多零件几何要素影响下的装配产品特性预测方法

工业生产中,多零件装配产品通常具有多系统特性——多几何要素影响的特点。建立能够准确表征装配产品特性与零件几何要素间关系的数学模型,实现装配产品特性的预测,将对工业生产有着重要意义。对于存在多几何要素影响且要素影响程度不同的装配产品系统,直接建立系统的BP神经网络预测模型,由于输入神经元和隐含层神经元较多,将导致神经网络结构十分复杂、学习与训练时间增加、收敛速度慢、预测精度不高等问题。提出利用灰色系统理论的灰关联分析方法,对影响装配产品系统特性的多几何要素进行灰色关联分析,得到多几何要素影响下的系统几何要素与装配产品特性之间的关联程度,确定影响装配产品特性的主要几何要素。在此基础上,利用影响装配产品特性的主要几何要素建立系统的BP神经网络,简化BP神经网络模型,同时保证模型能较真实的反映系统的特性,实现对多几何要素影响下的装配产品特性的准确预测。以典型的多几何要素影响下的装配产品——液压偶件系统为例,通过对液压偶件系统多几何要素关联程度的研究,以影响系统的主要几何要素为输入量,构造简化的BP神经网络的预测模型,试验结果表明,利用主要几何要素建立的预测模型结构相对简单、收敛快、预测精度高。     

基于经验模态分解与RBF神经网络的混合预测

为提高时间序列预测模型精度,根据各本征模态函数(intrinsic mode function,简称IMF)序列的变化特点,针对EMD-RBF神经网络隐含神经元数目及其中心数据选取问题,利用经验模态分解(empirical mode decomposition,简称EMD)的信号自适应处理能力和径向基函数(radical basis function,简称RBF)神经网络的非线性逼近能力,提出了一种基于EMD与RBF神经网络的混合预测方法。该方法将具有类似时频特性的本征模态函数分别建立RBF神经网络预测模型,采用基于统计分析的k-均值聚类方法自适应确定RBF模型参数,最后将各IMF-RBF神经网络预测结果进行重构得到最终预测结果。仿真结果表明,该方法充分考虑到各IMF本身的特性,增强了时序的可预测性,预测性能比传统反向传播(back propagation,简称BP)神经网络和小波BP神经网络更优越。将该方法应用在某装备温控系统性能监测中,其温度参数最大预测误差远小于传感器误差,说明将该方法在该装备故障预测中是可行的。     

基于结构自适应径向基神经网络的油样光谱数据建模

基于光谱分析数据的机械磨损状态预测有利于发现机械系统的早期磨损故障。由于神经网络对于非线性模型的辨识和非平稳信号的预测，与传统预测模型相比具有明显的优势，将神经网络预测方法运用于光谱分析，提出了基于神经网络预测的光谱分析监测技术。在预测模型中采用了在函数逼近、分类能力和学习速度均优于BP网络的径向基函数（RBF）神经网络模型，针对RBF网络的结构对于信号预测或模型辨识的精度具有影响很大的问题，提出了结构自适应RBF网络预测模型。利用遗传算法，对神经网络输入节点数、径向基函数分布系数及网络训练误差进行了优化，得到了最优的RBF网络预测模型。最后，对某航空发动机实际的光谱分析数据进行了预测和分析，并与ARMA模型进行了比较，结果充分表明了文中方法的有效性和优越性。     

基于HPSO-RBF神经网络的瓦斯传感器故障诊断

针对瓦斯传感器常见故障,提出一种混合粒子群优化(HPSO)算法与径向基函数(RBF)神经网络相结合的传感器故障诊断新方法。文中首先采用HPSO算法对RBF神经网络模型参数进行了优化,在详细分析瓦斯浓度影响因素的基础上,建立了瓦斯浓度非线性预测模型。然后将瓦斯浓度预测结果与实际测量值相比较得到残差,并分析残差的变化趋势,从而实现对瓦斯传感器的故障诊断。实验结果表明,HPSO-RBF模型具有较高的预测精度,能够有效地诊断瓦斯传感器的故障状态。     

基于神经网络与PSO算法的发动机装配工艺参数优化

针对汽车发动机装配过程中缸体泄漏问题,结合Back Propagation(BP)神经网络及粒子群优化(Particle Swarm Optimization, PSO)算法,提出了一种发动机装配工艺参数优化方法。首先,使用BP神经网络建立了生产工艺参数与质量指标之间的非线性映射关系,并以此作为泄漏率预测模型。其次,根据实际生产需求,应用皮尔逊相关性分析法求解得到相关性最强的部分工位工艺参数,并以其作为后续优化对象。最后,以BP神经网络预测模型作为适应度函数,使用粒子群优化算法求解得到工艺参数的最优值。使用400台发动机的实际生产数据进行试验。试验结果显示,BP神经网络具有较准确的预测效果,结合粒子群优化算法得到了优化后的工艺参数值,显著降低了发动机的泄漏率,具有一定的指导意义。     

液压阀芯超声切削表面粗糙度的试验与预测

采用聚晶立方氮化硼刀具对精密液压阀芯进行超声辅助车削试验,并建立基于反向传播神经网络的液压阀芯表面粗糙度预测模型,以及基于优化遗传算法的遗传算法-反向传播神经网络的液压阀芯表面粗糙度预测模型,对结果进行对比。结果表明,遗传算法-反向传播神经网络预测模型的预测精度高于反向传播神经网络预测模型的预测精度,且遗传算法-反向传播神经网络预测模型的预测结果与试验值的吻合性好于反向传播神经网络预测模型。     

采用量子粒子群算法耦合差分进化算法优化BP神经网络的铣床热误差预测研究

针对铣床主轴运行产生的热误差问题,采用改进BP神经网络预测模型,并对预测结果进行验证。融合量子粒子群算法和差分进化算法的各自优点,给出混合算法寻优操作流程。分析BP神经网络结构,给出改进BP神经网络优化流程图,构造铣床热误差适应度函数,采用混合算法优化BP神经网络预测模型。通过具体实例对铣床热误差进行实验验证,预测结果显示:BP神经网络预测偏差值较大,在Y轴、Z轴方向预测产生的偏差最大值分别为7.3μm和7.5μm,改进BP神经网络预测偏差值较小,在Y轴、Z轴方向预测产生的偏差最大值分别为2.8μm和2.9μm。同时,改进BP神经网络预测铣床热误差与实际偏差值波动较小。采用改进BP神经网络预测铣床热误差精度较高,可以提高主轴加工工件的精度。     

基于遗传算法优化灰色神经网络的机床主轴热误差建模研究

针对机床主轴热性能对加工精度产生影响的问题,对机床主轴热误差建模方向进行了试验研究。以数控磨床主轴为研究对象,通过热特性试验获得了阶梯转速下的温度变化数据和热误差数据,对温度数据进行了模糊聚类分组,并采用相关系数法选出了温度敏感测点;通过对灰色神经网络初始参数进行优化,建立了遗传算法(GA)优化的灰色神经网络热误差预测模型;在该模型中,以灰色神经网络的预测输出和实际值的绝对误差作为遗传算法适应度函数,以平均相对误差作为预测模型的评价标准,并与灰色神经网络、BP神经网络预测结果进行了对比。研究结果表明:该预测模型具有更高的预测精度,通过GA对灰色神经网络的初始参数进行优化,可有效地提高网络的预测精度,更好地用于热误差补偿系统。     

改进FBPNN在飞机系统故障预测中的应用

针对飞机故障预测问题展开研究,提出一种改进的模糊BP神经网络(Fuzzy BP Neural Network,FBPNN)故障预测模型。在FBPNN第二层中,选取影响系统状态评估的多个因素,为各因素确定隶属度值,并利用方差-协方差法给每个因素的隶属度值赋权值,来减小传统FBPNN直接由专家经验选取已有的单因素隶属度函数或它们的演化形式带来的主观性,从而得到更满足实际要求的预测模型,最后利用MATLAB结合飞机襟缝翼系统的相关数据进行仿真研究。结果证明,改进的FBPNN较传统FBPNN具有更好的预测效果。     

基于GA-BP神经网络的刀具寿命预测研究

刀具的使用寿命对于刀具需求计划制定、刀具生产准备以及切削参数的设置等具有重要影响。为了准确预测刀具使用寿命,在BP神经网络中引入了一种新型遗传算法,提出了一种基于遗传算法优化的BP神经网络的刀具寿命预测方法。BP神经网络中的权值和阈值利用遗传算法进行优化处理,训练BP神经网络预测模型求得最优解。实验结果表明,基于GA-BP神经网络刀具寿命预测方法相比传统BP神经网络预测具有更高的寿命预测精度,为刀具需求制定、成本核算、切削参数的制定提供了理论依据。     

Prediction of the machined surface quality of ball-end milling of H13 die steel using MLBP method

Abstract

Based on the characteristics of the surface quality prediction system of high-speed milling, the prediction model is used to predict the surface quality of analyzing the advantages of the two methods of using the multilinear and BP neural network model (MLBP) method. This article through the in-depth study of the surface quality, study the surface quality prediction based on the characteristics of multiinput multioutput nonlinear systems, respectively, established a linear regression equation, BP neural network model, and the surface quality of specific conditions to start prediction. The prediction results show that these prediction methods can play a special role as certain conditions. However, owing to the limitations of multiple linear regression and BP neural networks, their generalization ability and robustness cannot meet actual needs. Drawing on the idea of interpolation, and analyzing the advantages and disadvantages of linear regression and BP neural network to solve nonlinear problems, a new prediction method is developed. The main idea are to use interpolation method to insert preprediction under the premise of linear prediction; to process the values and obtain a unified prediction result from linear regression; to combine the experimental results from the pretreatment results; to use these input information as the input content of the BP neural network; to establish a training model based on the BP neural network model self-learning process. This training model predicts the quality of the machined surface. This method is abbreviated as the MLBP method. The experimental results and comparison of model prediction results show that this method can effectively improve the generalization ability and robustness of the prediction model, and further improve the model’s prediction accuracy.     

一种高速数控机床电主轴表面温度智能预测方法

电主轴是高速数控机床核心功能部件,电主轴损坏基本是电主轴发热引起的.电主轴温度场具有复杂的非线性特征,神经网络在处理非线性系统温度预测方面得到了广泛的研究,神经网络与传统模型相比具有更好的适时预报性和持久性.论文利用遗传算法优化BP神经网络建立电主轴表面温度预测模型.预测结果表明,未优化的BP神经网络与遗传神经网络预测误差相对比,遗传神经网络对电主轴表面温度预测具有更高的预测精度和稳定性.     

基于BP神经网络的三角机翼飞行载荷模型研究

针对三角机翼结构设计复杂、传力路径多和大载荷引起结构非线性等因素,采用BP神经网络方法建立飞行载荷模型。通过地面静力试验,利用某型三角机翼载荷标定试验数据,建立机翼根部剪力和弯矩的载荷模型,并对多个校验工况进行验证。经与多元线性回归载荷预测结果对比分析,结果显示,BP神经网络模型预测误差都在3%以内,特别对于剪力,BP神经网络预测误差明显小于多元线性回归,表明BP神经网络可作为测量三角机翼飞行载荷的一种更加有效的工程方法。     

基于改进型BP神经网络PID控制器在转台系统中的应用研究

为改善转台系统性能,针对传统的PID控制参数难以获得较理想的控制效果,设计了一种基于改进型BP神经网络的PID控制器。介绍了PID控制器的结构和BP神经网络算法描述,利用最小二乘法和神经网络建立被控对象的预测数学模型,并用该模型所计算的预测输出取代预测输出的实测值,对基于BP网络的PID控制器的权值调整算法进行改进。以某转台模型为对象,建立了转台控制系统的数学模型并对其进行仿真。仿真结果表明,改进型BP神经网络PID控制器具有良好的控制效果,跟踪精度高、性能稳定及鲁棒性强,能更为有效地应用到转台系统中。     

基于IA-PSO-BP模型的电主轴热误差预测方法

针对电主轴在运作时因为温升而产生热误差的问题,提出一种基于免疫粒子群优化BP神经网络（IA-PSO-BP）的电主轴热误差预测模型。通过测量电主轴在工作过程中的温升以及热位移,获取建立预测模型所需的数据,使用IA-PSO-BP模型在MATLAB中建立热误差预测模型,并与未经过优化的BP神经网络所建立的模型进行测试对比。结果显示,经过优化的BP神经网络对热误差的补偿能力高达98.4%,和当前工程常用的BP神经网络相比,平均预测误差下降了62.6%,预测误差的均方差下降了66.4%,可见其预测精度得到了显著提升。     

改进Elman神经网络在短期热负荷预测中的应用

热电厂的短期热负荷预测在城市集中供暖中起着至关重要的作用,直接影响热电厂的经济效益和热能利用率。电厂的短期热负荷一般采用神经网络预测模型进行预测,而BP神经网络应用最为广泛。Elman神经网络算法在BP神经网络基础上加入了承接层,作为一步延时算子,实现记忆能力,使系统具备适应时变能力,增强系统全局稳定性。但Elman神经网络算法模型的构造依然需要大量样本的支撑,而且输入层的变量多,导致预测时间依然很长,收敛速度慢。该文在Elman神经网络预测前,进行了相关系数预处理和对样本中异常值的平均化预处理,通过数据归一化运算,使Elman神经网络输入层变量大幅减少。仿真实验表明,改进的Elman神经网络算法使预测模型快速寻优,减少预测时间的同时明显提高预测精度。     

基于人工神经网络的超声加工表面粗糙度预测

利用BP神经网络良好的非线性映射能力,建立了普通珩磨和超声珩磨条件下的磨削表面粗糙度预测模型,经过多次网络训练,得到了具有良好性能的BP神经网络。对超声珩磨加工钕铁硼材料表面粗糙度进行了预测,并取得了理想的预测结果。     

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。     

基于人工神经网络的三维复杂槽型铣刀片温度场预测

温度场预测是实现铣刀片槽型设计与重构的关键技术,神经网络预测模型是实现温度场预测的新途径。针对铣刀片温度场的非稳态特性,提出了一种基于BP神经网络Levenberg—Marquardt算法的三雏复杂槽型铣刀片温度场预测模型,避免了传统神经网络易陷入局部极小的缺点。预测结果表明,该模型收敛速度快,预测精度高。