连杆预制裂纹槽几何参数对胀裂力的影响

为了减小连杆裂解加工中所需的裂解力,提高裂解加工质量,利用MSC.Marc软件,建立了连杆裂解加工的有限元模型;采用正交试验设计方法,分析了预制裂纹槽几何参数对裂解力的影响规律;通过方差显著性分析得出槽深h对裂解力的影响最为显著,其次是张角α,而曲率半径r对裂解力的影响较小。裂解力在张角α≤45°时增大相对缓慢。随着槽深h的增加裂解力降低,当h≥1.0 mm时,裂解力降低缓慢。     

基于人工神经网络的液压振动系统研究

以两自由度液压激振压路机的液压振动系统为研究对象,采用立体正交试验选取试验因素,在每个试验因素中选择3个水平子集合,获得训练神经网络的样本。通过人工神经网络理论建立数学模型,借助Mtalab仿真计算出试验因素水平子集合最优组合参数。研究结果表明：通过建立人工神经网络数学模型,得出立体正交表的最优组合仿真目标值为0．5523,系统刚度为3．3N／mm,与试验目标值的相对误差为10．46％,满足工程要求。     

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DBI-小波包分解和改进BP神经网络的轴承故障诊断方法研究

针对轴承故障诊断问题,以振动信号为分析对象,提出DBI-小波包分解和改进BP神经网络的诊断方法。采用4层小波包分解获取振动信号的不同频带特征,引入戴维森堡丁指数（Davies-Bouldin index,DBI）定量评价小波包分解结果,确定小波基函数为FK22时达到最佳分解结果。采用改进的BP神经网络对不同频带特征识别,引入弹性梯度下降法解决传统BP神经网络收敛速度慢和梯度消失等问题,提高网络训练速度。同时,针对BP神经网络隐藏层层数及各隐藏层节点个数难以确定的问题,设计正交实验对不同参数组合效果进行验证,选出最佳参数,避免盲目低效调参。对电机滚动轴承进行验证,结果表明平均故障识别准确率达到98.833%。     

岩壁吊车梁硐室围岩力学参数反分析研究

建立漫湾电站二期地下主厂房岩壁吊车梁硐室的三维有限元计算模型,对硐室围岩的力学参数和吊车荷载进行正交组合后,计算出各种组合情况下的围岩位移,对参数敏感性进行分析.把敏感性参数组合时计算出的位移值,作为BP神经网络训练的样本空间对模型进行训练,把监测值输入训练后的模型中反算出围岩力学参数,最后输入参数进行变形验算.即把三维有限元分析方法和神经网络方法联合应用,通过正分析-反分析-正分析的分析方法,计算出围岩的力学参数.对理论分析的结果和实际结果进行比较,证明了所采用的分析方法和分析模型是正确可行的,能为设计人员有效解决实际工程中的力学参数的准确取值问题,提供一种分析方法.     

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。     

基于均匀设计及BP神经网络的大体积混凝土热学参数反分析

为了解决桥梁工程大体积混凝土热学参数失真的问题,提出一种基于均匀设计理论与BP神经网络的大体积混凝土热学参数反分析方法.该方法通过BP神经网络建立大体积混凝土温度场与热学参数的非线性关系;BP神经网络的训练样本由均匀设计方法确定;在BP神经网络训练阶段,采用附加动量法对网络结构进行优化;对优化前后的误差曲线及多次训练过...     

基于BP神经网络的工程车辆四参数自动变速控制

为了提高工程车辆传动系统效率,采用前馈网络反向传播(BP)神经网络对工程车辆四参数自动变速系统进行建模,利用自动变速控制试验数据对BP神经网络进行训练,并进行了验证性仿真试验。仿真结果表明,BP神经网络能够根据车辆运行状态确定最佳档位,进一步提高工程车辆传动系统效率,达到节能增效的目的。     

基于人工神经网络的结构随机响应分析

结构的随机响应分析由于涉及到大量的样本,而使得有限元计算过程大量重复,尽管通过正交设计可减少分析样本数目,效率仍十分低下.采用BP人工神经网络这一映射迅速的运算方法,通过计算少量样本对应的有限元结果,进行训练,将训练好的网络用于结构的随机响应分析.算例计算和工程应用表明,在整个计算过程中,误差均在|E|=0.000 1范围内,神经网络的训练时间约占一次有限元计算时间的15%,因此对于三维问题利用神经网络可节省大量时间.     

基于神经网络的油墨转移率预测

利用神经网络根据油墨转移率影响因素的数据来预测其具体数值. 通过对比径向基神经网络、Elman神经网络和BP神经网络最后选择径向基神经网络作为预测网络的模型. 根据各影响因素间的相互关联和各自对油墨转移率影响的大小关系确定影响油墨转移率的主要因素. 以主要影响因素为试验条件,运用正交试验法和均匀试验法合理设计分组试验,将试验结果作为神经网络的样本数据. 利用样本数据对网络进行训练,最终使网络能够预测出不同影响因素下油墨转移率的数值. 将径向基神经网络预测结果和Elman神经网络、BP神经网络的预测值对比分析,以此证明径向基神经网络的预测值具有较高的精确度.