RV(Rotate Vector)减速器装配质量的影响因素众多,装配质量不稳定。针对此情况,建立了基于麻雀搜索算法(Sparrow search algorithm,SSA)优化的BP神经网络质量预测模型,以减速器的关键性能指标--传动误差作为输出指标,选取减速器零部件的关键尺寸参数作为影响因素输入,经过数据预处理后建立质量预测模型进行误差预测。结果表明,经过麻雀搜索算法改进后的BP神经网络预测模型具有良好的预测精度,为RV减速器装配环节的零件选配工作提供了帮助。

针对行星齿轮箱故障诊断过程中的故障特征向量区分度差、诊断成功率不够高等问题,提出了一种基于局部均值分解(Local mean decomposition,LMD)排列熵和BP神经网络结合的方法。对原始信号进行LMD,获得包含主要信息的PF分量,计算排列熵值,构造特征向量,利用提取的特征向量训练BP神经网络,完成故障模式识别。以EMD排列熵方法和无量纲分析方法作为对比组,实验验证说明,提出方法提取到的不同工况的特征向量区分度更强,故障诊断效果更好;且当训练组数发生变化时,提出方法的综合表现更优秀。

针对目前利用优化算法改进的BP神经网络算法对行星齿轮箱进行故障诊断过程中存在的故障识别率低、收敛速度慢和参数选择困难等问题,提出了一种用GA-ACO算法对神经网络参数进行优化的算法。给出GA-ACO-BP算法的基本原理和主要步骤,并将此方法应用到行星齿轮箱的故障诊断中。比较了ACO-BP神经网络算法和GA-ACO-BP算法的性能。结果表明,ACO优化BP神经网络算法对行星齿轮箱的故障诊断收敛速度慢且识别精度不高,而GA-ACO-BP算法能够对行星齿轮箱故障进行准确、快速的诊断和识别。

为了解决盾构机推进系统运动学建模及正解求解困难等问题,采用简化等效模型法,构建了盾构机推进系统简化模型,将n-SPS的盾构并联推进系统简化为4-SPS的等效并联推进机构,并构建其运动学模型。根据建立的等效机构运动学模型,采用神经网络-牛顿混合算法求解盾构掘进位姿;利用神经网络的解域搜索功能,对初值进行预测并把预测结果代入牛顿迭代法进行计算求解,分析比较了单一神经网络预测值与BP神经网络-牛顿迭代混合算法计算结果的优劣性。研究发现,盾构机推进系统等效模型的建立可以大大简化运动学建模复杂度,而且利用混合算法求解运动学正解的求解精度更高,可以提高盾构机掘进位姿控制精度,从而提高掘进隧洞质量。

针对传统BP神经网络挡位决策存在的不足,利用三参数换挡规律进行算法和参数优化,得到优化后的BP神经网络。以纯电动汽车双电机多挡AMT为对象,采集试验数据,构建优化前后的神经网络,进行训练和仿真分析。对训练过程的分析说明,优化后的神经网络具有更快的学习速度;对训练后相应模型的仿真分析说明,优化后的神经网络挡位决策模型具有更高的精度。经过优化后的参数可为相应的理论研究提供参考。

针对军用装甲车变速箱工作环境恶劣、故障模式难以识别的问题,在现有方法基础上,将噪声辅助分析方法、局部均值分解(LMD)方法和BP神经网络方法相结合,应用于装甲车变速箱故障诊断中。首先,在自行搭建的实验台上采集变速箱正常、轴承间隙故障、外环压痕、齿轮断齿4种典型状态下的振动信号;然后,采用噪声辅助LMD方法对信号进行分解,将信号前8个PF分量进行能量特征值提取,将提取的特征值作为BP神经网络的输入量,根据输出结果识别变速箱的故障类型。结果表明,该方法能有效应用于军用装甲车变速箱故障诊断,诊断正确率达到92. 5%。研究为其他特种变速箱诊断提供了一种有效的参考途径,有一定工程实用价值。

为识别数控机床运行过程中滚动轴承的运行状态,提高滚动轴承的故障状态诊断正确率,提出了一种基于小波包分解的改进遗传算法优化BP神经网络的滚动轴承故障识别方法。以滚动轴承的4种故障状态为研究对象,通过小波包分解振动信号,得到敏感特征向量;针对BP神经网络的缺点,运用改进遗传算法优化BP神经网络的阈值和权值,实现最优训练,建立更精确的滚动轴承IGA-BP状态预测模型。结果表明:IGA-BP预测模型收敛速度更快,预测准确率更高,证明了所提方法的有效性。

复合储能式装载机具备多种能量回收再利用功能,但由于工作工况复杂多变,无法选择与之匹配的最优控制器,使得其控制性能和经济性能并未达到最优。利用基于BP神经网络的识别模块进行工况识别,并依此匹配相应控制器,然后通过整车仿真模型进行仿真,结果表明,整车控制性能和经济性能均得到显著提升。通过dSPACE进行硬件在环试验,试验与仿真结果基本一致,验证了优化切实有效,为整车控制器的设计优化提供了参考。

从节能角度出发,提出了一种新的液压挖掘机节能用变量泵控制方法--BP神经网络控制方法,在油门一定的条件下,根据发动机转速(外部负载)的变化,控制系统实时调整变量泵的排量,从而实现发动机与变量泵的合理匹配.基于此方法进行了台架试验,结果证明新型控制系统优于传统的PID控制方法.

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。