基于神经网络的电火花加工工艺选择模型研究

针对电火花加工工艺数据的特点,研究了神经网络输入输出数据的预处理方法,提出了基于对数变换的数据预处理算法,测试表明效果较优。分析了电火花加工工艺的特点及其复杂性,提出了基于神经网络的电火花加工工艺选择模型,该模型能模拟熟练操作者的决策过程。测试结果表明,该模型能真实反映机床本身的工艺特点,模型值和实测值相差较小,能实现在给定加工要求下电加工参数的自动选择。     

基于改进BP网络的电火花加工工艺选择模型

提出了基于对数变换的数据预处理改进算法,测试表明效果较好。以加工面积、电极损耗比、表面粗糙度为输入参数,脉冲电流、脉冲宽度、脉冲间隙、放电间隙、伺服基准、伺服速度、加工速度为输出参数,提出了基于改进BP神经网络的电火花加工工艺选择模型。经过与实验数据的比较,该模型能真实反映机床的加工工艺规律,能实现在给定加工条件下进行电加工参数的自动选择。     

基于电火花脉冲电源电参数的预测模型

针对电火花加工的工艺特点及其复杂性,提出了一个基于神经网络的电火花加工工艺效果的预测模型,可反映出电参数和加工结果之间的关系。Matlab仿真结果显示了其良好的预测精度,最后分析了引起预测误差的原因。     

基于人工神经网络的电火花加工工艺专家系统

针对电火花加工工艺的特点极其复杂性,提出了人工神经网络电火花加工工艺的智能预测方案。研究结果表明,所建立的专家系统能够较精确地预测出给定条件下的切割速度和表面粗糙度,实现了电火花加工工艺知识和加工经验的有效共享。     

基于Neurosolutions人工神经网络的电火花加工工艺专家系统

针对电火花加工工艺的特点极其复杂性,提出了人工神经网络电火花加工工艺的智能预测方案.研究结果表明,所建立的专家系统能够较精确地预测出给定条件下的切割速度和表面粗糙度,实现了电火花加工工艺知识和加工经验的有效共享.     

利用神经网络建立电火花加工工艺模型

以峰值电流、脉冲宽度、脉冲间隔、抬刀时间和加工时间为输入参数,以加工速度和表面粗糙度为输出参数,利用人工神经网络技术建立了电火花加工工艺模型。经过与实验数据的比较,认为该模型能精确地预测出给定条件下的加工速度和表面粗糙度,真实反映了机床的加工工艺规律。     

基于神经网络的电火花加工工艺效果预测模型

针对电火花加工的工艺特点及其复杂性,提出了一个基于神经网络的电火花加工工艺效果的预测模型,可映射出电参数和加工结果之间的关系。计算机仿真结果显示了其良好的预测精度,最后分析了引起预测误差的原因。     

高速电火花加工小孔工艺

近年来,随着科学技术的迅速发展,需要对大量的各种不同类型的小孔进行加工。众所周知,电火花加工小孔工艺早已在生产中得到了应用,但其加工范围受到很大限制,不仅加工效率低,而且加工深度也浅,一般孔深与孔径之比不太于10～20,这不能满足实际生产的需要,所以,寻求一种既能     

数控电火花线切割加工参数优选的试验研究

针对数控高速走丝电火花线切割加工中的电参数的选取,本文运用二次通用旋转组合设计方法进行了工艺数据试验,提出了针对人工神经网络建模的数据预处理方法,建立了基于BP神经网络的电火花线切割加工参数模型。该模型可有效地反映高速走丝电火花线切割加工的工艺规律,实现在指定加工要求下的加工参数的优化选取。     

电火花线切割加工工艺参数研究

电火花线切割加工的表面粗糙度是衡量加工质量的重要指标之一.在加工过程中,表面粗糙度会受到放电电流的影响,其中包括放电电流能量、电流脉冲宽度以及电流极性的影响.通过在快走丝线切割加工机床上进行多次加工实验,本文研究分析了放电电流对线切割加工表面粗糙度的影响规律.     

基于遗传神经网络的电火花加工效果的预测

针对电火花加工非线性及复杂性的特点,提出了基于遗传神经网络的电火花加工效果的预测模型.遗传神经网络(GA-BP)是针对BP算法易陷入局部极小、收敛速度慢的缺点,根据遗传算法具有很强的全局搜身能力的特点,将二者结合起来形成一种训练神经网络的混合算法.通过该预测模型对一定加工条件下的加工速度和工件表面粗糙度进行预测,预测结果与实际实验结果有较好的一致性,说明遗传神经网络对电火花加工效果的预测是有效的.     

一种混沌神经网络在图像压缩中的应用

本文介绍了神经网络在图象压缩领域的应用,并且对前馈神经网络模型及其学习算法进行改进。在改进的模型中,隐层的每个神经元都附加上一个基于Logistic映射的伴随神经元。能够产生混沌现象。同时论述了这种混沌神经网络用于图像压缩的模型、原理、算法及关键技术。并通过仿真实验将这种模型应用于图像压缩中。其中的关键是算法,激活函数和压缩率等参数的选择。在固定压缩率和激活函数的条件下。将这种模型和最常用于图像压缩的标准BP网络模型进行了比较,结果表明这种混沌神经网络在压缩率。失真率等方面性能更好。从而使得重建图像效果更好。     

基于粗糙集-BP神经网络的垃圾破碎机故障诊断

针对目前垃圾破碎机故障诊断效率低的问题,设计了一种基于粗糙集理论与BP神经网络的故障诊断系统。结合粗糙集理论和BP神经网络的优点,首先利用粗糙集对原始故障诊断样本进行处理,然后对条件属性进行约简,删除冗余的信息,减少神经网络输入端的数据,从而简化神经网络的结构。并将基于粗糙集-BP神经网络的故障诊断系统对垃圾破碎机进行故障诊断。利用粗糙集对故障知识进行约简,简化BP神经网络结构,提高故障诊断的速度及准确度。将此方法应用于某型号垃圾破碎机的故障诊断中,诊断结果表明所提诊断方法可简化神经网络结构,提高诊断效率。     

支持产品方案决策的人工神经网络模型构建

阐述神经网络知识处理系统基本结构、神经网络模型在实际问题中的求解方法,分析网络模型与其他要素的关系,以及在神经网络学习过程中应考虑的问题。     

测站水位的改进型神经网络模型预测

神经网络作为一种非机理性模型,在非线性问题方面被广泛应用,由于水位与上下游位置存在明显的非线性关系,因此选用神经网络并结合现有的工具软件进行测站水位的预测。在全面分析神经网络特点的基础上,通过某径流上有测点的水位资料建立了下游测点的水位预测神经网络模型,详细给出了模型建立的具体步骤。工程实例表明该模型具有预报精度高等优点,可以为类似工程提供参考。     

基于神经网络与PSO算法的发动机装配工艺参数优化

针对汽车发动机装配过程中缸体泄漏问题,结合Back Propagation(BP)神经网络及粒子群优化(Particle Swarm Optimization, PSO)算法,提出了一种发动机装配工艺参数优化方法。首先,使用BP神经网络建立了生产工艺参数与质量指标之间的非线性映射关系,并以此作为泄漏率预测模型。其次,根据实际生产需求,应用皮尔逊相关性分析法求解得到相关性最强的部分工位工艺参数,并以其作为后续优化对象。最后,以BP神经网络预测模型作为适应度函数,使用粒子群优化算法求解得到工艺参数的最优值。使用400台发动机的实际生产数据进行试验。试验结果显示,BP神经网络具有较准确的预测效果,结合粒子群优化算法得到了优化后的工艺参数值,显著降低了发动机的泄漏率,具有一定的指导意义。     

基于改进BP神经网络的纸浆漂白MIMO软测量模型研究

针对漂白过程中纸浆白度、残氯在线测量的不足,提出基于BP改进算法的神经网络软测量模型。文章介绍了基于神经网络的软测量技术原理以及漂白软测量模型建立的步骤与方法,给出了该模型的仿真结果。仿真结果表明,该模型具有较高精度和准确性,为纸浆质量的评判和优化控制提供了指导作用。     

Optimisation of the electrical discharge machining process using a GA-based neural network

In this paper, the optimisation of the EDM process parameters from the rough cutting stage to the finish cutting stage has been reported. A trained neural network was used to establish the relationship between the process parameters and machining performance. Genetic algorithms with properly defined objective functions were then adapted to the neural network to determine the optimal process parameters. Examples with specifications intentionally assigned the same values as those recorded in the database or selected arbitrarily have been fed into the developed GA-based neural network in order to verify the optimisation ability throughout the machining process. Accordingly, the optimised results indicate that the GA-based neural network can be successfully used to generate optimal process parameters from the rough cutting stage to the finish cutting stage.