多几何要素影响下液压阀件特性的混合神经网络预测模型

液压阀件系统是一个具有多几何要素影响的多系统特性复杂系统,建立液压阀件特性预测模型,以系统多几何要素作为输入,实现系统特性的预测,将对实际生产具有重要的意义。在深入分析反向传播(Back propagation,BP)神经网络与径向基函数(Radial basis function,RBF)神经网络的基础上,结合两类神经网络的特点,提出基于BP神经网络与RBF神经网络的混合神经网络预测模型。利用生产实际中实测的某具体液压阀件特性值及影响该特性的各几何要素值作为预测模型的数据来源,对所提出的混合神经网络进行训练,并进行仿真。实例计算表明混合神经网络预测模型可提高单项神经网络预测模型的预测精度,预测平均相对误差为0.0461。可见,所提出的混合神经网络预测模型能够很好地满足工程实践中液压阀件特性预测要求。

多零件几何要素影响下的装配产品特性预测方法

工业生产中,多零件装配产品通常具有多系统特性——多几何要素影响的特点。建立能够准确表征装配产品特性与零件几何要素间关系的数学模型,实现装配产品特性的预测,将对工业生产有着重要意义。对于存在多几何要素影响且要素影响程度不同的装配产品系统,直接建立系统的BP神经网络预测模型,由于输入神经元和隐含层神经元较多,将导致神经网络结构十分复杂、学习与训练时间增加、收敛速度慢、预测精度不高等问题。提出利用灰色系统理论的灰关联分析方法,对影响装配产品系统特性的多几何要素进行灰色关联分析,得到多几何要素影响下的系统几何要素与装配产品特性之间的关联程度,确定影响装配产品特性的主要几何要素。在此基础上,利用影响装配产品特性的主要几何要素建立系统的BP神经网络,简化BP神经网络模型,同时保证模型能较真实的反映系统的特性,实现对多几何要素影响下的装配产品特性的准确预测。以典型的多几何要素影响下的装配产品——液压偶件系统为例,通过对液压偶件系统多几何要素关联程度的研究,以影响系统的主要几何要素为输入量,构造简化的BP神经网络的预测模型,试验结果表明,利用主要几何要素建立的预测模型结构相对简单、收敛快、预测精度高。