基于神经网络的注塑模具材料选择系统

分析了注塑模具材料与注塑件之间的作用关系,采用模糊数学方法来表示对模具材料的选定度,提出了一种基于人工神经网络的注塑模具材料选择方法。通过训练样本使BP神经网络学习材料选择知识,利用测试样本对此网络性能进行验证。结果表明,此系统可以较好地解决模具材料的选择问题。     

基于阴影集数据选择的可拓神经网络性能改进

为了改进可拓神经网络的性能,提出一种基于阴影集的数据选择方法.通过该方法获取用于训练可拓神经网络的训练样本,进而改进可拓神经网络的性能.针对可拓神经网络的特点,选择核数据和边界数据作为可拓神经网络的训练样本;利用基于阴影集的数据选择方法,可以自动获取核数据和边界数据.实验结果表明,与传统可拓神经网络相比,改进的可拓神经网络不仅节约了训练时间,而且网络的泛化能力和分类识别准确度得到了有效提高.     

乘用汽车内饰材料的发展趋势及选材方法

着眼于乘用汽车的内饰功能和使用环境,对乘用汽车内饰材料进行了分类,提出了安全可靠、环保健康、舒适美观和经济可加工的乘用汽车内饰选材4个原则.通过将现代信息系统运行管理的研究成果与乘用汽车内饰材料的选材评价方法相结合,发现基于计算机系统的神经网络评价法、基于数学模型的灰色局势决策法和基于网络的交互式设计选材法,有助于乘用汽车内饰产品更具整体感、协调性和适应客户的个性化需求,并优化内饰模块的材料配备、加快模块的设计生产周期,为形成内饰模块和整车内饰的多样化设计提供决策.对未来乘用汽车内饰材料发展趋势进行了分析.     

基于耦合人工神经网络的工业材料选择与决策方法研究

为了实现工业材料的快速选择和决策,提出利用以往工业产品设计方案实例来训练神经网络.通过目标产品的编码信息和索引模式实现知识推理,从而获得所需的信息.文中首先研究了工业材料选择与决策方法的耦合神经体系结构,通过ART1网络的学习规则和工作规则,解决工业材料的选择和决策问题,并给出了ART1神经网络模式的链式32位二进制工业材料编码方法.通过实例推理、神经元网络、面向对象等技术,使得基于耦合神经网络的工业材料和决策系统能够有效地实现产品的方案设计,达到了预期目的.     

塑料注塑成型模拟初始设计系统的研究与开发

塑料注塑成型模拟需要有关塑料材料、模具材料、冷却介质及工艺条件的精确信息 ,这些信息随成型过程的不同阶段有很大变化 .开发出了基于成型工艺和数据库知识的初始设计系统 ,利用该系统可方便地选择各项材料和工艺条件 ,并自动生成塑料注塑成型模拟所需的数据文件 .     

基于模糊数学的选材综合评判

由于传统的选材方法具有随意性和主观性,提出了基于模糊数学的选材综合评判,使材料的选择客观有效.     

基于神经网络延时预测的自适应网络控制系统

针对网络控制系统存在着随机、时变、不确定的信息传输延时,采用带有时间戳的线性神经网络(TSLNN)进行在线延时预测,实时地获得当前采样周期的网络传输延时预测值.该方法选取3个先验的网络实测延时值作为神经网络的输入样本,选用widrow-hoff学习规则作为神经网络的训练算法;应用网络传输延时预测值,并采用一阶Pade方法,对数学模型中的延时环节进行线性化处理,从而获得无刷直流电机调速网络控制系统的线性数学模型;最后,利用模型参考自适应控制方法(MRAC)设计闭环控制器.仿真结果表明,将基于TSLNN在线延时预测的MRAC方法应用于无刷直流电机调速网络控制系统中,可以获得令人满意的系统动、静态性能.     

基于蚁群算法的选择性神经网络集成方法

为选择差异度较大、精确度较高的神经网络个体组建神经网络集成,提高神经网络集成的性能,提出一种新的选择性神经网络集成构造方法.该算法采用蚁群优化算法在独立训练的神经网络个体中选择部分组建网络集成,在蚁群优化过程中神经网络个体被选择的概率由信息素和启发因子决定,信息素反映当前神经网络个体的精确度,启发因子反映神经网络个体间的差异度,能有效提高系统的搜索效率和预测精度.实验结果表明,该算法构造的神经网络集成使用了较少的网络个体,而预测误差均好于传统的Bagging和Boosting算法.     

神经网络优化分析在大跨度桥梁施工监控中的应用

为提高神经网络预测体系的精度和效率,整体提升网络性能以及更好地服务于施工监控,结合监控工程实例,采用灰色关联法和主成分分析,对神经网络输入层向量进行识别与筛选,完成输入层优化.采用黄金比例查值法,确定隐含层结构及相应节点数目,实现网络层优化.针对优化的网络进行训练分析,结果表明网络的运算效率与准确性都有很大提升,证明该理论可以实现神经网络的优化,并为神经网络在施工监控领域的应用提供理论支持和参考.     

基于神经网络的非线性模型辨识

在分析了影响多层前馈神经网络泛化性能各项因素的基础上,应用BP网络对一个微型锅炉非线性对象进行了模型辨识,以建立该系统的预测模型.在辨识过程中注意采用泛化方法解决样本数据采集和网络结构确定方面的问题,利用贝叶斯正则化方法训练神经网络,以保证在满足训练精度的要求下,网络还具有较好的泛化性能.通过选取一组数据对辨识结果模型进行测试,结果表明所辨识出的对象模型能够较好地表现出对象的动态行为,且具有较好的泛化性能.     

基于深度神经网络的注塑过程预测控制

注塑机作为现代工业中重要的塑料件生产与制造设备,其智能化发展一直备受业界关注。伴随着航空航天、电力电子、汽车制造等行业的发展,如何实现对注塑件的高精度、高效率、绿色节能化生产,是目前注塑机的重要研制方向。本文针对注塑成型过程中采用传统模型预测控制(Model Predictive Control, MPC)难以保证跟踪控制实时性的问题,提出一种结合深度神经网络(Deep Neural Network, DNN)学习的注塑过程预测控制方法。在注塑机注射过程动力学模型基础上,创建带约束条件的模型预测控制器,对控制器运行数据进行采集并用以训练深度神经网络,实现了基于深度神经网络控制的注射速度的跟踪预测控制。仿真实验结果表明,采用本文所提出的学习预测控制策略能够有效避免注塑过程中因模型预测控制所产生的复杂计算,并满足工业实时性要求,具有应用前景。     

塑料盖壳的注射模设计

针对塑料盖壳零件,分析该产品成型材料共聚物(ABS)塑料材料的成型工艺,完成浇口、精定位、推板推出结构等模具结构的设计,使用Solidworks软件完成结构设计。该塑件注塑模具设计简便实用,生产塑料盖壳零件方便快捷,塑件质地均匀,缺陷小,合格率高,模具损耗小,是一副优质模具。     

BP、模糊、小波网络逼近性比较研究

对神经网络、小波网络和模糊小波网络函数逼近性进行对比,进而对采用正交化选择法和前向选择法净化小波时,小波网络和模糊小波网络对一维非线性函数逼近进行了分析.仿真结果证明模糊小波网络具有高精度的逼近能力和很强的泛化能力,该方法比小波网络和BP网络更优越,并且正交最小二乘法净化小波的性能指标优于前向选择法.     

注塑件成型尺寸质量预测的数值方法

不均匀的热残余应力及其变形是注塑成型加工中常见的工程问题之一.应用热流变简单材料的二维热粘弹本构方程得到的递推公式,数值模拟了成型中的热残余应力及其翘曲变形,并用数值实验讨论了温度、压力对注塑件残余应力及变形的影响,发现温度变化不均匀是注塑件翘曲变形的最主要原因,其影响远大于压力的作用,与工程实验的结论一致.     

基于MOLDFLOW的一种整体按键注塑模设计方案研究

基于分析了一种整体按键成型工艺性,并运用UG对塑件三维模型进行了塑件壁厚分析,再基于MOLDFLOW对塑件进行了最优浇口位置、料流状态、充填时间、翘曲变形、注塑压力变化等进行了分析;运用UG MOLDWIZARD设计了塑件注塑模,并根据试模结果指出运用UG及MOLDFLOW协作完成注塑件三维模具设计具有实用、高效、经济等优点。     

基于改进BP网络的机械零件图纸信息识别

在通过对BP算法加以改进，使其性能有所提高，收敛速度加快的基础上，提出了一种新的CAPP系统零件信息的输入方法，即零件的图纸经过扫描仪扫描获得数字信息、加载神经网络模式识别，同时将数字信息还原成CAPP系统中计算机直接读懂的信息，并加载网络测试加以验证。     

注水开发油田产油量产水量动态预报的新方法

对注水开发油田，提出一种新的产油量、产水量动态预报方法。该方法对油田开发过程的时变性和各种随机干扰因素具有自适应性。文章从信息论角度出发，利用神经网络非线性时间序列预测模型，构造了油田产油量、产水量的神经网络预测器。结果表明，该预测器具有较高的预测精度，适合于各个阶段的产油量、产水量的动态预报。并且该方法完善了油田产油量、产水量动态预报的理论。最后给出了两个动态预报的实例，具有较高的预报精度     

应用深度强化学习的压边力优化控制

为改善板料拉深制造的成品质量,采用深度强化学习的方法进行拉深过程的压边力优化控制. 提出一种基于深度强化学习与有限元仿真集成的压边力控制模型,结合深度神经网络的感知能力与强化学习的决策能力,进行压边力控制策略的学习优化. 基于深度强化学习的压边力优化算法,利用深度神经网络处理巨大的状态空间,避免了系统动力学的拟合,并且使用一种新的网络结构来构建策略网络,将压边力策略划分为全局与局部两部分,提高了压边力策略的控制效果. 将压边力的理论知识用于初始化回放经验池,提高了深度强化学习算法在压边力控制任务中的学习效率. 实验结果表明,与传统深度强化学习算法相比,所提出的压边力控制模型能够更有效地进行压边力控制策略优化,成品在内部应力、成品厚度以及材料利用率3个质量评价指标的综合表现优于传统深度强化学习算法. 将深度强化学习中的策略网络划分为线性部分与非线性部分,并结合理论压边力知识来初始化回放经验,能够提高深度强化学习在压边力优化控制中的控制效果,提高算法的学习效率.