基于BP神经网络与遗传算法的罩盖压铸工艺参数优化

为了得到高速压铸过程中的最优工艺参数,用试验数据得到的各工艺参数范围作为神经网络的训练样本,建立压铸工艺参数(浇注温度、模具温度、高速充填速度)与凝固时间、二次枝晶臂间距、抗拉强度的非线性映射关系,并运用遗传算法对函数关系式中的压铸工艺参数寻优,从而获得最优的一组压铸工艺参数。在该工艺参数下,零件的成形质量最佳,凝固时间少,二次枝晶臂间距小,抗拉强度高。     

基于PLC和模糊神经网络的压铸控制系统优化研究

压铸工艺参数受铸件材料、结构和压铸机等因素影响。为了优化压铸工艺参数,利用模糊神经网络递推压铸参数,设计了上、下位机系统。上位机建立已知压铸经验与被控工艺参数间的非线性映射。通过PROFINET通信将建立的压铸经验与被控参数间的映射关系写入下位机模糊控制规则。下位机设计以S7-300 PLC主站和ET 200S从站的压铸机过程控制系统,开发的梯形图程序实现了递推压铸参数的模糊控制。测试表明,模糊神经网络递推效率高,基本满足压铸参数在线优化控制需求。     

压铸工艺参数设计及缺陷判断的专家系统

采用ＴＵＲＢＯ－ＰＲＯＬＯＧ语言编制压铸工艺参数设计和缺陷判断的专家系统，可在ＩＢＭ－ＰＣ及其兼容机上运行。作者收集了大量压铸机，压铸合金，压铸工艺参数，压铸件质量评价等有关资料，提出参数设计的多途径设计方法，即有按人工设计思路和计算机自动搜索判别的辅助设计法，并充分利用专家系统语言的功能，具有一定的综合优化作用。     

压铸工艺参数设计专家系统

采用ＴＵＲＢＯ－ＰＲＯＬＯＧ语言编制压铸工艺参数设计的专家系统，可在ＩＢＭ－ＰＣ及其兼容机上运行。作者收集了大量压铸机，压铸合金，压铸工艺参数等有关资料，提出参数设计的多途径设计方法，即有按人工设计思路和计算机自动化搜索判别的辅助设计方法，并利用专家系统语言的功能，具有一定的综合优化作用。经工厂实际应用表明，具有较可靠的实用价值，有利于提高模具设计的准确性和生产过程工艺的调整。     

多道次拉旋减薄率研究及工艺参数优化

利用Ansys/lsdyna软件的刚性体粘接柔性体技术,实现坯料自转,旋轮沿设定的轨迹在轴向和径向进给,建立更符合实际运动方式的三维有限元模型,并通过试验验证了模型的可靠性.建立基于神经网络和遗传算法并结合正交试验的多道次拉旋工艺参数优化系统.正交试验法用来设计神经网络的训练样本,利用神经网络预测减薄率,遗传算法完成了对影响减薄率的工艺参数的优化,最后对优化出来的工艺参数进行模拟,效果良好,可有效降低减薄率.     

模糊神经网络预测压铸工艺参数

给出模糊神经网络系统模型，利用该模糊神经网络预测压铸工艺设计过程中的某些参数，可以较好地解决压铸工艺设计与生产过程中的复杂性、动态性及不确定性问题，从而设计出合理的工艺，保证压铸件的质量。     

基于响应曲面模型和Matlab遗传算法的压铸铝硅合金时效工艺优化及分析

时效工艺对压铸铝硅合金最终热处理强化效果起到至关重要的作用。利用响应曲面法研究了时效温度与时效时间的交互作用对压铸铝硅合金显微硬度、抗拉强度和伸长率的影响，并运用Matlab遗传算法对合金的力学性能进行多目标优化和时效工艺参数的设计。结果表明：响应曲面法结合Matlab多目标遗传算法的设计优化方法可以建立一个准确的模型，其预测值与实际值的误差小于5%。依靠模型可以快速获得不同目标需求对应的最优工艺参数方案，且经优化的时效工艺处理后合金的组织均匀，抗拉强度、硬度都有显著提升，伸长率略微下降。     

汽车B柱加强板热冲压工艺的遗传算法多目标优化

为了提高汽车B柱加强板热冲压件的厚度均匀性,提出了非支配排序遗传算法的工艺参数多目标优化方法。分析了B柱加强板的热冲压过程,选择板料加热温度、冲压速度、摩擦系数和模具间隙作为优化参数。以减小最大减薄率和最大增厚率作为优化目标,建立多目标优化模型。使用最优拉丁超立方抽样法在优化空间内设计实验点,并依据Autoform有限元软件得到实验值。基于BP神经网络拟合工艺参数与质量参数之间的关系,并依据预测均方根误差验证了拟合的精确性。使用非支配排序遗传算法搜索多个优化目标的Pareto前沿解。经生产验证,与厂家工艺相比,优化后的热冲压件最大减薄率减小了22.25%,最大增厚率减小了7.34%,说明优化后冲压件的质量得到了提高;且优化后最大减薄率和最大增厚率的标准差均减小,说明优化工艺的生产稳定性更好。     

基于遗传算法和神经网络的软脆工件研磨加工工艺智能决策系统

目的解决研磨抛光工艺决策中工艺试验耗时耗力的问题,实现在研磨抛光加工中根据加工工艺参数对加工质量进行预估。方法采用遗传算法优化的BP神经网络为主要算法,构建智能预测模型,建立研磨加工中输入参数和输出参数之间的映射关系。然后收集有效的输入参数和输出参数作为网络训练和测试的样本数据集,通过遗传算法对神经网络的初始化权值和偏置进行优化,用样本数据集训练神经网络。同时,在决策系统的理论基础上,将神经网络与决策系统进行结合,利用神经网络的学习能力建立智能决策的数据库和规则库,最终建立智能决策系统。结果与无改进的BP神经网络的决策方法相比,无论是在预测精度,还是学习速度上,遗传算法优化的神经网络性能更加优异,决策系统的决策效果更好。结论研磨加工工艺智能决策系统是可行的,为研磨加工的工艺决策提供了一种新的思路。     

基于GA-ELM的铝合金压铸件晶粒尺寸预测

为提高铝合金压铸件晶粒尺寸预测的效率和准确率,应用遗传算法-极限学习机(GA-ELM)模型预测晶粒尺寸。ELM的输入层权值矩阵及隐含层阈值矩阵具有随机性,通过GA算法对ELM的输入层权值矩阵和隐含层阈值矩阵进行优化,建立GA-ELM模型。以晶粒尺寸作为输出参数,相关压铸工艺参数作为输入参数,通过压铸生产实验及金相测量获得相应数据,对GA-ELM模型进行实例分析,并与同样使用遗传算法优化的GA-BP神经网络模型和原始ELM模型预测结果进行对比。最后,通过金相组织测量实验验证GA-ELM模型预测结果的可靠性。结果表明,利用GA-ELM模型预测铝合金压铸件晶粒尺寸具有较高的预测精度及预测效率,与其它算法相比,具有一定的优越性。     

基于HPSO优化BP神经网络的刀具磨损状态识别

针对BP神经网络容易陷入局部极值导致识别精度低的问题,文章提出了一种基于混合粒子群算法(HPSO)的BP神经网络优化算法。在刀具磨损监测实验过程中,采集刀具切削的声发射(AE)信号,利用小波包分解算法对AE信号进行滤波,并进行特征提取。将频带能量特征和切削参数分别作为主特征和辅助特征,并对其对归一化处理。采用混合粒子群优化算法(HPSO)对BP神经网络预测模型进行优化,利用优化后的模型对测试样本进行模式识别,结果表明,优化后的HPSO-BP模型能够有效地降低神经网络陷入局部极值的情况,提高刀具磨损识别精度。     

基于EMD与BP神经网络的齿轮故障诊断

针对基于传统BP神经网络的齿轮故障诊断方法存在收敛速度慢,误差较大等问题,提出经验模式分解（EMD）与BP神经网络相结合的齿轮故障诊断方法。首先简述经验模式分解和BP神经网络的基本原理,然后采用EMD方法提取齿轮时域信号中的各个IMF分量,计算IMF分量中故障信号能量特征参数,将这些能量特征参数作为BP神经网络输入参数进行故障诊断。在齿传动故障实验台上采集足够的样本数据进行实验研究。结果表明:与传统的BP神经网络相比,可将训练误差从0.01降低至0.001左右。此外,训练迭代次数可减小至10次以内。     

基于BP算法的逆变点焊电源模糊神经网络控制研究

引入动量因子对常规BP学习算法进行了改进.在分析模糊神经网络控制模型的基础上,针对模糊神经网络规则多、训练时间长的缺点,采用了给模糊控制规则增加阈值,减少网络训练运算量的优化方法.最后将此优化方法和改进的训练算法应用到逆变点焊电源模糊神经网络(FNN)恒电流控制系统中,通过使用MATLAB语言编程,对该系统进行了仿真分析.仿真结果表明,动量因子的引入不但减小了BP算法学习过程的振荡趋势,加快了收敛速度,而且较好解决了BP网络容易陷入局部极小点的缺陷.模糊规则阈值的引入,有效减少了网络的训练时间.     

基于声发射技术的箱型梁大应力区故障模式识别

在介绍了声发射技术的基础上,采用BP神经网络,分别对预置故障的港口起重机典型结构——箱型梁的声发射信号进行分析。选用原始波形特征参数以及它们之间组合派生出的特征参数等9个参数作为神经网络的输入,设计箱型梁大应力区常见五种故障模式：正常、局部表面裂纹、局部深埋裂纹、局部焊缝、对接焊缝为最终识别分类模式。结果表明,该方法可以对以上五种模式的声发射源进行有效识别。     

改进PSO-BP网络在故障诊断中的应用

针对油田抽油机井故障诊断方法较落后的问题,提出一种基于改进PSO-BP网络的故障诊断系统.神经网络权值的训练采用改进的PSO算法,克服了BP学习算法收敛速度慢、易陷入局部极值的缺点.将该网络用于抽油机井的故障诊断,并与传统BP模型的故障诊断结果进行比较.结果表明:基于改进PSO-BP的故障诊断方法正确率达96%以上,可以在更短的时间内、用更少的迭代次数达到精度要求,为设备检修提供了可靠的依据.     

混合遗传算法在灰铸铁件缺陷诊断神经网络模型中的应用

基于BP网络的强大缺陷诊断功能 ,构建了灰铸铁件缺陷诊断神经网络模型 ;针对BP算法学习网络权值收敛速度慢 ,易陷入局部最优的缺点 ,采用混合遗传算法加速网络权值的学习。     

基于BP神经网络和蚁群算法的机械手轨迹控制算法研究

为了提高机械手运行的平稳性,实现机械手控制的精准度,采用BP神经网络和蚁群算法相结合的方法实现机械手轨迹控制。首先,建立机械手运动轨迹模型,然后利用神经网络算法对机械手主要参数进行训练,接着,将输出预测的运动轨迹与机械手期望运动轨迹对比,以便求解更趋近于期望的最优参数。最后,借助蚁群算法对神经网络模型参数进行优化。经过实验证明：相比于传统BP神经网络算法,所提算法训练得到的角位移与期望角位移的拟合程度更高,且在空间三维坐标系的位移误差更小。     

使用改进型BP神经网络量化裂纹漏磁信号

为量化油气管道的裂纹漏磁信号,提出使用改进型BP神经网络的方法。介绍了BP神经网络的运作方式、改进的BP算法和如何将遗传算法用于改进BP神经网络的初始权值和阈值。测试样本和实际检测数据的输出结果表明,采用改进型BP神经网络量化裂纹漏磁信号是可行的。     

基于神经网络模型的海南变电站接地网Q235钢腐蚀率预测

运用MATLAB软件在土壤腐蚀等级评价指标上随机生成了2 000组训练样本和200组测试样本来增强网络的鲁棒性(抗变换性)和样本识别准确性,找出了适合BP和RBF神经网络模型的结构参数,构建出了性能和稳定性都较好的BP和RBF神经网络模型。用现场采集的海南省变电站土壤腐蚀相关数据分别对已建并训练的BP和RBF神经网络模型进行检验,并用这两种模型对变电站接地网普遍使用的Q235钢的腐蚀速率进行了预测。结果表明:两种模型预测的准确率均在95%以上;BP神经网络模型在结构和运算方面比RBF神经网络模型好,但需要设定的参数多、较繁琐,而RBF神经网络模型只需设定Spread值,较简单,且RBF神经网络模型在训练精度和泛化能力方面均优于BP神经网络模型。