基于PSO-BP神经网络的刀具寿命预测

针对刀具寿命影响因素与刀具寿命之间的高度非线性关系,引入BP神经网络技术对刀具寿命进行预测,建立了刀具寿命预测模型。针对标准反向传播算法存在收敛速度慢、容易陷入局部极小值及全局搜索能力弱等缺陷,采用粒子群算法优化网络权值及阈值,提高了神经网络的预测精度。仿真结果表明,与标准BP神经网络相比,PSO-BP神经网络用于刀具寿命预测的精度更高。     

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。     

基于进化神经网络外圆纵向磨削表面粗糙度的在线预测

将人工神经网络引入磨削加工领域。针对BP算法存在收敛速度慢，容易陷入局部极小值以及全局搜索能力弱等缺陷，采用遗传算法训练BP神经网络，设计了基于进化神经网络的学习算法，建立了外圆纵向磨削表面粗糙度的进化神经网络预测模型。实验和仿真结果表明。基于进化计算的BP神经网络可以克服单纯使用BP神经网络易陷入局部极小值等问题，预测精度较高，对提高外圆纵向磨削加工的自动化程度具有重要的意义。通过在线监测磨削拳数。所提供的预测方法可以实现对工件表面粗糙度的在线预测。     

基于蚁群神经网络的线性直流电源故障诊断

线性直流电源是电子设备中最易发生故障的薄弱环节之一,其不完善的故障模型和容差等问题使故障诊断变得复杂.神经网络的自组织学习能力为故障诊断问题提供了一种新的解决途径,反向传播算法是神经网络中应用广泛的一种多层前馈神经网络模型.但算法有求解精度低、搜索速度慢、易于陷入局部极小值的缺点.蚁群算法是一种新型的模拟进化算法,有正反馈、分布式计算、启发性收敛等特性.本文将基于蚁群算法的神经网络的方法应用于线性直流电源的故障诊断中,仿真实验表明:此方法提高了网络的训练效率和故障定位的准确性.     

基于模糊神经网络的深孔加工刀具磨损率预测

刀具的过快磨损不仅增大加工成本,也影响工件的最终加工质量,因此预测和减少刀具磨损率具有重要意义。由于BP神经网络本身容易陷入局部极小值、收敛速度慢等缺陷,且深孔加工过程及其复杂,无法建立加工中刀具磨损率与加工参数之间的准确数学模型,故采用模糊神经网络建立BTA刀具磨损率在线钻削模型。仿真和实验结果表明,该模型能有效预测BTA刀具磨损率,对提高刀具寿命和加工深孔的质量具有一定的意义。     

遗传神经网络法在装载机故障诊断中的应用

在装载机故障诊断系统中,针对BP算法存在收敛速度慢,容易陷入局部极小值的问题,设计用遗传算法的复制、交换、变异过程代替BP网络的反向传播过程的改进算法.以装载机常用故障为例,应用提出的遗传神经网络算法对其进行故障诊断分析,从而证明该算法的有效性.     

PSO优化灰色神经网络的珩磨油石磨损预测

为了预测油石的切削寿命,保证珩磨加工质量,引入灰色神经网络,通过将珩磨工艺加工参数作为模型输入来预测油石的磨损量,最终建立了珩磨油石磨损量预报模型。在油石磨损量预测过程中,针对神经网络存在收敛速度慢、容易陷入局部最优等缺陷,利用粒子群算法对灰色神经网络的参数进行优化。试验结果表明,基于粒子群算法改进的灰色神经网络具有更好的逼近能力和预测精度,便于合理更换油石。     

基于改进粒子群优化-反向传播神经网络的制造业产能预测

为了精准预测制造业产能,对粒子群优化算法和反向传播神经网络进行研究,进而提出基于改进粒子群优化-反向传播神经网络的制造业产能预测方法。在这一预测方法中,通过粒子群优化算法对反向传播神经网络的权值和阈值进行优化搜索,同时引入自适应变异算子,避免粒子群优化算法陷入局部极值,并通过MATLAB软件对制造业产能进行预测。研究结果表明,改进粒子群优化-反向传播神经网络的预测效果优于粒子群优化-反向传播神经网络和反向传播神经网络。     

基于GA_BP算法的化工设备设计人工时预测

针对目前人工估算人工时预测精度低的问题,提出基于遗传算法优化反向传播神经网络的算法建立人工时预测模型,对化工设备设计人工时进行定量预测.首先对化工设备设计项目的管理流程和设计特点进行分析;然后对用户数据库中的历史项目数据进行统计,并对统计数据进行参数的贡献度和相关性分析,同时结合参数在预测时获取的难易程度,选择出适当的人工时预测模型输入参数;再建立基于反向传播算法的预测模型,并针对反向传播算法的缺陷选择遗传算法优化反向传播神经网络和支持向量机算法进行建模,预测结果表明遗传算法优化反向传播神经网络算法更适合化工设备设计人工时预测.采用基于遗传算法优化反向传播神经网络算法的模型进行了实例预测.     

基于RBF神经网络和遗传算法的油膜附水滴切削参数优化

为了优化油膜附水滴切削工艺参数,降低切削力,减少刀具磨损和提高切削加工质量,结合神经网络和遗传算法,基于MATLAB软件对切削试验数据进行训练.通过构建径向基函数RBF和反向传播BP神经网络模型,并对切削力和表面粗糙度综合加权后综合目标进行预测.对比两种模型的精度后,选择更精确的RBF神经网络模型.利用遗传算法GA优化...     

A new model of the antifriction effect on wiredrawing with ultrasound

In this paper, two different evolutionary algorithm-based neural network models were developed to optimise the unit production cost. The hybrid neural network models are, namely, genetic algorithm-based neural network (GA-NN) model and particle swarm optimization-based neural network (PSO-NN) model. These hybrid neural network models were used to find the optimal cutting conditions of Ti[C,N] mixed alumina-based ceramic cutting tool (CC650) and SiC whisker-reinforced alumina-based ceramic cutting tool (CC670) on machining glass fibre-reinforced plastic (GFRP) composite. The objective considered was the minimization of unit production cost subjected to various machine constraints. An orthogonal design and analysis of variance was employed to determine the effective cutting parameters on the tool life. Neural network helps obtain a fairly accurate prediction, even when enough and adequate information is not available. The GA-NN and PSO-NN models were compared for their performance. Optimal cutting conditions obtained with the PSO-NN model are the best possible compromise compared with the GA-NN model during machining GFRP composite using alumina cutting tool. This model also proved that neural networks are capable of reducing uncertainties related to the optimization and estimation of unit production cost.     

机械故障诊断的遗传BP算法应用研究

为克服 BP算法中存在的网络学习收敛速度慢 ,以及容易陷入局部极小的问题 ,本文在神经网络训练过程中 ,加入一个局部极小判别式 ,以确定网络是否陷入局部极小点 ,若陷入局部极小点 ,则利用遗传优化算法进行权值的修正。以机械设备故障诊断为例 ,应用此算法对其进行了故障诊断研究 ,从而证明了该算法的有效性。     

BP网络在优化机械加工参数中的应用

机械加工中的误差复映现象使加工参数的选择主要依靠工人的经验,为此,利用BP网的任意非线性映射能力,通过学习人的经验,实现机械加工参数的优化选择。分析了机械加工中误差复映问题的特点,利用改进后的BP网络算法的非线性映射能力,逼近误差复映系数与工件材料硬度、进给量等因素之间的非线性关系,对训练成熟的网络输入加工前毛坯误差、工件材料硬度等,可以输出满足加工要求的加工次数和各次的加工量。通过实例说明了采用附加动量法和自适应学习率改进后的BP算法收敛快,且不易限入局部极小值。在分析误差复映问题模型和比较不同网络结构的训练结果的基础上,确定了BP网络结构。通过在MATLAB中对网络的测试结果,验证了用BP网络实现优化机械加工参数的可行性。     

工况信息融合的神经网络刀具监控方法研究

基于加工过程中刀具产生的动态信号,利用BP神经网络多输入、多输出和非线性映射的特性,通过融合多种加工特征信号,建立了切削参数与加工动态过程之间的关系模型,实现了刀具在线加工状况的检测与预报。仿真结果表明,基于工况信息融合的神经网络刀具监控方法不但可以减少加工参数变化对刀具状态检测的影响,而且提高了在线检测刀具磨损量的精确度,验证了该方法的有效性。     

模具钢铣削中刀具磨损的试验研究

以面铣刀刀片磨损为研究对象,结合类神经网络系统建构高速数控铣削加工的预测模型。以加工参数为模型输入条件,刀腹磨耗为输出条件。采用多因素试验方法,选择切削速度、进给速度、切削深度三个试验参数,利用直交表式的试验计划法设计试验点。依照试验点铣削工件后再测量刀具加工后的刀腹磨耗量,进而求得倒传递网络所需的36组训练范例与11组验证数据。刀腹磨耗预测模式是利用类神经网络中的倒传递网络原理,以田口法求得倒传递网络参数的最优值。试验结果显示,刀腹磨耗随着切削速度、进给速度、切削深度增加而上升。铣削模具钢后,刀具磨耗预测值的平均误差为4.72%,最大误差为11.43%,最小误差为0.31%。整体而言,类神经网络对于铣削加工可进行有效预测。     

基于过程神经网络的航空发动机性能参数预测

针对传统方法难以对性能参数进行有效预测的问题,提出一种基于过程神经网络的性能参数预测方法。为解决反向传播学习算法收敛速度慢、易陷于局部极小点等问题,开发了一种基于正交基函数展开的Leven-berg-Marquardt学习算法。为提高过程神经网络的泛化能力,从提高训练样本的质量和规模入手,研究了实际测量数据的预处理方法,并提出一种基于样条函数拟合和相空间重构理论的训练样本集构造方法。最后,将该方法用于某型航空发动机性能参数的预测,获得了满意的结果。     

遗传神经网络法在风机故障诊断中的应用

本文在神经网络训练过程中,加入一个局部极小判别式,以确定网络是否陷入局部极小点,若陷入局部极小点,则利用遗传算法进行权值修正。以鼓风机常见故障为例,应用本文提出的遗传神经网络算法对其进行了故障诊断分析,从而证明了该算法的有效性。