近年來,我國(guó)汽車保有量呈現(xiàn)快速增長(zhǎng)的趨勢(shì),表明汽車已融入大眾生活成為了不可或缺的代步工具。發(fā)動(dòng)機(jī)作為汽車的核心動(dòng)力部件,對(duì)滿足不同的運(yùn)動(dòng)性能及環(huán)保要求均有重要影響。本文的研究對(duì)象為發(fā)動(dòng)機(jī)的關(guān)鍵部件-氣缸缸體,因其外形為典型的多孔件,故機(jī)加工時(shí)需先精加工平面并以此作為后續(xù)孔加工的定位基準(zhǔn)。本文目標(biāo)是構(gòu)建精度更高收斂速度更快的預(yù)測(cè)模型,從而在加工前獲知不同的加工參數(shù)組合所對(duì)應(yīng)的表面粗糙度值。為了改進(jìn)BP預(yù)測(cè)模型收斂慢、精度低的缺點(diǎn),本文提出了NCAPSO-BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型。論文主要工作及結(jié)論如下:首先,介紹BP預(yù)測(cè)模型的應(yīng)用要點(diǎn),分析因誤差曲面多峰值的存在而造成算法收斂慢、精度低的特點(diǎn),提出將粒子群算法嵌入至BP預(yù)測(cè)模型,旨在通過粒子群算法的尋優(yōu)性能確定BP預(yù)測(cè)模型的初始權(quán)值及閾值,從而保證算法在誤差曲面的較優(yōu)區(qū)域進(jìn)行快速迭代,并詳細(xì)闡述PSO-BP算法的工作流程。其次,介紹實(shí)驗(yàn)平臺(tái)及正交實(shí)驗(yàn)設(shè)計(jì)法。賦予四個(gè)研究對(duì)象不同的水平數(shù),采用新復(fù)極差法對(duì)獲得的L₇₅（3¹×5³）樣本組合進(jìn)行數(shù)據(jù)分析。由SPSS軟件分析四因素的S... 

【文章來源】：江蘇大學(xué)江蘇省

【文章頁(yè)數(shù)】：82 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

不同數(shù)量氣缸缸體結(jié)構(gòu)示意圖

圖 1.2 神經(jīng)網(wǎng)絡(luò)系統(tǒng)開發(fā)圖Fig.1.2 The development diagram of neural network systemHu 等人將 BP 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型用于研究高速銑削后工件表面粗糙度，經(jīng)實(shí)驗(yàn)驗(yàn)證該模型具有一定的預(yù)測(cè)精度[16]；Koura 等通過人工神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型研究了磨削加工中工件原材料及加工速度對(duì)表面粗糙度的影響程度，經(jīng)驗(yàn)證該模型對(duì)新樣本的跟蹤能力較為理想[17]；Zhao 等利用人工神經(jīng)網(wǎng)絡(luò)模型研究了磨削加工鑄鐵時(shí)各參數(shù)如砂輪參數(shù)、砂輪線速度、工件磨削速度、磨削深度、進(jìn)給量、修整率等對(duì)表面粗糙度三維評(píng)定參數(shù)的影響，經(jīng)驗(yàn)證該模型的均方誤差值較低[18]；胡金平等通過 BP 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型研究了切削三要素與表面粗糙度的內(nèi)在聯(lián)系[19]；神經(jīng)網(wǎng)絡(luò)通過對(duì)樣本數(shù)據(jù)的自學(xué)習(xí)及自組織可提取輸入量與輸出量的潛在規(guī)律，并且憑借其非線性函數(shù)映射能力被應(yīng)用于各工程領(lǐng)域。但網(wǎng)絡(luò)自身存在諸多缺點(diǎn)如內(nèi)部單元意義模糊、迭代收斂慢、易陷入網(wǎng)絡(luò)極小值、預(yù)測(cè)精度低等，

圖 1.3 仿生技術(shù)的操作流程示意圖Fig.1.3 The operation flow diagram of bionic technology粒子群算法( particle swar optimization, PSO )由美國(guó)的 Kennedy 與 Eberhart教授研究鳥群間信息交換方式而提出的仿生算法[20]。其工作原理主要依靠來自鳥群間的信息共享即“群體智能”，具體表現(xiàn)為：同一群體間存在某種“溝通”方式，通過彼此間“合作”共同克服某一問題即一個(gè)生物團(tuán)體表現(xiàn)出智能的行為特征。粒子優(yōu)化群算法的主要優(yōu)點(diǎn)為：描述簡(jiǎn)單；較易實(shí)現(xiàn)；可調(diào)的關(guān)鍵參數(shù)少；種群規(guī)模�。淮u(píng)估函數(shù)少；收斂速度快等[21]。PSO 算法雖然起步較晚，但因其優(yōu)點(diǎn)顯著被廣泛應(yīng)用于多工程領(lǐng)域。You 等建立了 PSO-BP 預(yù)測(cè)模型用以研究直徑和螺距對(duì)螺旋軸攪拌性能的影響，通過仿真實(shí)驗(yàn)驗(yàn)證了模型的有效性[22]；Razfar 等通過 PSO-BP 預(yù)測(cè)模型分析了切削三要素與表面粗糙度關(guān)系，旨在改進(jìn) BP 算法沿梯度下降慢的缺點(diǎn)，并由實(shí)驗(yàn)驗(yàn)證了該模型的準(zhǔn)確性[23]；Chandrasekaran 等基于 PSO 算法建立了車削加工鋁合金工件

【參考文獻(xiàn)】：
期刊論文
[1]基于自適應(yīng)權(quán)重粒子群優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的光伏陣列故障診斷與定位[J]. 沈桂鵬,楊店飛,郭宇杰.  陜西電力. 2016(08)
[2]關(guān)于人工神經(jīng)網(wǎng)絡(luò)的應(yīng)用研究[J]. 李紅超.  電腦知識(shí)與技術(shù). 2014(06)
[3]一種求解矩形排樣問題的遺傳-離散粒子群優(yōu)化算法[J]. 黃嵐,齊季,譚穎,楊濱.  電子學(xué)報(bào). 2012(06)
[4]應(yīng)用BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)高速銑削表面粗糙度[J]. 胡金平,高淑琴,齊立濤.  裝備制造技術(shù). 2012(06)
[5]響應(yīng)曲面法在表面粗糙度預(yù)測(cè)模型及參數(shù)優(yōu)化中的應(yīng)用[J]. 張烘州,明偉偉,安慶龍,陳明,戎斌,韓冰.  上海交通大學(xué)學(xué)報(bào). 2010(04)
[6]一種慣性權(quán)重動(dòng)態(tài)調(diào)整的新型粒子群算法[J]. 劉建華,樊曉平,瞿志華.  計(jì)算機(jī)工程與應(yīng)用. 2007(07)

碩士論文
[1]球頭銑刀切削加工表面形貌預(yù)測(cè)與仿真[D]. 常樹禹.大連理工大學(xué) 2015
[2]改進(jìn)粒子群優(yōu)化算法及其在人工神經(jīng)網(wǎng)絡(luò)中的應(yīng)用研究[D]. 紀(jì)雪玲.西南林業(yè)大學(xué) 2012
[3]人工神經(jīng)網(wǎng)絡(luò)交通流預(yù)測(cè)算法研究[D]. 徐樹安.廣西工學(xué)院 2010
[4]陶瓷磨削表面粗糙度預(yù)測(cè)模型與實(shí)驗(yàn)研究[D]. 趙曉亮.大連理工大學(xué) 2009
[5]粒子群—神經(jīng)網(wǎng)絡(luò)混合算法及粗糙集理論在電力系統(tǒng)短期負(fù)荷預(yù)測(cè)中的應(yīng)用[D]. 傅忠云.福州大學(xué) 2006



本文編號(hào)：3214532