基于混沌粒子群算法的钛合金薄壁筋铣削变形优化

针对薄壁筋受铣削力影响易变形的问题,提出一种基于薄壳划分和周期性施加铣削负载的变形仿真方法,通过仿真和试验两方面对比研究,分析了薄壁筋的变形过程并得出其变形规律。为了解决标准粒子群算法在优化铣削参数时容易陷入局部最优解的问题,提出一种基于变异算子与自适应动态惯性权重的改进混沌粒子群算法,并以变形量为约束,铣削力最小为目标优化了铣削参数。结果表明:改进后的混沌粒子算法在全局搜索能力和计算速度方面相比粒子群算法显著提高,试验证明采用优化后的铣削参数组合可有效减小薄壁筋的变形。     

基于改进PSO优化BP的数控机床热误差预测研究北大核心

热误差是影响数控机床加工精度的主因,为提高数控机床热误差模型的预测精度,提出了基于改进粒子群优化BP神经网络的数控机床热误差建模预测方法。针对BP易陷入局部最优、收敛速度慢,在标准粒子群算法的基础上,改进粒子的速度与位置更新策略,在此基础上优化BP神经网络的阈值和权值,并建立数控机床热误差预测模型;借助于MATLAB完成仿真实验,结果表明,与标准的BP神经网络和支持向量机相比,基于改进粒子群优化BP神经网络的数控机床热误差预测模型精度高、泛化能力强。     

基于神经网络的铣削大理石表面粗糙度预测模型

目的利用粒子群优化BP神经网络建立大理石加工表面粗糙度精确预测模型。方法首先采用不同切削参数进行铣削大理石试验,测量加工表面粗糙度值,同时对粒子群算法进行改进,使惯性权重按指数形式递减,并增加速度扰动系数,利用改进粒子群算法优化BP神经网络,建立铣削大理石表面粗糙度神经网络预测模型。其次使用部分试验数据来训练预测模型,使得到的网络参数让网络可以精确预测表面粗糙度。最后利用其余试验数据验证神经网络预测模型的准确性与可靠性。结果经过计算得到粒子群优化BP网络算法的预测模型归一化均方差为0.0501,最大相对误差为10.78%,且误差变化较为均匀。经验公式模型归一化均方差为0.1069,最大相对误差为39.64%,误差变化幅度较大。结论将神经网络模型与经验公式相比较,结果表明,所建网络模型具有较高的预测精度与较强的鲁棒性,对合理选择切削用量以得到理想表面粗糙度有一定参考价值。     

基于PSO-BP算法的3D打印制件精度预测模型

针对选择性激光烧结(SLS)中制件精度和工艺参数难以选择的问题以及BP神经网络本身缺陷,提出一种利用粒子群算法优化的BP神经网络建立SLS烧结件精度预测模型的方法。首先根据SLS成型工艺的特点,分析影响成型件精度的因素,通过实验获得不同激光功率、扫描速度、扫描间距和分层厚度条件下多组成型件精度数据,并采用多目标函数优化的单目标化思想优化目标函数,然后通过粒子群算法优化BP神经网络。用优化后的最优解作为BP神经网络算法的初始权值和阈值,利用MATLAB建立优化后的BP神经网络预测模型,对优化后的精度函数模型进行预测分析,并与传统BP神经网络获得的预测结果进行对比。结果表明:粒子群优化的神经网络模型具有良好的全局搜索能力和收敛性,精度预测更加准确,对SLS打印制件具有一定的指导作用。     

改进PSO优化模糊RBF神经网络的牵引变压器故障诊断研究

为了快速准确地识别出油浸式牵引变压器的常见故障,结合粒子群算法全局搜索能力强、寻优速度快及模糊神经网络容错能力强、自适应性强的特点,提出了将模糊逻辑、RBF神经网络及粒子群算法有机结合的油浸式牵引变压器故障诊断方法。针对粒子群算法局部搜索能力不足的缺点,改进粒子群的速度更新公式和惯性权重,以此优化模糊神经网络的结构参数,从而构建起基于油中气体分析技术的改进PSO优化模糊神经网络的牵引变压器故障诊断模型。实验及仿真结果表明,与BP神经网络、标准PSO优化模糊神经网络相比,改进PSO优化模糊神经网络的故障辨识准确性更高、泛化能力更强。     

改进粒子群优化BP的数控机床热误差预测研究

由于BP存在网络结构选取基于经验、易陷入局部最优、收敛速度慢等缺陷,致使基于BP的数控机床热误差预测模型精度不高,对此提出了一种改进粒子群优化BP的数控机床热误差预测建模的新方法。通过改进标准粒子群算法中粒子的位置与速度更新策略,以此寻找BP神经网络最优的阈值和权值,在此基础上建立数控机床热误差预测模型。仿真实验结果表明:与标准的BP神经网络和支持向量机相比,改进粒子群优化BP神经网络的数控机床热误差预测模型精度更高、泛化能力更强。     

基于模拟退火耦合粒子群算法优化BP神经网络的机床主轴热误差补偿研究

为了降低机床主轴运行产生的热误差,建立混合算法优化BP神经网络预测模型,通过实验验证预测精度。分析模拟退火算法和粒子群算法的不足,采用模拟退火算法耦合粒子群算法,给出混合算法寻优步骤。引用BP神经网络结构,构造机床主轴热误差预测模型,采用混合算法优化BP神经网络预测模型。采用实验验证主轴热误差预测精度,并与优化前进行比较和分析。结果显示:采用混合算法优化后的BP神经网络预测模型,其Y轴方向产生的最大误差值从7.3μm降低到2.3μm;而Z轴方向产生的最大误差值从7.5μm降低到2.6μm。同时,机床主轴整体误差波动幅度较小。采用混合算法优化BP神经网络预测模型,用于机床主轴热误差在线补偿,提高了加工精度。     

基于改进PSO优化模糊神经网络的数控机床故障诊断技术研究

数控机床故障具有隐蔽性和复杂性的特点,为了快速准确地识别数控机床发生的故障,结合粒子群算法全局搜索能力强、寻优速度快及模糊神经网络容错能力强、自适应性强的特点,提出了将模糊逻辑、RBF神经网络及粒子群算法有机结合的数控机床故障诊断方法。为了改善粒子群算法局部搜索能力,在标准粒子群算法的基础上,改进粒子群的速度更新公式和惯性权重,以此优化模糊神经网络结构参数,从而建立起改进PSO优化模糊神经网络的数控机床主轴伺服系统故障诊断模型。实验和仿真结果表明:与RBF神经网络、标准PSO优化模糊神经网络相比,改进PSO优化模糊神经网络的故障辨识准确性更高、泛化能力更强。     

基于MPSO-BP模型的小半径弯管成形结果快速预测

选取起皱率、扁平率和减薄率作为小半径弯管成形结果的考察指标,采用1次1因子法对影响因子进行筛选,最终选取管件直径、厚度、芯棒伸出量和芯棒与管件内侧之间的间隙值作为考察的影响因子。利用数值模拟手段针对小半径弯管的考察指标和影响因子建立样本库,并随机选取其中12组作为测试样本,剩余作为训练样本,结合BP神经网络和改进的粒子群算法对预测模型进行训练,构建小半径弯管成形结果快速预测的MPSO-BP神经网络预测模型。利用数值模拟和BP模型对MPSO-BP模型的预测结果进行验证和分析,结果表明MPSO-BP神经网络模型的预测结果可靠有效。     

基于粒子群算法的RBF神经网络齿轮磨损预测

针对机械设备磨损难以预测问题,提出RBF神经网络预测模型,并结合粒子群算法优化模型参数。利用变速箱型号为SG135-2系列的K727840ZW齿轮磨损实验输入-输出数据,通过基于粒子群算法的RBF神经网络建立输出预测模型,并与传统的AR模型、BP神经网络模型及Hermite神经网络模型预测作比较。仿真结果表明,基于粒子群算法的RBF神经网络模型结构简单、预测精度高,验证了所提方法的有效性和实用性。     

铝合金5A06高速铣削加工表面残余应力研究

铣削速度和铣削深度显著影响铣削共形件的残余应力,为了获得航空共形薄壁结构件用5A06铝合金材料高速铣削过程中铣削参数对残余应力的影响,因此进行了基于Advantage的铝合金5A06高速铣削三维仿真研究。基于J-C本构方程模拟工件的应力应变关系,研究了铣削速度和铣削深度对表面残余应力的影响规律,为进一步有效控制共形件结构变形提供了新的研究方法,研究共形件表面残余应力的规律对于铣削加工参数的选取具有一定的参考价值。     

BP神经网络在立铣刀结构参数优化中的应用

钛合金薄壁件的铣削加工过程中,刀具磨损速度快,并且工件容易变形,其主要因素是加工过程中切削力大,切削温度高。文章利用有限元仿真软件Advant Edge FEM铣削仿真数据,建立整体式立铣刀结构参数与切削力和切削温度的BP神经网络预测模型,并对切削预测模型进行了切削实验验证。在此基础上,利用BP神经网络模型的预测结果对整体式立铣刀的结构参数进行了优化,切削实验证明,优化后的刀具参数可以有效地降低切削力和切削温度,从而有效地改善过程中刀具的切削性能和工件的加工质量。     

基于PSO-BPNN和NSGA的薄壁件定位布局优化

为提高装夹布局优化计算的效率,同时考虑加工过程中振动对变形的影响,提出了融合改进的反向传播神经网络(back propagation neural network, BPNN)与快速非支配排序遗传算法(nondominated sorting genetic algorithms, NSGA-Ⅱ)的优化模型。首先,基于“N-2-1”定位原理,以定位点坐标为设计变量,薄壁件装夹变形和主振型位移为优化目标,通过有限元仿真建立了神经网络训练样本集;其次,引入粒子群算法(particle swarm optimization, PSO)改进神经网络,通过对有限样本集训练,构建了定位布局与装夹变形和振动位移之间的代理模型。实例结果表明,改进后的神经网络对装夹变形的预测精度提高了93%,对振动变形的预测最大误差仅为1.8%;最后,通过遗传算法求解预测模型得到了定位布局帕累托解集,进一步提高了优化效率。     

基于动态惯性权重粒子群算法的磨削低能耗加工方法

利用三层误差反向传播(back propagation, BP)神经网络建立磨削能耗预测模型,以砂轮线速度、进给速度和磨削深度为影响因素设计125组全因子试验,并取其中的75组试验数据作为该预测模型的训练样本与测试样本。采用动态惯性权重改进粒子群算法(adaption particle swarm optimization, APSO),以BP神经网络的预测作为适应度函数,以最小能耗为目标进行迭代寻优获取最优工艺参数。结果表明:模型预测结果较为准确,采用优化后的工艺参数能够有效降低磨削能耗。      

基于CPSO-BP的刀具寿命预测算法

为了改善刀具寿命预测的精准度,文章在已有的PSO-BP神经网络算法中引入混沌理论,提出了一种基于混沌粒子群算法优化BP神经网络(CPSO-BP神经网络)的刀具寿命预测方法。该方法采用粒子群算法优化网络权值和阈值,通过混沌扰动更新粒子的位置。CPSO-BP神经网络算法既避免了BP神经网络存在的收敛速度慢、易陷入局部最优的缺点,又改善了全局搜索能力,同时,降低了粒子群优化算法造成早熟收敛或停滞的可能性。仿真结果表明:与已有的PSO-BP神经网络算法相比,该文的CPSO-BP神经网络算法用于刀具寿命预测时收敛速度和预测精度均更胜一筹。     

基于DPSO-BP神经网络的V形自由折弯成形角度和回弹预测北大核心CSCD

采用基于DPSO算法优化BP神经网络(DPSO-BP)的机器学习算法建模,提出一种考虑材料参数和几何参数的V形自由折弯成形角度和回弹的预测方法。该方法主要引入非线性惯性权重改进粒子群(PSO)算法,进一步优化神经网络的初始权值和阈值,构建神经网络预测模型。以不同批号的SUS304不锈钢板料为研究对象,通过设计正交试验得到45个训练样本数据,验证所建立的预测模型的准确性。结果表明:采用DPSO-BP神经网络模型预测的成形角和回弹角的平均误差分别为0.150°和0.120°,与未优化的PSO-BP神经网络模型相比,预测的成形角和回弹角的平均误差明显减小,且计算耗时由14.0 min大幅缩短至0.8 min,同时实现了高预测精度和高计算效率。     

基于混沌振荡PSO-BP算法的电阻率层析成像非线性反演

粒子群优化算法是一种启发式的全局优化算法,将其与 BP 神经网络结合,能够有效地改善 BP 神经网络在进行电阻率层析反演中的收敛速度和求解质量。提出一种基于混沌振荡的粒子群算法,使用混沌振荡曲线来自适应调整惯性权重w以提高PSO算法的全局寻优能力,并使用其训练和优化BP神经网络的权值和阈值。比较不同隐含层节点数目和惯性权重w值对反演结果的影响,并给出混沌振荡PSO-BP算法非线性反演的具体实现方案。对均匀半空间中异常体理论模型进行反演,实验结果表明：混沌振荡PSO-BP不依赖初始模型,在稳定性和准确性上优于BP反演和标准PSO-BP反演,成像质量优于最小二乘法反演的。     

基于SSA-PSO-BP神经网络航空壁板装夹变形预测研究

航空壁板在制孔时由于装夹会发生轻微形变，导致盲制孔精度降低。受加工成本影响，无法通过众多激光传感器来确定装夹后壁板的确切位置。为精准预测航空壁板的变形量，提出一种改进的神经网络预测算法，首先利用粒子群优化算法(PSO)将BP神经网络的初始权值和阈值进行初次优化，再选取收敛速度快、全局寻优能力强的麻雀搜索算法(SSA)对权值和阈值进行二次寻优，从而建立SSA-PSO-BP神经网络航空壁板装夹变形预测模型。利用Abaqus软件获取50组壁板变形数据作为神经网络的训练与预测数据(训练集45个，测试集5个),对神经网络模型进行训练。为了验证所建模型的准确性，利用BP、PSO-BP、SSA-PSO-BP这3种模型对测试集进行预测，并运用MAPE与RMSE对神经网络模型进行评价。结果表明：基于SSA-PSO-BP的神经网络模型预测航空壁板变形误差较小，预测结果准确率更高。     

基于改进BP算法的模具零件表面抛光质量预测研究

针对模具零件表面自动化抛光的工艺参数现场调试困难、抛光后模具零件表面质量不一致等问题,提出了基于改进BP算法的模具零件表面抛光质量预测模型。通过采集模具零件表面抛光试验样本参数,构建预测模型输入参数集,将混沌理论、动态权重、动态学习因子和高斯变异策略引入粒子群优化算法（PSO）,利用改进后的粒子群优化算法（IPSO）对BP算法中权值和阈值的更新策略进行优化,并构建了基于IPSO-BP算法的模具零件表面抛光质量预测模型,结合快速非支配排序遗传算法（NSGA-II）建立多目标优化模型,实现对模具零件表面抛光质量的高精度预测以及抛光工艺参数的优化,对比5种常规预测模型,结果表明基于IPSO-BP算法的预测模型具有较高的预测精度。     

用粒子群模糊神经网络预测绝缘工程陶瓷线电极放电磨削加工效果

在绝缘工程陶瓷线电极放电磨削加工过程中,加工技术指标与各工艺参数间联系密切。在实际加工中,操作者通常根据以往的加工经验设置工艺参数,并对加工结果进行一定的预判。若工艺参数设置不合理,将极大影响机床的加工效率、加工精度和加工能力。为此,以BP模糊神经网络为基础,提出了一种适用于绝缘工程陶瓷线电极放电磨削加工的技术指标效果预测模型,用粗糙集理论对训练样本集进行属性和规则约简,并用改进的粒子群算法优化模糊神经网络。根据优化前后的模型对碳化硼(B₄C)陶瓷加工进行仿真实验对比,发现优化后的模型对技术指标的预测速度快、误差小、精度高。