基于人工神经网络的表面粗糙度预测模型研究
发布时间：2021-06-06 14:05
近年来,我国汽车保有量呈现快速增长的趋势,表明汽车已融入大众生活成为了不可或缺的代步工具。发动机作为汽车的核心动力部件,对满足不同的运动性能及环保要求均有重要影响。本文的研究对象为发动机的关键部件-气缸缸体,因其外形为典型的多孔件,故机加工时需先精加工平面并以此作为后续孔加工的定位基准。本文目标是构建精度更高收敛速度更快的预测模型,从而在加工前获知不同的加工参数组合所对应的表面粗糙度值。为了改进BP预测模型收敛慢、精度低的缺点,本文提出了NCAPSO-BP神经网络预测模型。论文主要工作及结论如下:首先,介绍BP预测模型的应用要点,分析因误差曲面多峰值的存在而造成算法收敛慢、精度低的特点,提出将粒子群算法嵌入至BP预测模型,旨在通过粒子群算法的寻优性能确定BP预测模型的初始权值及阈值,从而保证算法在误差曲面的较优区域进行快速迭代,并详细阐述PSO-BP算法的工作流程。其次,介绍实验平台及正交实验设计法。赋予四个研究对象不同的水平数,采用新复极差法对获得的L75（31×53）样本组合进行数据分析。由SPSS软件分析四因素的S...
【文章来源】：江苏大学江苏省
【文章页数】：82 页
【学位级别】：硕士
【部分图文】：
不同数量气缸缸体结构示意图
图 1.2 神经网络系统开发图Fig.1.2 The development diagram of neural network systemHu 等人将 BP 神经网络预测模型用于研究高速铣削后工件表面粗糙度，经实验验证该模型具有一定的预测精度[16]；Koura 等通过人工神经网络预测模型研究了磨削加工中工件原材料及加工速度对表面粗糙度的影响程度，经验证该模型对新样本的跟踪能力较为理想[17]；Zhao 等利用人工神经网络模型研究了磨削加工铸铁时各参数如砂轮参数、砂轮线速度、工件磨削速度、磨削深度、进给量、修整率等对表面粗糙度三维评定参数的影响，经验证该模型的均方误差值较低[18]；胡金平等通过 BP 神经网络预测模型研究了切削三要素与表面粗糙度的内在联系[19]；神经网络通过对样本数据的自学习及自组织可提取输入量与输出量的潜在规律，并且凭借其非线性函数映射能力被应用于各工程领域。但网络自身存在诸多缺点如内部单元意义模糊、迭代收敛慢、易陷入网络极小值、预测精度低等，
图 1.3 仿生技术的操作流程示意图Fig.1.3 The operation flow diagram of bionic technology粒子群算法( particle swar optimization, PSO )由美国的 Kennedy 与 Eberhart教授研究鸟群间信息交换方式而提出的仿生算法[20]。其工作原理主要依靠来自鸟群间的信息共享即“群体智能”，具体表现为：同一群体间存在某种“沟通”方式，通过彼此间“合作”共同克服某一问题即一个生物团体表现出智能的行为特征。粒子优化群算法的主要优点为：描述简单；较易实现；可调的关键参数少；种群规模小；待评估函数少；收敛速度快等[21]。PSO 算法虽然起步较晚，但因其优点显著被广泛应用于多工程领域。You 等建立了 PSO-BP 预测模型用以研究直径和螺距对螺旋轴搅拌性能的影响，通过仿真实验验证了模型的有效性[22]；Razfar 等通过 PSO-BP 预测模型分析了切削三要素与表面粗糙度关系，旨在改进 BP 算法沿梯度下降慢的缺点，并由实验验证了该模型的准确性[23]；Chandrasekaran 等基于 PSO 算法建立了车削加工铝合金工件
【参考文献】：
期刊论文
[1]基于自适应权重粒子群优化BP神经网络的光伏阵列故障诊断与定位[J]. 沈桂鹏,杨店飞,郭宇杰. 陕西电力. 2016(08)
[2]关于人工神经网络的应用研究[J]. 李红超. 电脑知识与技术. 2014(06)
[3]一种求解矩形排样问题的遗传-离散粒子群优化算法[J]. 黄岚,齐季,谭颖,杨滨. 电子学报. 2012(06)
[4]应用BP神经网络预测高速铣削表面粗糙度[J]. 胡金平,高淑琴,齐立涛. 装备制造技术. 2012(06)
[5]响应曲面法在表面粗糙度预测模型及参数优化中的应用[J]. 张烘州,明伟伟,安庆龙,陈明,戎斌,韩冰. 上海交通大学学报. 2010(04)
[6]一种惯性权重动态调整的新型粒子群算法[J]. 刘建华,樊晓平,瞿志华. 计算机工程与应用. 2007(07)
硕士论文
[1]球头铣刀切削加工表面形貌预测与仿真[D]. 常树禹.大连理工大学 2015
[2]改进粒子群优化算法及其在人工神经网络中的应用研究[D]. 纪雪玲.西南林业大学 2012
[3]人工神经网络交通流预测算法研究[D]. 徐树安.广西工学院 2010
[4]陶瓷磨削表面粗糙度预测模型与实验研究[D]. 赵晓亮.大连理工大学 2009
[5]粒子群—神经网络混合算法及粗糙集理论在电力系统短期负荷预测中的应用[D]. 傅忠云.福州大学 2006
本文编号：3214532
【文章来源】：江苏大学江苏省
【文章页数】：82 页
【学位级别】：硕士
【部分图文】：
不同数量气缸缸体结构示意图
图 1.2 神经网络系统开发图Fig.1.2 The development diagram of neural network systemHu 等人将 BP 神经网络预测模型用于研究高速铣削后工件表面粗糙度，经实验验证该模型具有一定的预测精度[16]；Koura 等通过人工神经网络预测模型研究了磨削加工中工件原材料及加工速度对表面粗糙度的影响程度，经验证该模型对新样本的跟踪能力较为理想[17]；Zhao 等利用人工神经网络模型研究了磨削加工铸铁时各参数如砂轮参数、砂轮线速度、工件磨削速度、磨削深度、进给量、修整率等对表面粗糙度三维评定参数的影响，经验证该模型的均方误差值较低[18]；胡金平等通过 BP 神经网络预测模型研究了切削三要素与表面粗糙度的内在联系[19]；神经网络通过对样本数据的自学习及自组织可提取输入量与输出量的潜在规律，并且凭借其非线性函数映射能力被应用于各工程领域。但网络自身存在诸多缺点如内部单元意义模糊、迭代收敛慢、易陷入网络极小值、预测精度低等，
图 1.3 仿生技术的操作流程示意图Fig.1.3 The operation flow diagram of bionic technology粒子群算法( particle swar optimization, PSO )由美国的 Kennedy 与 Eberhart教授研究鸟群间信息交换方式而提出的仿生算法[20]。其工作原理主要依靠来自鸟群间的信息共享即“群体智能”，具体表现为：同一群体间存在某种“沟通”方式，通过彼此间“合作”共同克服某一问题即一个生物团体表现出智能的行为特征。粒子优化群算法的主要优点为：描述简单；较易实现；可调的关键参数少；种群规模小；待评估函数少；收敛速度快等[21]。PSO 算法虽然起步较晚，但因其优点显著被广泛应用于多工程领域。You 等建立了 PSO-BP 预测模型用以研究直径和螺距对螺旋轴搅拌性能的影响，通过仿真实验验证了模型的有效性[22]；Razfar 等通过 PSO-BP 预测模型分析了切削三要素与表面粗糙度关系，旨在改进 BP 算法沿梯度下降慢的缺点，并由实验验证了该模型的准确性[23]；Chandrasekaran 等基于 PSO 算法建立了车削加工铝合金工件
【参考文献】：
期刊论文
[1]基于自适应权重粒子群优化BP神经网络的光伏阵列故障诊断与定位[J]. 沈桂鹏,杨店飞,郭宇杰. 陕西电力. 2016(08)
[2]关于人工神经网络的应用研究[J]. 李红超. 电脑知识与技术. 2014(06)
[3]一种求解矩形排样问题的遗传-离散粒子群优化算法[J]. 黄岚,齐季,谭颖,杨滨. 电子学报. 2012(06)
[4]应用BP神经网络预测高速铣削表面粗糙度[J]. 胡金平,高淑琴,齐立涛. 装备制造技术. 2012(06)
[5]响应曲面法在表面粗糙度预测模型及参数优化中的应用[J]. 张烘州,明伟伟,安庆龙,陈明,戎斌,韩冰. 上海交通大学学报. 2010(04)
[6]一种惯性权重动态调整的新型粒子群算法[J]. 刘建华,樊晓平,瞿志华. 计算机工程与应用. 2007(07)
硕士论文
[1]球头铣刀切削加工表面形貌预测与仿真[D]. 常树禹.大连理工大学 2015
[2]改进粒子群优化算法及其在人工神经网络中的应用研究[D]. 纪雪玲.西南林业大学 2012
[3]人工神经网络交通流预测算法研究[D]. 徐树安.广西工学院 2010
[4]陶瓷磨削表面粗糙度预测模型与实验研究[D]. 赵晓亮.大连理工大学 2009
[5]粒子群—神经网络混合算法及粗糙集理论在电力系统短期负荷预测中的应用[D]. 傅忠云.福州大学 2006
本文编号：3214532
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3214532.html
