基于模拟退火耦合粒子群算法优化BP神经网络的机床主轴热误差补偿研究

为了降低机床主轴运行产生的热误差,建立混合算法优化BP神经网络预测模型,通过实验验证预测精度。分析模拟退火算法和粒子群算法的不足,采用模拟退火算法耦合粒子群算法,给出混合算法寻优步骤。引用BP神经网络结构,构造机床主轴热误差预测模型,采用混合算法优化BP神经网络预测模型。采用实验验证主轴热误差预测精度,并与优化前进行比较和分析。结果显示:采用混合算法优化后的BP神经网络预测模型,其Y轴方向产生的最大误差值从7.3μm降低到2.3μm;而Z轴方向产生的最大误差值从7.5μm降低到2.6μm。同时,机床主轴整体误差波动幅度较小。采用混合算法优化BP神经网络预测模型,用于机床主轴热误差在线补偿,提高了加工精度。     

灰色理论与神经网络在形状记忆合金热变形行为中的应用

在传统BP神经网络预测模型基础上,分析了各个因素的灰色关联度权值,建立了基于灰色理论和BP神经网络的Ni-Ti形状记忆合金热变形行为的预测模型。结果表明,仿真数据的相对误差都位于-3%~3%,最小误差仅为0.94%。实验值和预测值的相关性高达0.9971,与传统BP神经网络的预测精度相比大为提高。     

基于进化神经网络的磁粒研磨表面粗糙度预测方法研究

目的 为实现磁粒研磨光整加工的表面粗糙度精准预测,提出一种遗传算法优化表面粗糙度BP神经网络的预测模型.方法 将表面粗糙度作为预测的目标,影响磁粒研磨5052铝合金管内表面粗糙度的五个主要工艺参数作为神经网络的输入.合理设计正交试验,得到不同工艺参数配置下的表面粗糙度值,将其作为神经网络的输出.通过建立非线性预测模型,对比遗传算法优化后和传统BP神经网络的均方差与仿真时间,分析优化前后表面粗糙度的预测效果.结果 通过试验数据建立了结构为5-11-1的神经网络,进化BP神经网络预测模型均方差为0.044,建模仿真时间为0.187 s,其平均相对误差率为13.2％.传统的BP神经网络预测模型均方差为0.231,建模仿真时间为1.840 s.结论 通过遗传算法优化后的BP神经网络均方差更小,建模仿真时间更短,进化BP神经网络可以实现更为精准的预测,同时能够极大地避免传统BP神经网络易陷入局部极小值的弊端.     

基于改进PSO优化BP的数控机床热误差预测研究北大核心

热误差是影响数控机床加工精度的主因,为提高数控机床热误差模型的预测精度,提出了基于改进粒子群优化BP神经网络的数控机床热误差建模预测方法。针对BP易陷入局部最优、收敛速度慢,在标准粒子群算法的基础上,改进粒子的速度与位置更新策略,在此基础上优化BP神经网络的阈值和权值,并建立数控机床热误差预测模型;借助于MATLAB完成仿真实验,结果表明,与标准的BP神经网络和支持向量机相比,基于改进粒子群优化BP神经网络的数控机床热误差预测模型精度高、泛化能力强。     

灰铸铁强度自适应模糊神经网络预测

以高碳当量灰铸铁组织 强度实验数据为基础 ,用自适应模糊推理方法 ,建立了灰铸铁强度自适应模糊神经网络预测模型 ,与多元线性回归、模糊回归和广义回归神经网络模型相比 ,该模型学习精度高且具有较好的泛化性     

基于BP神经网络的汽车车身覆盖件回弹预测

以汽车前围板为分析对象,利用DYNAFORM仿真软件建立前围板有限元模型,对其回弹进行了仿真模拟。在此基础上,在Matlab环境下建立BP神经网络回弹预测模型,对前围板在不同冲压条件下的回弹进行定量预测,并在固定板材厚度的条件下对BP神经网络进行修正,设定试验参数组进行多点回弹预测。将BP神经网络回弹预测结果与仿真测量值进行对比,结果表明,采用BP神经网络预测回弹具有较高的精度,比仿真预测耗时少,可为车身覆盖件冲压模具设计提供依据。     

改进粒子群优化BP的数控机床热误差预测研究

由于BP存在网络结构选取基于经验、易陷入局部最优、收敛速度慢等缺陷,致使基于BP的数控机床热误差预测模型精度不高,对此提出了一种改进粒子群优化BP的数控机床热误差预测建模的新方法。通过改进标准粒子群算法中粒子的位置与速度更新策略,以此寻找BP神经网络最优的阈值和权值,在此基础上建立数控机床热误差预测模型。仿真实验结果表明:与标准的BP神经网络和支持向量机相比,改进粒子群优化BP神经网络的数控机床热误差预测模型精度更高、泛化能力更强。     

焊条性能神经网络非线性组合智能预测模型

通过试验测定焊条熔敷金属的断后伸长率和冲击吸收功等力学性能,以多层前馈神经网络(BP)、径向基函数神经网络(RBF)、自适应模糊神经网络(AFNN)3种方法获得的单一预测模型的计算值作为输入参数,建立焊条熔敷金属力学性能神经网络非线性组合预测模型.利用42组试验样本对模型进行训练和验证.结果表明,断后伸长率和冲击吸收功...     

基于MPSO-BP对5A06铝合金薄壁件变形预测

为预测不同铣削参数下的5A06铝合金薄壁件的加工变形,文章基于BP神经网络和粒子群算法提出了一种新的方法,该方法对粒子群算法中的惯性权重和学习因子进行动态调整并提出了新的惯性权值自适应策略,之后对相关参数进行优化形成改进粒子群优化算法,最后用改进后的粒子群算法优化BP神经网络并将优化后的BP神经网络用于5A06铝合金薄壁件加工变形预测。仿真实验结果表明:MPSO-BP相对于PSO-BP和BP有较小的预测误差,现场加工实验结果进一步说明了MPSO-BP具有良好的预测精度。     

BP神经网络在立铣刀结构参数优化中的应用

钛合金薄壁件的铣削加工过程中,刀具磨损速度快,并且工件容易变形,其主要因素是加工过程中切削力大,切削温度高。文章利用有限元仿真软件Advant Edge FEM铣削仿真数据,建立整体式立铣刀结构参数与切削力和切削温度的BP神经网络预测模型,并对切削预测模型进行了切削实验验证。在此基础上,利用BP神经网络模型的预测结果对整体式立铣刀的结构参数进行了优化,切削实验证明,优化后的刀具参数可以有效地降低切削力和切削温度,从而有效地改善过程中刀具的切削性能和工件的加工质量。     

超声滚挤压轴承套圈表面残余应力预测模型建立

为实现对超声滚挤压轴承套圈表面残余应力的合理预测,以轴承套圈为研究对象,进行正交试验设计,分别建立了残余应力与各加工参数之间的传统BP神经网络、改进BP神经网络和遗传算法优化BP神经网络(GA-BP)数学预测模型。通过对三种预测模型进行对比分析,结果表明,轴承套圈表面残余应力预测模型预测精度由高到低依次是GA-BP、改进BP神经网络预测模型、传统BP神经网络预测模型;且GA-BP所建立的轴承套圈表面残余应力的预测模型的平均误差控制在2.58%,因此该预测模型可以进行不同参数下电轴承套圈表面残余应力的预测。     

快锻液压机主缸油路仿真与神经网络故障预测

针对快锻液压机主缸油路故障预测,建立了主缸油路AMESim模型,在AMESim环境下仿真,获得了主缸油路故障特征;建立故障预测BP神经网络,并利用仿真样本训练、测试了BP神经网络模型。计算结果表明:所建立的BP神经网络预测模型具有较好的故障预测能力,可用于快锻液压机主缸油路故障预测。     

基于GA-BP网络的数控机床热误差优化建模研究

为减小热误差对数控机床加工精度的影响,提出基于GA-BP神经网络的机床热误差优化建模方法。阐述遗传算法(GA)和BP神经网络算法,介绍GA-BP神经网络模型的具体步骤,建立BP神经网络热误差预测模型和GA-BP网络热误差优化模型。运用MATLAB软件对两种模型进行实验仿真,结果表明:GA-BP神经网络的数控机床热误差优化建模方法具有建模时间短、预测精度高、收敛速度快等优点。     

基于BP神经网络的并联机构误差分析

以3-UPS/S并联机器人机构为研究对象,构建一种基于虚拟实验与BP神经网络的并联机构输出误差预测模型,能够快速预测并联机器人机构的输出误差。充分考虑并联机构铰链安装误差与铰链轴线误差,建立包含上述输入误差的虚拟样机模型,通过虚拟实验仿真求解该机构输出误差;假定机构零部件在大批量生产情况下误差服从正态分布,构造多组服从正态分布的输入误差样本,进而建立该机构的BP神经网络预测模型。研究结果表明:该BP神经网络模型可以准确、快速地对机构位姿输出误差进行预测,为并联机器人机构的误差分析与精度综合提供了新的依据。     

模糊神经网络在焊接性能预测中的应用现状

通过将模糊推理系统与人工神经网络技术的结合,建立了模糊神经网络预测模型,可以实现对焊接性能的预测。焊接性能预测系统的建立,缩短了焊条研发周期,提高了焊接性能。介绍了人工神经网络和模糊推理系统在焊接领域的应用,综述了模糊神经网络在焊接性能预测中的应用与研究现状,并探讨了其在应用研究中的问题以及未来的发展趋势。     

基于DE—BP神经网络的刀具寿命预测研究

引入了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.并针对BP神经网络所存在的缺陷,结合差异演化算法,提出了实数编码的DE-BP神经网络预测模型.实验表明,该模型对刀具寿命预测精度高,为刀具需求计划制定、成本核算、切削参数制定提供了理论依据,节约了制造执行系统成本.     

基于BP神经网络的铁液碳、硅含量预测

建立在多元回归基础上的传统热分析法存在预测模型函数形式有过强的人为限定,以及对生产条件变化缺乏自适应的问题,为了解决上述问题,本文把BP神经网络算法用于热分析中,构造预测铁液C、Si含量BP神经网络。利用38组实验数据对网络进行训练,获得预测网络模型,然后采用该模型对8组验证样本进行预测,预测C、Si含量的绝对误差分别为0.12%和0.16%。结果表明:该方法能够避免建立模型时人为限定,提高预测精度;对于不稳定的生产条件,具有较强的学习能力和适应能力。     

基于BP神经网络的表面硬度预测模型

运用MATLAB中BP神经网络强大的数据预测功能,并结合VB编写的用户操作界面,建立了基于BP神经网络的表面硬度预测模型.对该模型进行训练和仿真后,其所得到的结果与实际测量值相差较小,能够达到模型预测的要求,有较好的工程实际意义.     

基于粒子群算法的RBF神经网络齿轮磨损预测

针对机械设备磨损难以预测问题,提出RBF神经网络预测模型,并结合粒子群算法优化模型参数。利用变速箱型号为SG135-2系列的K727840ZW齿轮磨损实验输入-输出数据,通过基于粒子群算法的RBF神经网络建立输出预测模型,并与传统的AR模型、BP神经网络模型及Hermite神经网络模型预测作比较。仿真结果表明,基于粒子群算法的RBF神经网络模型结构简单、预测精度高,验证了所提方法的有效性和实用性。     

基于PGWO-BP神经网络的管材自由弯曲精确成形参数预测

为了提高管材自由弯曲成形技术的加工精度，针对平面弯管加工精度的成形参数开展精确预测工作，通过建立成形参数预测模型的方法使弯曲半径和弯曲角的实验值与设计值一致。首先，建立有限元仿真模型并通过管材加工实验进行修正，采用优化后的仿真模型建立预测的样本数据库，以有限元仿真得到的弯曲半径和弯曲角作为输入，以弯曲半径和弯曲角的设计值作为输出，结合BP神经网络和灰狼优化算法搭建成形参数预测模型。结果显示，改进后的PGWO-BP神经网络预测的弯曲半径和弯曲角的最大误差不超过2%,同时利用该预测模型开发了管材精确成形的工艺参数确定软件。