基于BP神经网络的钛合金切削力研究

由于切削力预报与控制直接影响切削加工的质量和成本,为了节省大量的切削试验成本与精力,提高建模效率,本文提出在进行少量的切削钛合金试验,获取一定的样本数据的条件下,建立基于BP神经网络对切削钛合金切削力预报,获得较好的预测精度,精度误差控制在4%以内.     

基于粒子群算法的数控机床切削力误差实时补偿

通过分析数控机床主轴传动系统,推导出主轴伺服电机电流信号与切削力之间的关系,运用BP神经网络理论和粒子群优化算法建立起切削力误差模型,研制出数控机床上的切削力误差实时补偿系统,并通过加工实例对补偿系统进行了验证.结果表明:所建的切削力误差模型具有鲁棒性强和精度高的特点;切削力误差实时补偿系统使用方便,应用性强.     

基于遗传神经网络的混合气体识别研究

针对误差反向传播(BP)算法和遗传算法各自的优点和不足,提出了遗传算法优化神经网络技术:利用遗传算法的全局搜索能力,对神经网络连接权进行优化,以遗传算法优化的初值作为BP神经网络的初始权值,再用BP算法训练网络.优化后的BP网络其误差的递减速度和收敛速度都比标准BP网络快,而且对学习速率调整要求更少.将遗传神经网络应用于混合气体定量识别的训练中,得到的最大误差由20.7 %降为12.1 %,平均误差从5.4 %降为3.5 %,识别效果得到了提高.     

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%.     

基于改进PSO神经网络的微米木纤维切削参数优化

针对使用传统加工技术切削后的工件无法达到精密要求的问题,为了从工艺流程角度提升微米木纤维的加工精度和切削效果,提出了一种基于改进粒子群算法和BP神经网络的优化算法,以实现微米木纤维的精密切削加工。采用误差反向传播算法实现切削参数间复杂关系的最佳结构选择,通过改进的粒子群优化算法(PSO)解决了BP网络自身的局部极小值收敛的缺陷,给出了科学合理的切削参数输出。通过不同树种的微米木纤维切削参数仿真优化实验,验证了算法的准确性、训练精度和有效性。研究表明:提出的改进优化算法可以预测出待加工木材的切削参数,且具有较高的训练精度。     

改进BP网络在铁水预脱硫终点硫含量预报中的应用

针对本溪钢铁集团有限公司的铁水罐喷吹CaO+Mg复合粉剂脱硫过程,采用BP神经网络建立铁水预处理终点硫含量预报模型.在模型建立过程中,为了克服标准BP算法迭代次数多、收敛速度慢的缺点,采用新的自适应调整学习率方法和最大误差学习法对标准BP算法进行了改进.用1 900炉数据进行模型训练,经100炉数据现场验证表明,有12%的炉次预报值与实际值完全一致,有89%的炉次误差≤0.003%,平均误差为0.002 0%.     

基于神经网络动态预测软土路基沉降的研究

人工神经网络具有较强的非线性映射能力和学习能力,通过改进神经网络的BP算法,提高了BP算法的学习收敛速度和网络性能的稳定性.基于改进的BP神经网络模型,建立了可依据现场量测信息对软基路堤沉降量随时间而发展的过程进行动态预报的分析方法.此方法利用实测资料直接建模,避免了传统方法计算过程中各种人为因素的干扰,所建立的模型预测精度高、预测的沉降量误差小.     

基于广义维数与优化BP神经网络的刀具磨损量预测

根据多重分形理论,采用改进的盒计数法计算了切削加工过程中声发射(AE)信号的广义分形维数,得到了不同刀具磨损状态下AE信号的广义维数谱,分析了广义维数与刀具磨损量之间的关系.以广义分形维数以及切削加工参数为特征,进行归一化处理后作为BP神经网络输入向量;采用遗传学算法,对BP神经网络的初始权值和阈值进行了优化,利用优化后的神经网络对刀具磨损量进行预测.测试结果表明,该方法可以较精确地预测刀具磨损量,平均预测误差为001mm.     

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.     

基于关联规则及BP神经网络的风电场输出功率预测

针对风电场输出功率预测受气象因素不确定性和异常历史数据的影响而出现的预测结果精度不高的问题,提出基于关联规则及BP(back propagation)神经网络的风电场输出功率预测方法.对异常和缺失数据进行处理,采用改进K-means聚类算法对温度/风速气象数据进行聚类分析,使用Apriori算法挖掘风电场输出功率与气象因素间的关联规则,将关联规则应用于BP神经网络.将4种方法的预测误差进行对比,结果表明:相对其他3种方法,该文方法的最大相对误差、最小相对误差、平均相对误差均最小;其最大相对误差不超过5.78％,最小相对误差仅为0.01％.因此,该文方法能提高风电场输出功率预测的准确度,具有有效性.     

模糊神经网络在压边力智能控制中的应用

应用模糊神经网络专家系统实现了冲压成形过程中压边力的智能化控制，对系统模糊神经网络的构造和模糊神经推理机制进行了详尽的说明，介绍了压边力模糊神经网络和优化控制的设备及实现，并利用其对带凸缘的圆筒件拉深控制规律进行了研究。     

基于模糊神经网络的压边力优化控制专家系统

说明了压边力优化控制模糊神经网络专家系统的总体结构框架及系统各模块的功能,对模糊神经元的选取、模糊神经网络的构造和模型神经推理机制进行了深入的阐述,针对板料拉深过程中的变量选取了模糊神经网络的输入输入参数。在板料拉深过程中,应用压边力优化控制模糊神经网络专家系统实现了冲压成形过程的智能化控制。     

改善BP网络检验效果的研究

本文针对ＢＰ人工神经网络在处理连续变量时，学习效果很好，而检验效果不理想的情况下，提出三条改进检验误差的措施。１）检验样本的选择规则；２）引入虚拟样本；３）改变网络的拓扑结构、并实际应用于催化裂化主分馏塔优化操作建模的神经网络，收到很好的效果。这三条措施简便易行，可广泛适用于其他网络，以改善其检验效果。     

预变形Cu本构关系的神经网络模型和Z-A模型

利用Split-Hopkinson bar装置上所得到的变形数据，研究了冲击预变形铜的神经网络本构关系模型以及Zerrrlli-Axmstrong本构关系模型，比较了两种模型对冲击预变形铜在不同热力学状态下流变应力的预测精度．研究表明：神经网络模型的总的拟合度为0．9％，而Zerrilli-Armstrong模型的拟合度为8％；Zerrilli-Armstrong模型相对于神经网络模型精度较低，是由于物理模型把材料内部某些动态变量作为常数处理，而神经网络模型建模训练时已经包含了这些动态变化的因素；通过增加神经网络输入节点数可以扩大神经网络模型的应用范围。     

神经网络知识获取及推理技术在番茄专家系统中的应用

针对传统专家系统知识获取的瓶颈性问题，提出了基于神经网络和传统知识获取与表示相结合的方法。传统的推理方式存在推理效率低和冲突消解问题，提出了由神经网络推理和逻辑推理所组成的混和推理系统。利用神经网络的自学习、自组织、自适应特点，来实现自动知识获取；混和推理既利用了神经网络的并行处理的效率、解决了传统推理存在的冲突消解问题，又克服了神经网络推理结果无法解释等特点，具有较高的准确性和效率性。最后给出了番茄病虫害诊断的应用实例。     

板料拉深成形过程中摩擦系数的确定

针对板料拉深成形过程中摩擦系数较难确定的客观情况,提出一种基于人工神经网络的能够快速识别摩擦系数的方法,在概述解析法确定摩擦系数的基础上,建立了识别摩擦系数的人工神经网络模型,用拉深试验机测取的摩擦系数、压边力、拉深力和凸模行程组成样本对其训练,实现了对摩擦系数的快速识别,从而就可以根据摩擦系数的波动,适时调整控制参数,以最佳的工艺参数来完成板料的整个拉深成形过程。实验结果表明,利用人工神经网络能够快速准确地识别出板材拉深成形过程中的摩擦系数。     

大型房地产投资项目风险评价的人工神经网络模型研究

大型房地产投资项目在建设过程中存在着大量的风险，投资者在决策前必须对风险进行合理的评价。建立风险评价的神经网络模型，并将人工神经网络理论应用于风险评价中，是投资决策的重要研究内容。     

铣削加工颤振稳定性可靠度的计算方法

铣削过程中的系统参数往往具有随机性,严重影响了铣削加工的稳定性.利用BP神经网络综合分析了随机因素对铣削加工过程的影响,提出了一种铣削加工再生型颤振稳定性可靠度计算方法.建立铣削加工再生型颤振动力学模型,使用全离散法获取铣削稳定性叶瓣图.利用神经网络拟合极限轴向切深的函数表达式,再分别使用蒙特卡罗法和一次二阶矩法进行可靠度计算.结果表明,基于BP神经网络的方法兼具高效和精确的优点.     

国毛毛条加工性能和质量预测

通过对国产细羊毛原毛特征和毛条加工性能的研究，运用多元回归统计和人工神经网络两种方法建立了国毛毛条加工性能和质量的预测模型．实践表明：两种模型对毛条的豪特长度、长度变异、短纤维含量和精梳落毛率均能进行较为准确的预测，其中人工神经网络预测模型预测效果优于统计回归模型．     

自组织人工神经网络在矿区沉积物分类中的应用

以Matlab平台为基础,利用神经网络工具箱构建了自组织神经网络,对已知沉积相的安徽宿南等矿区的19组样本进行SOM分类,并与系统聚类分类结果进行比较;指出在无监督分类粒度分析中,SOM方法分类操作过程简便易行,具有残缺自动识别能力,分类结果惟一,可以在沉积物成因分类中应用。