复合正交柔性神经网络及其应用

针对目前神经网络所存在的不足,提出一种带参数的单极性Sigmoid函数的柔性复合正交神经网络,并给出相应的参数学习算法,这种柔性复合正交神经网络不仅扩大了网络辨识模型的能力与学习适应性,而且算法简单,学习收敛速度快,有线性,非线性逼近精度高等优异特性。以模型辨识作为应用实例,仿真结果表明,其算法是有效的,柔性神经网络能提高正交神经网络的性能。     

复合正交神经网络与CMAC在PID并行控制中的比较研究

由于正交神经网络算法简单，学习收敛速度快，具有线性、非线性逼近精度高等优异特性，取得了较好的应用效果，但在动态建模与实时控制问题上研究较少。为此，本文提出复合正交神经网络(CONN)与PID并行控制算法，并对小脑模型(CMAC)与PID并行控制作一比较研究。仿真结果表明，当方波(阶跃)输入与正弦输入时CONN实现的前馈控制效果比小脑模型实现的前馈控制效果更好，响应速度更快，这充分地体现了复合正交神经网络的特点，即输出误差小、实时性好、鲁棒性强。     

利用神经网络及数值模拟获取变压边力控制曲线

在应用Dynaform、Autoform等板料数值模拟软件的过程中，通常需要对压边力施力曲线进行各种预先的设定，但如何选定施力模式一直是一个比较棘手的问题，在文中利用数值模拟及MATLAB中的神经网络工具箱得出了压边力的最优控制曲线。     

基于BP神经网络的CCT曲线预测研究

分析影响钢的CCT(过冷奥氏体连续冷却转变)曲线的主要因素,基于BP神经网络算法及特征,建立CCT曲线的预测模型,并建立与之匹配的训练样本集。通过大量的实验,确定稳定的、具有预测功能的网络结构。预测结果能有效解决在无物理实验条件下,初步预测金属材料的组织、性能,为研制新钢材奠定基础。     

基于正交试验和BP神经网络的板材多点渐进成形工艺优化

针对金属板材渐进成形过程中易出现壁厚不均的问题,在多点渐进成形工艺的基础上,选定合理的工艺参数,建立有限元模型,设计正交试验方案,利用ANSYS/LS-DYNA对方锥台制件渐进成形过程进行数值模拟,并对正交试验结果进行极差分析、方差分析和BP神经网络优化。结果表明:在板材多点渐进成形中,进给量对目标制件成形区壁厚均匀性影响最大,其次是工具头半径,进给速度影响不明显;BP神经网络模型的预测结果与正交试验结果相比误差小于5%;1060铝合金板材在多点渐进成形过程中,当工具头半径为6 mm、进给量为0.25 mm、进给速度为30 mm·s-1时,可获得壁厚较均匀的目标制件。     

基于正交试验的级进模连续拉深带料的数值模拟

根据理论数据和经验公式对某不锈钢筒形件进行了连续拉深级进模设计,并对带料的连续拉深成形过程进行了数值模拟,预测了成形过程中出现的起皱和破裂缺陷.采用正交试验分析了压边力、摩擦系数和凹模圆角半径等参数对成形质量的影响,得到了拉深结束后制件的最大变薄率.通过对实验结果分析,得到了使制件减薄最小和消除筒壁起皱的成形参数.通过优化分析,消除了成形过程中出现的缺陷,得到了合理的成形参数.这能为实际生产提供指导.     

数值模拟轧辊复合层连续铸造

数值模拟轧辊复合层连续铸造，采用分段直线拟合曲线和控制容积法。提出连续铸造轧辊复合层界面良好熔合的判据。采用直接优选法，反推重要工艺。获得轧辊复合层连续铸造法生产装置的总体设计方案。模拟得到生产良好复合轧辊、漏钢等不同的生产工艺条件。     

基于神经网络的泵体铸造过程数值模拟的优化与应用

根据A356泵体铸件金属型低压铸造特点,结合生产实际,以A356泵体浇注工艺参数为研究对象,L16(45)型正交实验数据作为训练学习样本,与正交实验成分有关的前16个样本作为训练与检验,用BP神经网络进行预测和优化,结果表明神经网络优化后的模拟值最大误差很小,CPU占用时间仅为40s.人工神经网络与正交实验相结合,能大大节省时间和费用,降低CPU占用率,也证实了对A356泵体充型过程数值模拟的神经网络优化是可行的.     

基于BP神经网络的压铸成型工艺参数的模拟与优化

利用数值模拟、BP神经网络和正交试验相结合的方法对压铸成型的工艺参数进行模拟和优化。并且通过一个简单的实例对该方法的可行性进行了验证。基于BP神经网络对压铸工艺参数及其相对应的铸件最低温度点样本进行训练,得到了工艺参数到铸件温度映射关系的神经网络模型,并验证该模型的准确性。结果表明,神经网络结合正交实验设计方法的优化算法,可以确定出最优的工艺参数组合,缩短了优化工艺参数的时间。     

基于BP神经网络的机械扩径工艺参数预测方法

文章给出了一种基于BP神经网络建立管筒形零件机械扩径工艺参数与成形精度控制参数间的映射关系,并将其嵌入遗传算法以实现工艺参数优化的机械扩径工艺参数预测方法。所涉及的工艺参数包括扩径率、管坯横断面圆度和模具外径与制品内径之比;成形精度控制参数包括制品外径及其横断面圆度误差。该方法能够很好地预测材质为X52、规格为(406mm～720mm)×9mm的管线钢管机械扩径的工艺参数,并给出一个满足其成形精度要求的最佳工艺参数组合。     

基于点云数据的曲面重构方法及其比较

从反向工程曲面重构的基础和原理出发,进行了反向工程中不同的曲面重构方法的分析,以及应用不同曲面重构方法软件的特点、流程、优势及适用范围的比较.     

基于本征正交分解法的焊接模型位移重构

在包含大量焊点的焊接结构件优化过程中,为了降低模型仿真对计算机软硬件的要求并提高计算速度,保证优化方案的可行性,设计了基于本征正交分解的降阶模型重构过程。在理论基础上,对一个焊接模型进行分析,提取模型节点位移进行本征正交分解,分析本征值的贡献度并构建其降阶模型。结果表明:基于本征正交分解的模型重构方法在保证计算精度的前提下,能够有效减少模型自由度,加快仿真优化的速度。该方法适用于加速焊接结构仿真和优化过程。     

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...     

基于神经网络和涡流检测的自然裂纹形状重构

基于涡流检测的裂纹形状重构在压力容器和热交换管道等关键设备结构的无损评价中越来越重要。从裂纹产生机理出发,对裂纹进行了分类并分析了自然裂纹与人工裂纹的区别。采用神经网络方法对自然裂纹形状进行了重构。重构结果表明该方法具有快速、精确的优点。同时讨论了该方法的不足并提出了解决思路。     

基于遗传神经网络的铣削力预测方法

铣削过程的复杂性和铣削力产生的多因素性使得铣削力预测模型很难建立.论文在遗传算法与BP网络模型相结合的基础上,利用遗传算法训练神经网络权重的方法,建立了铣削力预测的遗传神经网络模型.最后将神经网络预测结果与实验数据进行比较和误差分析,证明了该神经网络能够准确地预测铣削力的大小.     

地下管线检测中的曲线重构算法

提出了一种应用于非开挖管线测量,在已知离散点曲率的情况下进行空间曲线重构的方法。运用了差分和数值积分的方法重构了被测管线的轴线,并给出了一种修正方法,进一步提高了积分精度。文中给出的算例说明了本算法是可行的,并具有比较高的精度。     

基于深度卷积神经网络的轴承多故障诊断研究

针对现有研究轴承单一故障较多而研究复杂多故障较少的不足,结合卷积神经网络自动提取特征的特性,文章提出较为先进的无需人工提取故障特征的端到端深度卷积神经网络方法进行轴承多故障诊断。与基于人工提取故障特征的神经网络故障诊断方法相比较,该方法提高了轴承多故障诊断的精度,并有效区分故障发生位置,可为工业应用提供可靠的理论实验依据。     

基于RBF神经网络间接求取运动学逆解的研究

七自由度工业机器人的几何结构大多满足Pieper准则,所以针对七自由度的封闭解法具有很大的发展空间。提出了一种基于RBF神经网络间接求取运动学逆解的方法,将运动学方程转化成了优化控制问题。采用遗传算法与最佳柔顺性准则相结合的方法,为RBF神经网络算法提供了精确的样本;为了提高神经网络算法的收敛速度以及收敛精度,进行间接求取的方式,引入连杆三角形夹角的概念;为了验证结果的可靠性,以七自由度冗余机械臂为对象,开展了基于RBF神经网络算法间接求逆的优化实验,并对比传统的RBF神经网络求取运动学逆解算法,结果表明,该算法结构简单,且能够显著提高收敛精度和收敛速度。     

基于神经网络的磨削工艺参数智能预测模型

磨削参数的合理选择对于磨削加工过程有着重要的影响,将人工智能运用到磨削工艺参数的选择过程中是现代发展的一个新趋势.在分析现有的智能算法后,提出了一种利用BP神经网络模型来确定磨削参数的方法.在该方法中综合考虑影响磨削加工的因素,把它们列为神经网络系统的输入参数,并对输入参数进行编码;同时也对输出参数(砂轮速度、工件速度、磨削深度、磨削进给速度)进行了归一化处理以适应神经网络的学习.采用循环算法比较得出隐层的最优神经元个数,从而最终建立了磨削参数智能预测模型,并利用Matlab进行仿真预测,仿真结果表明该预测模型准确率很高,能为磨削参数的选择提供可靠数据.