基于免疫神经网络的数控机床故障诊断研究

针对BP神经网络在数控机床故障预测中出现的收敛速度慢和训练容易陷入局部极值问题,提出一种基于人工免疫算法优化BP神经网络(IMBP)的数据机床故障诊断算法。介绍了常见的数控机床故障类型和分类,阐述了人工免疫算法和BP神经网络以及人工免疫优化BP神经网络算法的工作流程。利用免疫算法的全局搜索性能先对神经网络权值和阈值进行全局优化,加快了BP算法训练过程的收敛速度,减少训练过程所需要的时间。通过仿真性能测试分析,结果表明:与BP、GABP和IMBP 3种算法对比,比BP神经网络算法的数控机床故障预测诊断提高了18.3%,比GABP神经网络算法提高了12.05%,提高了数控机床故障诊断精度。     

基于麻雀搜索算法优化双隐含层BP神经网络的张力减径钢管壁厚预测

针对传统BP神经网络在张力减径过程中进行壁厚预测过程时存在误差偏高、稳定性不强、随机初始化权值阈值等缺点,采用麻雀搜索算法对传统BP神经网络的阈值与权值进行全局寻优,以提高BP神经网络在张力减径中壁厚参数预测的准确性和稳定性。同时,以某工厂采集的张力减径过程中的壁厚数据为样本集,采用SSA-BP神经网络进行学习与训练,将得到的结果与传统BP神经网络、GA-BP神经网络的预测结果对比。结果表明,SSA-BP神经网络对张力减径过程中壁厚参数的预测具有较高的准确性与稳定性,其在准确度相较于传统BP神经网络模型提升了58.1%,相较于GA-BP神经网络模型提升了17.5%。     

基于差分进化-灰狼优化算法的支持向量机连铸漏钢预报系统研究

针对小样本训练数据情况下BP神经网络模型难以获得较高预报准确率的问题，提出了一种基于差分进化-灰狼优化(DE-GWO)混合算法优化的支持向量机(SVM)模型，并将其应用到连铸漏钢预报系统领域。利用差分进化(DE)算法的交叉变异操作对灰狼优化(GWO)算法进行进化，得到DE-GWO混合算法，在解决了GWO易陷入局部最优问题的同时，提高了算法的寻优速度以及模型的准确性。结合某钢厂连铸生产数据，对DE-GWO-SVM漏钢预报模型进行测试。结果表明，该算法下的连铸漏钢预报系统的准确率为99.5%,报出率达到100%。     

基于PSO-BP神经网络的连铸漏钢预报

针对传统BP神经网络在训练过程中存在收敛速度慢、易陷入局部最优解的缺陷,将基于群体智能的全局寻优算法-粒子群优化算法引入到BP神经网络的训练过程,建立了PSO-BP神经网络漏钢预报模型;结合某钢厂连铸现场历史数据,分别对PSO-BP漏钢预报模型和BP网络预报模型进行了训练和测试;结果表明,PSO-BP漏钢预报的收敛速度较传统BP神经网络明显加快,其泛化能力和对漏钢温度特征的识别精度也有了较大提高。     

基于PSO-BP算法的3D打印制件精度预测模型

针对选择性激光烧结(SLS)中制件精度和工艺参数难以选择的问题以及BP神经网络本身缺陷,提出一种利用粒子群算法优化的BP神经网络建立SLS烧结件精度预测模型的方法。首先根据SLS成型工艺的特点,分析影响成型件精度的因素,通过实验获得不同激光功率、扫描速度、扫描间距和分层厚度条件下多组成型件精度数据,并采用多目标函数优化的单目标化思想优化目标函数,然后通过粒子群算法优化BP神经网络。用优化后的最优解作为BP神经网络算法的初始权值和阈值,利用MATLAB建立优化后的BP神经网络预测模型,对优化后的精度函数模型进行预测分析,并与传统BP神经网络获得的预测结果进行对比。结果表明:粒子群优化的神经网络模型具有良好的全局搜索能力和收敛性,精度预测更加准确,对SLS打印制件具有一定的指导作用。     

基于风驱动优化BP神经网络的滚动轴承故障诊断

提出一种基于风驱动优化BP神经网络的滚动轴承故障诊断方法。把BP神经网络权值和阈值作为优化参数,利用风驱动算法对其进行优化,提高了神经网络的训练效率和准确率。对滚动轴承的振动信号进行处理,提取其时域特征、频域特征、FFT谱特征、功率谱特征、小波包络谱特征作为轴承的故障特征。经测试,优化算法的诊断结果正确,减小了BP网络的训练误差和测试误差,验证了风驱动优化BP神经网络用于滚动轴承故障诊断的有效性和实用性。     

基于PSO-BPNN和NSGA的薄壁件定位布局优化

为提高装夹布局优化计算的效率,同时考虑加工过程中振动对变形的影响,提出了融合改进的反向传播神经网络(back propagation neural network, BPNN)与快速非支配排序遗传算法(nondominated sorting genetic algorithms, NSGA-Ⅱ)的优化模型。首先,基于“N-2-1”定位原理,以定位点坐标为设计变量,薄壁件装夹变形和主振型位移为优化目标,通过有限元仿真建立了神经网络训练样本集;其次,引入粒子群算法(particle swarm optimization, PSO)改进神经网络,通过对有限样本集训练,构建了定位布局与装夹变形和振动位移之间的代理模型。实例结果表明,改进后的神经网络对装夹变形的预测精度提高了93%,对振动变形的预测最大误差仅为1.8%;最后,通过遗传算法求解预测模型得到了定位布局帕累托解集,进一步提高了优化效率。     

基于薄板件装夹变形控制的夹紧点位置优化方法研究

对薄板件装夹变形控制问题进行了研究,分析了薄板件装夹变形控制的不足,提出了一种基于工件变形控制的装夹夹紧点位置优化方法--耦合BP神经网络与遗传算法.采用均匀试验设计表设计仿真方案,基于ABAQUS仿真数据建立了BP神经网络预测模型,结合该预测模型在夹紧点设定区域内构建优化数学模型,并用遗传算法进行优化.对优化后的结果进行了仿真验证.结果表明装夹变形明显减小.说明耦合BP神经网络与遗传算法的优化方法是可行的.     

基于GA-BP神经网络的喷丸样品表层硬度预测模型

目的 建立能够准确预测不同喷丸工艺参数下工件表层显微硬度的数学模型。方法 以42CrMo钢作为研究对象,采用正交实验法设计喷丸实验方案和逐点测量法测量0～320μm层深内的显微硬度,以实验数据为样本,基于BP神经网络建立42CrMo钢受喷后表层显微硬度的预测模型,并利用遗传算法（GA）对BP神经网络结构进行优化,建立基于GA-BP神经网络的42CrMo钢受喷后表层显微硬度模型。结果 将实验数据集用于模型的训练,BP神经网络模型和GA-BP神经网络模型训练的相关系数R均为0.97左右,两种模型的训练效果均较好。对比20组测试集的模型预测值和实验值发现,BP神经网络模型预测值与实验值之间的相对误差的最大值和平均值分别为3.5%和1.1%,相比之下,经遗传算法优化的BP神经网络（GA-BP）模型预测值与实验值的相对误差的最大值和平均值仅为2.9%和0.7%。GA-BP神经网络模型具有更高的预测精度和稳定性。结论 经GA遗传算法优化的BP神经网络（GA-BP）更适合用于建立受喷工件表层显微硬度的预测模型,可为其在工程上的应用提供一定的参考。     

基于RBF神经网络的强力旋压连杆衬套成形质量预测研究

为了实现对强力旋压连杆衬套成形质量(壁厚差和扩径量)的预测,进而对工艺参数进行优化,利用MATLAB人工神经网络工具箱,建立了强力旋压工艺参数与成形质量的RBF神经网络模型。基于减聚类算法改进的K-means学习算法,用模拟实验所得数据对神经网络进行训练,进而对旋压成形质量进行预测,通过与实测值对比,发现所建神经网络模型预测性能良好,实现了RBF神经网络在强力旋压领域的成功应用,与原始K-means学习算法训练的RBF神经网络和BP神经网络所建模型比较,发现改进K-means学习算法训练的RBF神经网络预测模型拥有更优的性能。该模型不仅可以为工艺参数的优化提供参考,还能缩短工艺参数的优化周期和减少实际实验的成本。     

混合蚁群算法在有容量约束车辆调度中的研究

蚁群算法在解决旅行商等著名问题时得到了富有成效的应用,但当解决大规模问题时,其收敛速度较慢且耗时较长。同样,郭涛算法解决复杂优化问题时取得了良好效果,但会产生大量无为的冗余迭代,求解效率低。文章汲取蚁群算法和郭涛算法的优点,提出混合蚁群算法,以带有容量约束的车辆路径问题,建立了混合蚁群算法数学模型,得到时间效率和求解效率都比较好的一种新的启发式方法。     

基于两阶段排样方式的卷材下料算法研究

讨论矩形件卷材下料问题,采用切割工艺简单的两阶段排样方式采进行下料。这种排样方式采用一组平行于卷材宽度方向的剪切线将卷材切割成多个条带,然后将每个条带切割成所需要的矩形件。首先,构造一种有界背包算法确定矩形件在条带中的优化布局;然后,采用基于列生成的线性规划算法调用上述有界背包算法生成排样方式;最后,采用顺序启发式算法,用当前矩形件剩余需求量反复调用线性规划算法生成各个排样方式,直至每种矩形件剩余需求量均为零,组合各个排样方式形成下料方案。将本文算法与2种文献算法进行比较,计算结果表明,本文算法下料方案比2种文献算法分别节省1.97%和1.66%的卷材。     

基于AGA-BP算法的智能故障诊断技术研究

针对传统BP神经网络的不足,提出基于自适应遗传算法的BP神经网络故障诊断算法.在迭代计算前期,采用自适应遗传算法对神经网络的权值和阈值进行全局优化;在迭代计算后期,利用改进的BP算法在近似最优解附近进行局部寻优.将该算法用于磨削烧伤的故障诊断之中,并将结果与基于改进BP网络的诊断结果进行比较,证明该方法的正确性和有效性.     

基于设备分类的生产线车间平面布局

本文将精益生产的哲理应用于生产线车间平面布局设计之中,提出了生产线车间布局的数学模型和结构模型,并根据设备的特点提出了车间设备分类的方法,在此基础上根据不同设备分类的特点,提出了基于设备分类的定序算法和定位算法。本文在定位算法中还首次提出了“类八叉树”的平面分割方法,用于设备在车间平面的定位。     

基于粗粒度并行遗传算法的JSSP研究

针对车间作业调度问题(JSSP)进行研究,利用粗粒度并行遗传算法(CGPGA)对JSSP进行有效求解。该算法首先将多个子群体以不同的编码方式进行进化计算,然后引入迁移因子进行群体间的信息交互。利用迁移因子把子群体中的优良个体传播到其余子群体,替换相邻子群体中的最差个体并继续进化而获得最优解。仿真实验表明:该方法简单且易于实现,求解效率远远高于经典遗传算法(GA),并可有效防止早熟现象的发生。     

基于RBF神经网络间接求取运动学逆解的研究

七自由度工业机器人的几何结构大多满足Pieper准则,所以针对七自由度的封闭解法具有很大的发展空间。提出了一种基于RBF神经网络间接求取运动学逆解的方法,将运动学方程转化成了优化控制问题。采用遗传算法与最佳柔顺性准则相结合的方法,为RBF神经网络算法提供了精确的样本;为了提高神经网络算法的收敛速度以及收敛精度,进行间接求取的方式,引入连杆三角形夹角的概念;为了验证结果的可靠性,以七自由度冗余机械臂为对象,开展了基于RBF神经网络算法间接求逆的优化实验,并对比传统的RBF神经网络求取运动学逆解算法,结果表明,该算法结构简单,且能够显著提高收敛精度和收敛速度。     

基于改进蚁群算法的机器人焊接路径规划

针对基本蚁群算法在机器人焊接路径规划时，在搜索的过程中容易出现搜索时间过长、效率低、容易陷入局部最优等问题，文中针对基本蚁群算法，引入了Adadelta算法，通过基本蚁群算法和Adadelta算法结合，来改变蚂蚁搜索过程中选择下一焊点的概率，增加了随机性. 通过Adadelta算法参数的更新，改善了蚂蚁信息素的更新，并改进了信息素挥发系数ρ，采用自适应的方式来更新信息素. 对改进算法运用MATLAB进行仿真，结果分析得知，文中的改进蚁群算法比基本蚁群算法搜索能力更强，算法效率更高，比基本蚁群算法提前20代左右收敛，有效解决基本蚁群算法的局部最优、收敛速度慢等问题，使搜索结果更优.     

基于深度学习的无锚框目标检测算法综述

近年来,基于深度学习的无锚框目标检测算法备受关注。为了深入理解无锚框检测算法,对比分析了基于深度学习的无锚框检测算法的原理机制、网络结构、核心特性以及优缺点,归纳总结了无锚框检测算法的核心技术,并在同一数据集上通过性能实验研究上述算法的性能,总结提出基于深度学习的目标检测算法未来的研究方向。     

基于机器视觉的齿轮图像特征匹配优化北大核心

为了提高视觉系统中齿轮图像匹配的准确率,提出了一种金字塔光流法与ORB(oriented fast and rotated brief)算法结合的齿轮图像匹配优化方法。该方法在图片进行灰度化和高斯模糊等预处理操作后,用ORB算法得到图像的特征点,用金字塔光流法跟踪图片间的特征点,暴力匹配之后通过汉明距离和哈曼顿距离进行筛选,最后以改进的RANSAC(random sample consensus)算法优化匹配结果。实验结果表明,该算法在齿轮图像匹配过程中能够减少错误的匹配点,筛选出具有代表性的匹配点,减少误匹配率。     

基于矢量运算及半步长迭代算法相结合的刀补算法研究

分析了空间矢量运算和计算机半步长迭代算法,提出了以空间矢量计算等距线和以半步长迭代算法处理刀具轨迹转接过渡相结合的新型刀补算法,通过运用空间矢量运算来处理刀补轨迹数据,使用半步长迭代算法,判断等距线间有无交点和求交点,解决了传统刀补平面几何处理的繁冗问题。