修正型果蝇算法优化GRNN的大梁自动焊障碍预测

发布时间：2018-04-14 22:39

  本文选题：大梁自动焊 + 障碍物预测　； 参考：《焊接学报》2017年01期

【摘要】：大梁自动焊时,必须自动避开工件上的筋板、隔板和空洞等障碍物.但因产品的种类多,工件上障碍物的位置存在随机性,难以通过单一的方法进行障碍物预测.针对该问题,利用超声波传感器采集障碍物信息,提出一种修正型果蝇算法优化广义回归神经网络(AFOA-GRNN)的大梁自动焊障碍物预测模型.该方法在传统果蝇算法中引入信息素和灵敏度两个因子,改进了寻优策略和果蝇位置的替换方式,对GRNN进行参数优化,进行大梁自动焊障碍物的预测.结果表明,建立的修正型AFOA-GRNN预测模型相比于FOA-GRNN,训练速度更快,预测精度更高.
[Abstract]:When the beam is welded automatically, it must avoid obstacles such as steel plate, partition board and cavity on the workpiece.However, because of the variety of products and the randomness of the obstacle position on the workpiece, it is difficult to predict the obstacle by a single method.In order to solve this problem, a modified algorithm of Drosophila melanogaster is proposed to optimize the prediction model of beam automatic welding obstacles based on generalized regression neural network (AFOA-GRNNN) by using ultrasonic sensor to collect obstacle information.This method introduces pheromone and sensitivity into the traditional Drosophila algorithm, improves the optimization strategy and the replacement mode of the Drosophila position, optimizes the parameters of GRNN and predicts the obstacles of beam automatic welding.The results show that the modified AFOA-GRNN prediction model is faster in training speed and higher in prediction accuracy than that in FOA-GRNN.
【作者单位】： 湘潭大学焊接机器人及应用湖南省重点实验室;
【基金】：国家自然科学基金资助项目(51575468) 湖南省自然科学省市联合基金资助项目(2015JJ5013)
【分类号】：TG409

【相似文献】

相关期刊论文 前10条

1 吴大中;吴丽华;;基于改进的GRNN的固体氧化物燃料电池辨识模型研究[J];能源研究与信息;2013年04期

2 胡大伟;卞新民;李思米;许泉;;基于GRNN网络模型的土壤重金属空间分布的研究[J];土壤通报;2007年02期

3 蒋必辞;潘保芝;庄华;张海涛;杨小明;陈刚;;改进GRNN网络预测致密砂岩气层压裂产能[J];世界地质;2014年02期

4 李朝将;凡银生;李强;;基于GRNN的电火花线切割加工工艺预测[J];华中科技大学学报(自然科学版);2012年S2期

5 丁磊;;油田测试工作中GRNN类神经网络应用探讨[J];中国石油和化工标准与质量;2013年07期

6 张永勇;许国根;;基于GRNN模型的肼类化合物毒性参数构效分析[J];化学推进剂与高分子材料;2014年03期

7 张如意;王学雷;;基于GRNN的酱油种曲孢子数预测模型[J];中国调味品;2012年10期

8 ;ARTIFICIAL NEURAL NETWORKS-MODELING, PROGRAMMING AND APPLICATION IN MATERIAL HOT WORKING[J];Acta Metallurgica Sinica(English Letters);2000年02期

9 郭卫东;倪开诚;孙旭东;张长江;陈文荣;;基于CWT和GRNN的可见-近红外漫反射光谱检测樱桃糖度的研究[J];食品科学;2009年12期

10 谢水英;黄芳;;基于GRNN神经网络的800H合金热变形预测[J];热加工工艺;2014年12期

相关会议论文 前10条

1 银涛;俞集辉;;基于GRNN的电力系统短期负荷预测[A];第十届全国电工数学学术年会论文集[C];2005年

2 Ziwen Leng;Junwei Gao;Yong Qin;Xin Liu;Jing Yin;;Short-term Forecasting Model of Traffic Flow Based on GRNN[A];第25届中国控制与决策会议论文集[C];2013年

3 陈其红;阚树林;秦臻;;基于广义回归神经网络(GRNN)的设备可靠性预测[A];2011年全国机械行业可靠性技术学术交流会暨第四届可靠性工程分会第三次全体委员大会论文集[C];2011年

4 柴毅;凌睿;;基于参数优化与GRNN逼近的非线性PID控制[A];第二十六届中国控制会议论文集[C];2007年

5 徐中;张敬莹;赵小波;;基于GRNN的粘弹材料阻尼性能的预测[A];第六届中国功能材料及其应用学术会议论文集（10）[C];2007年

6 王小辉;王琪洁;;基于广义回归神经网络的日长变化的高精度预报[A];中国天文学会2011年学术年会手册[C];2011年

7 马珊;庞永杰;张铁栋;;基于GRNN的声图像特征研究[A];第十五届中国海洋（岸）工程学术讨论会论文集(上)[C];2011年

8 陈端;曹阳;梅一韬;仲云飞;吴邦彬;;GRNN神经网络在大坝渗流预测中的应用[A];2012年中国水力发电工程学会大坝安全监测专委会年会暨学术交流会论文集[C];2012年

9 李慧英;李晓奇;;旅游需求预测分析——对比GRNN与多元回归分析方法的应用[A];第四届中国智能计算大会论文集[C];2010年

10 陈欣;肖建华;栾培贤;徐强;王洪斌;;基于BP与GRNN神经网络的PRRS预测模型的研究[A];中国畜牧兽医学会信息技术分会2012年学术研讨会论文集[C];2012年

相关硕士学位论文 前6条

1 赵焕;轻涂纸涂布量测定方法的实验研究[D];天津科技大学;2013年

2 董江伟;风速相似性形态研究及其在短期风速预测中的应用[D];南京信息工程大学;2016年

3 陈曦;基于ARCH-因子分析-GRNN组合技术的中国跨国公司汇率风险预测模型构建[D];北京外国语大学;2016年

4 张宇;一种新型GRNN神经网络的制冷压缩机销售预测研究[D];上海交通大学;2015年

5 金帅军;基于GRNN神经网络的农作物虫害量预测系统设计[D];内蒙古工业大学;2013年

6 任茹香;基于GRNN的变权重组合预测模型在传染病发病率预测中的应用[D];浙江大学;2011年

，

本文编号：1751334