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.     

基于神经网络的数控机床结合面动态特性参数建模与仿真

采用LM算法建立了固定结合面动态特性参数预测的神经网络模型,在模型中考虑到了影响结合面特性的各个参数,选取结合面特性试验数据对神经网络进行训练,用训练好的网络对结合面特性参数进行仿真.结果表明,用BP神经网络方法建立的结合面动态特性模型能够对结合面动态特性参数进行准确的预测.     

基于BP神经网络和多元线性回归的航发叶片铣削力预测研究

针对航空发动机叶片加工过程中铣削力的变化预测和控制问题,通过研究铣削加工工艺系统的主要工艺参数,利用正交试验法确定了若干组工艺参数方案,建立了AdvantEdge FEM叶片二维铣削模型完成了叶片铣削仿真试验;提取了仿真试验的铣削力,通过方差分析确定了不同工艺参数对铣削力变化影响能力的强弱;利用影响能力强的参数设计了对比试验,建立了BP神经网络铣削力预测模型和多元线性回归铣削力预测模型,比较分析了两种预测模型对铣削力的预测能力。研究结果表明:铣削深度对铣削力变化的影响最大,其余影响较小;BP神经网络预测的准确度和稳定性整体上优于多元线性回归。     

基于径向基函数神经网络的发动机磨损预测分析

针对BP神经网络算法的不足,利用径向基函数(RBF)神经网络建立设备的磨损预测模型,对光谱分析数据进行实例仿真,并与BP网络模型进行对比研究.仿真结果表明,该模型预测精度高,训练时间短,大大优于BP神经网络模型.     

基于BP神经网络的铣削力仿真技术研究

应用人工神经网络技术建立了铣削力仿真的BP网络模型。通过正交试验,获取训练样本,并对网络进行了训练。最后将网络预测结果与实验数据进行比较和误差分析,证明了人工神经网络能够准确地预测铣削力的大小。     

基于BAS-BP的铝合金弱刚性零件铣削力的预测

为减少薄壁零件的加工变形，实现对铝合金薄壁零件铣削力的精准预测，通过响应曲面法设计相关试验获得铣削力试验数据。针对传统BP神经网络预测精度不高的弊端，将天牛须寻优算法(BAS)与BP神经网络结合，优化BP神经网络初始权值和阈值，建立BAS-BP神经网络预测模型。结果表明，改进后的神经网络预测模型具有更高的预测精度，对铝合金零件加工中铣削力的预测有较为理想的效果。     

基于BP神经网络的立铣加工振动快速预估

结合研制的立铣加工过程虚拟仿真系统和实验测量铣削力信号,训练并建立BP神经网络模型,快速实现铣削过程刀具-工件系统振动状态的预估.预估的振动结果与实验测量数据较为吻合,表明铣削虚拟仿真系统与神经网络技术的结合能够高效低耗地用于不同铣削加工条件下铣削振动状态的快速预估和加工过程监测.     

粒子群优化模糊系统的铣削力建模方法

根据铣削力的特点,提出用模糊系统进行铣削力建模的新方法.根据铣削力的特点和研究目的,设计钛合金铣削试验,试验在数控铣床上进行,用测力仪进行铣削力测量,由试验得到铣削力的训练数据和测试数据.在分析基本粒子群算法优缺点的基础上,将梯度下降算法嵌入基本粒子群算法形成改进粒子群算法.通过训练数据分别用梯度下降算法、基本粒子群算法和改进粒子群算法训练模糊系统,改进粒子群算法的收敛效果优于梯度下降算法和基本粒子群算法.用回归分析对铣削力进行建模,回归函数分别取为指数形式与线性全因子多项式形式,这样得到两种铣削力经验公式.用测试数据对各方法得到的模型分别进行测试,改进粒子群算法训练模糊系统的预测效果优于其他方法.预测结果验证了用改进粒子群算法训练的模糊系统进行铣削力建模是可行的.     

遗传算法优化的BP网络在铣削力预测中的应用

神经网络初始连接权值和阀值的选择对网络的预测精度及收敛速度影响很大,但又无法准确获得,针对此问题,建立遗传算法(GA)优化的BP神经网络预测模型,解决神经网络初始权值和阀值的选择问题。该模型通过遗传算法优化BP神经网络的权值和阀值,获得最优的初始权值和阀值,并应用优化后的BP神经网络预测模型对铣削力进行预测,最后与优化前的BP神经网络模型的铣削力预测值进行对比分析。研究结果表明,经遗传算法优化后的BP神经网络模型比优化前的BP神经网络模型的预测精度高,同时加快了收敛速度。     

GA-BP神经网络预测钛合金表面粗糙度

为了有效预测铣削加工中钛合金工件的表面粗糙度,建立了以切削速度、进给量、径向切深、轴向切深为输入参数,表面粗糙度为输出参数的预测模型。该预测模型将遗传算法与BP神经网络结合起来,使用遗传算法优化BP神经网络的初始权值和阈值,进行铣削实验获得实验数据,并对神经网络进行训练,最终获得预测模型。通过对比分析GA-BP预测模型、BP预测模型、线性回归预测模型的预测精度,得出GA-BP预测模型具有相对较好的预测精度,证明该预测模型是有效的。     

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神经网络的铣齿切削功率计算方法研究

通过对物理样机的实验测量,借助MATLAB神经网络工具箱,将BP神经网络的理论和算法应用于铣齿功率建模的研究中。通过铣齿切削试验获取训练样本,对齿轮铣削功率的网络模型进行训练和测试。结果表明,人工神经网络能较准确地预测铣齿功率的大小,解决了传统经验公式误差较大的问题,为铣齿机床的传动设计提供了依据。     

高速加工热缩加长刀杆与刀具配合铣削力预测

根据热缩加长刀杆与刀具配合精加工与半精加工的特点,利用反向传播神经网络(BPNN)建立高速加工热缩加长刀杆与刀具配合的铣削力模型。模型除了考虑6个主要影响铣削力的加工条件外,还将时间参量引入输入向量,实现了三向铣削力的瞬态预测。通过大量的加工实验获得网络所需的训练和检验样本,并通过编制Matlab程序实现了网络性能评价和网络参数优化。检验结果表明,铣削力预测结果与实际测量结果之间具有很好的一致性,三向分力的平均预测误差均小于0.18,在预测效率和精度上均优于通常所用的解析模型,并具有很好的扩展性能。     

PCD刀具高速铣削GH4169合金的刀具磨损规律研究

为研究PCD刀具高速铣削GH4169合金时刀具的磨损规律,采用单因素试验法分别对不同铣削参数下后刀面磨损程度随切削路程的变化进行对比。结果显示主轴转速对高速铣削GH4169合金时刀具磨损的影响不大,采用顺铣、切削液冷却的方式,并适当降低每齿进给量有助于减小刀具磨损。使用BP神经网络对试验数据进行训练,建立了刀具磨损预测的模型,预测结果与实际结果误差在5%以内。     

基于BP神经网络的波形刃铣刀片模糊综合评判系统

针对波形刃铣刀片耦合场的非稳态特性,基于铣削温度和铣削力试验以及有限元分析,利用BP神经网络LM算法预测了铣刀片温度场和应力场;运用模糊数学理论,根据加工要求和专家分析,用VC++开发了波形刃铣刀片模糊综合评判系统。该系统可对多因素作用下的铣刀片温度场、应力场和耦合场的优劣进行评判,为铣刀片三维复杂槽型的重构提供依据。     

基于神经网络的铣削复杂薄壁件受力变形分析和建模研究

铣削过程的复杂性使加工变形问题很难得到精确的解析解。为研究铣削过程中复杂薄壁件受力变形模型,将人工神经网络引入到摆线轮加工变形模型研究过程中,以有限元仿真结果为依据,通过改进的BP神经网络算法,建立了高速铣削轴承钢摆线轮铣削力与变形之间的非线性映射模型。结果显示所建立的网络模型具有较高的精度和良好的泛化能力,为进一步实现变形控制提供科学依据。     

基于混合遗传算法的磁控形状记忆合金驱动器磁滞模型优化

为了消除或减小磁滞非线性特性对磁控形状记忆合金驱动器定位精度的影响,应用BP神经网络建立了磁控形状记忆合金驱动器磁滞模型。针对BP网络算法存在的不足,以及网络结构、初始连接权值和阈值的选择对BP网络训练的影响很大等问题,提出一种混合遗传算法对神经网络磁滞模型的权值和阈值进行优化。将优化后的参数赋值给BP神经网络重新训练,结果表明,优化后的磁滞模型训练误差绝对值由25nm减小到5nm,有较好的收敛性。