梯度法与BP神经网络的结合在机械优化设计中的应用

利用传统的优化设计方法 ,为BP神经网络的学习提供足够样本集 ,通过正向传播和误差反向传播建立BP神经网络的拓扑结构 ,实现了将BP神经网络应用于机械优化设计中 ,提高了优化的收敛速度。     

机械优化设计中BP神经网络的应用研究

从BP网络的工作原理出发，利用多水平正交表选取BP神经网络训练样本，通过正向传播和误差反向传播建立BP网络的拓扑结构。对二级减速器BP网络模型进行了结构修正与优化计算。实验表明在机械优化设计领域针对实体结构的动态分析计算，采用BP神经网络可以提高了优化收敛速度和精度，这表明神经网络理论与传统的数值方法相结合的方法具有重要的现实意义。     

基于BP神经网络的柔顺铰链多目标稳健优化设计

为了提高柔顺铰链的稳健性，引入遗传算法和反向传播(Back Propagation, BP)神经网络方法对柔顺机构进行参数优化，运用正交试验来选出训练参数和测试参数，建立BP神经网络模型，利用神经网络的非线性拟合能力和遗传算法的全局搜索寻优能力对柔度和固有频率信噪比分别进行单目标和多目标寻找选取范围内的全局最优，不仅仅局限于选取因素水平的排列组合，也为提高柔顺铰链稳健性提供了一种新的解决途径。实验结果显示，柔顺铰链综合评价函数更优，实现了稳健优化设计的目的，证明了该方法的有效性。     

基于BP神经网络的结构光三维视觉检测方法研究

本文基于反向传播神经网络对结构光三维视觉检测方法进行了研究。首先介绍了结构光三维视觉检测原理，并对BP算法的基本原理进行了阐述。在此基础上较详细地提出了用于神经网络训练和测试的样本点的空间坐标和图像坐标的样本数据获取方法以及光电瞄准装置的结构设计，最后利用样本数据对BP神经网络进行了训练和测试，最佳BP神经网络的训练精度为0.085mm，测试精度为0.132mm。     

基于Pearson关联度BP神经网络的时间序列预测

针对BP神经网络存在的过拟合问题,提出了基于Pearson关联度的神经网络预测模型。将传统的基于误差反向传播的BP神经网络中的误差函数替换为Pearson关联度函数,利用梯度上升法对训练过程中神经网络的连接权重和阈值的调整量进行了推导,并为调整量添加了动量项用于提高神经网络收敛速度,然后建立了关联度反向传播预测模型,并对其权重进行了阈值限制以及增加学习率来防止过拟合。对通用数据集进行时间序列预测实验,通过与改进的RBF和BP神经网络对比,表明对于多因素时间序列的预测Pearson关联度BP神经网络的预测误差精度RMSE降低了4.02,收敛次数减少1 690代。实现了将关联分析与BP神经网络的结合,能够在保证效率的同时,解决过拟合问题,提高预测精度。     

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。     

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。     

应用神经网络优化设计盘形成形铣刀齿数

针对整体盘形成形铣刀的设计,基于刀体强度、刀齿磨光部分长度和刀齿强度对铣刀齿数的要求,提出了利用BP神经网络优化设计铣刀齿数的方法。该方法基于BP神经网络的非线性映射特性,建立了铣刀齿数与铣刀切削参数的非线性BP网络模型,模拟选齿参数曲线,达到自动设计铣刀齿数的目的。仿真结果表明,神经网络方法不但提高了铣刀的设计效率,而且使铣刀齿数的设计得到了优化。     

基于BP神经网络的700型压裂泵优化设计

针对目前压裂泵泵效低、压力波动大,不能满足压裂工艺发展要求的现状,以提高泵效和降低压力波动为优化目标,通过BP神经网络的自学习建立起了压裂泵优化目标与设计变量之间的神经网络模型,并采用VB编程调用Matlab强大的神经网络算法库对BP神经网络模型进行了求解,得到了设计变量的优化值,实现了对700型压裂泵主要结构参数的优化设计.     

基于自适应遗传BP算法的混合气体定量检测研究

针对混合气体检测问题,利用误差反向传播(BP)算法和遗传算法,提出了用自适应遗传算法优化BP神经网络的方法来实现定量检测.即利用遗传算法的全局搜索能力,对神经网络连接权值和阈值进行优化,再以优化后的初值作为BP神经网络的初始连接权值和阈值,最后用附加“动量项”的误差反向传播算法训练BP网络.设计了一个结构为7×18 ×3的3层BP网络用于一组含有5个样本的混合气体识别试验.结果表明:将自适应遗传神经网络算法应用于混合气体定量识别的训练中,收敛速度比附加“动量项”BP算法要快,而且学习精度更高,识别效率也提高了2/3.     

封闭周转轮系动态优化设计

利用BP神经网络极强的非线性映射功能 ,成功地建立了封闭周转轮系的设计变量与模态柔度之间非线性映射的 3层BP神经网络模型 ,解决了动态优化设计时目标函数难以建立的难题 ,使非常复杂的动态优化问题变得十分简单。利用本文所提出的混合离散变量遗传算法对封闭周转轮系进行了动态优化设计 ,并对优化后的设计方案进行了动态特性分析 ,通过对比可以看出 ,优化后的设计方案不但动态特性有了较大提高 ,其重量也有所下降     

基于遗传优化BP神经网络的发动机曲轴扭转减振器优化

发动机曲轴轴系的扭转振动会影响发动机的性能以及整车舒适度,对曲轴扭转减振器进行优化可有效降低曲轴扭转振动。首先,针对直列四缸汽油发动机曲轴轴系建立多自由度集总参数模型,求出不同谐次激振力矩响应的叠加结果;然后,以优化曲轴轴系扭振幅值为目标,建立曲轴扭转减振器优化设计的数学模型,应用遗传优化BP神经网络算法对扭转减振器进行优化;最后,在此基础上,将应用遗传优化BP神经网络算法和仅应用BP神经网络算法的优化结果进行对比,结果表明遗传优化BP神经网络模型的预测精度更高。将优化后的扭转减振器参数代入多自由度集总参数模型进行计算,得到与遗传优化BP神经网络算法预测值非常接近的曲轴轴系扭振幅值,进一步验证了遗传优化BP神经网络优化结果的准确性。     

基于BP神经网络的摊铺机智能故障诊断

针对大型复杂的工程机械，建立基于BP(逆向传播)神经网络的智能故障诊断系统。给出了该系统的诊断方法和故障诊断步骤，并提供了对工程机械液压系统故障诊断的调试实例。     

基于BP神经网络的制冷机组故障检测与诊断

研究了BP神经网络用于制冷机组故障检测与诊断的方法，并且用来自真实测量的数据建立了冷水机组故障检测与诊断的BP神经网络模型：研究表明，在静态条件下，通过提取制冷机组有代表件参数的残差，以此作为BP神经网络的输入，当BP神经网络经过适当的训练后，能成功地对各种耦合的故障进行辨识，诊断训练时间短．BP神经网络能实现对制冷机组进行实时故障检测与诊断的需要.     

基于GA-BP神经网络的316L不锈钢成形尺寸精度预测

建立选区激光熔化316L不锈钢成形质量预测模型,以响应面中心复合设计试验数据作为反向传播（Back Propagation,BP）神经网络模型的训练样本,采用遗传算法对BP神经网络的初始连接权值和阈值进行优化。结果表明,通过遗传算法优化的BP神经网络模型能够有效预测精度,使得成形件尺寸精度的平均相对预测误差为5.42%。     

基于神经网络及遗传算法的齿轮化设计软件

将人工智能中BP神经网络与遗传优化算法相结合,有效解决局部极小和收敛速度以及含有连续/离散混合变量的优化问题,通过VB语言与Matlab软件混合编程,开发了齿轮优化设计软件,实现齿轮传动的自动优化设计,极大地提高了齿轮的设计效率和质量.     

基于BP神经网络的行星齿轮传动的模糊可靠性优化设计

文中以渐开线行星齿轮传动机构为例,在考虑了机械传动各设计参数的模糊性和随机性的基础上,结合利用B P神经网络能达到系统的稳定平衡点和能够提高优化速度和精度等特点,探讨了基于BP神经网络的行星齿轮传动机构模糊可靠性的优化设计.     

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PSO-BP神经网络的刀具寿命预测

针对刀具寿命影响因素与刀具寿命之间的高度非线性关系,引入BP神经网络技术对刀具寿命进行预测,建立了刀具寿命预测模型。针对标准反向传播算法存在收敛速度慢、容易陷入局部极小值及全局搜索能力弱等缺陷,采用粒子群算法优化网络权值及阈值,提高了神经网络的预测精度。仿真结果表明,与标准BP神经网络相比,PSO-BP神经网络用于刀具寿命预测的精度更高。     

基于BP神经网络的全贯流电机泵故障诊断

BP神经网络是一种按照误差逆向传播算法训练的多层前馈神经网络,可用于数据的运算分类及预测,在故障诊断分析方面应用广泛。全贯流电机泵特点是电机的转子代替了水泵的叶轮外壳,电机泵的电机故障特点比普通电机多且复杂。目前,全贯流泵故障诊断的研究较少,但BP神经网络算法对电机故障诊断分析的研究应用成熟。运用BP神经网络算法尝试对全贯流泵可能存在的故障进行模拟诊断分析与研究,得到了较好的效果。