基于遗传神经网络的铣削力预测方法

铣削过程的复杂性和铣削力产生的多因素性使得铣削力预测模型很难建立.论文在遗传算法与BP网络模型相结合的基础上,利用遗传算法训练神经网络权重的方法,建立了铣削力预测的遗传神经网络模型.最后将神经网络预测结果与实验数据进行比较和误差分析,证明了该神经网络能够准确地预测铣削力的大小.     

基于混沌神经网络的钻削力在线预测

针对深孔加工中钻削力和扭矩测量难的问题以及BP神经网络本身存在的缺陷,利用混沌遗传算法优化的BP神经网络对深孔钻削时产生的钻削力和扭矩进行在线预测。通过混沌遗传算法优化BP神经网络的初始权值和阈值,用优化后得到的最优解作为BP网络算法的初始权值和阈值。以BTA钻削为例,通过实验获得不同钻头直径,转速和进给量条件下的多组轴向力和扭矩。利用MATLAB建立优化后的BP神经网络预测模型,对轴向力和扭矩进行预测分析。并与传统BP神经网络获得的预测结果进行对比。结果表明,利用混沌遗传算法优化的BP神经网络模型很好的克服了传统BP网络收敛速度慢、易陷入局部最小值的缺陷,预测结果更加准确,为钻削力和扭矩的在线预测提供了新的思路。     

基于AGA-BP算法的智能故障诊断技术研究

针对传统BP神经网络的不足,提出基于自适应遗传算法的BP神经网络故障诊断算法.在迭代计算前期,采用自适应遗传算法对神经网络的权值和阈值进行全局优化;在迭代计算后期,利用改进的BP算法在近似最优解附近进行局部寻优.将该算法用于磨削烧伤的故障诊断之中,并将结果与基于改进BP网络的诊断结果进行比较,证明该方法的正确性和有效性.     

MSCGA-BP网络混合建模新方法

针对 BP神经网络存在的网络结构参数、收敛速度、局部极小等问题 ,提出基于变尺度混沌遗传算法 ( MSCGA)与 BP神经网络相互结合的混合建模新方法 ,可对 BP网络隐层节点数、网络权值、阈值等结构参数进行快速优化设计。该方法具有学习功能强、计算精度高、使用精度高、使用方便等特点 ,且适合在线计算。算例分析证明了该方法的有效性 ,为改善 BP神经网络性能提供了一条新途径     

基于BP神经网络的AZ31镁合金力学性能预测研究

利用遗传算法优化的BP神经网络对不同变形工艺参数下获得镁合金试样的抗拉强度、屈服强度和伸长率进行预测。经过仿真结果与试验结果的比对发现,采用遗传算法优化的BP网络在预测精度上有较大的提高,可以很好的对AZ31镁合金的力学性能进行预测。     

基于遗传算法优化BP神经网络预测CO_2/H_2S环境中套管钢的腐蚀速率

基于CO_2/H_2S共存腐蚀环境的复杂性、危险性,以及两者协同与竞争效应的不确定等原因,套管钢在CO_2/H_2S共存腐蚀环境中腐蚀速率测试存在试验时间长、误差较大且存在不安全隐患等缺陷,现有的单一腐蚀速率预测模型不能满足这方面的研究。利用建立的遗传算法优化BP神经网络模型分别对不同温度、不同CO_2分压和不同H_2S分压条件下套管钢的腐蚀速率进行预测。与单纯的BP神经网络模型预测相比,遗传算法优化BP神经网络训练收敛速率有所增加,预测效果得到改善;遗传算法优化BP神经网络预测值与实测值吻合较好,此预测模型可靠性很强;该方法为我国高酸性气田开发中快速获取腐蚀速率数值提供了一条新的思路。     

神经网络在预测高温高压环境中油管钢腐蚀速率的应用

简要综述了神经网络的发展概况及相关理论，并利用 Matlab软件中的神经网络工具箱成功地建立了预测油管钢腐蚀速率的神经网络模型，实践证明神经网络预测结果与实验值吻合较好.最后通过现场实验数据检验了神经网络的泛化能力，表明其预测结果与现场实验结果相近.     

基于改进型模糊神经网络的设计方案评价方法

产品概念设计方案的准确评价是产品设计开发成败的重要因素。针对当前产品概念设计方案评价方法的不足,结合模糊神经网络的评价方法,提出了一种基于改进遗传算法的模糊神经网络评价方法。通过建立模糊评价模型完成网络训练,并采用将遗传算法与BP算法相结合的多子群自适应遗传BP算法优化,在全局范围内快速找到最优解。并通过Matalab实现了对迷你型冰箱概念设计方案数据的训练和样本测试,预测结果验证了该方法的准确性和实用性。     

基于GA-BP神经网络的喷丸样品表层硬度预测模型

目的 建立能够准确预测不同喷丸工艺参数下工件表层显微硬度的数学模型。方法 以42CrMo钢作为研究对象,采用正交实验法设计喷丸实验方案和逐点测量法测量0～320μm层深内的显微硬度,以实验数据为样本,基于BP神经网络建立42CrMo钢受喷后表层显微硬度的预测模型,并利用遗传算法（GA）对BP神经网络结构进行优化,建立基于GA-BP神经网络的42CrMo钢受喷后表层显微硬度模型。结果 将实验数据集用于模型的训练,BP神经网络模型和GA-BP神经网络模型训练的相关系数R均为0.97左右,两种模型的训练效果均较好。对比20组测试集的模型预测值和实验值发现,BP神经网络模型预测值与实验值之间的相对误差的最大值和平均值分别为3.5%和1.1%,相比之下,经遗传算法优化的BP神经网络（GA-BP）模型预测值与实验值的相对误差的最大值和平均值仅为2.9%和0.7%。GA-BP神经网络模型具有更高的预测精度和稳定性。结论 经GA遗传算法优化的BP神经网络（GA-BP）更适合用于建立受喷工件表层显微硬度的预测模型,可为其在工程上的应用提供一定的参考。     

基于人工神经网络的铜合金时效性能预测建模

通过应用人工神经网络技术，用获得的时效实验数据进行训练，建立Cu-0．30 Cr-0．15Zr合金硬度和导电性与时效时间和时效温度的映射模型，从而可预测铜合金在一定时效条件下的硬度和导电性。该神经网络算法采用BP算法，网络结构采用2-3-30-2形式。结果表明，神经网络用于铜合金的时效性能预测是可行的。     

基于GA-BP的NiFe2O4基金属陶瓷阳极优化设计

采用BP神经网络对铝电解NiFe2O4基金属陶瓷惰性阳极的电解腐蚀过程进行了系统辨识。建立了以Al2O3质量浓度、电解温度、分子比、面积比和电流密度为输入,腐蚀率为输出的网络模型。在材料的设计中,采用了GA-BP优化方法,BP网络参与GA迭代计算时对个体的评价。应用结果表明,NiFe2O4基金属陶瓷惰性阳极的电解腐蚀率预测结果与实测值吻合;优化设计的结果与实验值很接近。     

基于BP神经网络的金属陶瓷TiC-Ni触变成形本构关系模型

利用Gleeble-2000动态材料热模拟机,对TiC-Ni自蔓延燃烧后的试样进行压缩试验,获得了不同变形温度、不同应变速率和不同真应变下的流动应力数据.结合实验数据和神经网络知识,建立了具有BP算法的人工神经网络,训练结束后的神经网络即成为TiC-Ni金属陶瓷的一个知识基的本构关系模型.误差分析表明,该神经网络本构关系模型具有较高的精度,可为TiC-Ni金属陶瓷反应热压工艺的制定及其热压过程的有限元模拟提供参考.     

遗传神经网络在热轧带钢卷取温度预报中的应用

针对热轧带钢卷取温度传统预报模型的固有缺陷,提出基于遗传神经网络的卷取温度预报方法,并对其在卷取温度控制中的应用策略进行了研究.由于神经网络有很强的泛化映射能力,而遗传算法能收敛到全局最优解,因此将遗传算法与神经网络结合起来,建立了遗传神经网络.运用实际生产数据对该网络进行训练和测试,结果表明：它能准确、实时地预报卷取温度,有在线应用的前景.     

基于BP神经网络的2D70铝合金本构关系模型

利用Thermecmastor-Z型热加工模拟试验机对2D70铝合金进行等温恒应变速率压缩试验,获得了不同变形温度、不同应变速率和不同真应变下的流动应力数据.结合实验数据和神经网络知识,建立了具有BP算法的人工神经网络,训练结束后的神经网络即成为2D70铝合金的一个知识基的本构关系模型.误差分析表明,该神经网络本构关系模型具有较高的精度,可用于指导2D70铝合金热加工工艺的制定,并可用于2D70铝合金热变形过程的有限元模拟.     

基于遗传神经网络的镍基高温合金激光熔覆层形貌质量预测

采用反向传播(back propagation,BP)人工神经网络(artificial aeural network,ANN)和遗传算法建立了激光熔覆层形貌质量(熔覆层高度、宽度及稀释率)与激光功率、送粉速率和扫描速率之间的遗传神经网络预测模型.设计正交试验得到预测模型训练样本数据,并在正交试验的基础上,用极差分析法分析了各加工参数对熔覆层形貌质量各个指标的影响规律.经过试验验证,遗传神经网络模型预测值与试验实测值误差不大于4.6%.结果表明,运用该模型可以为准确的选择镍基高温合金激光熔覆参数提供一定参考,从而有利于提高镍基高温合金激光熔覆层形貌质量.     

基于神经网络的药芯焊丝GMAW发尘率预测

焊接工艺对焊接发尘率有直接的影响,建立基于相关焊接工艺参数的焊接发尘率预测模型,预测特定焊接工艺的发尘率对控制和降低焊接烟尘的排放具有重要意义。鉴于焊接发尘率影响因素复杂,存在高度非线性特征,提出了基于神经网络的熔化极气体保护焊(GMAW)焊接发尘率的预测模型。通过药芯焊丝E501T-1发尘率实测数据,分别建立了BP和Elman神经网络模型,并采用遗传算法(GA)对2种神经网络进行了优化。基于15组实测数据的验证,结果表明,采用遗传算法优化后,BP和Elman神经网络模型的预测合格率分别提升了6.7%和13.4%,遗传算法优化的BP神经网络模型(GA-BP)的均方误差为586.21,平均绝对百分比误差为3.01%,均为4个模型中最小,其预测结果更为准确可靠。基于GA-BP模型所预测数据,对不同焊接电流和电弧电压的发尘率进行预测,在一定的焊接速度和保护气流量条件下,焊接电流约为170 A,电弧电压约为26 V时,焊接发尘率最小。 创新点： (1)将神经网络模型引入到焊接发尘率数值预测中,并通过遗传算法对神经网络的权值和阈值进行优化,提高了预测准确性和可靠性。 (2)根据优化后的模型的预测结果,分析了焊接电流和电弧电压对发尘率的影响规律,为进一步控制焊接发尘率提供了有益的指导。     

Prediction of pitting corrosion of surface treated AISI 316L stainless steel by artificial neural network

Abstract

This paper presents an artificial neural network based solution method for modelling the pitting resistance of AISI 316L stainless steel in various surface treated forms. Surface treatment is a promising technique for improving the corrosion resistance of stainless steels. In this study, cyclic polarisation tests were performed before and after surface treatment. Experimental results were modelled by the neural network. The artificial neural network model exhibited superior performance based on the fitness of the observed versus predicted data. The results showed that the predicted data from the neural network model were considerably similar to the experimental data. The model has been saved and can easily be used to predict the corrosion in different surface treatment methods.     

ARTIFICIAL NEURAL NETWORK MODEL OF CONSTTTUTIVE RELATIONSHIP FOR 2A70 ALUMINUM ALLOY

The hot deformation behavior of 2A70 aluminum alloy was investigated by means of isothermal compression tests performed on a Gleeble-1500 thermal simulator over a wide range of temperatures 360-480℃ with strain rates of 0.01-1s-1 and the largest deformation of 60%, and the true stress of the material was obtained under the above-mentioned conditions. The experimental results shows that 2A70 aluminum alloy is a kind of aluminum alloy with the property of dynamic recovery; its flow stress declines with the increase of temperature, while its flow stress increases with the increase of strain rates. On the basis of experiments, the constitutive relationship of the 2A70 aluminum alloy was constructed using a BP artificial neural network. Comparison of the predicted values with the experimental data shows that the relative error of the trained model is less than ±3% for the sampled data while it is less than ±6% for the non- sampled data. It is evident that the model constructed by BP ANN can accurately predict the flow stress of the 2A70 alloy.