BP神经网络在铝合金板材激光弯曲成形中的应用

在铝合金板材的激光弯曲成形中,工艺参数(激光功率、扫描速度和扫描次数)的不同组合使板材的弯曲角度也不同,而且从试验数据中很难得出激光工艺参数与弯曲角度之间的规律。本文用BP神经网络技术对铝合金板材的激光弯曲成形结果和工艺参数进行了预测。结果表明,预测值与真实值之间的误差都稳定在10%以内。精度比较高,说明运用BP神经网络对激光弯曲角度进行预测是可行的。     

基于粒子群算法的RBF神经网络齿轮磨损预测

针对机械设备磨损难以预测问题,提出RBF神经网络预测模型,并结合粒子群算法优化模型参数。利用变速箱型号为SG135-2系列的K727840ZW齿轮磨损实验输入-输出数据,通过基于粒子群算法的RBF神经网络建立输出预测模型,并与传统的AR模型、BP神经网络模型及Hermite神经网络模型预测作比较。仿真结果表明,基于粒子群算法的RBF神经网络模型结构简单、预测精度高,验证了所提方法的有效性和实用性。     

基于改进粒子群算法神经网络的SS304不锈钢激光拼焊焊缝成形预测

为了研究SS304不锈钢板拼焊的焊缝成形效果,搭建了激光焊接试验平台和数据采集系统,并通过试验采集的数据样本作为神经网络的训练样本.建立了基于改进粒子群算法神经网络的激光拼焊焊缝成形预测模型,利用遗传算法群体搜索策略改进粒子群算法获得神经网络修正后的初始权值及阈值,以激光拼焊工艺参数激光功率、扫描速度、板厚和离焦量作为...     

基于神经网络和粒子群算法的切削参数现场实时优化

为了使金属切削加工中，能实现切削参数的实时优化，保证产品质量和设备效率，提出了一种新的切削参数最优化方法，引入加工时间、加工精度、加工成本三个目标控制量，建立了多目标非线性规划模型。并用惩罚函数法将多目标非线性约束规划问题转换成无约束非线性单目标规划问题。通过对神经网络和粒子群算法的有机结合，并充分利用了粒子群算法和BP网络各自具有的优点，对模型进行了求解。数值试验表明该方法能较好地解决切削参数的优化问题。     

粒子群算法在优化板坯二冷制度中的应用

提出了一种基于带有变异算子的改进粒子群算法对二冷区水量进行优化的新方法。首先应用凝固原理和时空有限体积法建立连铸板坯凝固传热的数学模型，数值模拟结果与现场实测结果相符。再利用改进粒子群优化算法对二冷区各段的水量进行优化，优化之后的二冷制度使铸坯各段表面温度冷却速率和温度回升速率趋于平缓，与冶金准则对改善铸坯冷却过程和提高产品质量的要求相吻合。     

过度弯曲和校正弯曲在弯曲成形上的应用

对弯曲半径大的零件在弯曲成形中出现的回弹进行了工艺分析，并结合实例，较为详细地介绍了利用过度弯曲和校正弯曲的方法，设计了可控制和抵消弯曲件回弹的系列弯曲模具．     

熵增强的混沌粒子群算法在车间调度中的应用

粒子群算法具有早期收敛速度快,后期容易陷入早熟、局部最优等特点,为了使粒子群算法的择优能力大幅提升,论文首先选择运用混沌映射产生最初种群,然后借助粒子群算法针对种群展开优化,对个体及全局最优解加以混沌搜索,同时按照信息熵自适应调节惯性系数,设计出在大规模车间调度问题求解当中较为适用的熵增强的混沌粒子群算法。通过具有代表性的实际范例对该算法进行仿真研究,结果显示,在面对大规模的车间调度问题时采用该算法能够高效、快速获取相应答案,相较于以往老旧的算法,其优势极为显著。     

变异粒子群算法在装配线平衡问题中的应用北大核心

为找到更加符合实际的解,建立装配线平衡问题模型时,考虑在最大化生产线效率的基础上,增加了平滑指数这一目标函数。应用粒子群算法进行求解时,为避免常规算法易过早陷入局部最优这一不足,提出了一种变异粒子群算法。该算法对设定步长内位置没有更新的个体采用多点变异的方法增加种群多样性,从而达到改变个体极值与全局极值的目的。通过横向搜索、纵向进化的机制,可有效提高种群的搜索能力。最后,通过对实例库中例子的求解,验证了算法的可行性。     

粒子群算法在等误差直线逼近节点方法中的应用

自由曲线是数控加工中经常遇到的工件外形轮廓曲线,但一般的数控系统只有直线和圆弧插补功能。对于自由曲线的直接数控加工,只能用直线或圆弧去逼近其节点,并进行逼近的走刀加工。等误差直线逼近节点的方法能够使所有逼近线段误差相等,是自由曲线直线逼近节点的有效方法之一。在对等误差直线逼近节点算法的研究中,基于几何运算,提出一种新的等误差直线逼近节点的计算方法。该方法通过建立自由曲线的数学模型,运用粒子群算法迭代求取自由曲线上的刀位点坐标信息,并通过VC++编程,实现自由曲线等误差直线逼近数控系统的开发,并验证了该算法的有效性。     

改进型粒子群算法在数控加工切削参数优化中的应用

文章介绍了粒子群算法及其改进型的原理、模型和算法实现过程,并采用改进型粒子群算法对数控加工切削参数优化数学模型进行了优化计算,计算结果符合实际情况,表明改进型粒子群算法应用于机械加工优化计算切实可行,为复杂的机械制造及加工系统优化设计问题提供了新的思路和方法.     

基于粒子群算法的冒口优化设计

为有效节约金属材料,提高经济效益,降低生产成本,根据补缩原理和生产实际,以冒口的体积最小为目标函数,运用粒子群算法和Matlab语言,对冒口直径、冒口高度、冒口颈直径等冒口尺寸进行了优化设计,优化仿真结果表明,在保证铸件质量的前提下,冒口的体积比常规的模数法设计结果减少了11.77%,优化效果十分显著,表明了粒子群算法应用于铸造行业的优化设计可行.     

基于改进的粒子群优化神经网络粗糙度预测模型

神经网络算法在金属零件加工表面粗糙度预测中有着广泛的运用,但是尚存网络初始化及梯度弥散这类"黑盒"问题.提出一种基于传统PSO-BP框架的改进模型,使用Xavier替代传统高斯分布初始化粒子群,在算法优化器方面使用最新的自适应矩限制取代随机梯度下降算法进行模型参数更新,经实际测试发现其训练集均方误差及其测试集绝对误差相...     

Apriori算法及神经网络在数控机床中应用研究

数控机床加工精度受到机床零部件、外部环境等因素的影响,从而需要添加适当的补偿参数确保加工精度的稳定性,另外,不同车床不同时刻的补偿参数实时变化。为此,提出一种基于关联规则及神经网络方法的智能误差补偿模型。以实际生产中产生的数据集为基础,通过Apriori算法对数据集进行筛选;对各个特征值与补偿参数进行归一化处理,以提高数据的收敛速度;利用神经网络模型为不同情形下的车床搜寻最佳补偿参数模型,从而构建起最佳的智能误差补偿模型;经过智能误差补偿后,对生产的物件进行图像识别,分析其是否符合精度要求。仿真测试结果表明:针对训练集数据和测试集数据,车床稳定性分别提高了0.695和0.713。实测结果显示:利用上述方法,对30个产品进行雕刻,精度均符合要求。因此,智能误差补偿模型能够提高车床加工稳定性,提升产品合格率。     

粒子群算法在机械手臂B样条曲线轨迹规划中的应用

为了提高机械手臂的运行效率,使机械手臂运行轨迹平滑连续,增强机械手臂的实用性,在以时间最优为目的情况下提出了一种运用粒子群算法以B样条曲线对机械手臂进行轨迹规划,对各段样条曲线时间间隔进行优化,考虑速度、加速度及其变化率三个约束条件。仿真研究表明,采用粒子群算法优化B样条曲线产生的轨迹,能够缩短各段曲线的时间间隔,提高机械手臂的运行效率。     

基于小波神经网络和粒子群算法的铝合金板冲压回弹工艺参数优化

针对铝合金复杂件冲压后出现的较大回弹缺陷,同时为减少冲压成形工艺参数的优化时间,使用有限元仿真软件DYNAFORM对冲压成形及回弹过程进行数值模拟,在确保数值模拟与试验结果基本一致的基础上,利用代理模型对回弹进行了优化研究。以NUMISHEET'96 S梁为研究对象,凸模圆角半径、凹模圆角半径、压边力、板料厚度作为影响因素,成形后最大回弹值作为成形目标,运用拉丁超立方抽样,通过数值仿真获得样本数据,建立影响因素与成形目标之间的小波神经网络代理模型,利用粒子群算法对该模型迭代寻优获得最优工艺参数。结果表明:小波神经网络能较好地描述板料工艺参数与回弹之间的映射关系,优化后成形件的回弹量大大减小。     

基于粒子群算法的EPS系统控制策略

电动助力转向控制是EPS系统的基本控制策略。针对EPS系统的稳定性和快速性的要求,通过EPS系统各部分动力学方程,建立了基于MATLAB/Simulink的仿真模型,对常规PID控制和基于粒子群算法的PID控制进行了仿真对比。仿真结果表明：基于粒子群算法的PID控制策略,使EPS控制效果得以改善,系统响应时间快,鲁棒性好,趋于稳定所用时间短,为实现EPS的稳定性和快速性提供了理论依据。     

基于粒子群优化神经网络的滚动轴承剩余寿命预测

为了能在有噪声干扰的复杂环境下提取出滚动轴承振动信号的故障特征,提出了一种基于粒子群优化神经网络的轴承故障特征频率的提取方法。首先对采集的振动信号进行降噪处理;其次,进行特征提取与约简;最后,采用群体智能算法——粒子群算法优化BP神经网络初始权值和阈值,构建二者结合的模型来预测滚动轴承剩余有效寿命,并结合试验平台的实验数据对该模型进行验证。实验结果表明:该方法能够很好的降低提取振动信号时由于噪音产生的影响,滚动轴承剩余的预测更加准确。     

基于混合粒子群的RBF神经网络PID控制策略在某随动系统测试平台中的应用

针对某武器随动系统的研制需求,设计了一种基于电动负载模拟器技术的随动系统测试平台。为了解决该平台的模型不确定性、非线性和PID参数难以匹配的问题,提出了一种基于混合粒子群算法的RBF神经网络PID控制策略。实际应用表明该控制策略易于实现PID参数的自整定,控制效果良好,具有快速响应性和较好的鲁棒性、自适应性。     

基于模拟退火耦合粒子群算法优化BP神经网络的机床主轴热误差补偿研究

为了降低机床主轴运行产生的热误差,建立混合算法优化BP神经网络预测模型,通过实验验证预测精度。分析模拟退火算法和粒子群算法的不足,采用模拟退火算法耦合粒子群算法,给出混合算法寻优步骤。引用BP神经网络结构,构造机床主轴热误差预测模型,采用混合算法优化BP神经网络预测模型。采用实验验证主轴热误差预测精度,并与优化前进行比较和分析。结果显示:采用混合算法优化后的BP神经网络预测模型,其Y轴方向产生的最大误差值从7.3μm降低到2.3μm;而Z轴方向产生的最大误差值从7.5μm降低到2.6μm。同时,机床主轴整体误差波动幅度较小。采用混合算法优化BP神经网络预测模型,用于机床主轴热误差在线补偿,提高了加工精度。     

基于粒子群算法的支持向量回归机优化算法在铣刀磨损量建模中的应用

为了准确预测铣刀在加工过程中的磨损量,提出一种基于粒子群算法的支持向量回归机的优化算法用于对铣刀磨损量的建模与预测。通过粒子群算法,优化输入不同维度的特征向量的支持向量回归机的建模,得到特征向量维度的最优解和对应的支持向量回归机训练参数,建立了铣刀磨损量的预测模型。通过随机选取的真实样本,验证了该模型的准确性