精度损失实验系统的神经网络预报

由于影响加工精度的因素较多，目前尚难以建立加工精度动态损失的精确数学模型。针对精度损失实验系统，以一套角位移传递变化的实验系统为例。通过BP神经网络和RBF神经网络方法建立精度损失模型，并根据模型预测了未来精度损失规律。     

基于Pearson关联度BP神经网络的时间序列预测

针对BP神经网络存在的过拟合问题,提出了基于Pearson关联度的神经网络预测模型。将传统的基于误差反向传播的BP神经网络中的误差函数替换为Pearson关联度函数,利用梯度上升法对训练过程中神经网络的连接权重和阈值的调整量进行了推导,并为调整量添加了动量项用于提高神经网络收敛速度,然后建立了关联度反向传播预测模型,并对其权重进行了阈值限制以及增加学习率来防止过拟合。对通用数据集进行时间序列预测实验,通过与改进的RBF和BP神经网络对比,表明对于多因素时间序列的预测Pearson关联度BP神经网络的预测误差精度RMSE降低了4.02,收敛次数减少1 690代。实现了将关联分析与BP神经网络的结合,能够在保证效率的同时,解决过拟合问题,提高预测精度。     

某二阶偏微分方程计算方法对比分析

CAE在汽车和发动机设计中发挥越来越重要的作用,然而CAE的本质是求解各种常微分方程组或偏微分方程组;常微分方程又称动力系统方程,通常用来求解动力系统问题。偏微分方程则广泛应用于电磁学、流体力学、结构力学等多个领域;对于偏微分方程通常很难求得其解析解,需要借助数值计算来获取其方程的近似解。拉普拉斯方程(Laplace)是一种椭圆形二阶偏微分方程,并且可以求取其解析解。本文通过解析法以及数值法对拉普拉斯方程求解,并对比不同求解方法的效率和精度;结论显示解析法虽然精度较高,但是需要很大的计算量,并且大多数偏微分方程没有解析解。因此,在汽车和发动机等工程应用中应该根据精度需求选择最优的途径求解偏微分方程问题。     

识别桩基完整性的数学模型

根据小应变试验桩土间相互作用规律，建立了在锤击力作用下的桩土系统力学方程。并利用数学变换，将基于桩头实测信号的桩基完整性定量拟合的原偏微分方程反问题题求解转化为一个常微分方程反问题来求解。本文所通过的这种变换，使原问题求解得以简化，为识别桩基完整性提供了新的数学模型。     

基于PSO-RBF代理模型的板料成形本构参数反求优化研究

为了准确获取材料在复杂应力应变状态下的板料成形本构参数,提高板料成形有限元数值模拟的精度,提出了基于改进径向基函数代理模型的板料成形参数反求优化方法。将径向修正系数引入径向基函数（RBF）核函数中,利用粒子群算法（PSO）对径向修正系数进行优化,提高模型的预测精度。将PSO-RBF模型应用到一个非线性测试函数中,结果表明,PSO-RBF模型比RBF模型的预测精度提高很多;同时将PSO-RBF模型应用到板料成形本构参数反求中,代替有限元模型进行正问题计算,可节省计算成本和提高效率。结果表明,基于PSO-RBF模型反求优化得到的材料参数,能够更加准确地反映材料的流动趋势以及应变分布。     

6R模块化机器人逆解算法与误差分析

为解决6R模块化串联机器人逆运动学求解精度和效率低的问题,运用D-H法对该机器人进行建模和正运动学分析,提出了解析法+BP神经网络相结合求逆运动学的方法。在逆运动学求解过程中,采用解析法求解前三个关节角度,采用BP神经网络建立运动学逆解模型求解后三个关节角度。为解决网络训练样本数据优选问题,采用核聚类理论和随机抽取算法对后三个关节的位姿参数样本进行优选,将逆运动学问题转化为基于BP的多输入多输出预测系统。运用该逆解模型进行复杂运动轨迹仿真,结果显示该神经网络模型求逆解的精度最高可达6.8212e-8°。并将该方法与解析法+BP神经网络不同的组合模式进行预测求解对比,结果表明该求逆解组合模式不但求解精度高,而且求解简单、泛化能力强。     

基于仿真数据与工程经验的拦截器气动性能评估建模方法

广泛应用的高精度分析模型使得拦截器气动外形设计的计算成本不断增加。因此，基于代理模型的性能快速评估方法近年来得到了广泛关注。当拦截器受喷流干扰因素影响时，参数映射关系复杂、数据获取成本高昂，代理模型预测精度低。为此，提出一种融合工程经验与数据的代理模型构建方法。该方法将设计人员积累的工程经验进行数学化表征，结合仿真数据构建损失函数，并以某临近空间高超声速拦截器为对象构建了气动性能预测代理模型。实验结果表明，所提代理模型构建算法相较于传统方法有更高的预测精度和更好的泛化能力，该方法为气动性能评估模型构建提供了新的思路。     

基于神经网络的机械加工成本—公差模型

提出机械加工成本－公差模型的一种新的建模方法，利用神经网络的高度非线性映射原理来构造新的机械加工成本－公差模型，该模型较切等函数构成的模型具有更高的精度。     

基于BP神经网络的机器人运动学逆解新算法

介绍了BP神经网络原理及算法并利用改进的BP神经网络算法对UY自由度机器人运动学反解问题进行了探讨。通过BP网络建立运动学模型,选择贝叶斯算法,采用Matlab神经网络工具箱进行编程,同时按照一定的范围要求提供样本,在试验及数值模型提供的样本数据范围内,得出模型测试精度都能满足工程要求。文章还进行了BP网络训练,并用训练好的网络来求解运动学逆问题,取得了较好的效果,为机器人运动学逆问题算法提供了新的思路,对机器人动力学问题、轨迹规划、运动控制也有一定的启发作用。     

基于随机神经网络的短期负荷预测

短期负荷受社会因素和自然因素的影响,使得精准负荷预测困难重重。为了提高短期电力负荷预测精度,提出一种基于改进一般随机神经网络的负荷预测模型。随机神经网络与传统的BP神经网络相比的优势在于随机神经网络在参数优化过程中不会陷入局部最优,但是随机神经也存在自身的不足。针对一般随机神经网络优化过慢;参数优化朝着局部数据而不是整体训练数据,导致最后保存模型不是对整个训练集整体的最优模型。提出在随机神经网络预测模型中用Adam算法替代传统的梯度下降优化算法加快优化,并在随机神经网络模型每次更新后计算整体数据的损失函数,保存损失函数最小时的模型。通过实验分析,验证改进的随机神经网络模型更加有效。     

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。     

偏微分方程与微分代数方程的一致求解方法

Modelica 语言是一种复杂物理系统多领域统一建模语言,但目前该语言只能解决由微分代数方程（DAE）描述的问题,而不能解决由偏微分方程（PDE）表达的问题。为此,提出一种偏微分方程与微分代数方程的一致求解方法,利用所构建的径向基函数配点无网格法直接将偏微分方程在空间上离散成一系列的微分代数方程,然后采用成熟的微分代数方程求解器进行求解。实例结果表明,该方法在不改变 Modelica 语法的前提下,能较好地实现偏微分方程与微分代数方程的一致求解,且求解精度高、边界条件处理简单,有利于Modelica直接求解复杂工程系统中多领域耦合、时间域与空间域耦合的复杂问题。     

基于深度学习的复合材料螺栓连接失效预测

针对复合材料螺栓连接失效强度分析与预测问题，利用深度学习神经网络强大的非线性映射能力，将不同参数对复合材料螺栓连接失效载荷的影响进行非线性拟合，并分配各参数的影响权重；通过有限的训练样本构建预测模型，来预测复合材料螺栓连接的失效峰值载荷。使用有限元软件计算得到层合板螺栓连接失效峰值载荷的数据组，以此来构建深度学习神经网络。通过测试确定当隐藏层数量为两层时深度学习模型开发效果最佳，以预测值与有限元仿真值之间的均方误差作为损失函数、学习速率取0.01,当均方误差最小时停止训练，此时得到最佳深度学习预测模型；利用该模型预测得到所有失效峰值载荷预测结果中的最大值以及对应的参数组合，并与同样参数的仿真结果进行对比，两者相差1.4%;相比有限元仿真和拟合经验公式的预测方法，深度学习预测方法具有明显的时间效率优势。     

主从特征融合驱动的铝型材表面缺陷检测

针对因仅考虑纹理特征而造成铝型材表面缺陷检测精度较低的问题,提出一种主从特征融合驱动的表面缺陷检测模型。该模型的构建主要包括3个部分：首先采用经Focal-Loss损失函数优化的UNet模型完成缺陷分布不均匀的样本分割与定位;然后集合卷积神经网络(CNN)与反向传播神经网络(BPNN)构建融合图像纹理特征、梯度信息和缺陷形状特征的主从特征预分类层;最后通过级联特定模糊规则的模糊神经网络完成缺陷的最终分类。利用阿里天池比赛的铝型材数据集中的5类缺陷样本对模型进行了实验验证,平均分类检测精度达到97.2%,为铝型材表面缺陷检测提供了新方法。     

接触轮变形对机器人砂带磨削深度的影响

机器人磨削系统能够替代低效和高污染的手工曲面打磨作业,降低生产准备时间和设备成本,特别适用于小批量曲面零件的磨削加工。接触轮为橡胶等柔性材质,工件与工具之间存在弹性接触,有利于提高工件表面质量,但接触轮易变形,导致实际磨削量不易控制。研究砂带张紧对接触轮变形和磨削深度的影响,采用弹性力学平面问题的复变函数解法,建立模型并求解得到了接触轮的变形分布规律,与商用有限元软件的结果进行对比,验证了解析模型的正确性。建立改进的磨削深度预测模型,得到了接触区域内的磨削深度分布,试验验证了模型预测误差小于3.1%。该方法可以更为准确快速地预测机器人砂带磨削深度,为提高复杂曲面磨削精度提供了理论指导。     

基于残差自注意力连接的深度电学层析成像方法

针对电学层析重建(ET)的“软场”特性和逆问题求解的病态性所造成的边界伪影和空间分辨率低的问题，本文提出一种基于迭代展开的预重建模块和改进的注意力深度U形卷积神经网络(CNN)的深度成像方法。其中，预重建模块是由牛顿—拉夫逊迭代算法得到的4层反卷积神经网络；深度U形CNN模块中，在特征提取和重建模块中加入残差连接，用于缓解深度CNN模型中的梯度消失问题，同时引入自注意力跳跃连接实现对全局特征和局部特征的抽象融合，使模型更好地表达图像重建问题的非线性特征。重建结果表明空间分辨率高，内含物边界清晰，重建相对误差为0.10,相关系数为0.93,说明本方法可以有效改善ET图像的质量，为无损测量与检测可视化提出了一种可靠方法。     

基于代理模型的螺旋输送器特征值反求

螺旋输送器的动态特性设计可归结于特征值反问题的求解.针对结构参数到结构响应之间的非线性映射关系,通过一种基于神经网络代理模型的优化策略,采用正交试验设计在设计空间中选择初始样本点,构造神经网络代理模型,神经网络结合遗传算法求解,利用神经网络的非线性拟合能力和遗传算法的非线性寻优能力,引入训练后的BP神经网络预测结果作为个体适应度值,获得全局最优值及对应输入值.解决了遗传算法能获全局最优解与有限元大量结构重分析之间的矛盾,是结构反问题的一种有效求解策略.     

基于神经网络的动力学反解算法及其应用研究

论述了使用神经网络求解结构动力学反问题的基本原理和方法,并针对BP网络在使用中存在的主要问题,提出了网络快速学习算法,以及训练样本正交化处理方法和反解结果精度的自适应修正等一系列解决方法。应用上述理论进行了设备动态诊断的数值仿真和试验研究,结果令人满意。     

BP网在摩擦学系统建模和预测应用中的研究

本文在分析了摩擦学系统特点以及在BP神经网络的结构的基础上，采用BP神经网络对摩擦学系统进行了建模和预测，通过对结果的分析，给出了这种神经网络在不改变隐层节点数和训练精度的条件下，来提高训练速度和拟合精度的一种新的方法，并指出了要保证BP神经网络近似任意的连续非线性函数，其训练数据应具备的条件。它对BP神经网络在处理大数值的应用中，具有较大的指导意义。     

基于改进灰色神经网络模型的板料成形缺陷预测研究

为了准确预测和减少板料成形过程中可能出现的缺陷,提出了一种改进的灰色神经网络预测模型。该模型利用BP神经网络辅助灰色预测模型进行预测。其中,灰色模型进行粗预测,神经网络模型修正其误差,再通过寻找最佳权值以优化灰色模型中微分所对应的背景值,进而得到精度更高的灰色神经网络模型。以国际著名板料成形数值模拟会议NUMISHEET'93的方盒件拉深为例,运用改进的灰色神经网络模型,预测其拉裂和起皱。结果表明,改进的灰色神经网络模型具有很高的预测精度,相比于未改进的灰色神经网络模型,预测结果更加准确和稳定。