基于BP神经网络的焊接工时定额模型研究

为了提高焊接工时定额的计算效率和精确度,消除传统定额方法过度依赖线性公式进行计算而忽略工时定额与其加工工艺参数之间的非线性关系的不足,将BP神经网络技术应用到焊接工时定额中,建立多输入单输出的神经网络模型,并运用实际数据对建立的神经网络进行训练,通过测试样本验证了该网络模型输出的仿真值与实际值之间的误差在5%以内。验证结果表明,用BP神经网络方法建立的焊接工时定额模型能够对焊接工时进行准确的预测。     

遗传神经网络在工时定额计算中的应用

工时定额数据量大、影响因素多,使用常规拟合方法计算工时定额比较困难。为提高工时定额计算的正确性,采用人工神经网络技术,在MATLAB中建立了工时定额计算神经网络模型。针对BP神经网络存在易陷入局部最小值、收敛速度慢等不足,引入标准遗传算法来优化神经网络的权值和阈值。实验结果表明,基于实数编码的遗传算法优化速度快,优化后的神经网络迅速收敛,神经网络模型的测试误差低于5％。遗传神经网络可以克服单独使用神经网络时存在的缺点,训练好的模型在工时定额计算时正确性较高,有较好的实用价值。     

计算机辅助工时定额系统的研究与开发

提出了一种基于基元理论,以工作研究法现场测定数据作为制定定额的依据,运用神经网络研究工时变化规律的通用化计算机辅助工时定额系统,在此基础上探讨了工时的分类划分,阐明了系统的体系结构和功能模块,最后介绍了系统的应用流程。     

基于CBR和BP神经网络的壳体零件制造工时定额技术研究

对于一个制造企业如果存在两个相似度很高的壳体类零件,则它们的工艺流程以及工时定额也基本一致。将推理技术应用于壳体类零件的工时定额,首先建立壳体类零件工时信息模型,研究零件工时实例的表达方法、相似度检索算法以及实例重用阶段的数控加工工时计算方法,并通过实例验证了该方法的可行性,将定额结果与查表法定额结果比较,误差控制在5%以下,工时定额效率得到了很大的提高。     

基于典型工序的工时定额制定方法

针对工时定额的制定所存在的问题,分析了工时定额的制定现状、影响工时定额的制定的重要因素以及零件的工艺特性等,提出了基于典型工序的工时定额的制定方法,阐述了典型工序的编码方法及其基准工时制定方法,并制定了典型工序基准工时选择规则及其计算方法。     

企业工时定额管理与工时定额员

工时定额是企业组织生产的重要依据 ,工时定额管理是一项重要的科学管理工作。工时定额管理工作 ,影响企业的产品质量、劳动生产率和经济效益。工时定额员的素质、定额员水平的一致性 ,决定了企业工时定额管理工作的成效     

浅谈机械加工工时定额

工时定额的恰当与否,直接关系到工厂每位操作工的切身利益,直接影响到每位一线操作者的生产积极性。文中以生产实际为依据,从工时定额的核心入手,给出了一些适合大多数中小企业的制定办法。     

浅谈工时定额符合率统计分析方法

阐述了工时符合率分析的基本方法及实做时间、工时定额等符合率相关的数据统计过程,通过对工时定额的符合性进行分析,为工时定额的修订及生产效率提升提供依据,提高工时定额准确性。     

计算机辅助工时定额系统

计算机辅助工时定额系统是按工厂要求,采用编码设计思想,使系统不仅独立使用方便,也为今后的扩充和发展打好了基础;系统具有完善的浏览,汇总,修改,报表打印,系统服务等功能,工时计算机结果合理准确。     

秒表法在工时定额中的应用

工时定额的确定为企业制定生产计划、计算生产的平衡率和测定生产能力提供科学依据.针对当前粗放型的中小企业存在生产计划相对滞后,工时定额的精度不够,以致不能准确地指导生产的现状,提出了秒表法制定工时定额的方法.根据企业的实际情况,合理地选择工时计算参数,从而计算了产品的工时定额.通过企业的现场验证该方法是有效的,这也有助于提高了企业的管理水平.     

基于人工神经网络的曲轴残余应力巴克豪森测试仪

研制了基于巴氏噪声的曲轴残余应力测试仪,介绍了人工神经网络技术的原理、学习与训练方法等内容,以及如何建立BN信号与应力间的关系。实验数据表明该仪器测试数据准确可靠。     

基于人工神经网络凸轮轮廓插补算法研究

提出了一种利用人工神经网络的非线性逼近和自学习的能力,对凸轮轮廓进行曲线插补的方法,理论研究和仿真试验表明,该方法插补速度快、精度高、能够满足实时插补的需要。     

人工神经网络的专家系统的研究及应用

介绍了人工神经网络ANN(artificial neural network)的基本原理,将ANN技术引入专家系统,即基于ANN的专家系统,使专家系统的性能得到了很好的改善.基于ANN的专家系统通过合理的计算,产生智能,完成推理判断,采用这种方法推理,不仅速度快,而且适应规则变化能力强,在克服传统专家系统缺点的基础上,突显其优良特性.简要介绍了ANN的应用.     

基于神经网络的轮胎硫化过程建模及模糊控制

本文利用基于BP算法的人工神经网络,加入移动窗口技术和回流技术,建立轮胎硫化过程的动态温度分布模型,所建立的模型与实际拟合良好,具有实用性。为保证轮胎内部各部分达到均匀一致的硫化效果,根据模糊控制的思想用脉冲加热控制方式得到了满意的控制效果。     

基于人工神经网络的摩擦材料性能评价和预测

基于3种典型的人工神经网络,即Elman(反馈)、BP(前馈)和RBF(径向),分别建立3种制动摩擦材料摩擦性能的评价预测模型,采用[240,8]的数据样本对3种模型进行训练,同时采用贝叶斯正则化训练函数进一步优化。结果表明,Elman网络预测实验数据的精度最高,能较为准确地预测摩擦材料的升温摩擦因数和降温摩擦因数,尤其适用于磨料含量较低的情况。     

基于人工神经网络的砂轮表面形貌的研究

应用BP神经网络建立砂轮修整参数与砂轮表面形貌之间的非线形关系模型,以此研究对砂轮修整效果的影响。经试验验证,预测结果具有良好的精度。     

基于人工神经网络的机械工具的识别方法

提出一种快速的、鲁棒性的人工神经网络目标识别方法。针对工业环境中常用机械工具的识别,通过正规化目标图像和正交复值的Ｚｅｒｎｉｋｅ矩变换提取目标的平稳我、比例及旋转不变性特征,应用具有２个隐层的ＢＰ网络学习与识别这些特征敌意一。对４类具有一个自由度的机械工具进行识别实验,表明该方法优于最近分类决策规则,对噪声及循环矢量变化具有鲁棒性,并达到９５％的识别率。     

基于信息优化的前馈神经网络及其应用

为了克服普通前馈神经网络（ＢＰ网络）忽略网络中包含的信息的缺点，将信息理论引入到ＢＰ网络中，分析基于信息熵优化的ＢＰ网络的学习，结构优化和网络分类能力等问题，并用于变速齿轮箱的故障分类识别。     

小波神经网络诊断系统的应用与进展

针对机械设备的非线性系统特性及其信号的非平稳时变特性,提出了用小波分析法处理非平稳时变信号提取特征向量和采用神经网络映射系统的非线性传递特性的设备诊断系统,实现对复杂机械的故障诊断。并分析了神经网络诊断系统的发展前景。     

Development of Airfoils Based on Their Aerodynamic Characteristics Using Artificial Neural Networks

One of the main concerns in Engineering nowadays is the development of aircrafts of low consumption and high performance. For this purpose, airfoils are studied and designed to have an elevated lift coefficient and a low drag coefficient, thus generating a highly efficient airfoil. The higher the efficiency value is, the lower the aircraft fuel consumption will be; thus improving its performance. In this sense, this work aims to develop a tool for airfoil creation from some desired characteristics, such as the lift and drag coefficients and maximum efficiency rate, using an algorithm based on an ANN （artificial neural network）. In order to do so, a database of aerodynamic characteristics with a total of 300 airfoils was initially collected from the XFoil software. Then, through a routine implemented in the MATLAB software, network architectures of one, two, three and four modules were trained, using the back propagation algorithm and momentum. The cross-validation technique was applied to analyze the results, evaluating which network possesses the lowest value in RMS （root-mean-square） error. In this case, the best result obtained was from the two-module architecture with two hidden neuron layers. The airfoils developed by this network, in the regions with the lowest RMS, were compared to the same airfoils imported to XFoil. The presented work offers as a contribution, in relation to other works involving ANN applied to fluid mechanics, the development of airfoils from their aerodynamic characteristics.