共查询到19条相似文献,搜索用时 78 毫秒
1.
2.
夏颖怡 《精密制造与自动化》2017,(2)
刀具的使用寿命对于刀具需求计划制定、刀具生产准备以及切削参数的设置等具有重要影响。为了准确预测刀具使用寿命,在BP神经网络中引入了一种新型遗传算法,提出了一种基于遗传算法优化的BP神经网络的刀具寿命预测方法。BP神经网络中的权值和阈值利用遗传算法进行优化处理,训练BP神经网络预测模型求得最优解。实验结果表明,基于GA-BP神经网络刀具寿命预测方法相比传统BP神经网络预测具有更高的寿命预测精度,为刀具需求制定、成本核算、切削参数的制定提供了理论依据。 相似文献
3.
4.
5.
基于神经网络的球轴承剩余寿命预测 总被引:8,自引:1,他引:7
针对球轴承的剩余寿命预测问题,基于自组织映射(Self organizing map, SOM)和反向传播 (Back propagation, BP)两种神经网络,提出一套新的预测球轴承剩余寿命的方法体系。深入对比分析几种不同轴承衰退指标的优缺点,利用三套时间域衰退指标和三套频率域衰退指标,包括一套新设计的指标,训练自组织映射神经网络。将源自于SOM的最小量化误差(Minimum quantization error, MQE)作为新的衰退指标,建立一套轴承性能数据库。针对球轴承衰退期,训练一套BP神经网络,根据权值计算失效时间技术,成功开发一套剩余寿命预测模型。结果表明,该方案远优于业界常用的L10寿命估计。 相似文献
6.
7.
8.
BP神经网络与广义RBF神经网络在产品寿命分布模型识别中的应用研究 总被引:2,自引:0,他引:2
通过分析BP神经网络和广义径向基神经网络(RBF神经网络)的基本结构和算法,建立了应用于机械产品的寿命分布类型智能识别的BP神经网络和RBF神经网络模型,通过仿真实验对比分析了BP神经网络和RBF神经网络识别效能。结果表明,RBF神经网络参数调整简单、训练时间短,且逼近能力与BP神经网络相当,但是推广能力较差;BP神经网络收敛缓慢、训练时间长,但推广能力较强,更适合分布参数变化范围大的寿命分布模型的识别。 相似文献
9.
10.
基于相对误差平方和的神经网络预测镁合金多轴疲劳寿命 总被引:2,自引:1,他引:2
提出一种以相对误差平方和(Surm squared relative error,SSRE)作为误差性能函数的反向传播(Back propagation,BP)神经网络算法(SSRE-BP),针对3种不同镁合金AZ31B、ZK60和AZ61A在单轴拉压、纯扭、45°比例和90°圆形非比例等4种不同加载路径下的疲劳寿命进行预测。并与以均方误差(Mean squared error,MSE)作为误差性能函数的传统BP神经网络(MSE-BP)以及基于临界平面法的SWT疲劳损伤模型预测的结果进行比较。结果表明,在3种镁合金材料总共138组疲劳数据中,神经网络只有一组预测值在3倍偏差界限外,而用SWT预测结果分别有16组、13组、10组数据在3倍偏差界限外。两种BP神经网络能够较好地预测镁合金不同加载路径下的疲劳寿命,相比于SWT疲劳模型预测的寿命在精度上有较大幅度的提升。其中,SSRE-BP算法的精度略高于传统的MSE-BP算法。 相似文献
11.
12.
13.
14.
在对生产率影响因子分析的基础上,提出了应用正交试验法确定影响生产率的主要因子的快速方法。通过对主要影响因子与生产率的正交试验数据进行分析,得到用于BP神经网络预测模型的输入、输出变量以及训练神经网络所需的数据样本,多次试取隐含层和各隐含单元,并选取trainhn作为最优训练函数,建立了压块机生产率预测的人工神经网络系统。在试验结果中随机选取6组试验样本,进行连续5次挠度预测,预测值和试验实测值最大相对误差为0.14mm,解析结果表明:压块机预测结果与实验值吻合的较好,建立的人工神经网络预测模型具有较高的预测精度。 相似文献
15.
16.
改进了GM(1,1)模型,提高了其精度和适应范围;将改进的GM(1,1)模型与神经网络预测模型相结合来构建灰色神经网络组合预测模型;提出了基于支持向量机的液压泵寿命特征启发式搜索策略,以液压泵寿命特征参数特征集的交叉验证错误率为评价指标,从液压泵的特征参数(振动、压力、流量、温度、油液信息等)中选取寿命特征因子;运用小波阈值降噪法进行降噪处理,提取典型的小波包能量特征作为模型的输入。以齿轮泵为例,将改进的灰色神经网络预测模型与原始GM(1,1)模型和改进GM(1,1)模型比较可知,灰色神经网络预测模型预测精度最高,达到98.42%。 相似文献
17.
18.
19.
为了评估滚动轴承的可靠性和预测剩余使用寿命,选取能够反映性能退化过程的特征参数作为寿命预测模型的输入参数,提出一种基于核主元分析(kernel principal component analysis,简称KPCA)和威布尔比例故障率模型(Weibull proportional hazards model,简称WPHM)的方法。首先,提取滚动轴承全寿命周期的时域、频域及时频域等多特征参数,从中筛选出有效的特征参数,构建高维相对特征集;其次,进行核主元分析,选取能够反映轴承全寿命周期性能退化过程的核主元,进而作为WPHM的协变量来进行可靠性评估和剩余寿命预测。通过滚动轴承全寿命试验,验证了该方法能够对轴承进行准确的可靠性评估和剩余寿命预测,以提供及时的维修决策。同时,由于提取的是相对特征,降低了同种轴承间在制造、安装及工况的差异,增强了该方法的适用性和稳定性。 相似文献