基于人工神经网络的磨料水射流精密特种加工

磨料水射流是一种先进的绿色加工工具.为了获得较高的表面精度,必须精确控制水射流加工的各种工艺参数.一种可行的办法是建立水射流加工过程中的主要参数之间的非线性关系,通过加工速度的补偿来间接控制工件表面质量.本文基于人工神经网络理论,建立了水射流加工过程的神经网络模型.在获取大量样本数据的基础上,对网络模型进行训练.经过训练的水射流加工神经网络模型可以准确预测与给定压力、磨料流量、工件厚度、期望的表面粗糙度所对应的切割速度,实验验证获得满意结果.     

基于RBF神经网络的机械加工误差质量模型

针对机械加工过程中产生误差的复杂性,用传统的数学建模方法难以实现加工误差和工艺参数、系统刚度和加工过程变量之间的关系模型.采用RBF神经网络建立加工误差的质量模型,并通过实验仿真,取得了较好的仿真效果.证明了RBF网络模型具有很强的逼近能力,可用于各种质量建模,达到减少加工误差、指导生产的目的.     

结合先验知识的神经网络在生化系统建模中的应用

生化系统由于其高度的非线性，往往难以得到一个精确的数学模型，虽然许多学者为此做了很多工作，提出了各种模型，但这些模型的精确度和适应性还有待提高。而单纯用神经网络建立的模型由于其各种局限性，精确度也很难得到保证。将神经网络和先验模型结合而构成混合模型可以提高整个模型的精确度和泛化能力。本研究将动态递归神经网络和废水生化处理系统的先验模型结合，说明了结合先验模型的神经网络模型的优越性。     

基于模糊神经网络的刀具数据库系统设计

为使金属切削系统日趋智能化,本文以重型刀具数据库系统为对象,在分析模糊神经网络基础上,建立了基于模糊神经网络技术的刀具数据库系统模型,实现了模糊神经网络技术在刀具数据库中的应用．通过本系统,可根据加工实际要求选择合适的刀具,并可以缩短刀具的设计时间,提高加工效率、延长刀具寿命．     

非线性动态系统辨识的神经网络结构和可行性研究

在讨论各种非线性动态系统辨识模型的基础上，给出相应模型的神经网络实现方案，并首次提出了实现非线性动态系统的回归状态模型的新型神经网络结构－神经网络状态空间辨识模型，从理论上证明了使用神经网络实现这些模型的可行性。     

动量-自适应学习BP算法在加工领域的探索

为解决实际加工中试验次数多生产成本高、选取加工参数困难等问题,采用动量-自适应学习BP算法构建BP神经网络预测模型。根据实际情况将典型BP算法改进,得到收敛速度快的动量-自适应学习BP算法模型;用电解加工试验数据对模型结构进行训练,最终建立动量-自适应学习BP神经网络加工预测模型。采用该模型对不同加工参数组合下加工的不锈钢微孔孔径大小进行预测。结果表明,该模型的预测误差低于5%,具有很强的预测能力。     

磨料水射流微细雕刻技术的研究

根据磨料水射流加工的特点，建立了磨料水射流加工的神经网络模型。用训练好的神经网络模型来预测给定加工条件下的进给速度，并根据加工路径和机床的特性对进给速度进行修正，并编写数控代码。通过控制水射流的进给速度来间接控制其刻蚀深度，同时获得加工轨迹的圆滑过渡，从而实现磨料水射流的雕刻工艺。本文以不锈钢为原材料，以JJ-I数控水射流机床为实验平台，根据机床的特性手工编程，成功雕刻出微型摩托车图形。     

基于神经网络模型的母线保护故障定位研究

母线是发电厂和变电所的重要组成部分之一,对可靠性高及智能化程度高的母线保护技术及方法的研究具有重要的理论和现实意义。本文采用实际采集到的各种类型故障数据作为样本数据,利用这些样本数据对构建的神经网络模型进行训练,使母线保护神经网络模型具有故障识别和判断能力。神经网络模型分别采用了BP算法和RBF算法。利用该模型就两种不同的改进型的神经网络算法对各种母线故障的分类进行了分析比较,给出了两种网络下的仿真结果。结果表明经过训练以后的母线保护人工神经网络模型能准确判断母线的正常运行方式,对其内部的各种故障能正确区分,并且满足保护精度的要求。     

基于神经网络技术的冷精密塑性加工回弹量模糊预测

探讨了冷精密塑性加工模具设计过程中回弹量的影响因素 ,提出了一种基于神经网络技术的冷精密塑性加工回弹量模糊预测模型。应用具有更高智能的神经网络技术实现了对抽象模糊规则的自动纠错及记忆 ,符合人类学习模式 ,能合理表达经验知识 ,而且更能明确地表达模型的输入输出关系。     

基于神经网络的应力盘数据驱动建模研究

针对光学抛光加工的计算机控制问题,进行大口径高陡度非球面镜光学表面抛光加工过程中的应力盘面形动态变化研究。提出一套应力盘抛光加工计算机控制系统,建立反映应力盘面形的RBF神经网络模型,从微位移传感器阵列获取的测量数据用于训练神经网络模型。仿真实验表明,相对于传统的泽尼克多项式面形表示法,该模型能精确有效地反映应力盘表面形状的变化过程。     

基于NN与GA的曲面加工适应学习控制研究

提出了适用于曲面加工条件的适应学习控制方法,在回避加工振动的前提下以实现高效效率加工为目的,将遗传算法（GA）的优化机能与神经网络（NN）的学习机能相融合,建立了由开放式CNC加工机床,多维传感器,实时控制器,学习模型及优化模型组成的曲面加工适应学习控制系统、切削实验结果表明所提出的加工条件适应控制系统可有效地抑制曲面切削振动,提高了切削加工效率。     

Internet环境下的电火花加工工艺效果预测

电火花加工艺规律复杂，加工的影响因素众多；其中电参数的选择对加工结果有很大影响，其影响程序难以用精确的数学模型来表示。运用人工神经网络技术对电火花加工工艺效果的预测进行了研究。研究结果表明，所建立的预测模型能够很好地映射出电参数与加工网络的电火花加工工艺效果之间的关系。进而，运用APS动态交互技术，在因特网上实现了开发了基于人工神经网络的电火花加工工艺效果的预测模型，充分好挥互联网的优势，扩展了所建立的预测模型的作用范围。为实现电火花加工智能化网络制造系统进行了有益的探索。     

Adaptive control of machining process based on extended entropy square error and wavelet neural network

Combining information entropy and wavelet analysis with neural network,an adaptive control system and an adaptive control algorithm are presented for machining process based on extended entropy square error(EESE)and wavelet neural network(WNN).Extended entropy square error function is defined and its availability is proved theoretically.Replacing the mean square error criterion of BP algorithm with the EESE criterion,the proposed system is then applied to the on-line control of the cutting force with variable cutting parameters by searching adaptively wavelet base function and self adjusting scaling parameter,translating parameter of the wavelet and neural network weights.Simulation results show that the designed system is of fast response,non-overshoot and it is more effective than the conventional adaptive control of machining process based on the neural network.The suggested algorithm can adaptively adjust the feed rate on-line till achieving a constant cutting force approaching the reference force in varied cutting conditions,thus improving the machining efficiency and protecting the tool.     

基于人工神经网络的磨料水射流切削工艺建模

磨料水射流（AWJ）切割工艺已经被遍及世界的许多车间所采用，其优点广为人知。为了进行精密加工，如精密切割、铣削、钻孔和磨削等，必须精确预测AWJ的侵蚀深度。文章基于人工神经网络（ANN）对AWJ切割工艺进行建模。模型采用三层结构，输入变量有水射流压力、水喷嘴直径、磨料粒子粒度（直径）、磨料流量和切割头进给速度。输出量为AWJ的切割深度。样本数据在JJ-Ⅰ水射流切割机床上实验获取，A3钢样板作为切割试件。采用改进的BP算法和样本数据对建立的人工神经网络进行训练。训练好的网络以一定精度建立了AWJ切割工艺中各参数之间的映射关系。所建模型可以精确预测AWJ的切深。将该模型集成到AWJ切割机床的计算机数控器中，可以实现AWJ精密加工。     

复杂曲面铣削加工参数双神经网络优化方法研究

针对复杂曲面加工效率低、能耗高、表面质量难控制的问题,以及加工参数和目标之间关系确定的难题,建立了考虑复杂曲面特征的双神经网络优化方法。首先,用曲率表示复杂曲面加工复杂度来描述曲面特征,以曲面加工复杂度、主轴转速、进刀量、进给速度和路径间距为设计变量,以加工时间、能量消耗和表面粗糙度为目标函数,建立了复杂曲面加工参数的优化数学模型;其次,采用BP神经网络以黑箱法建立加工参数与优化目标的非线性关系,结合ALM神经网络方法对加工参数进行了优化。该方法解决了复杂曲面加工参数的优化问题,对提高复杂曲面加工效率和质量有一定的理论指导作用。     

加工过程的神经网络自适应控制

通过对数控加工过程的分析和建模,提出了一种基于神经网络的自适应控制系统,并进行了系统仿真.仿真结果表明,该系统在切削工况发生时变的情况下仍能实现恒切削力控制,具有很强的鲁棒性,达到了提高加工效率的目的.     

遗传算法参数分析及其在故障诊断中的应用

针对BP神经网络收敛速度慢、易陷入局部极小的缺点,将具有全局搜索能力的遗传算法引入到神经网络的权值优化中.遗传算法优化神经网络模型时,参数选取直接关系到模型优化的效率,在给出一种遗传算法的基础上对相关参数进行了研究分析.并采用Matlab软件编程实现算法,把该算法应用到XOR问题求解中,显示出GA-BP算法的优越性,并通过磨机故障诊断实例验证了算法的有效性.     

Optimization of Processing Parameters of Power Spinning for Bushing Based on Neural Network and Genetic Algorithms

A neural network model of key process parameters and forming quality is developed based on training samples which are obtained from the orthogonal experiment and the finite element numerical simulation. Optimization of the process parameters is conducted using the genetic algorithm (GA). The experimental results have shown that a surface model of the neural network can describe the nonlinear implicit relationship between the parameters of the power spinning process:the wall margin and amount of expansion. It has been found that the process of determining spinning technological parameters can be accelerated using the optimization method developed based on the BP neural network and the genetic algorithm used for the process parameters of power spinning formation. It is undoubtedly beneficial towards engineering applications.     

超声-电火花加工中的放电间隙实时控制

超声-电火花复合加工控制系统是1个典型的高度非线性、强耦合的时变复杂系统，控制系统的性能是决定复合加工性能好坏的关键.针对超声-电火花复合加工系统的这一特点，设计了新型模糊神经网络控制器.神经网络采用添加动量项的LMS算法(最陡下降法)自学习得到模糊控制规则，并随系统变化对其进行优化.该控制算法优化了控制过程，提高了控制系统的实时性.通过普通电火花加工设备提取出加工效果试验数据，建立加工效果与放电参数之间的关系模型，对放电间隙进行实时控制，试验结果表明新型控制器的控制效果优于传统加工效果.