用BP神经网络预测热镀锌钢板的拉伸强度

运用BP神经网络,建立了热镀锌各工艺参数对热镀锌钢板力学性能影响的数学模型,并与线性回归模型进行了比较.结果表明:BP神经网络预测均方根偏差明显比线性回归预测均方根偏差小,表明该BP神经网络模型用于热镀锌板力学性能预测是可行的,并具有一定的实用性.     

基于模糊C均值聚类的模糊RBF神经网络预测焊接接头力学性能建模

针对焊接过程的高度非线性,多种因素的复杂交互作用,难以预测焊接接头力学性能的问题和常用反馈(Back propagation,BP)神经网络的不足,利用模糊C均值(Fuzzy C-means,FCM)聚类算法和伪逆法相结合,建立焊接接头力学性能模糊径向基(Radial basis function,RBF)神经网络预测模型。以TC4钛合金惰性气体钨极保护焊(Tungsten inert gas arc welding,TIG焊)焊接工艺参数(焊接电流、焊接速度和氩气流量)作为模型的输入参数,以焊后力学性能(抗拉强度、抗弯强度、伸长率、焊缝硬度和热影响区硬度)作为模型的输出参数。利用27组试验数据对所建模型进行学习训练,用另外9组试验数据进行仿真。结果表明,利用该方法所建模型具有结构稳定、训练速度快、适应性强、鲁棒性好、预测精度高的特点,能够预测焊接接头力学性能。通过数学解析,用函数形式表达焊接工艺参数与接头力学性能之间的规律,可以优化焊接工艺参数,为调控焊接接头的质量提供依据。     

产品质量智能预测控制研究

介绍了质量预测控制的研究现状,提出了基于质量特征参数序列的质量智能预测控制系统模型,分析了系统的稳定性.根据提出的系统模型利用动态神经网络对加工过程质量特征参数的变化进行了跟踪实验,效果良好.     

磁流变阻尼器逆向模型的建模、优化与仿真

在材料特性实验台上对磁流变(magnetorheological,简称MR)阻尼器的阻尼特性进行了测试,识别了Bouc-Wen模型的未知参数.利用BP神经网络技术建立了MR阻尼器非线性逆向模型,并利用遗传算法高效的全局优化能力对MR阻尼器神经网络模型的结构、权值和阈值进行优化.将所建逆向模型应用于铁道车辆的半主动振动控制中进行仿真.分析结果表明,优化后的神经网络模型预测精度和泛化能力均得到显著提升,半主动控制效果明显,验证了该优化方法的有效性.     

真空注型智能质量控制方法及系统实现

针对传统真空注型工艺参数的设定大多依靠人为经验而导致浇注件的质量难以控制的问题,考虑到真空注型工艺过程为典型的多变量非线性的间隙工业过程,结合实例推理、神经网络和模糊推理技术,构建真空注型智能质量控制系统。系统采用模块化结构,其中实例推理模块主要利用实例推理技术实现类似浇注实例工艺参数的自动检索;神经网络模块主要利用神经网络技术建立浇注件几何特征和工艺参数的关系模型,从而实现对新浇注实例工艺参数的智能推荐;模糊推理模块主要采用模糊推理技术实现工艺参数的智能修正。通过将该系统用于自制的真空注型物理样机验证了所研究的理论方法的可行性,以及所开发系统的高可靠性。     

过程质量控制的BP神经网络预测方法研究

利用BP神经网络对过程质量特性值进行预测，建立了预测模型并利用单因素法优化模型参数，实现了过程质量的事前控制。仿真结果表明，神经网络在预测中具有较为明显的优势，对参数的优化提高了网络性能，因此模型符合过程质量智能预测的基本要求。     

基于神经网络模型预测控制的混沌运动的研究

为了实现混沌运动的控制,应用神经网络模型预测控制的策略.首先通过系统辨识建立要控制的混沌系统的神经网络模型,并设计出神经网络模型预测控制器,然后通过该控制器对混沌运动进行预测控制,使混沌吸引子中的不稳定周期轨道被镇定到不动点.最后借助MATLAB平台进行数字仿真,结果表明该控制方法对混沌控制是有效的.     

基于神经网络无铆钉自冲铆接头力学性能预测

为研究钢铝一体化结构车身无铆钉自冲铆接接头力学性能,引入反向传播神经网络模型来描述板材厚度、板材硬度和成形接头底部直径等工艺参数与接头剪切力及剥离力强度等力学性能的映射关系.由于标准反向传播网络存在训练精度低、收敛速度慢及泛化能力差等缺陷,采用归一化法与Levenberg-Marquardt算法相结合的算法来优化神经网络预测模型连接权值,提高了神经网络模型的预测精度和泛化能力.对神经网络的预测结果进行检验的结果表明,训练后的神经网络模型能够准确有效地预测无铆钉自冲铆接接头力学性能,证实了神经元网络应用于无铆钉自冲铆接接头力学性能预测的可行性与可靠性,为优质的钢与铝无铆钉自冲铆接接头的设计提供了依据.     

基于并行核径向基神经网络的软测量与控制模型

转炉提钒过程中存在大量多元非线性因素,难以从统计学和机理上建立各操作参数与生产目标的优化控制模型,为优化转炉的操作参数,建立了基于径向基神经网络的半钢钒含量软测量和控制模型.径向基神经网络常用于非线性回归预测和控制,但是高维的核函数矩阵运算需要花费巨大计算资源.为了缩短计算时间,本文设计了并行算法用于计算径向基网络核函数矩阵,并将它用于转炉提钒软测量和控制模型,在以MPI构建的工作站机群上执行该算法,利用实际数据验证了该算法的加速性和准确性.     

基于BP神经网络的机器人砂带磨削表面粗糙度研究

为提高机器人砂带磨削工件表面粗糙度的预测精度,采用基于BP神经网络方法进行研究,进行机器人砂带磨削铝合金板材试验,基于试验结果采用BP神经网络建立各工艺参数与工件表面粗糙度之间的预测模型。对该模型进行仿真预测,并通过试验验证该模型的预测精度。结果表明该模型预测精度高,可以预测不同工艺参数磨削后的工件表面粗糙度,实现了机器人砂带磨削铝合金板材工艺参数的优化。     

基于模拟退火的BP神经网络激光切割质量控制模型

激光切割金属板材过程中,工艺条件和表面质量之间存在较为复杂的对应关系;提出基于BP神经网络的激光切割质量控制模型,建立工艺条件与切割面粗糙度之间的关系模型,试验测量点取距切割下边缘1.5mm处表面粗糙度Ra;提出利用模拟退火算法提高多层神经网络的拟合精度,改善网络的收敛性能;切割试验样本设计拟采用星点设计法,用于提高神经网络训练样本的信息量和可靠性;经过实际切割不锈钢板材,验证上述方法具有一定的可靠性和应用价值。     

基于BP网络的固体火箭发动机药柱铣削加工物理仿真

物理仿真是在实际加工过程进行之前分析与预测各参数的变化及干扰因素对加工过程的影响,揭示加工过程的本质,分析工件加工质量,辅助在线检测与在线控制,分析具体工艺参数下的工艺规程质量,进行工艺规程的优化的一门技术.介绍了基于人工神经网络的固体火箭发动机药柱铣削加工过程物理仿真模型.     

Statistical process control with intelligence using fuzzy ART neural networks

With the automation development of manufacturing processes, artificial intelligence technology has been gradually employed to increase the automation and intelligence degree in quality control using statistical process control (SPC) method. In this paper, an SPC method based on a fuzzy adaptive resonance theory (ART) neural network is presented. The fuzzy ART neural network is applied to recognize the special disturbance of the manufacturing processes based on the classification on the histograms, which shows that the fuzzy ART neural network can adaptively learn the features of the histograms of the quality parameters in manufacturing processes. As a result, the special disturbance can be automatically detected when a feature of the special disturbance starts to appear in the histograms. At the same time, combined with spectrum analysis of the autoregressive model of quality parameters, the fuzzy ART neural network can also be utilized to adaptively detect the abnormal patterns in the control chart.     

基于人工神经网络珩磨加工参数智能选择方法的研究

利用人工神经网络鲁棒性、容错性好的特点,通过对珩磨加工工艺参数的分析研究,首先构建了基于人工神经网络的珩磨加工参数智能选择模型;在理论模型研究的基础上,进行了实验研究,并通过实验数据对模型参数进行了优化。研究证明该方法用于珩磨加工工艺参数的选择具有较好的智能、可靠性高、选择操作简单、实用性强等优点。     

基于BP神经网络的TC4钛合金超塑性变形后组织及性能预测研究

分别用Visual Fortran语言和MATLAB软件建立了TC4钛合金超塑性变形时变形参数与其力学性能和晶粒尺寸之间的BP神经N络模型，通过用较少的力学性能和晶粒尺寸的试验数据进行训练，进而对其性能进行预测。结果表明，BP神经网络用于材料超塑性变形后的力学性能及晶粒尺寸预测是可行的，其预测误差小于7%。     

熔敷金属力学性能人工神经网络模型的研究

在试验的基础上,采用人工神经网络方法建立了基于BP算法的熔敷金属力学性能的预测模型,该模型训练结果与试验值之间有很好的对应关系,说明该模型能准确反映合金元素与熔敷金属力学性能之间复杂的非线性关系。用该模型研究了合金元素对熔敷金属低温韧性的影响,分析得出了与试验一致的结果。     

摩托车智能设计实例推理系统的索引模型

为提高实例推理系统中实例检索的效率与质量,提出了基于人工神经网络的实例检索模型。该模型在实例层次组织的基础上,利用自适应共振网络实现对实例的动态分类,以缩小实例搜索的范围。采用前馈型神经网络记忆各实例的索引,以便在缩小的实例范围内快速地提取相似实例,提高检索效率与质量。最后给出了摩托车总体设计过程方案选择的算例,并将检索的结果与基于最近邻法的实例检索结果进行比较分析,结果证明了该模型的有效性。     

基于模糊神经网络的机械加工参数自动选择研究

利用模糊神经网络的推理和学习能力,在对机械加工过程中的切削参数进行自动选择的基础上,研究了一套基于机械加工参数自动选择的数控编程系统。运用VC＋＋开发的系统实现了网络参数替换源程序中车削参数,实现了数控加工程序的自动生成。对此编程系统进行了详细的介绍,介绍了该软件的实现过程,并且用具体的实验测试了该软件并得到了标准的指令代码G代码。     

压电工作台的神经网络建模与控制

建立了压电工作台的神经网络在线辨识模型并设计了相应的自适应控制器以抑制压电工作台迟滞特性、蠕变特性及动态特性对其微定位精度的影响.采用双Sigmoid激活函数对神经网络激活函数进行了改进,同时分析了改进激活函数的神经网络模型与PI迟滞模型在迟滞建模上的异同.设计了基于改进激活函数的3层BP神经网络作为压电工作台的在线辨识模型,推导了网络权值、阈值及激活函数阈值修正公式.最后,基于神经网络模型设计了压电工作台的自适应控制方案,该控制方案利用另外一个神经网络来完成对PID控制器参数的自适应调整.实验结果表明:提出的神经网络在线辨识模型平均误差为0.095 μm,最大误差为0.32 μm;自适应控制方案跟踪三角波的平均误差为0.070 μm,最大误差为0.100 μm;跟踪复频波的平均误差为0.80 μm,最大误差为0.105 μm.实验数据显示压电工作台的定位精度得到了有效提高.     

盒形件拉深智能化控制实时识别及预测

在板材成形智能化控制的4个基本要素中,材料性能参数的实时识别及最优工艺参数的预测是最复杂的两个要素。识别和预测精度的高低,将直接影响智能化控制成功与否。以盒形件智能拉深控制为研究对象,建立了盒形拉深件的材料性能参数和摩擦因数的实时识别前馈神经网络,通过实时监测来实时识别所需要的材料性能参数,并预测最优的工艺参数,从而获得了较高的收敛精度。