为解决6R模块化串联机器人逆运动学求解精度和效率低的问题,运用D-H法对该机器人进行建模和正运动学分析,提出了解析法+BP神经网络相结合求逆运动学的方法。在逆运动学求解过程中,采用解析法求解前三个关节角度,采用BP神经网络建立运动学逆解模型求解后三个关节角度。为解决网络训练样本数据优选问题,采用核聚类理论和随机抽取算法对后三个关节的位姿参数样本进行优选,将逆运动学问题转化为基于BP的多输入多输出预测系统。运用该逆解模型进行复杂运动轨迹仿真,结果显示该神经网络模型求逆解的精度最高可达6.8212e-8°。并将该方法与解析法+BP神经网络不同的组合模式进行预测求解对比,结果表明该求逆解组合模式不但求解精度高,而且求解简单、泛化能力强。

针对现有智能灯光控制系统的高能耗以及无法准确确定人体的静止状态等问题,在多传感器采集的基础上,提出一种将BP神经网络与改进遗传算法相结合的多信息融合算法用于智能灯光控制系统中。通过改进遗传算法获得一组次优解,用作训练BP神经网络初始权值和阈值。通过仿真将这里算法与遗传算法优化的BP神经网络算法、BP神经网络、遗传算法进行比较,以验证融合算法的优越性。仿真结果表明,该算法在收敛性、网络能耗和网络时延等方面都有较大改善,平均收敛时间为4.11s,检测精度为100%,具有一定的实用性。这项研究为智能灯光控制系统的发展提供了一定的参考。

为了解决风洞试验求覆冰输电线在风荷载下的气动系数成本高、耗时长的问题,提出了一种预测气动系数的BP神经网络方法。使用试凑法对BP神经网络模型进行调参训练,选择8×8、10×8、10×16的BP神经网络模型。以训练好的BP神经网络模型为基础,先预测了新月形、扇形覆冰单导线在不同风速下的气动系数,再预测了无覆冰、新月形、扇形覆冰四分裂导线在不同风速下的气动系数以及新月形覆冰四分裂导线在不同覆冰厚度下的气动系数,最后与风洞试验所测结果以及线性插值的结果对比。结果表明BP神经网络的预测结果与风洞试验结果拟合程度较线性插值结果好,相似度很高,BP神经网络预测方法具有可行性。

为了克服目前打磨机器人在产品磨削过程中,因同批次产品尺寸误差、磨料磨损等因素导致产品不一致的问题,研发了一款机器人末端新型的恒力补偿装置。通过BP神经网络自学习、自组织、联想记忆功能对力跟踪误差、位移跟踪误差和阻抗波动误差进行补偿,不断调整权值优化PID参数,结合PLC编程完成算法,实现最佳的控制策略,最终进行试验验证分析。试验结果显示,该装置能保证在磨削加工过程中恒力波动约为8%~12%之间,响应时间约500ms,有效地改善了打磨产品的品质。

针对渔船舵机液压系统故障率高且故障点存在非线性难以诊断的问题,提出了一种基于BP神经网络对渔船舵机液压系统故障分类诊断的方法。该方法利用AMEsim软件搭建故障仿真模型,对5种不同故障的15类故障度分别进行模拟仿真并提取数据,把所得500组样本数据使用BP人工神经网络算法进行训练测试并应用于故障诊断。结果表明,模拟仿真能够解决液压系统故障样本数据难以取得的问题,利用BP人工神经网络进行渔船舵机液压系统故障诊断具有较高的准确度。

针对液压设备振动信号的非线性与非平稳性特征,提出一种VMD多尺度熵与BP神经网络的液压设备故障诊断方法。首先通过变分模态分解(Variational mode decomposition,VMD)对故障振动信号进行分解;根据得到固有模态函数分量(Intrinsic Mode Functions,IMF)求取相应的多尺度糊熵;在此基础上以VMD多尺度熵构建的故障特征矩阵输入到BP神经网络中进行训练和故障分类。实验结果表明该方法能够实现对液压设备关键故障诊断,准确率达到了97.66%。

为提升液压支架故障诊断效率,提升井下综采工作面生产效率,设计了液压支架故障混合智能诊断专家系统。对液压支架运行过程中的主要故障进行分析和总结,应用故障层次分析法,建立了液压支架故障分层模型,根据液压支架运行状态时的故障状况,将神经网络和专家系统理论结合,建立了一种混合智能专家故障诊断的模型,阐述了特征信息预处理与分配、知识库、诊断模块并完成系统验证。验证结果表明,该系统可实现液压支架故障的高效、可靠性诊断,提升液压支架运行效率,缩短液压支架故障检修时间。

以圆柱齿轮为对象,提出了基于双谱图像的机械故障嵌入式诊断方法.首先,通过小波包阈值去噪、小波包重构、双谱分析生成故障信号的双谱图,并通第一类灰度矩来表征双谱图特征.这些特征统计量,作为BP神经网络模式识别算法的输入特征向量,从而对这些特征集合进行分类,识别出相应的齿轮故障类型.实验证明在具有噪声的情况下,该方法取得了比较理想的识别率,验证了基于图像识别的齿轮箱故障诊断方法的可行性.以OpenCV库编写的代码移植到嵌入式系统简单易行,开发效率高,程序运行可靠.

为了降低机床热误差对主轴加工精度的影响,采用了混合粒子群算法优化BP神经网络结构,并对优化结果进行实验验证.引用了粒子群算法耦合遗传算法,给出BP神经网络结构简图,通过混合粒子群算法优化BP神经网络结构.构造机床热误差优化目标函数,采用混合粒子群算法优化目标函数,给出了混合粒子群算法优化BP神经网络流程图.建立BP神经网络热误差预测模型和BP神经网络热误差优化模型,采用三轴立式铣床对两种预测结果进行实验验证.实验结果表明：采用BP神经网络热误差预测模型,机床y轴、z轴预测结果与实验结果偏差最大值分别为6.9μm和6.7μm;采用BP神经网络热误差优化模型,机床y轴、z轴预测结果与实验结果偏差最大值分别为3.3μm和3.5μm.采用混合粒子群算法优化BP神经网络结构,能够提高机床热误差预测精度.

为提高液压缸零件工时定额预测的准确性及高效性,提出一种基于加工特征参数的DE_kmeans预测模型。首先根据工时影响因素提炼出历史及待预测加工特征参数;采用改进的DE_kmeans算法对历史加工特征参数进行聚类成组;对每个聚类组分别建立BP神经网络预测模型并基于历史加工特征参数进行训练;针对待预测加工特征参数,按照标准化欧式距离最小的原则划分至特定聚类组及预测模型;用该模型对待预测零件工时进行预测。通过测试实例验证该方法的预测误差控制在10%以内,证明该方法的可行性及有效性。