下载文档原格式
改进BP神经网络在冲压发动机性能预测中的应用
改进BP神经网络在冲压发动机性能预测中的应用
提出了一种应用改进BP人工神经网络进行冲压发动机性能预测的新方法.编制了仿真程序,并对几种算法的学习收敛速度进行了比较.仿真结果表明,模型预测的冲压发动机性能误差低于3%,较好地解决了工程实际问题.
作者：陈世立陈新民 Chen Shili Chen Xinmin 作者单位：中国运载火箭技术研究院研究发展中心,北京,100076 刊名：导弹与航天运载技术 ISTIC PKU英文刊名：MISSILES AND SPACE VEHICLES 年，卷(期)：2007 ""(3) 分类号：V430 关键词：神经网络 BP算法冲压发动机。
基于人工噪声神经网络bp算法的火箭发动机故障仿真与检测摘要：本文提出了一种基于人工噪声神经网络BP算法的火箭发动机故障仿真与检测方法。
该方法利用BP算法完成火箭发动机故障仿真和检测，并通过解码器进行有效监测。
结果表明，该方法在信号的噪音干扰、系统动态变化和外部条件的变化以及检测周期等挑战性环境下，可以有效检测火箭发动机的故障情况，实现及时有效的检测和故障检测。
关键词：火箭发动机；故障仿真；故障检测；人工噪声神经网络；BP算法正文：1.简介本文提出了一种基于人工噪声神经网络BP算法的火箭发动机故障仿真与检测方法。
火箭发动机是关键设备之一，也是火箭技术发展中的重点领域之一。
由于它的复杂的操作环境、检测要求较高，因此对火箭发动机的安全检测提出了更高的要求，因此，历经特殊环境条件的火箭发动机的检测成为当前的一个研究热点。
2. 研究方法利用人工噪声神经网络BP算法构建火箭发动机故障仿真模型，并且构建火箭发动机故障检测系统，对信号进行建模处理并保证故障检测的准确性。
3.结果与讨论实验结果表明，基于人工噪声神经网络BP算法的火箭发动机故障仿真模型能够有效地模拟火箭发动机的故障状态，并生成相应的传感器信号；此外，它还可以有效地应用于火箭发动机的检测，实现及时有效的检测和故障检测。
4. 结论本研究基于人工噪声神经网络BP算法提出了一种火箭发动机故障仿真与检测方法，利用BP算法完成了火箭发动机故障仿真和检测，并实现了及时有效的故障检测。
该方法在信号的噪音干扰、系统动态变化和外部条件的变化以及检测周期等挑战性环境下，可以有效检测火箭发动机的故障情况，为火箭发动机故障安全检测提供有效的方案。
将本文提出的基于人工噪声神经网络BP算法的火箭发动机故障仿真与检测方法应用于实践中可以给火箭发动机故障安全检测提供有效的帮助。
首先，通过检测火箭发动机的各种特征信号，运用BP算法进行火箭发动机故障仿真，可以有效地模拟火箭发动机的故障状态，并且可以生成相应的传感器信号，识别和跟踪火箭发动机的故障。
基于BP神经网络的机械加工精度提升研究机械加工精度是指零件经机械加工后的实际几何参数与零件的理想几何参数相符合的程度。
符合的成都越高，加工精度也越高，零件的几何参数主要是由加工精度来评定的。
实际生产中加工精度的高低是用加工误差的大小来评价的。
加工精度包括尺寸精度、形状精度和位置精度，保证和提高加工精度，实际上也是如何来降低加工误差的过程。
在现代化机械制造中，机械产品的加工精度是产品的核心竞争力。
如何提高机械加工精度，是机械工程师首要考虑的核心问题。
BP（Back Propagation）网络是1986年由Rumelhart和McCelland 为首的科学家小组提出，是一种按误差逆传播算法训练的多层前馈网络，是目前应用最广泛的神经网络模型之一。
BP 神经网络，即误差反传误差反向传播算法的学习过程，由信息的正向传播和误差的反向传播两个过程组成。
输入层各神经元负责接收来自外界的输入信息，并传递给中间层各神经元；中间层是内部信息处理层，负责信息变换，根据信息变化能力的需求，中间层可以设计为单隐层或者多隐层结构；最后一个隐层传递到输出层各神经元的信息，经进一步处理后，完成一次学习的正向传播处理过程，由输出层向外界输出信息处理结果。
在现代机械制造过程中，仅靠常规的机械加工方法和机械工程师仅凭个人经验来进行工件设计加工，已经远远不能满足高精度、高质量的要求，如何提高机械产品的加工质量和提高生产效率，降低次品率已是机械产品生产中最为重要的核心竞争力。
由于BP网络的非线性映射能力可以模拟影响机械加工精度的各种参数之间的复杂的非线性关系，所以本文提出利用BP神经网络来改善机械加工精度的设想。
本文提出利用BP神经网络来预测机械加工过程中产生的误差，利用BP神经网络预测值来反馈到机械加工中间过程，以此来提高工件的机械加工精度，通过实际机械加工来检验BP神经网络的预测效果，结果证明可以大幅提高加工精度。
2 BP神经网络BP神经网络算法是一种有监督式的学习算法，该算法核心步骤是：输入学习样本，使用反向传播算法对网络的权值和偏差进行反复的调整训练，使输出的向量与期望向量尽可能地接近，当网络输出层的误差平方和小于指定的误差时训练完成，保存网络的权值和偏差。
基于BP神经网络的发动机机体工时定额研究高忠华【期刊名称】《价值工程》【年(卷),期】2015(34)3【摘要】It is difficult for the new diesel engine body to fix the work quota. It is usually estimated based on experience. And it is difficult to verify the work quota. Taking the Milling process of the S-type diesel engine body for example, the method of BP neural network model based on technology file is proposed. The data selected from the part of technology file is taken as the train set. The work quota model is established by using the method of BP neural network and the linear regression. By contrast, BP neural network is better than the linear regression method. It is suitable for quick estimation of the work quota on the body in the early stage.%针对新发动机机体工时定额难度大，以经验估计为主，且对报工的工时核定难度大，通过以S 型机体铣床工序为例，运用BP神经网络模型，从工艺文件的结构参数中抽取部分数据作为训练集，构建了发动机机体工时定额神经网络模型。
Science &Technology Vision科技视界柴油机缸盖振动信号中包含着丰富的工作状态信息,在对其现代诊断技术中,基于振动信号分析的诊断方法显示出了其优越性,利用缸盖振动信号诊断柴油机故障是一种有效方法。
故障特征的提取和故障类型的识别是利用振动信号分析法在对柴油机进行故障诊断过程中两个最为重要的过程。
根据提取的故障特征识别柴油机的故障类型是一个典型的模式识别问题,对柴油机故障类型识别采用恰当的模式识别方法就尤为重要。
神经网络作为一种自适应的模式识别技术,其通过自身的学习机制自动形成所要求的决策区域,而不需要预先给出有关模式的经验知识和判断函数;它可以充分利用状态信息,对来自于不同状态的信息逐一进行训练而获得某种映射关系。
鉴于其自身特性,在故障模式识别领域中有着越来越广泛的应用。
而据统计,有80%~90%的神经网络模型都是采用了BP 网络或者是它的变形。
BP 网络是前向网络的核心部分,是神经网络中最精华、最完美的部分。
但是它也存在一些缺陷,例如学习收敛速度、不能保证收敛到全局最小点、网络结构不易确定。
遗传算法是一种基于生物自然选择与遗传机理的随机搜索算法。
其基本操作是选择、交叉和变异,核心内容是参数编码、初始群体的设定、适应度函数的设计、遗传操作设计和控制参数的设定。
遗传算法通过种群随机搜索,对数据进行并行处理,将结果收敛到全局最优解。
因此,将遗传算法与BP 神经网络结合应用于柴油机故障诊断中,可以提高网络的性能,避免网络陷入局部极小解,进而实现对设备故障的识别。
1BP 神经网络1.1BP 神经元模型在柴油机故障诊断中的应用BP 神经网络是一种多层前馈型神经网络,其神经元的传递是S 型函数,输出量为0至1之间的连续量,它可以实现从输入到输出的任意非线性映射。
由于权值的调整采用反向传播学习算法,因此也称为其为BP 网络。
图1BP 神经元模型上图给出一个基本的BP 神经元模型,它具有R 个输入,每个输入都通过一个适当的权值和ω下一层相连,网络输入可表示为:a=f (wp+b )f 就是表示输入/输出关系的传递函数。
