基于遗传优化的BP神经网络

人工神经网络的优化学习是其研究中的一个重要课题.将遗传算法用于BP神经网络的学习,将遗传算法的全局搜索和BP神经网的局部搜索相结合,并设计一网络实例加以训练,达到了比较满意的效果.     

基于改进BP神经网络的废旧产品再制造成本预测

为有效、准确地预测再制造成本,开发了一种基于改进BP神经网络的再制造成本预测模型。进行再制造成本构成分析,运用决策试验和评估实验室（DEMATEL）方法进行关键影响因素识别;在此基础上,利用基于粒子群算法改进的BP神经网络方法实现成本预测。通过案例研究,验证了所提出的模型的可行性。结果表明：所提出的方法能够准确地预测再制造的成本,为废旧产品的可再制造性评估提供了参考     

叶片磨床的几何误差建模与精度分配优化

基于多体系统理论和坐标变换方法,构建某叶片数控磨床的几何误差模型。在此基础上,建立其精度分配优化目标函数,使用MATLAB遗传算法对各误差参数进行优化。优化后大多数经验设计变量值得到不同程度的放大,磨床的制造成本得以降低,且优化值均满足预定加工精度,有效地平衡了磨床的加工精度和经济性能。     

基于BP和GA的激光焊接热源模型参数优化

通过BP神经网络与遗传算法GA对激光焊接有限元模拟中的热源模型参数进行优化,实现了对激光焊接温度场的精确模拟。选取面体热源模型对激光焊接温度场进行了有限元模拟,将模拟中难以确定并且对结果影响较大的热源有效功率系数、热能分配系数和热源作用半径作为输入量,以有限元模拟结果的误差作为输出量对BP神经网络进行训练,得到具有一定预测能力的神经网络,并形成结合神经网络和遗传算法的参数优化方法。结果表明,经过参数优化后的激光焊接有限元模拟具有较高的精度。     

BP神经网络及其在焊接中的应用

介绍了BP（Back Propagation)神经网络在焊接中的广泛应用，综述了其在焊接领域，如焊接接头质量预测与监控、焊接工艺参数设计、焊缝成形控制、焊缝跟踪以及焊接缺陷的检测等方面的应用现状，同时展望了神经网络在焊接中的应用趋势。     

L-M优化算法BP网络在刀具磨损量预测中的应用

在线刀具磨损量估算及其未来发展趋势预测对于指导现实生产有着十分重要的意义.提出基于L-M优化算法BP神经网络的刀具磨损量在线预测方法.对声发射信号进行小波包分解,得到32个不同频带内的信号,用于构造初始特征向量矩阵;对初始特征向量矩阵进行奇异值分解,计算奇异谱,将奇异谱做为刀具磨损的特征向量,利用神经网络在线预测刀具磨损量.试验结果表明:预测结果能准确地跟踪实际的刀具磨损曲线,并且L-M优化算法比其他改进算法迭代次数少,收敛速度快,精确度高.     

BP神经网络在电渣重熔工艺参数优化中的应用研究

电渣重熔过程中需要兼顾产品质量、生产效率、生产成本等因素,本文以熔铸电流、冷却水流量、渣池深度作为输入变量,以电极端部锥高、熔化效率、电功率因数作为输出变量,利用BP人工神经网络理论,在MatLab平台上建立起电渣重熔生产工艺优化模型。实验证明,该模型可以用于电渣重熔过程中工艺参数的辅助选择。     

高速电弧喷涂在工程机械零部件再制造领域中的应用现状

在分析工程机械典型零部件失效模式的基础上,介绍了几种高性能电弧喷涂涂层的性能和应用背景,综述了高速电弧喷涂在防腐、采油装备、抽油泵柱塞、电站锅炉设备及汽车发动机等几个重要工程领域的研究应用现状,进而展望了高速电弧喷涂技术在工程机械零部件再制造产业的发展趋势,对再制造工程在工程机械产业中推广有一定的指导意义。     

BP神经网络在齿轮箱故障诊断中的应用

介绍了BP网络的原理、算法，并用BP网络对采煤机截割部齿轮箱机械传动系统的故障进行了趋势预测。经过地面模拟加载实验及井下验证，证明用人工神经网络可较好地预报机器故障，变被动维修为视情维修，可节省大量的设备维修费用，为合理安排生产计划及设备检修提供了可靠的依据。     

机械设备零部件再制造评价点阵图模型及应用

再制造评价作为绿色再制造工程的设计基础，是开展再制造的前提。为了判断机械设备零部件是否适合进行再制造，在分析机械产品再制造过程的基础上，建立了涵盖技术、经济和环境方面共12个指标的再制造评价指标体系；基于层次分析法，构建了以再制造评价综合指数为目标层的再制造评价层次结构模型。结合专家评分法，创造性地提出了再制造评价点阵图模型，对专家打分结果进行数据可视化处理，然后量化评价指标，计算指标权重和影响系数，从而得到再制造评价综合指数。以汽轮机长叶片为工程案例，利用再制造评价点阵图模型进行再制造评价，得到再制造评价综合指数为0.83，表明该叶片具有良好的可再制造性。结果表明，再制造评价点阵图模型具有指标全面、结果直观和流程规范的特点，可为再制造生产提供重要的信息支撑和决策依据。     

基于遗传算法BP神经网络的DEFORM-3D车削加工模拟优化

采用DEFORM-3D软件对高速车削进行仿真,得出车削过程中的工艺数据;构建BP神经网络,利用遗传算法优化BP网络,对结果做出了精确预报,找到了模拟条件的最优值,节省了大量的时间以及人力物力,有利于了解车削机理和提高车削质量。     

基于神经网络和遗传算法的工业机器人不均匀表面抛光

传统抛光过程中,抛光参数通常是根据工件表面设置为恒定值。但如果工件表面不均匀,恒定的抛光参数对于材料去除量大的区域会发生欠抛光现象,进而降低抛光效率,影响加工表面质量。为此,基于神经网络(NNW)和遗传算法(GA)提出一种工业机器人不均匀工件表面抛光算法,解决不均匀表面抛光过程中出现的问题。应用神经网络预测某一确定的抛光参数对应的抛光性能,利用训练的神经网络模型输出包括最佳材料去除率和改善表面粗糙度的目标函数;将遗传算法用于优化模型抛光参数。通过对不均匀表面的抛光实验,验证了该算法的有效性。     

基于遗传算法-BP神经网络的PID控制器的设计

针对常规PID控制器不能对其参数进行自寻优的缺点,提出采用遗传算法优化BP神经网络PID控制器,使3个参数实现在线调整.并通过MATLAB仿真试验表明:基于遗传算法-BP神经网络的PID控制器比常规PID控制跟踪信号的能力要好,而且有较好的自适应和自学习能力.     

基于改进遗传算法的单神经元自适应PID控制器

针对现有单个神经元的自适应PID控制器和遗传算法存在的不足，提出一种改进的遗传算法，并将其应用于单神经元自适应PID控制器中。该方法采用实数编码，模糊大变异操作，是为了提高收敛速度。仿真结果表明，基于改进遗传算法的单神经元自适应PID控制器不仅具有良好的控制性能，而且算法收敛速度优于现有的自适应控制器。     

基于BP神经网络与遗传算法的固结磨具制作工艺参数优化

目的 利用BP神经网络技术与遗传算法寻找固结磨具制作最优工艺参数组合,实现固结磨具制作工艺参数的快速寻优.方法 设计磨粒粒径、磨粒质量分数、成型压力、烧结温度的正交工艺参数表,按正交表工艺参数制作蓝宝石晶片加工用的Cr2O3固结磨具,并且设计不同固化温度下制作的固结磨具的硬度与抗压强度测试试验,验证自制的固结磨具加工的...     

改进遗传BP网络在涡流检测中的应用

针对传统的BP算法存在收敛性能差,易陷入局部最小的缺点,在涡流无损检测的缺陷快速识别中,提出采用遗传算法(GA)作为神经网络的学习算法。为避免网络的过早收敛,对传统的遗传BP网络进行了改进,应用自适应算法选择遗传算子值。结果表明,与BP神经网络相比,改进GA神经网络的收敛性能和推广能力都有了显著提高。     

基于遗传神经网络的压铸机座板结构优化设计

在对压铸机合模机构进行结构设计时，利用神经网络的非线性映射能力，通过少量样本的有限元分析结果，训练出表述结构参数间函数关系的神经网络模型，然后利用遗传算法的全局寻优性找到神经网络模型表述的目标函数的最优结构参数，从而解决结构优化设计的瓶颈和智能问题，利用这种优化设计策略，设计了压铸机合模机构座板，结果表明了该方法的高效性。     

基于遗传-神经网络数控系统插补控制技术

将遗传算法和神经网络两种技术相结合,建立遗传-神经网络插补模型以实现对复杂型面零件插补,该模型兼具神经非线性映射能力和遗传算法快速、收敛学习能力等性能。通过实验分析,验证了遗传-神经网络数控插补的可行性,该方法能够提高复杂型面零件插补的精度及速度。     

BP神经网络在流量比值控制系统中的应用

针对在PCT-2型过程控制装置进行流量比值控制时,PID参数难以整定的问题,提出了一种基于神经网络自适应的PID流量比值控制方法.该算法利用BP神经网络的非线性表示能力,通过系统的自学习来实现具有最佳组合的PID控制.这种方案达到了在线实时控制的目的.实验表明:在流量比值控制系统中,基于BP神经网络的PID控制算法比普通PID控制算法具有更好的动态性能和鲁棒性,能取得很好的控制效果.