神经网络响应面逼近在飞机总体优化设计中的应用

介绍了响应面方法的概念及其数学描述形式。分析了通过神经网络来实现响应面模型构建的方法。结合飞机设计的复杂过程,采用基于响应面的多学科优化方法解决不同的学科之间存在着的各种耦合关系、以及多个学科的综合协调问题。通过神经网络响应面来完成各个子学科空间之间的数据交换与协调,以此来逼近设计空间上的最优解。给出了一个飞机总体方案设计中解决飞机概念尺寸的算例,在子空间和系统层中均采用遗传算法进行优化,并与单一采用遗传算法解决同一问题的结果进行了对比。研究表明,应用神经网络构建的响应面模型能够减少系统的分析次数并能够很大程度上提高模型的精度,最终在设计空间内寻找出较好的设计方案。     

响应面法的温差发电器优化设计

为提高温差发电器的发电效率,同时保证整机轻量化,提出了以发电器结构参数为设计变量,以质量、排气背压和发电片两侧温度差为目标函数的整机多目标优化设计方案。首先利用中心复合设计法、有限元法分别进行设计点的选取与计算。其次利用响应面法构建设计变量与质量、温差、排气背压三个响应量的响应面模型,并进行了灵敏度分析。通过多目标遗传优化算法进行基于响应面模型的多目标优化,优化后温差发电器的发电效率提高了7.3%。最后对优化结果进行了可靠性验证。     

应用响应面法的电机支架多目标优化设计

针对汽车电机支架在增大载荷力条件下的结构优化问题,利用响应面法和多目标优化算法相结合,对电机支架进行有限元分析和多目标结构优化设计.以应力值和支架质量为优化目标,通过表面中心复合实验设计和响应面方法构建响应面模型,并在此基础上应用Hammersley筛选法对其进行多目标优化求解.优化结果表明在载荷力增大8.3％的情况下...     

基于神经网络与杂交算法的机翼结构优化设计

以机翼结构为研究对象,提出了一种能同步解决元件位置优化与尺寸优化的杂交算法.利用MSC.NASTRAN进行尺寸优化,用遗传算法对位置设计变量进行优化,并将尺寸优化结果作为遗传操作的依据,最终实现了尺寸与位置的同步优化.为提高算法效率,利用神经网络的非线性映射功能,对MSC.NASTRAN的尺寸优化结果进行映射以取代其优化过程.算例结果表明,该方法高效、精确,具有很好的推广应用价值.     

基于响应面法的爬壁机器人多目标优化设计

为满足爬壁机器人在工作过程中高强度、轻量化的设计要求,提出一种基于参数相关性筛选的多目标优化方法。将爬壁机器人底盘以及侧挡板的5个参数作为设计变量,经过参数相关性分析,筛选后得到对机器人结构性能影响灵敏度较高的3个设计变量,以质量最小、位移变形最小和应力最大为优化目标,经过多元回归分析和帕累托方差分析拟合得到二项式响应面模型,采用非支配排序遗传算法对爬壁机器人机身进行多目标优化。结果表明,经过参数相关性筛选后,计算量大大减少,机身质量减少1.7 kg,最大位移变形减小0.1 mm,最大等效应力减少1.36 MPa,模态固有频率增加,避免共振现象。     

响应面模型在结构疲劳优化设计中的应用

利用响应面模型和结构疲劳寿命可视化技术,给出了一种基于疲劳寿命的结构优化设计方法.通过某飞机起落架扭力臂疲劳寿命优化设计算例,验证了方法的有效性.该方法对工程中结构的疲劳优化设计具有重要的参考价值.     

基于响应面法的薄壁机匣加筋肋优化设计

加筋肋是提高薄壁机匣刚度普遍采用的结构形式,合理的加筋肋形式及位置可以起到抑制薄壁机匣振动的效果。采用有限元法对某型航空发动机加筋肋薄壁机匣模型振动特性进行分析计算,并利用锤击法对其进行模态试验,通过结果分析验证了计算结果的准确性。研究加筋肋位置和截面几何参数变化对机匣固有频率的影响;采用响应面法对加筋肋位置进行优化设计,通过有限元验证优化结果的准确性。分析表明在保证质量不变的情况下,加肋结构减振效果明显。     

基于响应面法的丢手释放接头优化设计

为优化丢手释放接头的结构强度和重量,提出以应力和质量为目标函数的多目标优化设计方法.将响应面设计方法与有限元数值分析结合,建立了应力和质量关于结构参数的响应面模型,分析了参数间的交互效应.基于响应面模型,通过多目标优化分析获得了释放接头的最佳结构参数配置.优化后的结构应力下降19.5％,而质量增长较小.数值及实验验证表...     

基于响应面法的机载光电集成箱优化设计

机载光电集成箱在战斗机飞行过程中面临振动、冲击等恶劣工作环境。本文旨在提高光电集成箱抗振动干扰能力和结构可靠性,以减少最大变形量和提升结构一阶模态频率为目标,对光电集成箱进行多目标优化设计。根据加速度过载极端条件对原始光电集成箱三维模型进行特定载荷下的静力分析和普通约束条件下的模态分析;采用最佳空间填充设计法（OSFD）法进行实验设计,提取结构设计参数并建立样本空间,响应面模型运用Kriging法进行构建;以最小化结构变形量、提升结构第一阶模态频率作为优化目标,以结构等效应力和质量为约束条件,运用MOGA遗传算法对构建响应面模型进行了优化求解,得到响应面模型最优解,最后对模型进行参数化重构和验证。优化结果显示：经过优化后的光电集成箱,最大变形量减少了44.02%,基频提高了33.6%,质量减少了8%,有效地提升了光电集成箱的动力学性能和可靠性。     

基于神经网络响应面的疲劳裂纹扩展寿命的可靠性分析

当失效形式的极限状态方程中随机变量个数较多或非线性较高时,其形式很复杂,因此传统的计算失效概率的方法不再适用。针对疲劳裂纹扩展寿命失效概率计算的复杂性,提出基于神经网络响应面的可靠性分析方法。首先建立神经网络响应面模拟疲劳裂纹扩展寿命的极限状态方程,然后使用遗传算法(GA)计算可靠性指标。数值试验表明,本方法可以快速、精确地模拟疲劳裂纹扩展寿命的极限状态函数,进而计算出失效概率和可靠性指标。同其他模拟技术相比,在精度相同的情况下,神经网络响应面法可以大大减少模拟时间。     

ADAPTIVE LEARNING CONTROL OF CUTTING PARAMETERS FOR SCULPTURED SURFACE CUTTING BASED ON GENETIC ALGORITHMS AND NEURAL NETWORK

An adaptive learning control scheme intended to the on-line optimization of sculptured surface cutting process is presented. The scheme uses a back-propagation neural network to learn the relationships between process inputs and process states. The cutting parameters of the process model are optimized through a genetic algorithms(GA). The capacity of the proposed scheme for determining optimum process inputs under a variety of process conditions and optimization strategies is evaluated on the basis of milling of a sculptured surface using a ball-end mill. The experimental results show that the neural network could model the cutting process efficiently, and the cutting conditions such as spindle speed could be regulated for achieving high efficiency and high quality. Therefore the proposed approach can be well applied to the manufacturing of dies and molds.     

神经网络共轭梯度优化算法在激光加工定位中的应用

在应用激光技术加工复杂曲面时,通常以采样点集为插值点来建立曲面函数,然后实现曲面上任意坐标点的精确定位。人工神经网络的BP算法能实现函数插值,但计算精度偏低,往往达不到插值精确要求,造成较大的加工误差。提出人工神经网络的共轭梯度最优化插值新算法,并通过实例仿真,证明了这种曲面精确定位方法的可行性,从而为激光加工的三维精确定位提供了一种良好解决方案。这种方法己经应用在实际中。     

基于遗传算法和神经网络的冷挤压工艺参数模糊优化设计

将模糊优化思想引入冷挤压工艺参数优化设计,以冷挤压模具的四个关键工艺参数为设计变量,以最终挤压件的各处材料的损伤值为目标函数,建立了冷挤压工艺参数模糊优化模型。提出了利用神经网络进行材料损伤近似计算的策略,从而形成了基于遗传算法和神经网络的冷挤压工艺参数模糊优化方法。对冷挤压工艺参数模糊优化模型进行了求解,优化结果表明模糊优化思想能提高冷挤压工艺设计质量。     

SURFACE ROUGHNESS PREDICTION USING HYBRID NEURAL NETWORKS

Surface roughness is an important outcome in the machining process and it forms a major part in the manufacturing system. Surface roughness depends on different machining parameters and its prediction and control is a challenge to the researchers. There is a need to predict surface roughness prior to machining to attain higher productivity levels. Owing to advances in computing power there is an increase in the demand for the use of intelligent techniques. Recent research is directed towards hybridization of intelligent techniques to make the best out of each technique. This article proposes the development of a novel hybrid Neural Network (NN) trained with Genetic Algorithm (GA) and Particle Swarm Optimization (PSO) for the prediction of surface roughness. The proposed hybrid neural network is found to be competent in terms of computational speed and efficiency over the neural network model.     

SURFACE ROUGHNESS PREDICTION USING HYBRID NEURAL NETWORKS

Surface roughness is an important outcome in the machining process and it forms a major part in the manufacturing system. Surface roughness depends on different machining parameters and its prediction and control is a challenge to the researchers. There is a need to predict surface roughness prior to machining to attain higher productivity levels. Owing to advances in computing power there is an increase in the demand for the use of intelligent techniques. Recent research is directed towards hybridization of intelligent techniques to make the best out of each technique. This article proposes the development of a novel hybrid Neural Network (NN) trained with Genetic Algorithm (GA) and Particle Swarm Optimization (PSO) for the prediction of surface roughness. The proposed hybrid neural network is found to be competent in terms of computational speed and efficiency over the neural network model.     

基于连续响应表面法的汽车结构耐撞性仿真优化

汽车结构的耐撞性及碰撞吸能优化是现代汽车工业重要的研究内容.耐撞性的优化涉及到材料与结构的众多参数,传统的设计、仿真及碰撞试验往往只能在一定程度上改善结构的碰撞性能,而无法达到限定条件下的最优状态.为解决汽车碰撞的优化问题,文中采用连续响应表面方法,通过变量筛选技术和一阶线性响应表面模型,并结合非线性有限元程序进行全局寻优.汽车前端结构的耐撞性优化表明,该方法具有较高的精度和稳定性.     

基于神经网络的立体视觉摄像机标定

摄像机标定是立体视觉研究的重要组成部分。根据神经网络与摄像机标定的特点,提出了基于神经网络的双目立体视觉摄像机标定方法,构建了三种不同的神经网络,并在试验中利用BP算法和实际数据对各种方法进行了分析和比较。     

GA-BASED PID NEURAL NETWORK CONTROL FOR MAGNETIC BEARING SYSTEMS

In order to overcome the system non-linearity and uncertainty inherent in magnetic bear-ing systems,a GA(genetic algorithm)-based PID neural network controller is designed and trained to emulate the operation of a complete system (magnetic bearing,controller,and power amplifiers). The feasibility of using a neural network to control nonlinear magnetic bearing systems with un-known dynamics is demonstrated. The key concept of the control scheme is to use GA to evaluate the candidate solutions (chromosomes),increase the generalization ability of PID neural network and avoid suffering from the local minima problem in network learning due to the use of gradient descent learning method. The simulation results show that the proposed architecture provides well robust performance and better reinforcement learning capability in controlling magnetic bearing systems.     

蚁群算法在复合材料层合板优化设计中的应用

对含有2N层的对称层合板铺层优化,采用多层城市的思想,即将每层备选角度设为一层城市,共同组成具有相同特征的N层城市,优化的过程就是在N层城市中每层选择一座城市,组成N维铺层角度向量.文中采用含有变异操作的蚁群算法,按照求解旅行商问题(traveling salesman problem ,TSP)的方法和过程,对已知铺层总数复合材料层合板的某个参数进行优化设计,最终确定各角度的铺层数及铺层顺序.算例结果表明,经过有限次数的循环,即能收敛到满意的结果,优化过程显示蚁群算法的良好鲁棒性,同时该方法为解决复合材料结构优化及其他组合优化问题提供一种新的思路.