不同配比Ni-Cr系涂层非线性动力学系统的抗腐蚀性能研究

采用非线性动力学系统的BP数据网络进行管材涂层腐蚀性能预测。首先采用增重法获取9种腐蚀工况下的增重数据,将获取的数据用于构建BP神经网络模型,通过传输和反演操作设置拓扑结构为6×15×1的BP神经网络,然后基于90组实验数据用于验证和评价BP神经网络预测模型,最后通过对优选出的涂层进行Ni-Cr系涂层的机理分析,从而解决生物质电站锅炉"四管"的腐蚀问题,研发的抗腐蚀涂层具有较好的经济性和实用性。     

Calibration and verification of DEM parameters for dynamic particle flow conditions using a backpropagation neural network

The Discrete Element Method (DEM) requires input parameters to be calibrated and validated in order to accurately model the physical process being simulated. This is typically achieved through experiments that examine the macroscopic behavior of particles, however, it is often difficult to efficiently and accurately obtain a representative parameter set. In this study, a method is presented to identify and select a set of DEM input parameters by applying a backpropagation (BP) neural network to establish the non-linear relationship between dynamic macroscopic particle properties and DEM parameters. Once developed and trained, the BP neural network provides an efficient and accurate method to select the DEM parameter set. The BP neural network can be developed and trained for one or more laboratory calibration experiments, and be applied to a wide range of bulk materials under dynamic flow conditions.     

Ti–6Al–4V钛合金筋板类吊挂锻造成形工艺优化及模具磨损研究

目的 改善Ti–6Al–4V筋板类吊挂锻件成形缺陷,降低模具磨损。方法 通过对原始工艺中存在的折叠、充填不满等缺陷进行分析,揭示局部飞边高度对锻件充填的影响,进而优化终锻模具局部飞边高度;通过增加预锻件筋条等几何特征,对预锻模具结构进行优化设计,并分析塑性变形时筋条区域金属材料的流动情况。结合BP神经网络技术,分析锻造工艺参数对终锻模具磨损的影响,并对工艺参数组合进行优化设计。结果 基于局部飞边高度对锻件充填效果的影响规律,确定最佳局部飞边高度为4 mm;通过增加预锻筋条优化预锻件结构,从而有效避免折叠缺陷;将BP神经网络技术与数值模拟结合,得到了最优工艺参数组合,有效降低了锻造模具的磨损量。结论 通过实际锻造生产试验对模拟分析结果进行了验证,固化了最佳模具结构与工艺参数组合,获得了变形均匀且无工艺缺陷的钛合金发动机吊挂锻件。     

Structure Design and Optimization of Deep Cavity Rollers of Rotary Steering Spindle System

The center shaft of rotary steering spindle system is bendable under bias force. A severe partial load effect occurs among rollers, the inside and outside circles of the first cantilever bearing. Simulation analysis was conducted by loading boundary condition of the spindle under bias force. Furthermore, three different types of deep cavity rollers, which were cylindrical, conical, and spherical, respectively, were analyzed by finite element method. The effects of deep cavity angles, radius, and offset on mechanical properties of bearing were studied. The data obtained by simulation analysis were trained and predicted by Back Propagation (BP) neural network, and then the BP neural network model was incorporated into fmincon function. Thereby, structure optimization of rollers was established based on BP neural network model and fmincon function. The results show that structure of the conical deep cavity roller gets optimal mechanical performance. After being optimized, maximum stress of edge region and elliptical area decreases, respectively, by 22 and 17% than before, indicating that structure optimization method of the neural network and fmincon function can be used in optimization of deep cavity rollers. This method can quickly search for the optimal solution with sufficient engineering accuracy, ease of use, and adaptability.     

基于显式有限元的薄壁结构吸能特性预测

为了探讨轴向载荷冲击作用下试验参数对薄壁结构吸能特性的影响规律，预测和分析某一类型的薄壁结构吸能特性，基于显式有限元技术建立了这一类型薄壁结构的BP人工神经网络吸能特性预测模型。以方形薄壁结构为例，通过改变结构质量、冲击速度、横截面尺寸、壁厚等影响结构吸能特性的因素对这一类型的薄壁结构进行了大量的数值试验，获得不同试验条件下的结构吸能特性参数，然后建立了这一类型薄壁结构的吸能特性预测模型，并进行自主训练学习, 当训练步数为2035时，网络模型达到误差要求。结果表明：该BP神经网络模型的输出样本与目标值十分接近, 比吸能误差值为-2.53％，有效撞击力误差值为4.67％，有效撞击行程误差值为-3.90％，说明该模型具有较好的精度。     

球墨铸铁机械性能的优化模型

通过对球墨铸铁机械性能影响因素的分析，指出在一定的生产条件下，球墨铸铁的机械性能主要取决于组织、成分。利用Matlab中的Neural Network Toolbox仿真环境和BP模型算法建立了球墨铸铁机械性能的优化模型，详细论述了模型结构的设计、数据处理、网络初始化、训练与仿真的过程。该方法对提高球墨铸铁的机械性能具有积极作用。     

用人工神经网络对PZT陶瓷进行性能分析与优化

选取了几种常用的金属氧化物掺杂剂,在均匀实验结构的基础上用人工神经网络方法对掺杂PZT陶瓷的性能进行分析和优化.实验结果表明,掺杂PZT体系的人工神经网络模型要比多重非线形回归模型准确得多,而且以人工神经网络模型为指导对材料进行优化后的性能预测也比较准确,说明人工神经网络在陶瓷这种多组分固溶体材料的性能分析中具有良好的使用前景.     

基于BP神经网络算法的316L不锈钢极薄带热处理力学性能预测

目的 为了预测不锈钢极薄带热处理后的力学性能、优化热处理工艺以及实现热处理工艺的智能控制,构建基于BP算法的神经网络模型。方法 以316L不锈钢极薄带为研究对象,进行热处理试验和拉伸试验,通过以热处理的退火温度、保温时间和取样方向作为输入层参数,以屈服强度、抗拉强度、断后伸长率作为输出层参数,采用BP算法构建了316L不锈钢极薄带力学性能预测的思维进化算法优化BP神经网络模型,并进行模型的预测和应用验证,考虑不同隐含层节点数及不同BP神经网络模型对性能的影响。结果 思维进化算法优化的BP神经网络模型测试集的屈服强度、抗拉强度和断后伸长率的平均相对误差分别为8.92%、5.21%和9.28%,训练集相关系数为0.980 94。思维进化算法优化BP网络单、双隐含层误差总和最低分别为0.578 6和0.546 9,BP网络与思维进化算法优化的BP网络误差总和最低分别为0.579 9和0.546 9。结论 思维进化算法优化BP神经网络模型具有较好的预测能力和泛化能力,以及较高的预测精度。与企业现用生产工艺相比,采用模型优化后热处理工艺的综合力学性能有显著提高。     

基于微分进化神经网络的模拟电路故障诊断

BP神经网络已在模拟电路故障诊断领域得到广泛应用,但BP神经网络存在训练速度慢且容易陷入局部最优的问题.由此,本文提出了一种基于混合变异策略的微分进化改进算法,描述了利用微分进化改进算法进行神经网络权值训练的过程和方法,并将微分进化神经网络用于模拟电路故障诊断,文中还对微分进化神经网络与BP神经网络进行了比较.实验结果表明,微分进化神经网络的训练时间和训练精度均优于BP神经网络,其在模拟电路故障诊断中的准确度比BP神经网络提高了7%.     

基于遗传神经网络的履带行驶系统载荷识别方法

针对煤矿掘进机器人履带行驶系统工作环境恶劣,载荷无法直接有效获取这一工程实际问题,提出了基于遗传神经网络的振动信号载荷识别方法。构建了遗传算法(GA)优化BP(back propagation)神经网络载荷识别模型,采用路试法试验采集了履带小车的5组振动加速度数据和单组应力载荷数据,探讨路面不平度频率和驱动轮啮频等对履带车振动和应力载荷的影响规律;借助快速傅里叶变换(FFT)对原始应力载荷数据进行去噪处理,依据履带小车行驶平顺性指标,利用sym8小波函数对振动加速度信号进行5层特征提取以提高载荷识别的精度,然后将5组小波变换分解的加速度数据和滤波后的应力载荷数据分别作为GA-BP神经网络的输入和输出进行训练及验证,揭示了履带行驶系统运动过程中振动与应力载荷之间的关系。研究结果表明,路面不平度频率、驱动轮啮频及转频为小车振动的主要频率成分,路面不平度引起的振动频率为13.765 Hz,驱动轮啮频为68.25 Hz,转频为3.25 Hz。多组试验得到的BP神经网络最佳隐含层神经元数为63,GA-BP神经网络识别的应力载荷与期望应力载荷具有较高吻合度,相对误差为4.5%,验证了该方法的有效性...     

基于平面应变压缩模型的TA15钛合金热强旋组织性能预测研究

针对热强旋过程的变形特点,本文研究了基于平面应变压缩的物理模拟模型对钛合金热强旋过程的组织性能演变预测的可行性.为此本文对TA15钛合金平面应变压缩变形的组织和热强旋过程进行了对比分析,并以平面应变压缩的组织性能演变模型为基础,采用BP神经网络对TA15钛合金热强旋旋过程的组织性能进行了预测.研究结果表明,TA15钛合金平面压缩变形和热强旋过程的组织性能演变规律基本一致,采用平面应变压缩的组织性能模型可有效预测钛合金热强旋过程的组织演变.但是,由于强力旋压的多道次累积变形较平面压缩的单道次变形更为均匀充分,使得大减薄率时的预测误差略有增大趋势.     

偏最小二乘回归神经网络模型在爆破振动峰值速度预测中的应用

神经网络方法是处理非线性问题的有力工具,但当输入变量较多,输入变量间存在的多重共线性性会使得网络的建模效率下降。偏最小二乘回归方法通过提取对因变量解释性较强的成分,能较好地克服变量间的多重共线性。将两种方法相结合,建立了爆破振动峰值速度的偏最小二乘回归BP神经网络预测模型。利用偏最小二乘法对影响爆破振动的因素进行分析,提取出3个新综合变量,使BP网络的输入层节点数目由9个减少到3个,简化了网络结构,提高了计算速度,增强了网络稳定性。分析结果表明,耦合模型的平均预测误差为7.62%,相较于传统的萨氏公式及标准的BP神经网络模型其预测精度有了明显提高。     

基于模拟退火算法优化BP神经网络的色彩空间转换

目的研究基于模拟退火算法优化BP神经网络对喷墨打印机色彩空间转换预测准确性的方法。方法通过数据归一化处理、模拟退火算法优化BP神经网络的权值和阈值,以获取它们的全局最优解,再用BP神经网络法进行色差预测。结果模拟退火算法优化BP神经网络预测模型测试15次得到色块平均色差达到2.3067,最小平均色差达到0.7892。结论该方法优化BP神经网络精度非常高,对喷墨打印机色彩空间转换具有较好的非线性拟合能力和更高的预测准确性。     

GA改进BP神经网络在抗滑桩孔爆破开挖中的应用

目前桩孔开挖主要依靠工程类比进行,不同设计者设计的爆破参数往往因掌握的爆破理论和经验的不同而有所差异,爆破质量参差不齐。为此,提出基于遗传算法GA改进BP神经网络(GA-BP)建立爆破参数优化设计模型,该法不仅可以利用已有爆破经验数据和工程地质条件,同时,使用遗传算法优化BP神经网络阈值和权值可以弥补BP神经网络不稳定的缺陷,以达到获得更优爆破参数的目的。实践表明,基于遗传算法改进BP神经网络相比一般BP神经网络预测相对误差较小,同时GA-BP神经网络得到的优化爆破参数进行现场试验,取得了良好的爆破效果。因此,GA-BP神经网络模型应用于抗滑桩孔开挖爆破参数设计是可行的,可用于指导爆破施工。     

多跨转子系统多频传递力的神经网络自适应PD控制EI北大核心CSCD

针对大型旋转机械在运行过程中,由于自身不平衡量以及复杂的外部环境激励,导致转子系统振动,进而对基础和外部结构产生多频传递力的问题,提出了一种基于BP神经网络的自适应PD控制算法。采用一种电磁执行器与固定瓦滑动轴承集成的混合轴承结构,分析了该混合轴承的动力学特性;针对一个多跨转子系统,用有限元法建立了系统的动力学方程,从原理上分析了PD控制方式下传递力的主动控制;针对传统PID控制参数获取困难的问题,提出了基于BP神经网络的自适应PD控制算法;在一个四轴承双跨转子系统仿真模型上,分别对基于BP神经网络的自适应PD控制、BP神经网络控制及LMS控制的效果进行了对比分析。结果表明,基于BP神经网络的自适应PD控制对转子系统多频传递力具有更好的抑制效果。     

BP神经网络求解轮轨力作用点位置的研究

测力轮对(Instrumented wheelset)是测量轮轨力最直接最准确的方法。利用有限元法建立测力轮对的有限元模型,并通过计算机模拟研究载荷作用点位置对测力轮对辐板应力的影响,在此基础上,建立加载位置的BP神经网络模型。实践表明,采用BP网络模型仿真的结果可以得到更理想的输出波形,解决或减少了传统组桥过程中存在的一系列问题,证明了所设计的网络具有足够的精度,所建立的网络也是具有应用价值的。     

人工神经网络应用于空调系统故障诊断的研究

本文首先介绍了人工神经网络的基本原理,然后详细介绍了反向传播算法(BP),最后研究BP算法在空调系统故障诊断方面的应用.