复杂型面链轨节实体模型重构研究

为了获取某型面复杂且具有配合精度要求的链轨节实体模型,对其实体模型重构方法进行研究。运用遗传算法优化的BP神经网络修补点云孔洞,通过精确曲面创建得到的链轨节实体模型不能满足销轴孔和螺栓孔的配合精度要求。提出了在Geomagic Design X软件中,基于面片草图拟合约束对精度要求较高的两类孔进行参数化修正,完成该链轨节实体模型重构。通过分析点云数据与实体模型的偏差,验证了利用该建模方法能够获得满足精度要求的链轨节实体模型,对具有相似特征零件的模型重构具有借鉴意义。     

BP和RBF神经网络对复杂型面零件点云漏洞的修补应用

在难以利用软件成功修补复杂型面的较大漏洞情况下,为了获得精确和完整复杂型面零件点云的三维模型,应用BP和RBF神经网络对精度要求高的挖掘机斗齿内腔人为漏洞修补,误差对比分析表示,BP修补效果较RBF更佳。考虑到工程实际中应用,精度要求和效率上,以复杂型面点云机架为例,实验表明,BP算法取得了很好的修补效果,该修补方法在漏洞修补上比软件修补和RBF修补效果好且效率高,为后续复杂型面点云数据处理提供了参考依据。     

多深孔特征汽车端盖的模型重构

为获取多深孔特征汽车端盖的实体化模型,对其模型重构方法进行研究。运用Geomagic Wrap完成点云数据的精简和噪点的去除,应用GA-BP算法对跨面点云孔洞修补。利用Geomagic Design X的正逆向结合设计功能,截取深孔特征处的轮廓;基于点云的自动特征识别进行参数化修正,运用正向设计命令完成实体模型的重构。采用Geomagic Control X软件对实体模型与原始点云数据的偏差进行分析,验证了该建模思路能够获得满足精度要求的汽车端盖实体模型,对具有相似情况的零件模型重构提供了参考。     

基于SSA-PSO-BP神经网络航空壁板装夹变形预测研究

航空壁板在制孔时由于装夹会发生轻微形变，导致盲制孔精度降低。受加工成本影响，无法通过众多激光传感器来确定装夹后壁板的确切位置。为精准预测航空壁板的变形量，提出一种改进的神经网络预测算法，首先利用粒子群优化算法(PSO)将BP神经网络的初始权值和阈值进行初次优化，再选取收敛速度快、全局寻优能力强的麻雀搜索算法(SSA)对权值和阈值进行二次寻优，从而建立SSA-PSO-BP神经网络航空壁板装夹变形预测模型。利用Abaqus软件获取50组壁板变形数据作为神经网络的训练与预测数据(训练集45个，测试集5个),对神经网络模型进行训练。为了验证所建模型的准确性，利用BP、PSO-BP、SSA-PSO-BP这3种模型对测试集进行预测，并运用MAPE与RMSE对神经网络模型进行评价。结果表明：基于SSA-PSO-BP的神经网络模型预测航空壁板变形误差较小，预测结果准确率更高。     

MEA优化BP神经网络的电主轴热误差分析研究

针对磨齿机在磨削加工时,电主轴存在热致误差等问题,提出一种基于思维进化算法(MEA)优化BP神经网络建立磨齿机电主轴热误差预测模型的方法。通过测量磨齿机电主轴在加工过程中的温升与位移情况,利用思维进化算法优化BP神经网络算法在MATLAB软件中建立预测模型,并与未经过算法优化的BP神经网络建立的模型进行了对比。在电主轴X向热误差预测实验中,未经过算法优化的BP模型最低补偿率为84.85%,而经过思维进化算法优化BP模型最低补偿率为95.29%。结果表明:经过思维进化算法优化BP神经网络建立的热误差模型,在拟合和预测精度上要优于未经过算法优化的BP神经网络热误差模型。     

基于HPSO优化BP神经网络的刀具磨损状态识别

针对BP神经网络容易陷入局部极值导致识别精度低的问题,文章提出了一种基于混合粒子群算法(HPSO)的BP神经网络优化算法。在刀具磨损监测实验过程中,采集刀具切削的声发射(AE)信号,利用小波包分解算法对AE信号进行滤波,并进行特征提取。将频带能量特征和切削参数分别作为主特征和辅助特征,并对其对归一化处理。采用混合粒子群优化算法(HPSO)对BP神经网络预测模型进行优化,利用优化后的模型对测试样本进行模式识别,结果表明,优化后的HPSO-BP模型能够有效地降低神经网络陷入局部极值的情况,提高刀具磨损识别精度。     

基于PSO-BP算法的3D打印制件精度预测模型

针对选择性激光烧结(SLS)中制件精度和工艺参数难以选择的问题以及BP神经网络本身缺陷,提出一种利用粒子群算法优化的BP神经网络建立SLS烧结件精度预测模型的方法。首先根据SLS成型工艺的特点,分析影响成型件精度的因素,通过实验获得不同激光功率、扫描速度、扫描间距和分层厚度条件下多组成型件精度数据,并采用多目标函数优化的单目标化思想优化目标函数,然后通过粒子群算法优化BP神经网络。用优化后的最优解作为BP神经网络算法的初始权值和阈值,利用MATLAB建立优化后的BP神经网络预测模型,对优化后的精度函数模型进行预测分析,并与传统BP神经网络获得的预测结果进行对比。结果表明:粒子群优化的神经网络模型具有良好的全局搜索能力和收敛性,精度预测更加准确,对SLS打印制件具有一定的指导作用。     

基于ReLU激活函数的轧制力神经网络预报模型

平整机轧制力的预报对轧制过程的优化控制有着重要意义。针对平整机轧制力预测精度不高的问题,提出采用Re LU(Rectified Linear Units)激活函数的神经网络模型来预报平整机的轧制力。在对数据进行主成分分析后,得到影响轧制力的主要因素,并将其作为神经网络的输入层,将平整机轧制力作为输出层,通过使用Python语言编程进行实验,对神经网络模型隐层的相关参数及算法进行单一变量筛选,建立了保证轧制力预报精度最高的神经网络模型。实验结果表明,通过调整隐层层数、神经元数、传播算法、正则化方法,该模型能够将预测误差控制在10%以内,且该实验方法能够对不同输入参数下的平整机轧制力进行精确预报。     

基于人工神经网络的结构钢回火后力学性能预测

利用多层前向神经网络，使用B－P算法对结构钢回火性能预测进行了研究。通过利用99种钢450余组训练数据样本对神经网络进行训练，建立了结构钢回火后的力学性能与金属成分和回火温度之间的隐性函数。并针对训练用样本不足的问题，设计了为网络提供自学功能软件，在钢完全淬透的前提下，用此神经网络模型可在一定精度范围内预测结构钢的回火力学性能。     

基于GA-BP网络的数控机床热误差优化建模研究

为减小热误差对数控机床加工精度的影响,提出基于GA-BP神经网络的机床热误差优化建模方法。阐述遗传算法(GA)和BP神经网络算法,介绍GA-BP神经网络模型的具体步骤,建立BP神经网络热误差预测模型和GA-BP网络热误差优化模型。运用MATLAB软件对两种模型进行实验仿真,结果表明:GA-BP神经网络的数控机床热误差优化建模方法具有建模时间短、预测精度高、收敛速度快等优点。     

基于神经网络遗传算法的超疏水涂层优化

目的 探究超疏水涂层各成分的含量对涂层水接触角和导热系数的影响,找到最优成分组合,使涂层水接触角和导热系数同时获得最大值。方法 根据设计的L25（55）正交试验,制作和测试涂层试样,借助Matlab软件建立结构为5-8-2的BP神经网络,通过正交试验结果训练和测试神经网络,得到涂层水接触角和导热系数的预测模型。调用训练好的预测模型,采用遗传算法对涂层各成分含量进行全局寻优。使用寻优得到的参数和调整后的参数进行试验,检验寻优计算结果。结果 BP神经网络预测模型水接触角的最大误差为0.061 98,导热系数的最大误差为0.065 77。基于遗传算法的优化结果,涂层成分（质量分数）为纳米SiO₂ 10.1%+TiO₂ 6.4%+碳粉5%+纳米石墨烯0.6%+MTES 1.8%时,涂层的水接触角达到164.24°,导热系数达到14.19W/（m·K）,其误差分别为3.80%和2.31%。采用调整后的参数进行试验,测试得到涂层的水接触角为155.02°,导热系数为13.25 W/（m·K）,其误差分别5.64%和5.58%。结论 通过BP神经网络预测模...     

基于改进邻域粗糙集与S_Kohonen神经网络的滚动轴承故障诊断研究

针对现有滚动轴承故障诊断技术中,存在输入属性冗余过多、故障识别率不高等缺点,提出了基于改进邻域粗糙集与S_Kohonen神经网络的故障诊断方法。由于传感器采集的故障信息大多为数值型数据且数据维数较大,文中引入邻域粗糙集理论并对基于邻域粗糙集的经典前向贪心算法进行改进,利用改进算法约简故障数据,大大减小了算法复杂度;对Kohonen神经网络进行改进,在其原有结构基础上添加输出层构成S_Kohonen神经网络,使其输出类别满足给定分类要求;分别采用前向贪心算法、改进算法约简故障数据,将约简前、后的故障数据分别输入S_Kohonen神经网络、BP神经网络识别滚动轴承故障状态,试验结果证明邻域粗糙集可有效消除属性之间的重复信息,改进算法提取故障属性信息更能反映故障状态的本质,S_Kohonen神经网络具有良好的故障识别能力,两者配合使用,改进邻域粗糙集——S_Kohonen神经网络模型具有很好的故障诊断能力。     

复合正交柔性神经网络及其应用

针对目前神经网络所存在的不足,提出一种带参数的单极性Sigmoid函数的柔性复合正交神经网络,并给出相应的参数学习算法,这种柔性复合正交神经网络不仅扩大了网络辨识模型的能力与学习适应性,而且算法简单,学习收敛速度快,有线性,非线性逼近精度高等优异特性。以模型辨识作为应用实例,仿真结果表明,其算法是有效的,柔性神经网络能提高正交神经网络的性能。     

基于DPSO-BP的机械转子故障诊断

信号特征提取的方式直接影响故障诊断的结果,因此提出一种新的特征向量组合方式从而进行有效故障模式识别,以从原始信号中提取出能够最大程度地表征其所包含信息的信号特征。将经过经验模态分解后得到原始信号的有效IMF分量的能量以及信号的能量熵相结合作为特征向量。由于机械转子故障诊断缺失情况时有发生,提出采用DPSO算法优化BP神经网络的方法。该方法主要通过优化神经网络的初始权值和阈值的方式对BP神经网络进行改进。结果表明：与传统的BP神经网络模型相比,改进后的BP神经网络模型迭代次数大幅度减少,训练时长也相应缩短,模型的训练精度以及故障诊断的正确率也得到提高。     

摩擦焊接轴向缩短量神经网络与支持向量机预测

轴向缩短量是惯性摩擦焊接过程中的关键参量.文中利用ABAQUS有限元软件对高温合金管材惯性摩擦焊接过程进行了模拟,获得并研究了不同焊接工艺参数下的轴向缩短量结果.基于模拟结果,分别建立了支持向量机(SVM)和径向基函数(RBF)神经网络的轴向缩短量的预测模型.两种模型的对比表明,对于该小样本的预测,RBF神经网络比SVM智能预测结果更接近有限元模拟值.因此RBF神经网络模型可以更好的辅助摩擦焊接的有限元模拟,并有效降低模拟的时间成本.     

基于神经网络的磁瓦表面缺陷检测识别

目的针对传统算法提取磁瓦表面缺陷的局限性,以及通过人为选择缺陷特征进而判断缺陷种类的方法精度不足等问题,结合改进的UNet模型和一个分类神经网络提出一种磁瓦缺陷检测识别算法。方法改进的UNet模型用于提取缺陷,而分类神经网络则用于对所提取的缺陷区域进行分类识别。为了提高模型的分类精度,使用空洞卷积对UNet模型部分卷积层和池化层进行替代,以减少多次池化带来的细节丢失的问题,同时,增加多次跳跃连接,使UNet模型能够融合更多的卷积特征。结果经实验验证表明,改进UNet模型对缺陷区域的预测精度可达到93%。根据预测结果使用分类神经网络对缺陷进行分类,经实验验证,分类的精度可达94%,满足工业要求。结论改进的UNet模型对磁瓦缺陷提取精度有所提高,分类神经网络的缺陷分类精度较高。结合改进的UNet模型和分类神经网络能同时并有效地实现缺陷提取和分类识别,为磁瓦质量检测和性能评估打下基础。     

基于RS_RBFNN的钛合金焊接接头疲劳寿命预测

建立了基于RS与RBF神经网络集成的钛合金焊接接头疲劳寿命预测模型(RS_RBFNN),该模型首先基于熵的连续属性离散化算法离散化疲劳数据并应用遗传算法约简疲劳寿命评价指标;基于最小约简指标提取焊接结构疲劳寿命分类判别规则以及对RBF神经网络进行训练;最后使用粗糙集理论判别与规则库匹配的检验样本疲劳寿命等级,使用RBF神经网络判别不与规则库任何规则匹配的检验样本疲劳寿命等级.基于钛合金疲劳试验数据的实证分析结果表明,RS_RBFNN模型容错性较好、精度较高,对钛合金焊接结构疲劳寿命预测具有一定的实际指导意义.     

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。     

基于小波包和IGA-BP神经网络的滚动轴承故障识别方法

为识别数控机床运行过程中滚动轴承的运行状态,提高滚动轴承的故障状态诊断正确率,提出了一种基于小波包分解的改进遗传算法优化BP神经网络的滚动轴承故障识别方法。以滚动轴承的4种故障状态为研究对象,通过小波包分解振动信号,得到敏感特征向量;针对BP神经网络的缺点,运用改进遗传算法优化BP神经网络的阈值和权值,实现最优训练,建立更精确的滚动轴承IGA-BP状态预测模型。结果表明:IGA-BP预测模型收敛速度更快,预测准确率更高,证明了所提方法的有效性。     

基于改进SSA-BP神经网络的钠硫电池拆解刀具温度预测模型研究

钠硫电池中含有大量的高纯度钠,在自动化拆解过程中存在燃烧、爆炸等安全风险。针对钠硫电池在车削拆解时存在的安全性问题,提出一种改进SSA-BP神经网络算法来预测刀具加工的最高温度。利用ABAQUS软件计算出刀具加工的实时温度,通过电池拆解实验验证仿真数据的可靠性;然后以仿真温度数据建立样本,利用Tent混沌映射对SSA-BP神经网络算法进行优化,建立刀具温度仿真预测模型。实验结果表明：该仿真预测模型收敛速度快,鲁棒性强,模型误差小。