基于灰色理论和GA-BP的拉延筋参数反求

采用灰色关联分析对影响拉延筋阻力的因子进行分析,获得主要的影响因子.利用拉丁超立方试验设计方法对主要因子进行取样,利用DYNAFORM软件对方盒件成形进行仿真,得到样本数据.以成形件中的减薄、增厚和主应变为输入,以拉延筋几何参数为输出,建立拉延筋参数的反求模型.利用遗传算法优化反向传播(Back propagation,BP)网络权值,通过与单纯使用BP进行映射得出的几何参数预测值进行比较,该模型的精度得到很大提高,表明基于遗传算法(Genetic algorithm,GA)优化的BP神经网络的模型能极大提高预测能力.基于GA-BP模型,以拉延筋几何参数为输入,增厚为输出目标,利用训练好的优化权值,获得拉延筋几何参数与成形件增厚的非线性映射关系式,并再次利用遗传算法对其优化,获得最佳的拉延筋几何参数.通过比较优化前后的数值仿真结果,优化后的拉延筋能极大地提高板料成形性能.     

遗传算法在覆盖件拉延筋参数优化中的应用

指出拉延筋几何参数（拉筋高度，拉筋圆角）是影响拉延筋阻力的主要因素。提出在拉延成形中，拉延筋，凹模圆角参数设计需满足拉延筋各几何参数间的约束，筋参数变化约束以及“协同变化”原则，将遗传算法应用于拉延筋几何参数的优化设计，并用实例验证。     

基于近似模型的拉延筋几何参数反求

引入响应面方法和遗传算法建立基于近似模型的拉延筋几何参数反求方法。首先以等效拉延阻力为设计变量，通过均匀拉丁方试验设计方法提取适当的设计参数样本构造响应面近似模型，并不断优化响应面模型，获取最优等效拉延阻力；然后以最优等效拉延阻力为约束条件，结合等效拉延阻力计算和小种群遗传算法反求拉延筋几何参数。整个反求过程采用等效拉延筋有限元模型进行仿真计算，避免有限元模型的网格重划分及由真实拉延筋模型引入的计算效率问题。数值算例表明，基于近似模型的拉延筋几何参数反求方法可在设计兴趣域内快速寻优，有助于加快模具设计进程，降低生产成本。     

瑞风商务车托架拉延成形数值模拟及工艺参数优化

基于逆向工程建立瑞风商务车托架零件的几何模型,并基于Dynaform软件平台对不同工艺参数下该零件的拉延成形过程进行数值模拟。在此基础上,以压边力、拉延筋高度和拉延筋圆角半径作为设计变量,以零件不发生破裂为优化目标,以有限元数值模拟结果作为虚拟样本,建立目标函数的人工神经网络预测模型;将人工神经网络预测模型作为优化算法的知识源,采用遗传算法对压边力、拉深筋几何参数等工艺参数进行了优化设计。试验结果表明,数值模拟、神经网络预测和工艺优化是可靠的,从而可为制定金属板料最佳的冲压成形工艺提供一条先进、合理的途径。     

基于ANN/GA的汽车覆盖拉延件要领设计专家系统

提出了要领设计的新概念， 即通过该环节为汽车覆盖拉延件成形的有限元模拟提供初始条件， 分析了要领设计的必要性和特点。提出将流入量 （从压料面下进入凹模型腔的局部材料线素长度） 作为衡量局部成形阻力的指标。通过人工神经网络由覆盖件侧壁高度得到局部流入量， 将其添加在拉延件轮廓 （在成品件上添加工艺补充得到） 外侧， 即得初始毛料外形。把拉延筋的设计原则转化为约束条件， 将遗传算法和神经网络用于拉筋及凹模圆角几何参数的优化设计。另外还阐述了特征建模、面向对象知识库的应用。     

拉延筋对回弹的影响机理研究

采用拉延筋影响试验、平板拉伸试验,研究了板料过拉延筋后几何参数和材料参数的变化情况,结合翻边回弹试验和回弹一维分析方法,研究了拉延筋对回弹的影响机理。研究表明,板料过拉延筋后板内的残余应力和材料的硬化是影响回弹的关键因素;等效拉延筋模型即使能提供准确的拉延阻力,一般也难以满足精确计算回弹的要求。     

灰色关联分析法在覆盖件成形优化中的应用

由于汽车覆盖件塑性变形过程复杂,容易产生多种质量缺陷,最优成形工艺参数难以确定。现将正交试验设计方法、灰色关联分析法与冲压数值仿真相结合,针对拉延工艺参数进行优化设计,借助板料成形仿真软件Pam Stamp对某汽车翼子板拉延过程数值仿真。通过仿真数据分别计算单目标函数关联度系数,多目标函数关联度和自变量对理想质量目标平均关联度,从而全面衡量压边力、摩擦因子及拉延筋几何尺寸对翼子板拉延成形质量影响,确定最优拉延工艺参数组合,为汽车覆盖件成形工艺参数设计提供理论依据。     

BP-GA算法对斗轮堆取料机回转平台的结构优化

提出了一种基于BP神经网络和遗传算法(GA)的多工况离散变量结构优化设计方法,并对某斗轮堆取料机回转平台进行优化设计。该方法将多工况问题处理为多约束问题,利用正交试验法选择神经网络训练样本点,通过参数化有限元模型计算出各工况下的样本数据,建立起基于BP神经网络的回转平台数学模型,为遗传算法提供适应度函数,最后运用遗传算法完成寻优计算。结果表明,回转平台自重减轻13.8%,取得了满意的优化效果。     

基于遗传算法和BP神经网络的裙座锻造结构优化设计

裙座锻造结构几何参数是影响其力学性能指标的重要因素,它们之间的关系既无先验公式表征,又为非线性,一般采用分析设计方法,但耗时长也未必达到优化目的。神经网络法具有超强非线性映射能力,可自动总结出数据之间的函数关系,遗传算法可多点群体搜索,并可不陷入局部最优点。利用正交试验法确定神经网络训练样本,用有限元模型计算出样本点数据,建立反映结构特性的人工神经网络模型。最后用遗传算法对所建立的神经网络模型寻优,得到较好的结果。     

改进的等效拉延筋阻力模型及其应用

提出了一种改进的等效拉延筋阻力模型，采用三维有限元分析方法对客货箱右／左后门柱内板连接板的拉延成形工序进行模具设计和毛坯几何形状的优化。结合改进的等效拉延筋阻力模型，采用非线性约束优化算法对拉延筋结构进行了优化设计。根据有限元分析和优化设计结果进行实冲实验可得到质量良好的覆盖件产品，并且其典型截面的厚度分布与实验结果吻合良好，证明了改进的等效拉延筋阻力模型能准确反映板料通过拉延筋时的摩擦和弯曲阻力。     

基于神经网络和遗传算法的薄壳件注塑成型工艺参数优化

建立基于神经网络和遗传算法并结合正交试验的薄壳件注塑成型工艺参数优化系统.正交试验法用来设计神经网络的训练样本,人工神经网络有效创建翘曲预测模型;遗传算法完成对影响薄壳塑件翘曲变形的工艺参数(模具温度、注射温度、注射压力、保压时间、保压压力和冷却时间等)的优化,并计算出其优化值.按该参数进行试验,效果良好,可以有效地减小薄壳塑件翘曲变形,其试验数值与计算数值基本相符,说明所提出的方法是可行的.     

大量程柔性铰六维力传感器静态解耦的研究

为提高大量程六维力传感器的测量精度,提出了一种新型的六维力传感器非线性静态解耦方法,该方法结合混合递阶遗传算法和小波神经网络的优点,采用递阶遗传算法与最小二乘法分别对小波神经网络隐层结构参数以及输出层权值进行优化,再将优化后的小波神经网络模型用于六维力传感器非线性解耦.建立了基于混合递阶遗传算法和优化小波神经网络的六维力传感器非线性解耦模型,设计了基于混合递阶遗传算法的小波神经网络结构及参数优化算法,给出了六维力传感器非线性解耦的具体实现流程.以最新研制的6-UPUR大量程柔性铰六维力传感器为对象进行实验,结果表明,采用该方法六维力传感器的Ⅰ类误差和Ⅱ类误差分别为1.25％和2.59％,比采用BP和RBF神经网络方法的测量精度高.     

再制造机床可修复零部件精度分配研究

研究可修复零部件精度参数的分配是关系到再制造机床性能和再制造成本的重要问题。本文提出了用BP+GA的混合算法优化分配可修复零部件精度参数的方法。首先利用BP神经网络建立零部件精度参数与再制造机床空间几何误差之间的正向映射模型,然后用正交设计法得到训练样本数据并训练网络,最后再用BP+GA的混合算法逆向确定零部件的精度参数。仿真结果表明了混合算法是解决复杂精度分配问题的一种理想方法,优化结果可用于指导零部件精度的修复。     

基于遗传算法和神经网络的冷挤压工艺参数模糊优化设计

将模糊优化思想引入冷挤压工艺参数优化设计,以冷挤压模具的四个关键工艺参数为设计变量,以最终挤压件的各处材料的损伤值为目标函数,建立了冷挤压工艺参数模糊优化模型。提出了利用神经网络进行材料损伤近似计算的策略,从而形成了基于遗传算法和神经网络的冷挤压工艺参数模糊优化方法。对冷挤压工艺参数模糊优化模型进行了求解,优化结果表明模糊优化思想能提高冷挤压工艺设计质量。     

基于遗传神经网络的加速度传感器动态建模方法

提出了利用遗传神经网络实现加速度传感器动态建模的新方法，介绍动态建模原理以及算法，给出用遗传神经网络建立的加速度传感器动态数学模型。该方法利用加速度传感器的动态标定数据，采用遗传神经网络搜索和优化动态模型参数。这样，既保留遗传算法的全局搜索能力，克服神经网络容易陷入局部极小的缺陷，又具有神经网络局部搜索能力强的特点。结果表明：以上提出的动态建模方法具有建模精度高、鲁棒性好等优点。     

Optimum surface roughness in end milling Inconel 718 by coupling neural network model and genetic algorithm

In this study, optimum cutting parameters of Inconel 718 are determined to enable minimum surface roughness under the constraints of roughness and material removal rate. In doing this, advantages of statistical experimental design technique, experimental measurements, artificial neural network and genetic optimization method are exploited in an integrated manner. Cutting experiments are designed based on statistical three-level full factorial experimental design technique. A predictive model for surface roughness is created using a feed forward artificial neural network exploiting experimental data. Neural network model and analytical definition of material removal rate are employed in the construction of optimization problem. The optimization problem was solved by an effective genetic algorithm for variety of constraint limits. Additional experiments have been conducted to compare optimum values and their corresponding roughness and material removal rate values predicted from the genetic algorithm. Generally a good correlation is observed between the predicted optimum and the experimental measurements. The neural network model coupled with genetic algorithm can be effectively utilized to find the best or optimum cutting parameter values for a specific cutting condition in end milling Inconel 718.     

基于神经网络和遗传算法的集装箱龙门起重机结构系统优化研究

论文综合利用有限元方法、正交试验法、人工神经网络以及遗传算法对龙门起重机结构系统进行优化研究。首先利用有限元模型对结构进行灵敏度分析,确定对结构系统特性敏感的设计变量作为神经网络的输入变量。然后利用正交试验法确定神经网络训练样本,并利用有限元模型计算出样本数据,建立人工神经网络模型。最后利用遗传算法对所建立的神经网络模型寻优。     

基于正交试验-遗传神经网络的陶瓷球面精密磨削参数优化

针对陶瓷等难加工材料的精密加工要求与特点以及球面磨削传统加工模式,分析了氮化硅陶瓷材料球面廓形工件砂轮法向跟踪精密磨削的方法。采用正交试验法设计试验,运用极差法和方差法综合分析相关磨削工艺参数对工件加工质量与效率的影响规律。考虑到当前磨削加工工艺方案选择与优选的难点,利用遗传神经网络算法建立了工件加工质量与效率和相关磨削工艺参数之间的非线性映射关系,并基于正交试验法的分析结果对遗传神经网络算法进行了改进,实现了相关磨削工艺参数的优化,缩短了氮化硅陶瓷材料球面廓形工件数控磨削工艺制定与操作的时间,提高了磨削加工质量和效率。     

基于遗传神经网络的压铸机座板结构优化设计

在对压铸机合模机构进行结构设计时,利用神经网络的非线性映射能力,通过少量样本的有限元分析结果,训练出表述结构参数间函数关系的神经网络模型,然后利用遗传算法的全局寻优性找到神经网络模型表述的目标函数的最优结构参数,从而解决结构优化设计的瓶颈和智能问题,利用这种优化设计策略,设计了压铸机合模机构座板,结果表明了该方法的高效性。     

齿轮箱复合故障信号的非线性盲源分离算法研究

针对齿轮箱复合故障分析问题,文中提出一种新型非线性盲源分离（Nonlinear Blind Source Separation, NBSS）算法。该算法先利用反向传播（Back Propagation, BP）神经网络逼近非线性混合模型的逆,并对经过BP 神经网络处理后的信号进行独立成分分析（Independent Component Analysis, ICA）;然后以独立成分分析后的信号的负熵作为适应度函数,采用遗传算法对BP神经网络的参数进行寻优;最后利用优化的BP神经网络参数,对观测到的混合信号进行分解,分离出纯净的振源信号。与采用粒子群优化（Particle Swarm Optimization, PSO）算法的核独立成分分析（Kernel ICA, KICA）相比,该方法提取的分离信号具有更高的精度,为齿轮箱复合故障诊断提供了关键技术与有效方法。