基于BP网络的注塑成型模具硬态高速铣削力研究

用AlTiN 涂层硬质合金立铣刀对4Cr5MoSiV1钢注塑成型模具进行硬态高速铣削,研究切削加工参数对切削力的影响;通过多因素法进行正交试验,利用改进的BP神经网络建立切削力的神经网络模型并对工艺参数进行优化,将网络预测结果与现场加工实践数据进行对比.研究结果表明:人工神经网络能准确地预测铣削力,模型具有较强的泛化能力和自适应能力;在高转速、小切深、合适的进给速度以及微量切削液状态下铣削力较小,为优化模具硬态铣削的切削参数并对其实际生产应用提供了较好的依据.     

基于Copula EDA优化BP神经网络的表面粗糙度预测

为了提高预测机械加工表面粗糙度的精度,提出了基于Copula分布估计算法(estimation of distribution algorithm,EDA)优化BP神经网络的方法.以铣削45#钢为试验对象,采用控制变量法进行切削试验.在线测量主切削力、轴向力、径向力和振幅,并进行数据处理,得到相应切削力的平均值、标准差、均方根值及振幅,同时离线测量二维粗糙度R_a、三维粗糙度平均值S_a和均方根值S_q.对切削分力的平均值、标准差、均方根值及振幅与粗糙度做相关性分析,选择Kendall秩相关系数最大的主切削力平均值作为输入变量,输入BP神经网络和基于Copula EDA优化BP神经网络,进行训练和预测.试验结果表明:基于Copula EDA优化BP神经网络的预测精度总体高于BP神经网络的预测精度,对R_a,S_a和S_q的平均预测精度分别达到91.98%,91.03%和89.10%.     

基于优化的GA-BP及其在葡萄酒质量预测的应用

针对BP神经网络模型在输入时因随机产生的权值和阈值导致模型的训练精度不高、泛化能力不强的问题,提出一种基于自适应遗传算法优化BP神经网络的方法.遗传算法在寻优方面有很好的效果,采用遗传算法优化BP神经网络的权值和阈值来提高模型的训练效率,并对神经网络的学习率进行优化,建立GA-BP网络预测模型,用于葡萄酒质量预测.结果表明,对比于传统的BP神经网络,基于自适应遗传算法优化的BP神经网络的模型在精确度上更高,模型的泛化能力也更好,对于葡萄酒加工企业具有实际参考价值.     

基于遗传算法优化神经网络的拼焊板压边力预测

通过数值模拟与神经网络技术对拼焊板盒形件拉深成形过程中的压边力预测问题进行研究.运用数值模拟分析压边力加载形式对拼焊板盒形件成形性能的影响,找到一种较优的变压边力加载方式.建立适用于拼焊板盒形件拉深成形压边力预测的BP神经网络模型.采用遗传算法对神经网络模型进行优化,在基因选择过程中加入精英保留策略,最终通过基于遗传算法优化的神经网络模型获取了理想的压边力曲线,用以预测随拉深行程变化的压边力数值,为实现智能化冲压奠定了技术基础.     

基于遗传优化的BP神经网络水泥强度预测

为了提高BP神经网络预测模型对水泥强度值的预测精度,通过结合BP神经网络与遗传算法各自的优势,提出一种采用遗传算法优化的BP神经网络的水泥强度预测算法.利用遗传算法具有的全局优化搜索能力优化BP神经网络的各层节点连接权值与阈值,训练BP神经网络预测模型以求得最优解,并将训练以外的样本数据用于模型的有效性验证.仿真结果表明,该算法对水泥强度值预测具有较高的预测精度,同时可缩短网络收敛时间.     

基于自适应遗传算法优化的BP神经网络股票价格预测

股票价格是一种具有较强随机性的数据,不仅受到买卖双方的影响,而且与国内外政策因素有关.为了提高精度,采用BP神经网络与遗传算法结合的方法进行研究.针对BP神经网络初始权值随机、遗传算法易陷入局部优化等问题,给出了一种基于自适应遗传算法优化的BP神经网络股票价格预测模型,该模型通过自适应遗传算法对BP神经网络初始权值进行优化,从而对股票价格进行预测分析.实验仿真结果表明该模型可以获得较高的预测精度和较快的收敛速度.     

基于自适应遗传算法优化的BP神经网络股票价格预测

股票价格是一种具有较强随机性的数据,不仅受到买卖双方的影响,而且与国内外政策因素有关.为了提高精度,采用BP神经网络与遗传算法结合的方法进行研究.针对BP神经网络初始权值随机、遗传算法易陷入局部优化等问题,给出了一种基于自适应遗传算法优化的BP神经网络股票价格预测模型,该模型通过自适应遗传算法对BP神经网络初始权值进行优化,从而对股票价格进行预测分析.实验仿真结果表明该模型可以获得较高的预测精度和较快的收敛速度.     

基于量子免疫遗传算法的煤与瓦斯突出神经网络预测

为了用BP神经网络更准确地预测煤与瓦斯突出危险性,将免疫算法中基于繁殖概率的抗体多样性保持机制引入量子遗传算法(QGA),提出量子免疫遗传算法(QIGA)优化神经网络模型QIGA-BP。模型采用QIGA分别对神经网络的隐含层和连接权值进行全局寻优,以此提高BP网络的搜索效率和泛化能力。以平均影响值分析法筛选的煤与瓦斯突出显著变量作为BP网络的最佳输入参数,分别用QIGA-BP,QGA-BP,免疫遗传优化BP模型和传统BP模型对突出煤层工作面的实例数据进行预测。结果表明,QIGA在BP网络优化过程中具有更好的优化性能,用QIGA-BP模型预测工作面突出危险性具有更好的预测能力和更高的预测准确率。     

遗传算法BP神经网络在变形监测中的研究

介绍了BP神经网络和遗传算法的概念和基本理论,详细阐述了遗传算法优化的BP神经网络和BP神经网络这两种神经网络模型,深入分析了两种模型在基坑水平位移监测的数据预报,指出了遗传算法优化的BP神经网络模型具有更好的预测效果.     

基于BP神经网络的电力系统短期负荷预测

电力系统短期负荷预测的准确性对电力系统的实时运行调度至关重要.采用BP神经网络对电力系统负荷短期预测研究,根据影响电力系统的负荷因素如温度、天气等确定模型构成,同时利用遗传算法对BP神经网络进行优化.实例表明,利用遗传算法优化的BP神经网络在电力系统短期负荷预测中是有效的.     

球头铣刀动态力学建模技术的研究

针对测力仪所存在的问题,利用自组织模糊神经网络,提出了基于电机电流信号的间接力学建模的新方法．基于Merchant斜角切削理论,给出了球头铣刀的动态力学模型,以避开复杂的工程塑性理论,分析了两种建模方法的互补性．     

数控铣削加工过程的神经网络控制

构造一个三层的 BP网 ,提出一种铣削加工恒力控制方法 .该方法具有自组织、自适应能力强和精度高等特点 ,并可有效克服传统自适应控制中的模型失配问题 .对铣削加工中切深渐变和突变两种工况进行计算机仿真 .最后 ,实验验证其正确性和有效性     

直接作用式神经网络控制器研究

提出了一种新颖的直接作用式神经网络控制器，将其应用于铣床切削过程控制，使铣削力在加工条件变化时始终保持恒定．该控制器具有在线自学习能力，无需预先训练网络的权值，更不用建立控制对象的数学模型．实验结果表明其控制性能优越，自适应能力强．     

铝型材挤压模具导流孔结构优化

基于MATLAB平台,将BP人工神经网络、遗传算法和数值模拟技术应用于铝型材挤压模具的导流孔形状优化设计。由正交实验法安排模拟实验组合,采用SuperForge软件对进行型材挤压过程进行数值模拟,并以挤压时金属流出模口平面的z向质点流速的均方差作为模型目标值;将模拟结果作为人工神经网络的输入样本对进行网络训练并建立网络知识源;通过遗传算法求得模型的全局优化解;最后通过有限体积法数值模拟技术验证并比较优化所得导流孔形状与经验法确定的导流孔形状对金属流动均匀性的影响。分析结果表明,通过调整导流孔形状能使金属流出模口的速度分布更均匀,表明对挤压模具导流孔形状的优化是有效的。     

基于蒙特卡洛法的铣削让刀误差概率分布预测

基于斜角切削理论,建立铣削力计算模型,求解得到铣削力.构建薄板受力变形的挠度函数,结合刀具的受力变形求解刀具-工件耦合变形的铣削让刀误差.采用神经网络拟合方法,求出输入铣削参数与输出最大让刀误差的函数关系.考虑刀具参数、材料参数、工件参数以及加工工况等随机参数对金属切削的影响,利用蒙特卡洛方法,对输入参数进行抽样,将参数样本代入神经网络拟合的函数模型中,获得铣削让刀误差样本,并分析其概率特性,从而提出一种铣削让刀误差的概率分布预测方法,较确定性计算铣削让刀误差的方法更加符合实际.     

基于遗传神经网络的扭矩传感器设计

分析了传统扭矩传感器存在的主要误差,利用遗传算法优化的BP神经网络对扭矩传感器误差进行了补偿,提高了系统的测量精度.利用MSP430单片机完成神经网络的回想,使设计的智能传感器体积小、耗电省、成本低.     

基于粗糙集的改进BP神经网络算法研究

提出了一种基于粗糙集和遗传算法的改进BP神经网络算法.该算法首先对原始数据集进行属性约简,优化BP神经网络的输入变量;然后利用遗传算法全局搜索的特点,优化BP神经网络初始权重和阈值.将改进BP神经网络算法应用于客户分类,训练误差为5.92×10-12,测试总误差为0.00023;而改进前的一个比较理想的训练结果的训练误差为0.0016,测试总误差为0.073.Matlab仿真表明改进的BP神经网络算法有更好的训练精度和泛化能力.