基于改进的粒子群优化神经网络粗糙度预测模型

神经网络算法在金属零件加工表面粗糙度预测中有着广泛的运用,但是尚存网络初始化及梯度弥散这类"黑盒"问题.提出一种基于传统PSO-BP框架的改进模型,使用Xavier替代传统高斯分布初始化粒子群,在算法优化器方面使用最新的自适应矩限制取代随机梯度下降算法进行模型参数更新,经实际测试发现其训练集均方误差及其测试集绝对误差相...     

基于人工智能算法的最优加工表面粗糙度预测研究

以切削速度、进给量、切削深度、刀尖圆弧半径为设计变量,采用正交试验法进行了立方氮化硼(CBN)刀具干式车削冷作模具钢Cr12MoV的试验研究。利用神经网络的非线性拟合能力和遗传算法的全局寻优能力,建立了加工表面粗糙度预测模型并获得了使表面粗糙度达到最优的切削用量与刀尖圆弧半径组合。利用遗传算法获得的最优表面粗糙度值比田口方法和切削试验所获得的最佳表面粗糙度值分别降低了7.1%和17.2%。文中所采用的方法也为切削加工中刀具磨损、切削力和残余应力等问题的建模与参数优化提供理论参考。     

基于神经网络和遗传算法的工业机器人不均匀表面抛光

传统抛光过程中,抛光参数通常是根据工件表面设置为恒定值。但如果工件表面不均匀,恒定的抛光参数对于材料去除量大的区域会发生欠抛光现象,进而降低抛光效率,影响加工表面质量。为此,基于神经网络(NNW)和遗传算法(GA)提出一种工业机器人不均匀工件表面抛光算法,解决不均匀表面抛光过程中出现的问题。应用神经网络预测某一确定的抛光参数对应的抛光性能,利用训练的神经网络模型输出包括最佳材料去除率和改善表面粗糙度的目标函数;将遗传算法用于优化模型抛光参数。通过对不均匀表面的抛光实验,验证了该算法的有效性。     

基于改进多目标平衡优化器算法的点焊机器人路径规划

点焊机器人在工业领域内被广泛应用,合理的焊接顺序可以提高生产效率。为了实现点焊机器人的路径最优规划,针对点焊路径和工作时间建立多目标问题模型,提出一种融合改进快速非支配排序的多目标平衡优化器算法(DMONEO)。加入快速非支配排序,并采用生存评分策略替代拥挤度因子,可以更好地保持种群的多样性,防止DMONEO过早收敛。TSPLIB基准实验结果表明,DMONEO算法相比于其他算法性能表现更好。最后在实际点焊机器人的路径规划应用中进行仿真实验并与其他算法对比,结果表明提出的算法得到的优化效果更好,耗时更短。     

基于高质量和低振动的铣削参数优化方法研究

针对数控铣床在切削过程中产生的振动对工件表面质量的影响,提出以低振动和高表面质量为优化目标,对切削参数进行优化。以VDF-850A铣床为研究对象对45号钢进行铣削正交试验,通过建立振动采集系统,采集振动信号提取振动特征值并测量工件表面粗糙度值,应用最小二乘法拟合数据建立了振动和粗糙度数学模型。利用层次分析法确定两目标函数权重,使用平方和加权法对两目标函数加权拟合成综合目标评价函数,运用粒子群算法优化切削参数。试验结果表明:应用粒子群算法优化后的切削参数进行加工可有效的降低振动和提高表面质量。     

基于改进粒子群算法神经网络的SS304不锈钢激光拼焊焊缝成形预测

为了研究SS304不锈钢板拼焊的焊缝成形效果,搭建了激光焊接试验平台和数据采集系统,并通过试验采集的数据样本作为神经网络的训练样本.建立了基于改进粒子群算法神经网络的激光拼焊焊缝成形预测模型,利用遗传算法群体搜索策略改进粒子群算法获得神经网络修正后的初始权值及阈值,以激光拼焊工艺参数激光功率、扫描速度、板厚和离焦量作为...     

基于改进神经网络算法的螺杆砂带磨削表面粗糙度预测研究

目的 探究工艺参数对螺杆转子砂带磨削表面质量的影响规律.方法 采用工件轴向进给速度为100～300 mm/min、砂带线速度为4.4～13.1 m/s、砂带张紧压力为0.2～0.3 MPa、磨削压力为0.4～0.5 MPa、砂带粒度为120～800目的工艺参数进行螺杆转子砂带磨削正交实验,基于改进的神经网络算法,建立螺...     

基于改进BP神经网络的废旧产品再制造成本预测

为有效、准确地预测再制造成本,开发了一种基于改进BP神经网络的再制造成本预测模型。进行再制造成本构成分析,运用决策试验和评估实验室（DEMATEL）方法进行关键影响因素识别;在此基础上,利用基于粒子群算法改进的BP神经网络方法实现成本预测。通过案例研究,验证了所提出的模型的可行性。结果表明：所提出的方法能够准确地预测再制造的成本,为废旧产品的可再制造性评估提供了参考     

基于IMOPSO方法的注塑件熔接痕质量的多目标优化

提出了一种改进多目标粒子群优化(IMOPSO)算法,并用于优化注塑成型过程中熔接痕的长度和相遇角。基于成型工艺参数建立了熔接痕多目标优化模型,同时提出了改进混合神经网络(HNN)作为预测熔接痕长度和相遇角的代理模型。其中,通过Taguchi方法设计实验,采用Moldflow软件得到了训练改进HNN的样本。基于Pareto支配理论,提出了一种IMOPSO算法,并通过算例验证了其在多目标优化问题中的有效性。采用IMOPSO算法对注塑件熔接痕的长度和相遇角进行优化。将优化结果和MPI实验结果进行比较表明,IMOPSO算法能有效地优化注塑制品的熔接痕质量。     

基于响应面模型和NSGA-Ⅱ算法的注塑成型工艺优化

以某安全箱箱体为例,将最大缩痕指数和最大翘曲变形作为优化目标,以模具温度、熔体温度、注射速率、保压压力和保压时间为设计变量,通过正交试验设计及有限元模拟,获取试验样本;基于Isight参数优化软件,建立安全箱箱体注塑成型工艺参数与优化目标之间的响应面近似模型;利用非支配排序遗传算法在响应面模型内自主寻优,获取一组安全箱注塑成型的最优工艺参数;根据数值分析结果设计了注塑模具,按最优工艺参数试模,一次性试模成功。结果表明该方法可快速、有效实现注塑成型工艺优化。     

基于能耗和表面粗糙度的车削参数优化研究

为了合理地优化车削参数,提出了低能耗、低粗糙度的车削参数优化方法。在CAK3665ni车床上对45钢进行了干车削试验,采集了不同工况下的功耗和工件表面粗糙度值。在建立功耗和粗糙度模型的基础上,以切削比能低、平均粗糙度小为目标,使用多目标遗传算法,优化了车削参数。试验表明,使用优化后的车削参数进行加工,可以有效减小切削能耗和表面粗糙度。     

基于改进PSO优化BP的数控机床热误差预测研究北大核心

热误差是影响数控机床加工精度的主因,为提高数控机床热误差模型的预测精度,提出了基于改进粒子群优化BP神经网络的数控机床热误差建模预测方法。针对BP易陷入局部最优、收敛速度慢,在标准粒子群算法的基础上,改进粒子的速度与位置更新策略,在此基础上优化BP神经网络的阈值和权值,并建立数控机床热误差预测模型;借助于MATLAB完成仿真实验,结果表明,与标准的BP神经网络和支持向量机相比,基于改进粒子群优化BP神经网络的数控机床热误差预测模型精度高、泛化能力强。     

基于SPSO–BP神经网络的自适应抛光工艺参数匹配

目的 在湿性物理抛光作业中,根据不同工件的表面抛光质量和效率要求,实现抛光工艺参数的自适应匹配,达到理想的抛光效果。方法 基于工件表面材料去除原理,建立工艺参数与材料去除率(MRR)和表面粗糙度的数学关系模型,明确影响抛光效果的工艺参数。针对工艺参数与抛光质量和效率之间的复杂且交互影响的关系,以及理论计算的抛光效果与实际结果存在差异的问题,提出SPSO–BP预测模型,分别以20组不同的抛光工艺参数与对应抛光结果为训练样本,训练SPSO–BP模型,并与传统PSO–BP模型进行对比。基于训练好的预测模型,根据不同的基础条件与抛光质量和抛光效率的要求,通过模型自适应匹配抛光工艺参数。针对SUS304板材,设定表面粗糙度目标R_a1—R_a5和材料去除率目标R_m1—R_m5,分别通过SPSO–BP和PSO–BP模型预测获得的工艺参数进行抛光试验,将获得的真实粗糙度Ra_z1—Ra_z5和材料去除率R_mz1—R_mz5与目标值进行对比...     

40CrNiMoA钢扫描电子束表面抛光改性的研究

为改善40CrNiMoA合金钢的表面性能,对其表面进行扫描电子束抛光改性处理.研究了电子束工艺参数对40CrNiMoA钢表面性能的影响.结果 表明:扫描电子束处理后,总体形貌由熔融区、热影响区和基体组成,且显微硬度随着距表面距离的增加,呈先增加后降低的趋势.熔融区的微观组织主要由晶粒粗大的马氏体组成;热影响区的微观组织...     

基于多目标粒子群算法的切削用量多决策优化研究

传统多目标优化问题通常是以加权或约束方式将其转换为单一目标,未能反映多目标间的复杂关系,不利于随时根据需求作出有效的决策。为了更合理地确定切削用量,采用多目标粒子群算法首先求得问题的pareto最优前沿,经过后期多准则决策得到满足不同要求下的最优方案。采用这种先寻优后决策的方法,能有效弱化先验知识不足的影响,较传统多目标优化方法更为实用有效。并经与多目标遗传算法比较,多目标粒子群算法具有更优良的性能。     

用于自由曲面模具零件的等离子束表面处理机器人轨迹生成研究

为了满足等离子束表面处理的工艺特性要求,提出了一种基于等残余高度法改进的初始轨迹迭代优化算法,介绍了等离子束表面处理机器人系统以及轨迹自动生成和工艺参数模块,再分析轨迹规划的拓扑结构和工艺参数,接着提出改进的轨迹优化算法,该方法综合考虑自由曲面曲率、轨迹间距等多种因素,相较于一般的轨迹规划算法,能在保证加工效率的基础上有效提高表面加工质量。     

基于神经网络和粒子群算法的切削参数现场实时优化

为了使金属切削加工中，能实现切削参数的实时优化，保证产品质量和设备效率，提出了一种新的切削参数最优化方法，引入加工时间、加工精度、加工成本三个目标控制量，建立了多目标非线性规划模型。并用惩罚函数法将多目标非线性约束规划问题转换成无约束非线性单目标规划问题。通过对神经网络和粒子群算法的有机结合，并充分利用了粒子群算法和BP网络各自具有的优点，对模型进行了求解。数值试验表明该方法能较好地解决切削参数的优化问题。     

基于PSO-LSSVM算法的表面粗糙度预测模型与应用

为便于选取合适的切削参数,以满足期望的加工表面质量要求,提出一种最小二乘支持向量机(LSSVM)和粒子群优化(PSO)相结合的表面粗糙度预测模型。以预测精度和收敛速度为指标,对比PSO-LSSVM模型与支持向量机、人工神经网络和遗传算法优化BP神经网络模型的优劣。结果表明:PSO-LSSVM模型具有较高的预测精度和较快的收敛速度。基于MATLAB GUI搭建了表面粗糙度预测与参数优化应用系统。该系统具有较好的实用性,可实现简单、快速预测表面粗糙度,帮助决策人员灵活选取切削参数。     

改进粒子群优化BP的数控机床热误差预测研究

由于BP存在网络结构选取基于经验、易陷入局部最优、收敛速度慢等缺陷,致使基于BP的数控机床热误差预测模型精度不高,对此提出了一种改进粒子群优化BP的数控机床热误差预测建模的新方法。通过改进标准粒子群算法中粒子的位置与速度更新策略,以此寻找BP神经网络最优的阈值和权值,在此基础上建立数控机床热误差预测模型。仿真实验结果表明:与标准的BP神经网络和支持向量机相比,改进粒子群优化BP神经网络的数控机床热误差预测模型精度更高、泛化能力更强。     

基于BP神经网络的挤压模具磨损预测

基于修正的Archard磨损模型,将人工神经网络与有限元分析相结合,用有限元模拟数据作为学习样本,训练BP神经网络模型,以此模型预测挤压模具的磨损,实现了模具寿命的快速预测,也为模具型腔等磨损设计奠定了基础。