基于遗传神经网络的直线伺服系统定位误差补偿

针对数控直线伺服系统的定位误差补偿,采用激光干涉仪测量工作台的定位误差,建立基于RBF算法的神经网络误差模型.提出遗传算法的训练方案优化RBF的网络参数,为了评价优化后RBF网络预测的精度,运用部分误差样本进行训练和仿真.构建了以DSP为核心的直线电机定位误差实验平台,根据误差校正值进行误差实时补偿实验.仿真和实验结果表明:经过遗传算法训练的神经网络模型对工作台的误差具有良好的学习能力和泛化能力,工作台定位精度显著提高.     

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。     

基于BP和RBF神经网络的稀土合金铸铁腐蚀深度预测

通过动态质量损失法腐蚀试验获取样本数据,利用MATLAB的工具箱函数分别建立了稀土合金铸铁碱腐蚀深度的BP和RBF神经网络预测模型,并对两种网络模型的结构、预测精度和训练过程进行对比研究。结果表明,在样本集和训练条件下,BP和RBF神经网络的预测相对误差在10%以内,解决腐蚀时间、合金铸铁主要合金成分与腐蚀深度之间的非线性映射关系,可满足工程预测需要,为制碱工业的防腐蚀技术提供了新途径。但RBF神经网络的预测能力和泛化能力优于BP神经网络,且较BP神经网络具有迭代次数少、收敛速度快和网络结构简单等优势。     

粒子群算法在提高激光弯曲中神经网络泛化性上的应用

采用径向基函数(RBF)神经网络建立了激光弯曲成形过程中激光功率、扫描速度、扫描次数与弯曲角度之间的预测模型。对TC4钛合金板材进行了激光弯曲成形试验,将试验数据作为训练样本对神经网络进行了训练,得到工艺参数与成形角度之间的映射关系。利用粒子群优化算法对RBF网络的参数进行寻优计算。结果表明:使用优化后的网络对测试数据预测时,误差由之前的4.714%减小到0.974%左右;使用粒子群优化算法能显著地提高RBF神经网络在预测激光弯曲成形角度时的泛化能力。     

基于RBF神经网络的强力旋压连杆衬套力学性能预测研究

针对难以运用公式来表达强力旋压连杆衬套工艺参数与力学性能之间的复杂关系问题,建立了旋压工艺参数(减薄率、热处理温度、进给比)与力学性能(布氏硬度、伸长率、屈服强度、抗拉强度)之间的径向基函数(RBF)神经网络模型。用实验所得的数据对RBF神经网络进行训练,再用训练好的RBF神经网络对成形件的力学性能进行预测,通过与实测值对比分析,并与用BP神经网络所建模型的预测结果进行比较,发现RBF神经网络模型具有较BP神经网络更优的预测性能。RBF神经网络模型预测能力强、建模时间短、能有效提高连杆衬套工艺的设计效率和降低实际实验的所需成本。     

基于RBF的模具复杂曲面的逆向工程造型

根据产品试验件的外形数据 ,结合产品制造工艺过程中的变形信息 ,对模具复杂曲面进行逆向工程设计。采用RBF神经网络对天线罩模具进行逆向工程曲面重构 ,RBF神经网络具有很强的非线性逼近能力 ,模具曲面的重构精度高并且网络训练速度快 ,将RBF网络输出数据输入到CATIA的数字曲面编辑器 ,对模具曲面进行造型 ,该方法具有很高的实用推广价值。     

基于改进的RBF神经网络的热轧板冲击功预报模型

为了对Q345B中厚板的冲击吸收功进行预报并指导生产,采用RBF网络预测冲击吸收功与化学成分、工艺参数、屈服强度及抗拉强度等因素间的关系.针对RBF神经网络的不足,采用改进的遗传算法优化RBF网络结构和权值参数,并建立了基于改进遗传算法的RBF神经冲击功预测模型.实验结果表明,用这种改进的遗传算法优化后的神经网络算法是有效的、可行的.     

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。     

基于人工神经网络的Q235焊缝强韧性预测

采用正交试验L9(34)设计Q235钢的机器人焊接试验次数及焊接参数，通过拉伸试验和低温冲击试验分别获取9组焊缝抗拉强度和冲击吸收能量样本数据，并进行归一化处理；通过Matlab工具箱函数分别建立BP网络、RBF网络和Elman网络，在尝试性学习训练和泛化验证的基础上确定各网络的最佳结构及主要参数，即BP网络结构确定为3×10×2，RBF网络spread值设为2.4，Elman网络隐含层神经元数设为25个，进而比较分析和研究3种网络模型对Q235钢焊缝强韧性的预测精度和应用效果。结果表明，BP，RBF及Elman神经网络的平均相对误差均低于10%，可用于焊缝的强韧性预测，尤其对焊缝抗拉强度的预测精度相对较高；在样本条件下，相比于BP和RBF网络，Elman网络更加稳定，预测精度更高，综合预测效果最佳，对焊缝抗拉强度和冲击韧性的趋势性预测较为有效，能够反映焊缝强韧性的实际变化规律和趋势；引入机器人焊接和射线检测方法，提高样本数据的准确性和代表性，从而提高神经网络的预测效果。 创新点：(1)比较BP，RBF及Elman神经网络对Q235钢焊缝强韧性的预测精度和效果。 (2)采用机器人焊接、射线检测及正交试验，提高样本数据准确性和代表性。     

基于LF精炼炉合金配料模型的研究

文章对LF精炼炉炼钢精炼环节合金配料的常用建模方法和RBF神经网络作了简单介绍,运用实际数据进行建模、预测,并就其预测结果进行绝对误差曲线比较,得出RBF网络相对于其它方法具有较好的预测结果。     

基于径向基函数网络的微合金钢流变应力的预测

本文建立了预报微合金钢热变形中流变应力的径向基函数网络模型。与通常的BP函数网络模型进行了对比 ,并与实测结果进行校核。结果表明 ,对于本文研究的问题 ,径向基函数网络避免了BP网络的局部极小及收敛速度慢等缺点 ,在精度、训练速度等方面优于BP网络     

基于人工智能的钛合金热变形工艺参数优化

在深入分析热变形工艺参数对Ti-15-3合金显微组织及成形载荷的影响的基础上,以变形温度、变形程度和变形速率等热变形工艺参数作为设计变量,以显微组织和成形力的最佳综合为目标,建立了该合金热塑性成形工艺参数的多目标优化数学模型。以显微组织参数和成形力的人工神经网络预测模型作为优化算法的知识源,将人工神经网络与修正的遗传算法相结合,对Ti-15-3合金的热塑性成形工艺参数进行优化。结果表明,提出的修正的遗传算法是有效的,采用将其与人工神经网络相结合的方法对钛合金的热塑性成形工艺参数进行优化是可行的。     

基于BP神经网络Ti600合金本构关系模型的建立

运用Gleeble-1500热模拟机对Ti600合金的圆柱试样进行等温压缩变形试验,以试验所得数据（变形温度800~1100 ℃,应变速率0.01~10 s-1）为基础,基于BP神经网络方法建立了该合金的高温本构关系模型。结果表明：BP神经网络本构关系模型具有很高的预测精度,可以很好地描述Ti600合金在高温变形时各热力学参数之间高度非线性的复杂关系,为本构关系模型的建立提供了一种更加准确有效的方法。     

Modelling and prediction of cut shape for plasma arc cutting based on artificial neural network

Abstract

An artificial neural network approach for the modelling of plasma arc cutting processes is introduced. Neural network models have been proposed for predicting the cut shape and estimating the special cutting variables. The implementation of artificial neural networks in the modelling of cutting processes is discussed in detail. The performance of the neural networks in modelling is presented and evaluated using actual cutting data. Moreover, prediction applications of the above neural network models are described for various cutting conditions. It is shown that estimated results based on the proposed models agree well with experimental data; the neural network models yield good prediction results over the entire range of cutting process parameters spanned by the training data. The testing and prediction results show the effectiveness and satisfactory prediction accuracy of the artificial neural network modelling. The developed models are applicable to carbon steel.     

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。     

AerMet100超高强钢在热加工过程中的动态再结晶模型研究

为了准确预测AerMet100超高强钢在热加工过程中的微观组织演变,通过系列等温热压缩试验分析了合金在温度为800~1040℃、应变速率为0.01~10s-1、变形量为15~60%的热变形行为,并建立了动态再结晶(DRX)体积分数和晶粒尺寸的DRX模型。通过计算获得了AerMet100钢本构模型中的Zener-Hollomon参数,用于建立DRX模型。通过建立的DRX模型定量预测了热变形参数对合金微观组织演变的影响,结合微观组织观察发现,高温低应变速率和较大的变形程度有利于DRX充分发生,使组织细化和均匀化。模型预测结果与实验结果吻合较好,验证了所建立的DRX模型的准确性。结果表明,建立的DRX模型可以定量预测AerMet100钢在不同变形参数下进行热加工时的微观组织演变规律。     

Prediction of static recrystallization in a multi-pass hot deformed low-alloy steel using artificial neural network

The static recrystallization behaviors in 42CrMo steel were investigated by isothermal interrupted hot compression tests. Based on the experimental results, an efficient artificial neural network (ANN) model was developed to predict the flow stress and static recrystallized fractions. The effects of the deformation temperature, strain rate and deformation degree, as well as initial grain sizes, on the static recrystallization behaviors in two-pass hot compressed 42CrMo steel were investigated by the experiments and ANN model. A very good correlation between the experimental and predicted results from the developed ANN model has been obtained, which indicates that the excellent capability of the developed ANN model to predict the flow stress level and static recrystallization behaviors in two-pass hot deformed 42CrMo steel. The effects of strain rate, deformation temperature and degree of deformation on the static recrystallization behaviors are significant, while those of the initial austenite grain size are slight.     

A NEURAL NETWORK-BASED MODEL FOR PREDICTION OF HOT-ROLLED AUSTENITE GRAIN SIZE AND FLOW STRESS IN MICROALLOY STEEL

1.IntroductionThepredictionofhot--rollingcontrolparameters,suchasrollingtemperature(Td),strain(5)andstrainrate(t)isvitalforthehot--rolledsteelqualityassurancesystemll].FOrthestructuralevolutionofmicroalloysteelisverycomplicatedinthehog--roilingprocess,theresearobesonthepredictionofthestructuralperformanceofhotmrolledsteelranilltogreatdifficultiesbothinsideandoutsideChinainrecentyears,anditwasespeciallydifficulttofindavalidmathematicalmodeltosimulatethehot--rollingprocess.Itisgenerallyimpossib…     

分析网络参数对模糊神经网络预报结果的影响

本文以实验数据为基础 ,分析网络参数对Modular预报 30MnSi金属塑性变形抗力预报精度的影响 ,找出最佳网络参数 ,提高预报准确性。同时指出 ,在采用模糊神经网络进行预报时 ,分析网络参数对预报精度影响的必要性。