基于PSO混合算法优化BP网络在钢轨磨损量预测中的应用

提出基于PSO混合算法对BP网络进行优化,改善了BP网络权阈值求解所面临的局部极值与收敛速度慢的问题.通过赫兹模拟试验方法,在JD-1轮轨模拟试验机上获得BP神经网络训练数据,运用基于PSO混合算法优化BP网络对钢轨磨损量进行拟合.结果表明:基于PSO混合算法优化BP网络对钢轨磨损量数据能够进行极好的拟合,为钢轨磨损量预测提供一种更有效的数据分析途径.     

基于BP神经网络的钢轨磨损量预测

随着列车运行速度和轴重的提高,轮轨系统的磨损越来越严重,其中曲线半径、轴重和运行速度是影响轮轨磨损的重要因素。建立了钢轨磨损量影响规律的径向BP基函数神经网络模型,该网络具有3路输入,3个神经层;在JD-1大型轮轨模拟试验机上通过改变试验参数进行钢轨磨损试验,获得不同试验参数下的钢轨磨损量;以钢轨磨损数据作为BP神经网络的目标样本,对不同试验参数下的磨损量进行了预测。结果表明,模型可较准确地计算轮轨冲角和速度对钢轨磨损量的影响规律,利用BP神经网络对钢轨磨损量预测具有较高的精度,可在一定程度上验证试验结果。     

GA-BP神经网络预测钛合金表面粗糙度

为了有效预测铣削加工中钛合金工件的表面粗糙度,建立了以切削速度、进给量、径向切深、轴向切深为输入参数,表面粗糙度为输出参数的预测模型。该预测模型将遗传算法与BP神经网络结合起来,使用遗传算法优化BP神经网络的初始权值和阈值,进行铣削实验获得实验数据,并对神经网络进行训练,最终获得预测模型。通过对比分析GA-BP预测模型、BP预测模型、线性回归预测模型的预测精度,得出GA-BP预测模型具有相对较好的预测精度,证明该预测模型是有效的。     

基于BP神经网络的粉末冶金铜基滑动轴承材料磨损量预测

从FeS/Cu-Bi铜基滑动轴承材料组元配置、工艺处理、工况条件入手探究影响铜基滑动轴承材料磨损量的因素,发现材料的磨损量受所添加固体润滑剂Bi的含量、球磨工艺以及加载载荷的影响.针对铜基滑动轴承材料磨损量的3个主要影响因素,建立了结构为3-9-1的BP神经网络模型,对铜基滑动轴承材料的磨损量进行了预测.通过实测数据对...     

灰色理论在齿轮磨损量预测中的应用研究

利用灰色理论，通过研究建立了无偏的GM(1，1)模型，突破了模型参数│α│较大时GM(1，1)模型无法应用的禁区。并将无偏GM(1，1)模型应用于对齿轮磨损数据的预测，通过试验研究获得了满意效果，为齿轮磨损趋势的预测提供了一个新方法。     

LS-SVM回归算法在刀具磨损量预测中的应用

提出了基于最小二乘支持向量机回归算法的刀具磨损量预测方法。该方法首先利用经验模态分解算法对非线性、非平稳的声发射信号进行平稳化处理,得到了若干个固有模态函数;然后建立了每个固有模态函数的自回归模型,并提取模型系数构造特征向量;最后采用最小二乘支持向量机回归算法实现了刀具磨损量的预测。该方法与神经网络预测算法相比,具有更高的预测准确率,可有效预测当前切削状态下10s后的刀具磨损量。     

利用振动频谱预测刀具磨损量

采用振动传感器采集刀具车削时的信号,对振动信号进行短时傅里叶变换,将频谱集中区域(0~6250)Hz内的频率幅值直接输入到BP神经网络中进行训练,使神经网络建立振动信号频谱与刀具磨损量之间的映射关系,从而实现刀具磨损监测。人工提取的特征值一般数量较少,往往不能全面细致地刻画信号的特点,而该方法则充分发掘了神经网络强大的学习能力,具有方法简单、识别精度高、稳定性好的优点。实验结果表明,该方法可以快速准确地预测刀具磨损量。     

42CrMo钢精密切削的刀具磨损量预测研究

针对42CrMo钢精密切削刀具磨损量预测研究小样本、非线性的特点,将量子粒子群算法(QPSO)、卷积神经网络(CNN)及长短期神经网络(LSTM)相结合,构建了QPSO-CNN-LSTM组合预测模型。采用QPSO算法对CNN-LSTM模型的隐藏层单元数、学习率、卷积核等进行优化,结合CNN网络特征提取能力强、LSTM网络具备记忆能力的特点,对实际加工实验的刀具磨损量进行预测,并通过误差评价指标分析,与CNN、LSTM、BP等单一模型以及PSO-GRNN组合模型进行预测效果对比研究。研究结果表明,本文构建的组合预测模型相对于单一预测模型,其预测值与真实值吻合程度更高;相对于PSO-GRNN组合模型,三种误差评价指标的误差值至少降低了27%,其泛化性和稳定性较好,预测精度与非线性拟合能力更强。     

GA-BP算法在电信供应链库存控制中的应用

库存控制是电信供应链管理过程中重要技术之一,针对BP神经网络库存预测方法中存在的局部极小问题,引入GA-BP网络算法,将影响库存控制的因素抽象出来,并且把电信某物资的库存历史数据作为训练样本,对库存进行有效预测。经实验证明,GA-BP算法不仅避开BP网络的弊端,继承神经网络很强的学习、训练能力,同时也提高了库存的预测精度。     

GA-BP算法在电信供应链库存控制中的应用

库存控制是电信供应链管理过程中重要技术之一,针对BP神经网络库存预测方法中存在的局部极小问题,引入GA-BP网络算法,将影响库存控制的因素抽象出来,并且把电信某物资的库存历史数据作为训练样本,对库存进行有效预测.经实验证明,GA-BP算法不仅避开BP网络的弊端,继承神经网络很强的学习、训练能力,同时也提高了库存的预测精度.     

钢轨滚动磨损性能试验研究

在JD-1型轮轨摩擦试验机上研究了轴重与曲线半径对钢轨滚动磨损性能的影响。结果表明：轴重与曲线半径是影响钢轨磨损的主要因素。试样磨损量随着载荷的增加而增加,也随着曲线半径的减小而增加;试样表面磨损形貌随着载荷与曲线半径的改变而表现出不同的变化,其中大载荷和小曲线半径试验使钢轨试样磨损程度严重,表面容易产生较明显的塑性形变以及龟裂现象;制动力条件下滚动试样磨损更为严重。     

铁路钢轨损伤机理研究

钢轨损伤一直是铁路运输中的一个关键问题，损伤类型主要是钢轨压溃、侧磨、波磨和剥离，占钢轨损伤量的80％以上。探讨了这几种钢轨的损伤形式，认为钢轨损伤加剧主要是因为轮轨之间表面摩擦力的增加所致；提高钢轨材质是预防钢轨损伤的最主要方法。     

GA-BP神经网络在伺服系统辨识中的应用

针对BP算法在系统辨识应用中的不足,提出了一种基于遗传算法(GA)的BP神经网络建模方法.该算法充分利用了遗传算法和BP算法各自的优点.采用该算法完成了具有复杂非线性的某伺服系统的建模工作.实验结果表明了该算法的有效性.     

[表面强化及损伤机理]钢轨表面宽带激光淬火工艺及其疲劳磨损性能

针对目前钢轨强化采用的欠速淬火方法存在强化层硬度偏低、耐磨性难以满足重载线路使用要求的问题,使用3种不同光斑宽度的激光,研究了U71Mn材质钢轨的激光淬火强化工艺,获得了不同扫描速度下的临界功率和淬火层深,并测试了淬火层在滚动接触条件下的磨损与接触疲劳性能。结果表明：在临界熔化的激光能量密度下,光斑宽度由6 mm增加到20 mm时,淬火层深度提高了38%,或在获得相同的淬火层深度情况下,处理效率提高6.8倍;淬火层组织为针状马氏体,硬度从原来的300HV提高到800HV以上;20万周次的磨损试验后,激光淬火试样的磨损量只有未处理试样磨损量的25%,未处理试样以表面接触疲劳剥落和塑性变形为主,激光淬火试样仅有轻微的疲劳磨损,耐磨性和抗接触疲劳性能优异。     

基于组合遗传神经网络的磨损趋势预测

针对神经网络易陷入局部极值的问题，用遗传算法来改进神经网络时间序列预测模型，并设计了一个组合网络，考虑了单一遗传BP神经网络预测的误差，以误差样本训练了一个校正的遗传BP神经网络，并将该组合网络时间序列预测模型应用于柴油机系统磨损趋势的预测，取得了较好的预测效果。     

Prediction of tool wear using regression and ANN models in end-milling operation

Tool wear prediction plays an important role in industry for higher productivity and product quality. Flank wear of cutting tools is often selected as the tool life criterion as it determines the diametric accuracy of machining, its stability and reliability. This paper focuses on two different models, namely, regression mathematical and artificial neural network (ANN) models for predicting tool wear. In the present work, flank wear is taken as the response (output) variable measured during milling, while cutting speed, feed and depth of cut are taken as input parameters. The Design of Experiments (DOE) technique is developed for three factors at five levels to conduct experiments. Experiments have been conducted for measuring tool wear based on the DOE technique in a universal milling machine on AISI 1020 steel using a carbide cutter. The experimental values are used in Six Sigma software for finding the coefficients to develop the regression model. The experimentally measured values are also used to train the feed forward back propagation artificial neural network (ANN) for prediction of tool wear. Predicted values of response by both models, i.e. regression and ANN are compared with the experimental values. The predictive neural network model was found to be capable of better predictions of tool flank wear within the trained range.     

有无电流工况下钢铝复合轨/受电靴的摩擦磨损特性

利用改进设计的销盘摩擦磨损试验机,研究了用于地铁供电的钢铝复合轨与受电靴在有无电工况下的滑动摩擦磨损性能,对比了磨损量与摩擦因数的变化,观察和分析了微观磨损形貌,分析了其摩擦磨损机制。试验表明:电流对摩擦副的干摩擦滑动行为具有显著的影响,随着电流的增加,钢铝复合轨和受电靴的磨损质量增加,摩擦因数减小,摩擦表面出现粘着磨损、电弧烧蚀、磨粒磨损、疲劳剥落特性。     

Predicting the Effect of Grinding Corrugated Rail Surface on the Wear Behavior of Pearlitic Rail Steel

Rail grinding has become an increasingly permanent way maintenance practice to tackle rail corrugation, as well as extending the rolling contact fatigue life of rails. However, and as far as material loss is concerned, such a grinding is considered as an artificial wear process added to the natural wear. The work presented in this article investigates the quantitative effect of grinding the whole deformed rail surface layer on the overall wear process of the running surface of pearlitic rail steel. Results show that if wear behavior is known as an empirical model which can predict the effect of grinding that could be obtained.