BP神经网络与遗传算法结合下的温挤压模具优化设计

以汽车转向螺杆类杯-杆件的温挤压凹模为例进行模具磨损分析及其寿命预测。以影响温挤压凹模磨损的4个主要因素,即凹模入口处圆角大小、模具初始硬度、模具初始温度、摩擦因子作为工艺参数,并分别选取4个不同水平值,确定四因素四水平的32组温挤压凹模磨损试验方案,通过Deform 3D有限元数值模拟软件进行成形过程的数值模拟。以不同影响因素和对应模具的磨损量为样本训练BP神经网络,建立4个主要因素与凹模磨损量之间的映射关系,以温挤压凹模磨损量为目标函数,通过遗传算法对4个影响因素进行组合优化,使凹模磨损量最小、寿命最长。     

基于遗传算法优化BP神经网络的磨削力预测

为了克服传统BP神经网络的学习速率慢、容易陷入局部极小点等缺点,采用遗传算法对BP神经网络的初值空间进行遗传优化。用遗传算法来优化BP神经网络的权重和阈值,得到最佳的初始权值矩阵,并按误差前向反馈算法沿负梯度方向搜索进行网络学习的方法对磨削力进行预测。根据磨削力实验数据对网络进行训练,仿真结果表明该模型可以精确的描述砂轮速度、工件速度、磨削深度对磨削力的影响,并可以用有限的实验数据得出整个工作范围内磨削力的预测值。     

基于遗传算法和神经网络算法的吊车结构优化设计与实现

论文综合利用BP神经网络、遗传算法有限元法以及正交试验法对吊车结构系统进行优化研究。利用遗传算法和BP神经网络建立复杂结构系统动态优化的计算模型,该模型可代替系统原来的有限元模型。首先对吊车起重机结构系统进行模态分析及谐响应动力学分析,找出对结构动态特性影响最大的模态频率,再利用灵敏度分析,确定对动态特性较敏感的设计变量作为神经网络的输入变量,并利用正交试验法确定神经网络训练样本,用有限元模型计算出样本点数据,建立反映结构振动特性的人工神经网络模型,最后利用遗传算法对所建立的神经网络模型寻优,得到使结构动态性能最优的设计参数。     

基于遗传算法的BP神经网络滚动轴承故障诊断

针对滚动轴承的故障诊断问题,提出了一种基于遗传算法的BP神经网络滚动轴承故障诊断方法。以BP神经网络的误差为目标函数,利用遗传算法进行BP神经网络的权值和阈值优化,并用优化后的BP神经网络进行故障诊断。通过MATLAB仿真,结果表明遗传算法优化的BP神经网络相比传统的BP神经网络具有更好的诊断效率和准确度。     

基于遗传优化的BP神经网络

人工神经网络的优化学习是其研究中的一个重要课题。将遗传算法用于BP神经网络的学习,将遗传算法的全局搜索和BP神经网的局部搜索相结合,并设计一网络实例加以训练,达到了比较满意的效果。     

基于遗传算法优化BP神经网络的数控机床热误差补偿

以提高数控机床加工精度为主要目的,针对减少热误差而提出一种基于遗传算法优化BP神经网络的数控机床热误差补偿方法.首先,分析遗传算法优化的BP神经网络学习算法.然后,建立神经网络模型对三轴联动卧式加工中心进行实时补偿.实验仿真结果表明遗传优化BP神经网络模型具有预测补偿能力强、补偿精度高、拟合性能优、实时性好等特点.     

基于反向传播神经网络与遗传算法优化复合材料零件注塑成型工艺参数

以Moldflow软件模拟得到的不同工艺参数下飞机机头雷达罩模型的翘曲变形量为训练样本,在雷达罩模型成型工艺参数与其翘曲变形量间建立反向传播(Back Propagation,BP)神经网络模型,然后采用遗传算法对工艺参数进行优化,得到使雷达罩模型翘曲变形量最小的工艺参数并进行试验验证.结果表明:在相同工艺参数下由BP神经网络得到的雷达罩模型翘曲变形量与采用Moldflow软件模拟得到的翘曲变形量相近,相对误差小于4％,证明了BP神经网络的可靠性;模拟得到雷达罩模型的最优成型工艺参数为注塑温度295℃、模具温度80℃、注塑时间0.75 s、保压时间8 s、保压压力125 MPa,此时翘曲变形量最小,为0.1213 mm;在最优成型工艺参数下进行注塑成型后得到的雷达罩模型最大翘曲变形量为0.1260 mm,试验结果与预测结果间的相对误差小于3.7％,验证了BP神经网络与遗传算法相结合方法的准确性.     

改进遗传算法优化的BP神经网络高炉煤气预测

以高炉煤气为主要研究对象,针对钢铁企业高炉煤气发生量波动大、无规律等特点,提出基于改进遗传算法优化的BP神经网络模型,通过改进遗传算法中交叉概率和变异概率的自适应选取,达到在全局与局部同时具有较强的寻优能力.由仿真结果可知:改进遗传算法优化的BP模型比普通的BP神经网络模型能更精确地预测煤气发生量,并解决了遗传算法(G...     

基于遗传算法优化神经网络的技术研究

为克服传统BP算法的收敛速度慢和容易陷入局部极小值的缺点,提出了一种基于遗传算法优化的BP神经网络智能诊断技术:采用基于实数编码的遗传算法优化神经网络权值和阈值,代替了原BP网络随机设定的初始权值和阈值,然后再用BP算法对网络进行精确搜索。实验仿真结果表明,用此法优化过的神经网络的训练步数明显减少,诊断准确率达91.7%,泛化能力也得到提高。     

基于遗传算法优化的BP神经网络在粗糙度预测上的应用

针对BP神经网络预测工件表面粗糙度精度不高的问题,提出了一种基于遗传算法优化的BP神经网络预测方法。首先用遗传算法对BP神经网络的初始权值、阈值进行全局寻优,然后对优化的BP神经网络进行训练、预测。通过MATLAB进行了粗糙度预测仿真验证。结果表明:优化的BP神经网络比未优化的BP神经网络具有更高的预测精度。     

基于BP神经网络与遗传算法的高压共轨柴油机喷油器结构参数优化研究

利用AVL-FIRE软件对TBD234高压共轨柴油机燃烧过程进行数值模拟,采用L16(54)正交试验作为BP神经网络的训练样本,建立喷油器主要结构参数与柴油机的燃油消耗率、NOx排放、SOOT排放之间的非线性映射关系,以燃油消耗率为优化目标,同时保持较低的NOx和SOOT排放水平,结合遗传算法进行寻优计算,获得了喷孔直径、喷孔个数、喷射夹角和喷油提前角4个参数的最优组合。     

基于BP网络和遗传算法的铝型材挤压模工作带优化模型

建立了改进的BP神经网络、数值仿真和遗传算法相结合的铝型材挤压模工作带长度优化模型。将型材截面划分单元 ,由正交试验法得到单元工作带长度值作为网络训练样本的输入值 ,模型目标值为变形后质点速度均方差。采用基于有限体积法的数值仿真技术获得样本目标值。模型的全局优化解由遗传算法求得。计算实例给出了模型实现和求解的完整过程     

基于遗传算法的人工神经网络在航空发动机磨损预测中的应用

提出了一种将遗传算法和BP算法相结合的学习算法来训练BP神经网络,实现网络结构的优化,并用优化后的BP人工神经网络建立了航空发动机的磨损预测模型。将该模型预测结果与BP算法和多元线性回归法的预测结果进行了比较。检验结果表明：基于遗传算法的BP神经网络优于BP算法及多元线性回归法,具有良好的预测效果。     

采用“GA+LM”优化BP神经网络的电液伺服阀故障诊断

针对标准BP神经网络用于故障诊断时学习效率低、收敛速度慢、易陷入局部极小点及对初始参数较为敏感等不足,提出了一种组合优化的方法,即采用遗传算法（GA）确定BP神经网络的最佳初始权值矩阵,以规避BP神经网络对初始参数较为敏感的不足;应用LM（Levenberg-Marquardt）算法在局部解空间里对BP神经网络进行精确训练,搜索全局最优解。该方法在保留BP神经网络的广泛映射能力的前提下,提升了网络的学习速度和精确搜索能力,进而大幅提高了基于BP神经网络的电液伺服阀故障诊断的效率和精度。通过对MOOG D761-2716A机械反馈伺服阀进行故障诊断,进一步说明了该方法的实用性和高效性。     

基于组合遗传神经网络的磨损趋势预测

针对神经网络易陷入局部极值的问题，用遗传算法来改进神经网络时间序列预测模型，并设计了一个组合网络，考虑了单一遗传BP神经网络预测的误差，以误差样本训练了一个校正的遗传BP神经网络，并将该组合网络时间序列预测模型应用于柴油机系统磨损趋势的预测，取得了较好的预测效果。     

基于BP网络和Pareto遗传算法的多目标协同优化

多学科设计优化（MDO）问题往往是多目标的。Pareto遗传算法（PGA）所求得的Pareto最优解集为设计决策提供了很大方便。针对在CO的计算构架中直接使用PGA会导致计算量过大的问题，提出基于BP神经网络和pareto遗传算法的多目标协同优化方法。采用试验设计方法选择设计点，构造具有全局近似能力的各学科优化神经网络响应面，进而采用PGA进行系统层优化问题的多目标寻优。用上述方法对某型干线客机进行总体多目标优化。与直接采用PGA求解MDF单级多目标优化模型所得的计算结果对比表明，所提出的方法能有效近似该问题的Pareto最优前沿．、     

基于鱼群BP神经网络的板料成形分块压边力优化

采用人工鱼群算法与BP神经网络相结合的方法建立了分块压边力与成形质量的映射关系。首先以分块压边力为设计变量,通过基于最大最小原则的拉丁超立方取样设计方法抽取了BP神经网络的训练样本,并将通过仿真软件获得的成形质量指标作为BP神经网络的训练输出;其次通过人工鱼群算法优化的BP神经网络建立了分块压边力与成形质量的映射关系;然后采用粒子群算法对该映射函数关系式进行优化,得到最优分块压边力;最后将该最优分块压边力成形效果与整体压边力成形效果进行对比,结果表明成形效果大大改善。研究表明,采用该方法可以快速计算最优分块压边力,克服了分块压边力计算困难的缺点。     

遗传算法和神经网络在铁谱图象识别中的应用

针对BP算法在神经网络学习中的一些缺点,将遗传算法应用于BP神经网络的网络学习中,提出了一种BP-GA算法。最后,应用神经网络对铁谱图象进行智能识别,实验结果证明它比单纯的BP算法有更佳的结果。     

Mechanical Properties Prediction of the Mechanical Clinching Joints Based on Genetic Algorithm and BP Neural Network

For optimal design of mechanical clinching steel-aluminum joints, the back propagation (BP) neural network is used to research the mapping relationship between joining technique parameters including sheet thickness, sheet hardness, joint bottom diameter etc., and mechanical properties of shearing and peeling in order to investigate joining technology between various material plates in the steel-aluminum hybrid structure car body. Genetic algorithm (GA) is adopted to optimize the back-propagation neural network connection weights. The training and validating samples are made by the BTM(R) Tog-L-Loc system with different technologic parameters. The training samples' parameters and the corresponding joints' mechanical properties are supplied to the artificial neural network (ANN) for training. The validating samples' experimental data is used for checking up the prediction outputs. The calculation results show that GA can improve the model's prediction precision and generalization ability of BP neural network. The comparative analysis between the experimental data and the prediction outputs shows that ANN prediction models after training can effectively predict the mechanical properties of mechanical clinching joints and prove the feasibility and reliability of the intelligent neural networks system when used in the mechanical properties prediction of mechanical clinching joints. The prediction results can be used for a reference in the design of mechanical clinching steel-aluminum joints.     

基于遗传算法和BP神经网络的裙座锻造结构优化设计

裙座锻造结构几何参数是影响其力学性能指标的重要因素,它们之间的关系既无先验公式表征,又为非线性,一般采用分析设计方法,但耗时长也未必达到优化目的。神经网络法具有超强非线性映射能力,可自动总结出数据之间的函数关系,遗传算法可多点群体搜索,并可不陷入局部最优点。利用正交试验法确定神经网络训练样本,用有限元模型计算出样本点数据,建立反映结构特性的人工神经网络模型。最后用遗传算法对所建立的神经网络模型寻优,得到较好的结果。