Rough集在智能维修决策支持系统中的研究与应用

介绍了基于Rough集理论的知识表达及知识获取方法.通过深入研究Rough集的相关理论,发现了分辨矩阵的若干有用性质,利用这些性质使Rough集理论中的求核与约简问题得以解决.并且将所得结果应用于智能维修决策支持系统中,建立了基于Rough集理论的维修资源配置知识的表达、获取和应用体系,提高了智能维修决策支持系统的智能决策水平.进而重点讨论了有决策信息系统的约简与规则获取的问题.最后以维修资源配置决策过程为例证明了所得结果的有效性.     

基于神经网络的材料性能参数和摩擦系数的实时识别

在板材拉深成形智能化控制过程中 ,为了避免缺陷的产生 ,必须适时地改变控制工艺参数 ,而最佳控制参数要根据材料的性能参数和摩擦系数来预测。根据拉深成形过程的特点及生产过程中自动化程度的要求 ,建立了材料性能参数和摩擦系数识别的人工神经网络模型。利用神经网络这种新一代信息处理工具实现了材料性能参数和摩擦系数的实时识别 ,为实现板材拉深成形过程的智能化控制奠定了基础     

BP神经网络在焊缝位置识别中的应用

研究了一种焊缝位置识别新方法,在一定工艺条件下,使用视觉传感器采集焊接熔池图像,选取图像中熔池前端部分进行处理,先对其进行中值滤波与灰度变换,在此基础上,获取每一幅熔池图像的质心值、质心位移、质心速度及电弧与焊缝的偏差值作为训练样本数据.以质心值、质心位移和质心速度为输入量,以偏差值为输出量,利用BP神经网络建立其数学模型,最后对该模型进行检验.检验结果表明,该模型能够较准确地描述熔池图像质心与焊缝偏差之间的关系,为进一步实现精确的焊缝跟踪提供了理论和试验依据.     

基于卷积神经网络与虚拟训练集的零件识别

针对工业环境中零件识别效率低,准确率不高以及难以获取大量训练集的问题,对基于深度学习的零件识别进行了研究,提出一种基于卷积神经网络与虚拟训练集的零件识别方法.首先,通过OpenSceneGraph(OSG)在虚拟场景内渲染大量深度图像训练集;然后,构建了两种不同深度与结构的卷积神经网络模型并使用虚拟深度图像进行训练;最...     

BP神经网络在正交实验样本互预测中的应用

以磷酸盐石墨铸型作为研究对象，用2组不同的正交实验方案结果作为样本集，用BP神经网络对这2个样本进行了互预测，结果表明：对样本集进行恰当的预处理，包含信息量大的样本集能够对包含信息量小的样本集以极高的精度进行预测，而包含信息量小的样本集不能对包含信息量大的样本集进行预测。这给科研人员提供了新的实验设计     

基于BP神经网络的管材材料参数逆向识别

管材材料塑性本构参数是研究管材弯曲成形的关键因素之一。对于大直径管材的力学性能,可通过取样拉伸试验测得材料的应力应变曲线与弹性模量;对于小直径管材的材料参数,则较难直接通过实验测得。该文利用ABAQUS有限元软件,对小直径厚壁管材绕弯成形及回弹过程进行数值模拟,提出基于BP神经网络算法与数值模拟仿真实验相结合的管材材料参数逆向识别的方法,实验数据的对比表明,该方法能够有效的预测管材材料参数。     

电弧焊熔透ICA-BP神经网络识别模型

以氩弧焊熔透状态识别为研究对象,研究一种基于ICA (Imperialist Competitive Algorithm) 的BP(Back Propagation)神经网络识别模型方法. 首先利用ICA全局搜索不易陷入局部极值及搜索速度快的特点对神经网络权值和阈值初始化,再用BP算法对神经网络进行训练. 通过摄取焊接过程中的熔池图像,提取熔池面积、熔宽以及熔池质心位置作为神经网络预测模型的输入量,分析熔池图像三个特征与焊缝熔透状态的映射关系,最终建立熔透状态预测模型. 结果表明,采用ICA-BP神经网络能够有效地预测焊缝的熔透状态.     

BP神经网络及其在焊接中的应用

介绍了BP（Back Propagation)神经网络在焊接中的广泛应用，综述了其在焊接领域，如焊接接头质量预测与监控、焊接工艺参数设计、焊缝成形控制、焊缝跟踪以及焊接缺陷的检测等方面的应用现状，同时展望了神经网络在焊接中的应用趋势。     

帽形件智能化弯曲参数实时识别及实时预测的研究

在板材成形智能化控制过程中,材料参数实时识别和最优工艺参数的实时预测是最重要的两个要素,实时识别时间的长短与实时预测精度的高低,直接影响到板材成形智能化控制的成败。文章利用神经网络技术实现了帽形件弯曲成形智能化控制过程中材料参数识别与最优工艺参数的预测,其材料参数及工艺参数均在数值模拟和试验提供的数据范围内,识别和预测模型的收敛精度均达到了0.1%,识别和泛化精度较高,满足帽形件弯曲智能化控制的要求。     

盒形件智能化拉深过程中材料性能参数的识别

智能化拉深过程中材料性能参数实时识别是关键技术之一。盒形件拉深难以用精确的力学模型来描述,文章引入基于LM算法的神经网络模型对材料参数进行识别,并仔细研究了在盒形件拉深过程中的适用性。针对盒形件提出了拉深初期采用恒定压边识别的方案,并采用平均值和去除奇异数据的方法大幅度地减小了识别误差,在该文的样本数据范围内,4种材料性能参数的最大识别误差在2%以内,为实现整个拉深成形过程的智能化控制奠定了基础。     

基于BP神经网络的数控加工铣削参数优化

以DMC60H数控机床为试验平台,以壳体类铝合金零件加工为研究对象,提取数控铣削加工试验数据,采用BP神经网络建立数控加工铣削参数优化模型,通过对数控加工铣削参数试验数据的分析与研究,提出了试验数据与样本数据的处理原则,实现了样本数据的优化,提高了BP神经网络模型的收敛精度、收敛速度与预测精度,并分析了验证数据的构成比例。经生产验证:提出的数控加工铣削参数优化方法具有较强的实用性和一定的先进性,能有效提高加工效率,对实现数控机床综合应用效率最优化,实现高效低成本加工具有重要意义。     

基于粗糙集BP神经网络的AZ31镁合金挤压力快速预测模型

利用粗糙集、BP神经网络和有限元模拟3种方法有机结合,对AZ31镁合金挤压力进行快速预测。针对BP神经网络结构中隐层神经元个数、输入层至隐层神经元间初始权值大小的确定,提出一种基于粗糙集理论优化BP网络结构的方法,通过粗糙集属性约简、属性权重确定,对训练样本数据进行处理,根据结果确定BP网络的输入、输出、隐层神经元数及输入层至隐层神经元间初始权值,并应用于AZ31镁合金挤压力快速预测中,建立挤压工艺参数与挤压力间的非线性映射关系。与试验对比结果表明,该快速预测模型预测精度高,误差在5%以内;预测时间短,在10s左右。解决了传统挤压力预测中的精度差、效率低的问题。该方法还可推广应用到对挤压出口温度等参数的预测。     

基于BP神经网络的DP600点焊熔核参数建模

以焊接电压、焊接电流构造输入向量,熔核直径、热影响区外径和焊接区焊后厚度为输出量,建立DP600高强钢电阻点焊的熔核参数模型。推导了梯度下降法、动量梯度法和共轭梯度法三种权值算法,并用实际试验数据对模型进行训练和预测。结果表明,共轭梯度法训练后的预测结果误差率最低,所有参数的误差在8%内,平均误差在4%内,可用于在线检测来提高产品质量。     

自组织竞争神经网络板材拉深材料参数识别

阐述了自组织竞争人工神经网络模型优化算法的特点，建立了自组织竞争人工神经网络识别模型，给出板材拉深材料性能参数输入输出层设计和样本数据的采集与处理的方法。研究了自组织竞争人工神经网络模型仿真实例，得到了较满意的识别结果，开辟了应用自组织竞争人工神经网络模型优化板材材料性能参数识别诊断研究的新领域。     

BP神经网络和数学模型在中厚板板凸度预报中的综合应用

分析中厚钢板板凸度计算模型并给出相应的在线数学模型。为了提高板凸度在线模型预测精度,提出了一种基于模糊聚类BP神经网络的板凸度模型影响系数的优化方法。并采用模糊聚类分析方法,科学选取学习样本,解决了样本多、学习速度慢的问题。通过大量在线数据分析,可知这种方法对中厚板板凸度的预报精度有很大改善,能适应不断变化的工艺过程和设备条件。     

基于人工神经网络的凝固组织晶粒尺寸预测

通过分析强脉冲电磁场作用下铝合金凝固组织晶粒尺寸实验数据,并结合人工神经网络,建立了强脉冲电磁场作用下铝合金凝固组织晶粒尺寸的人工神经网络BP算法模型。研究结果表明,用该神经网络模型进行了模拟得到的计算结果和实验数据吻合得较好,因此这一方法可用来对强脉冲电磁场作用下的凝固组织晶粒尺寸进行预测和控制,为优化实验设计提供了简便、实用的方法和手段。     

Application of BP neural network to semi-solid apparent viscosity simulation

1　INTRODUCTIONSincethethixotropic propertiesofvigorouslystirredtin leadslurrieswerediscoveredbySpenceretal[1] atMIT ,investigationandapplicationofthese mi solidtechnologyhavebeendevelopedquickly .Thestudyontheapparentviscosityisnotonlyoftheoreti calbutalsoofutilizationsignificance .Manyinvesti gatorshavecarriedoutagreatdealofexperimentalresearchandputforwardmanymathematicalmodelsofthesemi solidapparentviscosity .Someofthesemodels ,whicharerelatedto popularexponentialfunctionandaclassica…     

优化异种材料摩擦焊接工艺参数的神经网络模型

针对实际生产中摩擦焊接主要工艺参数依据试验和经验选择的局限性，采用改进的三层BP网络，建立了摩擦焊接主要工艺参数选择的神经网络模型。研究结果表明预测值与试验值吻合良好，为摩擦焊接工艺参数优化，提高焊接质量开辟了新的途径。