基于GA-BP神经网络的刀具寿命预测研究

刀具的使用寿命对于刀具需求计划制定、刀具生产准备以及切削参数的设置等具有重要影响。为了准确预测刀具使用寿命,在BP神经网络中引入了一种新型遗传算法,提出了一种基于遗传算法优化的BP神经网络的刀具寿命预测方法。BP神经网络中的权值和阈值利用遗传算法进行优化处理,训练BP神经网络预测模型求得最优解。实验结果表明,基于GA-BP神经网络刀具寿命预测方法相比传统BP神经网络预测具有更高的寿命预测精度,为刀具需求制定、成本核算、切削参数的制定提供了理论依据。     

粗神经网络在煤与瓦斯突出预测系统的应用

在综合研究了各种算法的基础上,将粗集理论和BP神经网络结合,充分利用了粗集算法能够去除冗余信息,BP神经网络能够精确加快收敛速度的优点.利用具体网络建立一个突出预测机制,并利用该预测机制对矿井瓦斯突出情况进行模拟预测.实际应用效果表明:采用基于MATLAB神经网络工具箱的BP网络模型,能克服一般BP网络收敛较慢的缺点,能加快收敛速度.实验结果表明:基于粗集- BP神经网络的预测模型可靠,收敛速度快,预测精度高,效果良好.     

基于遗传算法优化的BP神经网络在粗糙度预测上的应用

针对BP神经网络预测工件表面粗糙度精度不高的问题,提出了一种基于遗传算法优化的BP神经网络预测方法。首先用遗传算法对BP神经网络的初始权值、阈值进行全局寻优,然后对优化的BP神经网络进行训练、预测。通过MATLAB进行了粗糙度预测仿真验证。结果表明:优化的BP神经网络比未优化的BP神经网络具有更高的预测精度。     

旋转机组神经网络新信息加权预测模型的研究

针对当前旋转机组状态预测神经网络对新信息强调不足的问题,分析了原因,改进了BP网络模型,提出了新信息加权神经网络新型预测模型。提供了该预测模型的数学表达式和拓扑结构。取得了令人满意的在线预测的效果。     

基于SAPSO-BP的薄壁件侧铣加工变形预测方法研究

针对薄壁件在侧铣加工过程中容易产生让刀变形的问题,为实现薄壁件侧铣加工方式下变形量的预测,提出了一种基于SAPSO-BP神经网络技术预测薄壁件侧铣加工变形的方法。通过建立T型薄壁件侧铣加工仿真模型,并用实验验证其有效性,为后续神经网络提供训练样本;再引入模拟退火粒子群算法(SAPSO),优化BP神经网络的初始权值与阈值,建立基于SAPSO-BP的薄壁件侧铣加工变形预测模型,并验证分析了其可行性。     

基于萤火虫优化BP神经网络的数控机床故障诊断

为了提高数控机床故障预测的能力,针对BP神经网络在数控机床故障预测中出现的收敛速度慢和训练容易陷入局部极值问题,提出了一种基于萤火虫算法优化BP神经网络的数据机床故障诊断算法。文章详细介绍了常见的数控机床故障类型和分类,在萤火虫优化算法和BP神经网络的基础上,建立了萤火虫算法优化BP神经网络的数控机床故障诊断模型,并提出了基于该模型的算法。该模型和算法采用萤火虫算法优化BP神经网络的初始权值和阈值,优化后的BP神经网络能对测试集进行更好的预测。实验结果表明,萤火虫算法优化BP神经网络的预测误差明显小于GRNN和PNN算法。该模型和算法具有很好的预测能力,可以快速、准确地完成数控机床故障诊断研究。     

GA-BP神经网络在轧辊磨床中心架支撑头定位精度预测中的应用

轧辊磨床中轧辊磨床中心架支撑头的定位精度是决定轧辊的加工精度重要因素.通过对现有轧辊磨床中心架研究,发现现有轧辊磨床中心架的定位精度已无法满足生产需求.针对现有轧辊磨床中心架定位精度低的问题,提出对轧辊磨床中心架支撑头进行预测定位,在BP神经网络的基础上,引入遗传算法(GA),利用遗传算法优化BP神经网络的权值和阈值,提高神经网络的训练精度,加快网络收敛,运用优化后的BP神经网络对轧辊磨床中心架支撑头的升降部件的定位精度进行预测.仿真结果表明,GA-BP神经网络比BP神经网络的预测准确度高7％左右,迭代次数缩减一半,预测结果到达要求.     

基于BP神经网络的切削表面粗糙度预测方法

利用神经网络理论,提出一种利用BP神经网络预测切削表面粗糙度的方法。简单分析了粗糙度的影响因素及预测原理。介绍了BP神经网络的特点、原理、算法和公式。在对Matlab及其神经网络工具箱简要介绍的基础上,采用BP网络的方法对钢Q235材料粗糙度进行了训练、预测和分析。结果表明,该方法的预测误差小于3%。     

遗传算法优化BP网络的锂电池剩余容量预测

为了有效地对锂电池剩余容量进行预测,在分析了BP神经网络对剩余容量模型非线性回归基础上,针对BP算法预测迭代速度慢且易出现局部最优的问题,提出了一种基于遗传算法(GA)优化BP神经网络的算法。遗传算法具有较强劲的全局搜索能力,将其应用到BP神经网络的参数寻优当中,可以寻找到BP网络的最优参数。将该模型应用于锂离子电池剩余容量的预测,并将生成的模型与单独使用BP神经网络的预测模型比较。仿真结果表明,基于遗传算法优化的BP神经网络剩余容量预测的精准度高于单独使用BP网络剩余容量预测的精准度,为锂离子电池容量预测提供了一种新方法。     

采用量子粒子群算法耦合差分进化算法优化BP神经网络的铣床热误差预测研究

针对铣床主轴运行产生的热误差问题,采用改进BP神经网络预测模型,并对预测结果进行验证。融合量子粒子群算法和差分进化算法的各自优点,给出混合算法寻优操作流程。分析BP神经网络结构,给出改进BP神经网络优化流程图,构造铣床热误差适应度函数,采用混合算法优化BP神经网络预测模型。通过具体实例对铣床热误差进行实验验证,预测结果显示:BP神经网络预测偏差值较大,在Y轴、Z轴方向预测产生的偏差最大值分别为7.3μm和7.5μm,改进BP神经网络预测偏差值较小,在Y轴、Z轴方向预测产生的偏差最大值分别为2.8μm和2.9μm。同时,改进BP神经网络预测铣床热误差与实际偏差值波动较小。采用改进BP神经网络预测铣床热误差精度较高,可以提高主轴加工工件的精度。     

遗传算法优化的BP网络在铣削力预测中的应用

神经网络初始连接权值和阀值的选择对网络的预测精度及收敛速度影响很大,但又无法准确获得,针对此问题,建立遗传算法(GA)优化的BP神经网络预测模型,解决神经网络初始权值和阀值的选择问题。该模型通过遗传算法优化BP神经网络的权值和阀值,获得最优的初始权值和阀值,并应用优化后的BP神经网络预测模型对铣削力进行预测,最后与优化前的BP神经网络模型的铣削力预测值进行对比分析。研究结果表明,经遗传算法优化后的BP神经网络模型比优化前的BP神经网络模型的预测精度高,同时加快了收敛速度。     

面向不确定信息的神经网络完工期预测方法研究

针对完工期预测中数据积累少且不确定信息多等情况,通过分析影响完工期的确定性和不确定性信息,筛选出4种确定信息和8种不确定信息,作为完工期预测的主要数据信息来源。采用BP神经网络预测产品完工期,利用MATLAB建立训练样本和测试样本,在数据归一化处理和神经网络反复计算后,得到完工期预测结果。最后,以某企业产品的完工期预测为例,对提出的模型进行了验证。     

基于PCA-BPNN的四缸进气侧凸轮轴挺柱选配预测研究

为预测四缸汽油机进气侧凸轮轴挺柱的选配情况,假设影响装配过程挺柱选配的其他因素不变,采集某发动机公司的缸盖凸轮轴孔截面直径和同轴度,利用主成分分析方法提取主要特征值,通过神经网络建立数学模型。应用该数学模型,通过缸盖凸轮轴孔截面直径和同轴度的信息,预测装配过程挺柱尺寸,与实际挺柱尺寸数据进行比较,验证了该数学模型对凸轮轴挺柱选配预测的有效性;同时与只采用BP神经网络方法进行对比,表明PCA-BPNN方法的训练次数少,学习效率稳定。     

贮存环境下塑封器件吸湿规律的神经网络预测

针对塑封器件在贮存环境下的吸湿问题,本文以塑封器件在湿热试验中的数据为基础,利用BP神经网络建立了塑封器件在贮存环境中的吸湿规律预测模型。利用预测数据绘制了环境相对湿度、贮存时间和水汽含量三变量关系的三维曲面图和等高线图并与实测数据进行了比较。最后根据神经网络预测结果讨论了一种用湿热试验模拟器件长期贮存过程的方法。结果表明,BP神经网络预测模型能够提炼数据信息,反应数据的内在规律,预测结果与实测规律相吻合,预测误差小于10%,根据神经网络预测结果用湿热试验模拟器件长期贮存过程,可以大大缩短试验时间。     

基于D-S理论和BP网络的驾驶行为识别技术研究

提出了BP神经网络与D-S证据理论相结合的驾驶行为识别、预测方法;将汽车行驶过程中人-车-路的信息作为BP神经网络的输入,利用BP神经网络对驾驶行为进行初步识别,并将BP神经网络输出的结果归一化处理后作为D-S证据理论的基本概率分布;利用证据距离理论对证据进行证据冲突处理,通过D-S证据组合理论对输入信息进行综合分析处理,决策识别出当前的驾驶行为;利用MATLAB语言编写了仿真测试程序,仿真结果表明该方法能够准确的识别出当前的驾驶行为。     

考虑刀具底刃切削的CFRP铣削力精确建模研究

针对碳纤维复合材料(CFRP)铣削提出了一种切削力精确建模方法,即考虑刀具底刃切削作用的铣削力机械模型,通过实验识别底刃和侧刃的切削力并分析了切削力变化规律,建立了切削力系数关于瞬时切削厚度、纤维切削角及切削速度的BP神经网络模型,进一步实现了对铣削力的预测。单向板和多向板的铣削验证实验表明考虑刀具底刃因素可以提高切削力预测的准确性,同时也验证了BP神经网络在CFRP切削力建模中的可行性。     

一种组合神经网络在结构优化中的应用

以挖掘机动臂为例,采用正交设计安排试验,在ABAQUS软件中获取有限元试验数据,利用Matlab软件编程仿真,比较BP神经网络和RBF神经网络在挖掘机动臂应力预测应用性能,针对BP神经网络应力预测准确度不高和RBF神经网络在学习样本输入区域很大,样本繁多时,需要更多的径向基神经元的问题,扩展出BP-RBF的组合神经网络,通过仿真实验证明,该组合网络提高了BP神经网络预测精度,扩展了RBF神经网络的应用范围,为工程应用提供参考.     

一种高速数控机床电主轴表面温度智能预测方法

电主轴是高速数控机床核心功能部件,电主轴损坏基本是电主轴发热引起的.电主轴温度场具有复杂的非线性特征,神经网络在处理非线性系统温度预测方面得到了广泛的研究,神经网络与传统模型相比具有更好的适时预报性和持久性.论文利用遗传算法优化BP神经网络建立电主轴表面温度预测模型.预测结果表明,未优化的BP神经网络与遗传神经网络预测误差相对比,遗传神经网络对电主轴表面温度预测具有更高的预测精度和稳定性.     

基于Pearson关联度BP神经网络的时间序列预测

针对BP神经网络存在的过拟合问题,提出了基于Pearson关联度的神经网络预测模型。将传统的基于误差反向传播的BP神经网络中的误差函数替换为Pearson关联度函数,利用梯度上升法对训练过程中神经网络的连接权重和阈值的调整量进行了推导,并为调整量添加了动量项用于提高神经网络收敛速度,然后建立了关联度反向传播预测模型,并对其权重进行了阈值限制以及增加学习率来防止过拟合。对通用数据集进行时间序列预测实验,通过与改进的RBF和BP神经网络对比,表明对于多因素时间序列的预测Pearson关联度BP神经网络的预测误差精度RMSE降低了4.02,收敛次数减少1 690代。实现了将关联分析与BP神经网络的结合,能够在保证效率的同时,解决过拟合问题,提高预测精度。     

用BP神经网络预测热镀锌钢板的拉伸强度

运用BP神经网络,建立了热镀锌各工艺参数对热镀锌钢板力学性能影响的数学模型,并与线性回归模型进行了比较.结果表明:BP神经网络预测均方根偏差明显比线性回归预测均方根偏差小,表明该BP神经网络模型用于热镀锌板力学性能预测是可行的,并具有一定的实用性.