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BP神经网络的钢轨闪光对焊接头灰斑面积预测

针对钢轨闪光对焊的特点,根据GAAS80/580焊机记录的压力、电流和动端位移随时间而变化的曲线,从中提取了10个主要影响接头灰斑面积的特征参数作为BP神经网络预测模型的输入量,建立了钢轨闪光对焊接头的灰斑面积预测模型.采用粒子群算法优化了BP神经网络的权值和阈值,并利用优化后的BP网络模型对接头灰斑面积进行了预测.结果表明,提取的特征参数能较好地反映焊接接头灰斑情况,粒子群算法优化的BP神经网络预测模型能较准确地预测出焊接接头灰斑面积.     

BP神经网络在碳钢和低合金钢大气腐蚀数据预测中的应用

针对设施与装备选材时对金属材料大气腐蚀预测的需求,应用神经网络理论,在改进算法的基础上,建立了一种基于贝叶斯正则化算法的BP神经网络预测模型,探讨了小样本条件下的网络泛化问题,分析了算法对泛化精度的提高能力,并通过Matlab实现了仿真验证.通过对试验数据的测试,证实了改进算法和模型的有效性.     

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。     

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 BP 神经网络的半夏、生姜、甘草三泻心汤配伍研究

目的: 探讨不同 BP(Back Propagation, BP) 算法的人工神经网络在半夏泻心汤、生姜泻心汤、甘草泻心汤配伍中的应用, 并应用所建模型探讨三复方药味与剂量的配伍规律。方法: 应用均匀设计对药味及剂量进行分组, 测定不同组别对正常大鼠胃粘液的影响。应用MATLAB 6.5 进行编程, 选用 BP 神经网络来拟合实验数据, 比较 8-3-1、8-8-1、8-12-1 三种拓扑结构、不同 BP 算法对网络模型拟合效果的影响, 建立基于 BP 神经网络的三方对胃粘液含量影响的预测模型。结果: 拓扑结构为 8-8-1、算法为改进BP 算法的神经网络模型可以很好的拟合学习过的样本, 并对未学习过的样本有较好的预测能力, 其中采用动量法和学习速率自适应调整两种策略相结合的改良 BP 算法的网络拟合预测效果最佳。应用模型分析可以看出, 每种药物剂量变化及不同药物组合对胃粘液分泌的影响不尽相同, 如辛开组合具有促进胃粘液分泌的作用, 苦降组合、甘补组合具有抑制胃粘液分泌的作用。结论: 以半夏、甘草、生姜泻心汤为研究模板, 提出的复方类方配伍规律研究模式 :“优化拆方实验设计 -人工智能数据挖掘-复方类方知识发现”, 将为复杂复方的研究提供借鉴。     

提高BP人工神经网络热处理工艺及材料性能预测模型的泛化能力研究

结合他人及作者对人工神经网络预测模型进行的研究，从网络训练用数据组的数量和质量、网络的隐单元结构的优化以及网络的训练等3个方面，讨论了如何提高BP人神经网络热处理工艺及材料性能预测模型的泛化能力。认为增加网络训练用数据组的数量、提高训练用数据的质量、优化网络隐单元的结构及选取合适的训练时间将有助于提高热处理工艺及材料性能预测模型的泛化能力。     

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。     

基于优化的BP神经网络CCT曲线预测研究

利用遗传算法的全局寻优能力对BP神经网络进行优化,改进BP神经网络易限于局部极小的缺陷。分析合金钢的CCT曲线特征,将CCT图分解为七个特征,并建立七个网络预测模型,实现合金钢的CCT曲线预测。结果表明,所建立的CCT曲线预测模型具有较理想的预测精度。     

改进型BP网络在优化焊接工艺参数中的应用

运用改进的BP网络方法建立焊接工艺参数与焊缝成形的关系.提出了L-M(Levenberg-Marquardt)优化算法进行改进BP神经网络,采用六因素和两水平的正交试验法安排实验,保证了网络训练样本的代表性,构建了旋转电弧焊缝成形的预测模型.预测结果表明,该方法有较高的预测精度,最大相对误差不超过3%.该网络模型的建立为优化旋转电弧工艺参数提供理论依据.     

基于SSA-BP的电主轴热误差优化建模

为解决某加工中心电主轴的热误差补偿问题，建立预测精度高、鲁棒性强的热误差补偿模型。搭建实验台，利用美国雄狮回转误差分析仪采集电主轴的温度场和热误差数据。介绍麻雀搜索算法(SSA)原理、具体优化流程。采用SSA优化BP神经网络的权值和阈值，建立SSA-BP神经网络预测模型。与之前建立的BP神经网络预测模型相比，优化后预测效果更优，为电主轴热误差建模提供新的思路。     

大功率碟形激光焊支持向量回归熔宽预测算法

大功率碟形激光焊接作为一种重要的新型激光加工技术在制造业领域得到日益广泛的应用.针对焊接过程多变量强耦合性以及反馈的实时性要求,提出了用支持向量机(SVR)对焊接过程中熔宽变化量进行预测的新方法,并根据焊接试验数据对其性能进行验证.同时分析对比了支持向量机与BP神经网络的预测效果.结果表明,BP神经网络和支持向量机的训练和单步预测效果良好,均可以应用在大功率碟形激光焊接过程中,但SVR模型要更加适应于大功率碟形激光焊接过程的样本训练和预测.当采样点数N值取10时预测效果最优.     

GA-BP在数控机床结合面动态特性建模中的应用

针对目前我国对数控机床结合面动态特性理论建模难度大、效率低等问题,建立了数控机床固定结合面动态特性参数的神经网络模型,利用BP神经网络的自学能力,对固定结合面特性进行了分析预测。同时利用遗传算法全局搜索能力强的特点,对BP神经网络的初始权值和阈值进行优化,克服了其收敛速度慢和易陷入局部最优解的缺点。通过MATLAB对该算法进行编程。结果显示,该模型对数控机床结合面动态特性的判断基本符合实际。     

脉冲PAW快速成形焊缝尺寸的预测模型

介绍了一种基于脉冲等离子焊接快速成形的方法,并采用Taguchi法对单道成形试验进行了合理设计,从而获得了多组焊接工艺参数下的熔宽和余高数据.通过遗传算法（GA）结合BP神经网络的方法建立了等离子焊接快速成形的预测模型,该模型预测了不同焊接成形工艺参数下单道成形的熔宽和余高.结果表明,通过误差分析和线性回归的方法验证了模型具有较高的预测精度和泛化能力,能够合理的预测焊道尺寸,并能推广到多层多道堆积成形尺寸的预测.     

基于遗传算法优化BP神经网络预测CO_2/H_2S环境中套管钢的腐蚀速率

基于CO_2/H_2S共存腐蚀环境的复杂性、危险性,以及两者协同与竞争效应的不确定等原因,套管钢在CO_2/H_2S共存腐蚀环境中腐蚀速率测试存在试验时间长、误差较大且存在不安全隐患等缺陷,现有的单一腐蚀速率预测模型不能满足这方面的研究。利用建立的遗传算法优化BP神经网络模型分别对不同温度、不同CO_2分压和不同H_2S分压条件下套管钢的腐蚀速率进行预测。与单纯的BP神经网络模型预测相比,遗传算法优化BP神经网络训练收敛速率有所增加,预测效果得到改善;遗传算法优化BP神经网络预测值与实测值吻合较好,此预测模型可靠性很强;该方法为我国高酸性气田开发中快速获取腐蚀速率数值提供了一条新的思路。     

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。     

GA-BP神经网络在AgCuNi电接触材料的性能预测研究

本文针对现有AgCuNi系电接触材料对硬度和导电率预测方法不足等问题,采用遗传算法对BP神经网络的权值和阈值优化,加快了算法的收敛速度,建立了基于遗传算法优化的BP神经网络AgCuNi系电接触材料的硬度和导电率预测模型。训练精度和实际测试精度分别达到了0.98和0.89,误差9.18%。研究结果表明,本文建立的BP神经网络预测模型,有助于提高合金的成分设计效率,提高银合金电接触材料的开发效率。     

基于BP和RBF神经网络的表面质量预测研究

目的 研究RBF和BP神经网络在铣削加工中的作用,实现对铣削加工质量的预测,改善铣削性能。方法 对环形铣刀与常用的球形铣刀进行对比,然后基于MATLAB平台,建立以铣削速度、进给量和铣削深度为输入参数,表面粗糙度为输出参数的RBF神经网络模型。通过大量的试验数据对RBF神经网络模型进行训练,然后再用训练好的RBF神经网络模型预测表面粗糙度,将预测值与实测值进行比较,验证RBF神经网络的预测性能。将训练好的BP神经网络模型与RBF神经网络所建模型的预测结果进行比较。结果 发现用RBF方法预测的表面粗糙度相对误差的绝对值不超过6%,最大误差为0.056 098,平均误差为0.022 277,而BP方法的最大误差为0.074 947,平均误差为0.036 578。结论 环形铣刀加工质量更好。RBF神经网络的预测精度较高,具有比BP神经网络更优的预测能力,且拥有建模时间短、收敛速度高、训练过程稳定以及学习速度快等优点,能有效进行铣削质量预测。     

基于神经网络的喷丸25CrMo合金疲劳寿命及残余应力松弛行为预测研究

首先,本文采用BP神经网络建立了喷丸25CrMo车轴钢疲劳寿命预测模型。然后,在此基础上采用遗传算法（GA）对BP神经网络的预测精度进行了优化。此外,还采用了径向基神经网络（RBF）进行建模分析,并与以上两种模型的预测结果进行对比,结果表明：遗传算法优化的BP神经网络（GA-BP）相比于BP和RBF神经网络具有更高的预测精度,其中训练集和测试集的平均预测精度分别为91.5%和85.4%。然后,基于GA-BP神经网络模型的连接权值矩阵和Garson方程进行了灵敏度分析,从而进一步量化了输入影响因素对喷丸25CrMo车轴钢疲劳寿命的相对影响比重;最后,还采用GA-BP神经网络预测了喷丸25CrMo车轴钢表面残余压应力的松弛行为,结果表明：测试集的平均预测误差仅为3.4%,表明了该神经网络预测性能良好。综上所述,本文采用神经网络建模分析了喷丸25CrMo车轴钢的疲劳性能和残余压应力松弛行为,显著降低了传统疲劳试验所需的成本,并且还保证了较高的准确性。     

人工神经网络技术及其在板料成形智能化中的应用

本文在概述人工神经网络特性、BP网络模型及BP算法的基础上 ,对BP算法改进、训练样本及网络结构等相关技术进行了总结。重点综述了人工神经网络技术在板料成形专家系统、成形力预测、参数识别、智能控制、故障诊断、缺陷分析、板料成形性能研究和模具优化设计等板料成形智能化相关技术中的应用 ,探讨了应用中存在的问题 ,并展望其发展趋势