基于BP神经网络的槽类特征铣削加工方案决策和刀具优选

为实现CAPP系统中零件特征加工方法的智能决策,完成加工结果相互关联的特征加工方案选择,利用BP神经网络算法对槽类特征加工方法和刀具选择进行智能决策,建立了从输入到输出的网络决策模型,并对网络结构、参数确定问题进行阐述。通过正交表选取试验样本,运用带有自适应lr的梯度下降算法来训练网络,最后通过实例验证了该网络的有效性。结果表明,利用BP神经网络进行零件加工方法的选择和刀具优选是可行且有效的。     

齿轮轴类零件工艺决策系统的研究

在基于特征的零件信息描述基础上,探讨了齿轮轴类件的工艺过程决策原则,并依据决策树的原理生成特征加工方法,以反向设计法形成该特征的整个加工过程即加工链,为实现CAD/CAM的信息共享奠定了基础.     

基于特征的齿轮轴类零件工艺决策系统的研究

文章探讨了基于特征的零件精度信息的描述。依据决策树的原理生成特征加工方法。由反向设计法生成特征加工链。通过给定的齿轮轴类件工艺过程决策原则确定零件加工路线。     

基于模糊BP网络的加工方法链决策

为实现计算机辅助工艺计划(CAPP)系统中零件特征加工方法的决策,分析了影响零件加工方法的因素,提出利用模糊BP神经网络算法对零件特征加工方法链进行优化决策.根据BP网络能够学习任何模式的映射关系的特点,建立了从输入到输出的网络决策模型,并对网络结构、参数确定和样本选取等问题进行详细阐述,运用合理的学习算法来训练网络,最后通过实例验证了该网络的有效性.结果表明,利用模糊BP神经网络进行零件加工方法的选择是有效的和可靠的.     

基于GA_BP算法的化工设备设计人工时预测

针对目前人工估算人工时预测精度低的问题,提出基于遗传算法优化反向传播神经网络的算法建立人工时预测模型,对化工设备设计人工时进行定量预测.首先对化工设备设计项目的管理流程和设计特点进行分析;然后对用户数据库中的历史项目数据进行统计,并对统计数据进行参数的贡献度和相关性分析,同时结合参数在预测时获取的难易程度,选择出适当的人工时预测模型输入参数;再建立基于反向传播算法的预测模型,并针对反向传播算法的缺陷选择遗传算法优化反向传播神经网络和支持向量机算法进行建模,预测结果表明遗传算法优化反向传播神经网络算法更适合化工设备设计人工时预测.采用基于遗传算法优化反向传播神经网络算法的模型进行了实例预测.     

基于模糊推理的零件特征加工方案决策研究

为实现计算机辅助工艺设计(Computer Aided Process Planning,CAPP)系统中零件特征加工方案的决策,分析了影响加工方案选择的因素,提出了一种基于模糊推理的零件特征加工方案决策方法。文中建立了零件特征属性与加工方案的模糊映射关系,设计了适当的隶属度函数,建立了加工方案的模糊推理模型。该决策方法将基于规则的推理转化为模糊推理,降低了推理过程的匹配冲突。通过实例验证表明,利用模糊推理进行零件特征加工方案的决策是有效的和可靠的。     

基于灰色关联分析的加工方案决策研究

机械零件尽管多种多样,但均是由一些诸如外圆、内孔、锥面、平面、螺纹、齿形等常见形状特征所组成。因此,合理选择常见形状特征的加工方案,是正确制定零件加工工艺的基础。提出了基于特征的二级加工方案决策体系,建立了基于零件特征的加工方案评价指标体系,并采用灰色关联分析对特征加工方案进行优化分析和计算。最后以单特征圆柱孔的工艺方案决策为例,证明了该方法的实用性。     

三维机加工工艺工序间模型快速创建方法

为达到机加工零件快速工艺设计的目的,对快速创建工序间模型的方法进行了研究。根据机加工零件模型加工特征的生成方式及特点,将加工特征分为凹陷特征、凸起特征和过渡特征;以特征识别技术为基础、特征面组为研究对象,结合工艺知识识别出所需加工特征的面组;运用半空间思想及基本建模方法,获取制造特征体并保存;获取所有制造特征体后生成零件毛坯模型,与获取的制造特征体进行布尔操作,快速创建工序间模型。以某机加工零件为例,对该算法进行了实例验证。     

混合决策的动态工艺规划系统

为了提高CAPP系统的实用性、柔性和动态适应性,提出了一种混合决策的CAPP系统体系结构.利用基于特征匹配和特征属性匹配的两级实例检索方法,得到实例库中与待加工零件最相似已有零件的加工特征排序和加工方法.为了进一步得到符合车间生产条件的工艺计划,研究了计算机辅助工艺规划和生产计划与控制系统集成过程中出现的加工资源选择问题,并利用BP神经网络以及相关算法实现了二者集成过程中的加工资源决策,以提高CAPP系统的动态适应性.结果表明:综合利用实例检索和加工资源动态决策的方法,既可以保持CAPP系统的实用性,又可以提高CAPP系统的柔性和动态适应性.通过实例,详细介绍了基于混合策略的动态工艺规划系统的工作机制.     

基于蚁群算法的零件多工艺路线决策方法研究

为满足企业对工艺规划的新需求,提出了采用蚁群算法进行多工艺路线决策的方法。在几何和技术需求以及可用加工资源的基础上,零件所有特征的各个加工阶段的工序节点构成了工艺求解空间,把加工工序安排的基本原理作为决策加工顺序的约束。采用蚁群算法对工艺求解空间中的所有工序节点在搜索规则的约束作用下进行遍历,最终寻找到能够完全满足工序节点搜索规则的优化工序序列。最后,用实例验证了该方法的可行性,证明该方法可以搜索出可行的工艺路线。     

扩展隐层的误差反传网络训练算法研究

为提高神经网络的预测精度,对现有的误差反传网络训练算法进行了改进.对三层误差反传网络进行了结构扩展,在训练过的三层网络中,动态增加一个具有线性激活函数的辅助隐层,形成一种新的网络扩展模型.用改进的蚁群算法对新增权值参数进行训练,着重阐述算法的实现过程及算法分析.最后,设计了一组催化剂活性预测实验,对算法改进前后的预测能力及训练误差进行了对比.结果表明,采用该模型及训练算法,可以在不影响网络表达能力的基础上提高网络的训练精度及预测精度,改善了网络的泛化能力.     

遗传神经网络法在风机故障诊断中的应用

本文在神经网络训练过程中,加入一个局部极小判别式,以确定网络是否陷入局部极小点,若陷入局部极小点,则利用遗传算法进行权值修正。以鼓风机常见故障为例,应用本文提出的遗传神经网络算法对其进行了故障诊断分析,从而证明了该算法的有效性。     

机械故障诊断的遗传BP算法应用研究

为克服 BP算法中存在的网络学习收敛速度慢 ,以及容易陷入局部极小的问题 ,本文在神经网络训练过程中 ,加入一个局部极小判别式 ,以确定网络是否陷入局部极小点 ,若陷入局部极小点 ,则利用遗传优化算法进行权值的修正。以机械设备故障诊断为例 ,应用此算法对其进行了故障诊断研究 ,从而证明了该算法的有效性。     

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.     

基于人工神经网络的制造执行系统软件构件库构件提取方法研究

为了提高从软件构件库中搜索构件的速度和准确率，利用误差反向传播神经网络(BP网络)研究了构件的搜索问题。针对制造执行系统软件构件的特点，提出一个基于刻面的制造执行系统软件构件表示模型。在此基础上，建立了在构件刻面空间和构件标识之间进行匹配的BP网络模型，并详细研究了该BP网络模型的结构、算法、输入／输出参数处理等问题。最后，通过一个构件库原型系统进行了验证。     

基于过程神经网络的航空发动机性能参数预测

针对传统方法难以对性能参数进行有效预测的问题,提出一种基于过程神经网络的性能参数预测方法。为解决反向传播学习算法收敛速度慢、易陷于局部极小点等问题,开发了一种基于正交基函数展开的Leven-berg-Marquardt学习算法。为提高过程神经网络的泛化能力,从提高训练样本的质量和规模入手,研究了实际测量数据的预处理方法,并提出一种基于样条函数拟合和相空间重构理论的训练样本集构造方法。最后,将该方法用于某型航空发动机性能参数的预测,获得了满意的结果。     

水下机器人运动系统的神经网络辨识

建立了水下机器人的动力模型，分析了辨识该模型的神经网络结构，采用带自反馈的Elman网络来获得更精确的结果。针对BP算法即误差反传算法的缺陷，提出了用混合优化算法——误差反传算法和遗传算法的混合算法（又称：GA＆BP算法）修正网络权值。最后，将改进的Elman网络应用于水下机器人的非线性辨识。通过仿真证明了该方法用于高阶非线性系统的实用性。     

基于进化神经网络的刀具寿命预测

为预测道具寿命,引入人工神经网络技术,建立了刀具寿命预测神经网络模型,同时对切削参数进行优化选择.在刀具寿命预测中,针对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,采用遗传算法训练反向传播神经网络,设计了进化神经网络的学习算法.实验和仿真结果表明:基于进化计算的反向传播神经网络可以克服单纯使用反向传播网络易陷入局部极小值等难题,刀具寿命的预测精度较高,从而为刀具需求计划制定、刀具成本核算,以及切削参数制定提供理论依据,节约了制造执行系统中的生产成本.     

基于改进BP神经网络的机床基础部件可再制造性评价模型

为了利用样本数据准确完成机床基础部件可再制造性评价,提高机床基础部件可再制造性评价预测精度,提出一种采用模拟退火遗传算法优化BP神经网络的机床基础部件可再制造性评价模型。该评价模型以机床基础部件可再制造性经典评价模型评价结果为样本数据,建立机床基础部件可再制造性评价BP神经网络预测模型,采用模拟退火遗传算法优化BP神经网络模型,寻找更优初始网络权值、阈值,以提高收敛速度和避免局部收敛。以一台机床基础部件可再制造性评价为例,验证了基于模拟退火遗传算法优化的BP神经网络评价模型具有更好的预测精度。     

基于遗传算法的人工神经网络在航空发动机磨损预测中的应用

提出了一种将遗传算法和BP算法相结合的学习算法来训练BP神经网络,实现网络结构的优化,并用优化后的BP人工神经网络建立了航空发动机的磨损预测模型。将该模型预测结果与BP算法和多元线性回归法的预测结果进行了比较。检验结果表明：基于遗传算法的BP神经网络优于BP算法及多元线性回归法,具有良好的预测效果。