激光熔覆镍基熔覆层截面形貌预测

利用BP神经网络建立激光熔覆关键工艺参数(激光功率、扫描速度、送粉电压、送粉载气流量)与熔覆层截面形貌(熔宽、余高)的预测模型。以激光熔覆工艺参数为输入,熔覆层的截面形貌为输出,利用工艺试验数据对网络进行训练,实现对输入和输出的高度映射。结果表明,BP神经网络可以较好地对熔覆层形貌进行预测,同时双隐藏层BP神经网络模型预测结果误差波动更小,表现出优良的稳定性,最大预测误差相比单隐藏层神经网络大大降低。     

基于粒子群算法的RBF神经网络齿轮磨损预测

针对机械设备磨损难以预测问题,提出RBF神经网络预测模型,并结合粒子群算法优化模型参数。利用变速箱型号为SG135-2系列的K727840ZW齿轮磨损实验输入-输出数据,通过基于粒子群算法的RBF神经网络建立输出预测模型,并与传统的AR模型、BP神经网络模型及Hermite神经网络模型预测作比较。仿真结果表明,基于粒子群算法的RBF神经网络模型结构简单、预测精度高,验证了所提方法的有效性和实用性。     

基于GA-BP算法永磁力矩电机偏心载荷转子位置误差预测研究

针对永磁交流力矩电机转子受载荷之后会引起转子位置偏心误差加大问题,提出一种基于遗传算法(GA)优化BP神经网络永磁力矩电机转子偏心载荷位置误差预测模型的方法。通过测量各种情况下永磁力矩电机在运转过程中的位置变化情况,利用遗传算法优化BP神经网络算法建立预测模型。该模型采用实验台运行的正弦轨迹数据为训练样本,三角波轨迹数据为测试样本。选取各种情形的正弦波轨迹数据和三角波轨迹数据进行仿真预测和验证。以各种情况的正弦波信号的指令位置、指令速度和电流作为模型的输入,以三角波信号的位置误差作为输出。结果表明,GA优化BP神经网络建立的预测模型优于优化之前的预测模型。     

基于改进型迭代神经网络的三自由度并联机构位置正解分析

针对模拟船舶在海上运动的摇摆姿态及重载的要求,根据并联机器人机构综合理论,提出运用4SPS-1S结构的并联机构实现模拟船舶在重载情况下的摇摆运动。通过对该机构的运动学分析,推导出三自由度并联机构位置逆解的解析表达式。考虑到位置正解的解析解难以求出,运用一种改进型、高效率的迭代神经网络对其位置正解模型进行求解,最后借助Matlab软件对位置正解模型进行了仿真研究。研究结果表明:该改进型迭代BP神经网络不但性能上优于普通的BP神经网络和误差补偿函数为f(ε)=ε的迭代BP神经网络,且所建立的位置正解模型可以满足实时控制要求。     

基于 BP网络的6-UPU开环并联机床误差预测

以6 UPU教学型并联机床为实验平台,以壳体铝合金零件加工为研究对象,提取加工尺寸误差样本数据,采用BP神经网络建立加工尺寸误差预测模型,通过分析6 UPU教学型并联机床误差,提出实验数据与样本数据的处理原则,全面考虑到加工过程中各种情况.提出的基于BP网络来预测加工误差具有较强的实用性和一定的先进性,能有效提高加工精度,为提高开环数控系统精度提供了新的途径.     

MEA优化BP神经网络的电主轴热误差分析研究

针对磨齿机在磨削加工时,电主轴存在热致误差等问题,提出一种基于思维进化算法(MEA)优化BP神经网络建立磨齿机电主轴热误差预测模型的方法。通过测量磨齿机电主轴在加工过程中的温升与位移情况,利用思维进化算法优化BP神经网络算法在MATLAB软件中建立预测模型,并与未经过算法优化的BP神经网络建立的模型进行了对比。在电主轴X向热误差预测实验中,未经过算法优化的BP模型最低补偿率为84.85%,而经过思维进化算法优化BP模型最低补偿率为95.29%。结果表明:经过思维进化算法优化BP神经网络建立的热误差模型,在拟合和预测精度上要优于未经过算法优化的BP神经网络热误差模型。     

基于PGWO-BP神经网络的管材自由弯曲精确成形参数预测

为了提高管材自由弯曲成形技术的加工精度，针对平面弯管加工精度的成形参数开展精确预测工作，通过建立成形参数预测模型的方法使弯曲半径和弯曲角的实验值与设计值一致。首先，建立有限元仿真模型并通过管材加工实验进行修正，采用优化后的仿真模型建立预测的样本数据库，以有限元仿真得到的弯曲半径和弯曲角作为输入，以弯曲半径和弯曲角的设计值作为输出，结合BP神经网络和灰狼优化算法搭建成形参数预测模型。结果显示，改进后的PGWO-BP神经网络预测的弯曲半径和弯曲角的最大误差不超过2%,同时利用该预测模型开发了管材精确成形的工艺参数确定软件。     

基于3D打印技术的并联机器人机构精度分析

针对3D打印快速成型技术的性能需求,提出了一种基于3-UPU型三自由度3D打印并联机器人。对其中的3-UPU并联机构进行了运动学分析,在此基础上建立误差正解模型,考虑驱动副杆长误差和铰链间隙误差的影响因素,运用Monte-Carlo法分析了动平台末端精度的频数分布,求得了许用精度范围内的置信概率,为提高3D打印并联机器人机构末端的输出精度提供了重要依据,在生产制造业快速发展的主流技术中具有重要的研究意义与应用推广价值。     

基于BP神经网络的镁合金焊缝成形预测

为了研究镁合金的焊缝成形效果,搭建了焊接试验平台和数据采集系统,通过试验采集焊缝的数据样本,作为BP神经网络的学习训练和预测样本。建立了基于BP神经网络的镁合金焊缝成形预测模型,利用神经网络的映射能力和分析能力,采用焊接过程的焊接电流、焊接电压、焊接速度、焊丝干伸长作为预测输入,把焊缝成形中的焊缝熔深、熔宽、余高作为信息输出对神经网络进行训练,从而建立基于BP神经网络的焊接参数和焊缝成形的映射模型,通过BP神经网络的预测试验,预测值与实际值的误差能够控制在5%以内,可以满足设计要求。     

基于改进PSO优化BP的数控机床热误差预测研究北大核心

热误差是影响数控机床加工精度的主因,为提高数控机床热误差模型的预测精度,提出了基于改进粒子群优化BP神经网络的数控机床热误差建模预测方法。针对BP易陷入局部最优、收敛速度慢,在标准粒子群算法的基础上,改进粒子的速度与位置更新策略,在此基础上优化BP神经网络的阈值和权值,并建立数控机床热误差预测模型;借助于MATLAB完成仿真实验,结果表明,与标准的BP神经网络和支持向量机相比,基于改进粒子群优化BP神经网络的数控机床热误差预测模型精度高、泛化能力强。     

基于BP和RBF神经网络的表面质量预测研究

目的 研究RBF和BP神经网络在铣削加工中的作用,实现对铣削加工质量的预测,改善铣削性能。方法 对环形铣刀与常用的球形铣刀进行对比,然后基于MATLAB平台,建立以铣削速度、进给量和铣削深度为输入参数,表面粗糙度为输出参数的RBF神经网络模型。通过大量的试验数据对RBF神经网络模型进行训练,然后再用训练好的RBF神经网络模型预测表面粗糙度,将预测值与实测值进行比较,验证RBF神经网络的预测性能。将训练好的BP神经网络模型与RBF神经网络所建模型的预测结果进行比较。结果 发现用RBF方法预测的表面粗糙度相对误差的绝对值不超过6%,最大误差为0.056 098,平均误差为0.022 277,而BP方法的最大误差为0.074 947,平均误差为0.036 578。结论 环形铣刀加工质量更好。RBF神经网络的预测精度较高,具有比BP神经网络更优的预测能力,且拥有建模时间短、收敛速度高、训练过程稳定以及学习速度快等优点,能有效进行铣削质量预测。     

基于BP神经网络和蚁群算法的机械手轨迹控制算法研究

为了提高机械手运行的平稳性,实现机械手控制的精准度,采用BP神经网络和蚁群算法相结合的方法实现机械手轨迹控制。首先,建立机械手运动轨迹模型,然后利用神经网络算法对机械手主要参数进行训练,接着,将输出预测的运动轨迹与机械手期望运动轨迹对比,以便求解更趋近于期望的最优参数。最后,借助蚁群算法对神经网络模型参数进行优化。经过实验证明：相比于传统BP神经网络算法,所提算法训练得到的角位移与期望角位移的拟合程度更高,且在空间三维坐标系的位移误差更小。     

径向基函数神经网络在复合材料滚压加工中的应用

文章以滚压速度、进给量、滚压力、滚压次数为输入参数,建立了对表面粗糙度进行预测的径向基函数神经网络模型,利用该模型对高硅铝合金基复合材料的已加工表面粗糙度进行了预测.结果表明,预测值可达到满意的精度要求,对7组样本进行预测时最大相对误差不超过12%,且表面粗糙度值越大,模型的预测效果越明显;模型的学习速度和精度均优于传统的BP神经网络.此外,利用所建立的模型对滚压工艺参数进行了优化,得出了工艺参数的最佳范围.     

基于神经网络的喷丸25CrMo合金疲劳寿命及残余应力松弛行为预测研究

首先,本文采用BP神经网络建立了喷丸25CrMo车轴钢疲劳寿命预测模型。然后,在此基础上采用遗传算法（GA）对BP神经网络的预测精度进行了优化。此外,还采用了径向基神经网络（RBF）进行建模分析,并与以上两种模型的预测结果进行对比,结果表明：遗传算法优化的BP神经网络（GA-BP）相比于BP和RBF神经网络具有更高的预测精度,其中训练集和测试集的平均预测精度分别为91.5%和85.4%。然后,基于GA-BP神经网络模型的连接权值矩阵和Garson方程进行了灵敏度分析,从而进一步量化了输入影响因素对喷丸25CrMo车轴钢疲劳寿命的相对影响比重;最后,还采用GA-BP神经网络预测了喷丸25CrMo车轴钢表面残余压应力的松弛行为,结果表明：测试集的平均预测误差仅为3.4%,表明了该神经网络预测性能良好。综上所述,本文采用神经网络建模分析了喷丸25CrMo车轴钢的疲劳性能和残余压应力松弛行为,显著降低了传统疲劳试验所需的成本,并且还保证了较高的准确性。     

基于BP神经网络的GH5188高温合金本构模型

采用Gleeble-3500热模拟试验机对GH5188高温合金试样进行热压缩试验,研究其在应变速率为0.001~0.1s^-1和变形温度在1000~1150℃时的热变形行为;建立了基于BP神经网络的本构模型,并验证了所建本构模型的可靠性,最后基于误差计算分析了BP神经网络本构模型的精度。结果表明,温度和应变速率对GH5188合金流变应力的影响明显,随着压缩温度升高和应变速率降低,GH5188合金流变应力明显减小。经定量误差计算分析,BP神经网络本构模型应力预测偏差值在10%以内的数据点占97.92%,BP神经网络模型能准确地预测GH5188高温合金的高温流变应力。     

基于深度循环神经网络的大规模风力发电功率预测

本文针对目前风力发电功率预测存在超短期、精度差等问题,通过分析大规模风力发电功率特性和风电预测时间序列特性,提出以深度循环神经网络进行预测,结合小波系数多尺度分析的隐马尔可夫预测方法,将深度学习引入到循环神经网络中来,构建基于多尺度隐马尔可夫模型-深度循环神经网络模型的大规模风力发电功率预测模型(MHMM-DRNN)。实例验证相对误差平均值:BP神经网络模型约为31.56%,在预测过程中误差最大,ARMA模型约为23.20%,小波分析约为26.11%,而MHMM-DRNN预测模型约为16.85%,具有较好的实用性。     

基于BP神经网络的传力片冲裁凸模磨损仿真预测

以离合器盖总成中的传力片作为研究对象,借助Deform-3D仿真软件模拟了传力片冲裁过程中的凸模磨损情况,依据正交仿真试验的数据以及BP人工神经网络对传力片冲裁凸模的磨损量进行仿真预测。将冲裁间隙、凹模刃口圆角半径与冲裁速度作为BP神经网络的输入层,将冲裁凸模的最大磨损深度作为BP神经网络的输出层,建立3-12-1的3层BP神经网络。BP神经网络通过训练之后,仿真预测的最大误差为1.14%。基于正交试验的仿真数据对BP神经网络的性能进行检验,BP神经网络的仿真预测值与数值模拟值之间的误差为2.09%,并利用冲压级进模对BP神经网络的仿真预测值进行试验验证,两者之间的相对误差为8.25%,验证了BP人工神经网络应用于传力片冲裁凸模磨损仿真预测的准确性。     

基于BP神经网络的细晶Ti_2AlNb基合金粉末球磨工艺研究

应用BP神经网络算法分析并预测了高能行星式球磨过程中工艺参数和球磨后Ti_2AlNb基合金粉末的形貌特征之间的关系,建立了粉末参数预测模型。BP网络模型的输入参数为球磨转速,球磨时间,球料比;输出参数为球磨后Ti_2AlNb基合金粉末的晶粒尺寸。BP网络模型中间隐含层节点数为9,输入、输出函数分别为tansig、purelin。通过检验样本验证了所建立神经网络模型的准确性。结果表明:该模型在容错性和通用性等方面优点突出,可用于预测球磨法制备细晶Ti_2AlNb基合金粉末的晶粒尺寸,还可以弥补各种球磨过程物理模型应用与表述方面的不足,对于实际的粉末冶金工艺研究具有积极的应用价值和指导意义。     

基于BP神经网络的新零件材料消耗定额预测方法研究

为精确地预测熔模铸造中新零件材料消耗定额，采用了BP神经网络的方法进行建模。在分析影响各工序零件材料消耗主要因素的基础上，确定了BP神经网络模型的特征参数，并根据实际情况确定了输入层和隐含层的神经元个数，从而确定了模型的结构。用试验数据对模型结构进行训练，最终建立了一个用于新零件材料消耗定额预测的BP神经网络模型。