×10^-5和7.40×10^-6;在5单体水下链式机器人以0.25 m/s²的加速度做匀加速运动过程中,基于粒子群优化的BP神经网络模型预报结果的平均相对误差为0.42%,精度较高。试验结果说明所提方法是可行且有效的。     

基于离散粒子群优化算法的汽车发动机故障特征选择

最优特征选择属于组合优化范畴,针对汽车发动机机械故障特征选择问题,分析了冗余特征的存在对于故障分类器分类性能的影响,选择最优特征组合可以提高故障分类的正确率,提出基于离散粒子群算法的特征优化组合算法,利用BP神经网络评价特征优化的性能,并将其应用到汽车发动机曲轴轴承磨损故障诊断中.实验结果表明,与遗传算法相比,基于离散粒子群算法的特征优化算法优化效率较高,分类正确率较高,优化后的特征集可以显著地提高故障分类器的分类性能.     

粒子群优化的神经网络在故障诊断中的应用

为提高齿轮箱故障诊断性能，建立了以齿轮箱振动信号的时频域特征为输入，以齿轮箱的主要故障形式为输出的神经网络。采用粒子群优化算法代替反向传播算法来训练神经网络的权重和阈值，利用训练后的神经网络对齿轮箱进行了故障诊断，并比较了基于粒子群优化算法与BP算法的诊断结果。结论是基于粒子群优化算法神经网络具有较好训练性能，收敛速度快，迭代步数少，诊断精度高，具有良好的故障识别率。     

基于量子微粒群的BPNN在转炉炼钢静态模型中的应用

针对转炉炼钢静态模型终点命中率较低的问题,首先分析了影响转炉炼钢终点命中率的各种因素,确定了BP神经网络(BPNN)的拓扑结构,并依此建立了转炉炼钢静态模型.然后把量子微粒群算法(QPSO)应用于BP网络的学习中,并比较了QPSO、基本微粒群优化算法(PSO)、梯度下降法的学习性能.最后,基于某炼钢厂的历史数据进行了仿...     

粒子群优化人工神经网络在高速铣削力建模中的应用

将粒子群优化人工神经网络理论应用于高速铣削力的建模研究中.采用粒子群算法与反向传播算法相结合的方法,对反向传播神经网络模型进行优化.用粒子群算法训练网络参数,直到误差趋于一稳定值,然后用优化的权值进行反向传播算法运算,以实现高速铣削力的预测.充分发挥了粒子群算法的全局寻优能力和反向传播算法的局部搜索优势.仿真结果表明,与其他几种反向传播算法相比较,粒子群算法与反向传播算法的学习算法训练的神经网络,不仅训练时间明显缩短,而且其预报精度也得到了较大的提高,能够有效地建立铣削力模型,并对铣削力进行准确的预测.     

一种改进的PSO-BP算法在液压系统故障诊断中的应用

液压系统故障诊断中采用BP神经网络进行故障的模式识别,存在着收敛率较低的问题。结合粒子群算法和BP算法各自的优势,提出了一种基于改进的PSO-BP液压系统故障诊断方法。对标准粒子群算法的惯性权重和学习因子进行改进,再对BP神经网络的权值和阈值进行优化,达到改善BP网络性能的目标。仿真结果表明该方法提高了BP网络的收敛率,减小了诊断误差。