基于改进BP神经网络的车床主轴优化设计的研究
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第11-18页 |
| 1.1 课题的来源及研究背景 | 第11-12页 |
| 1.2 本课题国内外研究现状 | 第12-16页 |
| 1.2.1 人工神经网络的研究与应用 | 第12-13页 |
| 1.2.2 神经网络融合遗传算法的研究与应用 | 第13-14页 |
| 1.2.3 结构优化设计的研究与应用 | 第14-15页 |
| 1.2.4 当前研究存在的问题分析 | 第15-16页 |
| 1.3 本文的研究目的与意义 | 第16页 |
| 1.4 本文的主要研究内容 | 第16-18页 |
| 第二章 BP神经网络融合遗传算法 | 第18-29页 |
| 2.1 BP神经网络算法及缺陷 | 第18-24页 |
| 2.1.1 BP神经网络数学模型 | 第18-19页 |
| 2.1.2 BP神经网络学习算法 | 第19-22页 |
| 2.1.3 BP算法的主要缺陷及改进 | 第22-24页 |
| 2.2 遗传算法应用分析 | 第24-26页 |
| 2.3 BP神经网络融合遗传算法的策略 | 第26-28页 |
| 2.4 本章小结 | 第28-29页 |
| 第三章 机床主轴结构有限元分析 | 第29-48页 |
| 3.1 CWZ61200机床主轴结构 | 第29-31页 |
| 3.2 有限元法的理论基础 | 第31-33页 |
| 3.3 基于workbench的主轴有限元分析 | 第33-43页 |
| 3.3.1 主轴有限元模型的建立 | 第33-35页 |
| 3.3.2 载荷和边界条件的设定 | 第35-36页 |
| 3.3.3 静力分析 | 第36-38页 |
| 3.3.4 模态分析 | 第38-43页 |
| 3.4 神经网络训练样本的获取 | 第43-47页 |
| 3.4.1 输入量的提取与表示 | 第43-44页 |
| 3.4.2 输出量的确定 | 第44-45页 |
| 3.4.3 训练集的设计 | 第45-47页 |
| 3.5 本章小结 | 第47-48页 |
| 第四章 主轴神经网络模型的构建及仿真分析 | 第48-64页 |
| 4.1 主轴BP神经网络模型的设计 | 第48-51页 |
| 4.1.1 输入输出量的选择 | 第48-49页 |
| 4.1.2 隐含层数目及其节点个数的设计 | 第49-50页 |
| 4.1.3 网络样本的选取及数据预处理 | 第50-51页 |
| 4.1.4 初始权值和阈值的选取 | 第51页 |
| 4.2 优化BP网络的遗传算法的设计及实现 | 第51-54页 |
| 4.2.1 编码方案的设计 | 第51-52页 |
| 4.2.2 初始种群的设定 | 第52页 |
| 4.2.3 适应度函数的确定 | 第52-53页 |
| 4.2.4 遗传操作的设计 | 第53-54页 |
| 4.2.5 BP神经网络的优化 | 第54页 |
| 4.3 基于神经网络的主轴性能仿真 | 第54-63页 |
| 4.3.1 标准BP神经网络的仿真 | 第55-59页 |
| 4.3.2 改进BP神经网络的仿真 | 第59-62页 |
| 4.3.3 两种神经网络仿真结果对比分析 | 第62-63页 |
| 4.4 本章小结 | 第63-64页 |
| 第五章 机床主轴结构优化设计 | 第64-76页 |
| 5.1 主轴结构优化数学模型的建立 | 第64-67页 |
| 5.1.1 优化问题基本理论 | 第64-65页 |
| 5.1.2 设计变量的选择 | 第65页 |
| 5.1.3 目标函数的确定 | 第65-66页 |
| 5.1.4 约束条件的确定 | 第66-67页 |
| 5.2 基于MATLAB的主轴结构优化 | 第67-71页 |
| 5.2.1 主轴优化函数的选取 | 第68-69页 |
| 5.2.2 主轴优化的MATLAB实现 | 第69-71页 |
| 5.3 主轴优化前后动静态性能对比 | 第71-75页 |
| 5.3.1 优化前主轴特性分析 | 第71-72页 |
| 5.3.2 优化后主轴特性分析 | 第72-74页 |
| 5.3.3 优化前后分析结果对比 | 第74-75页 |
| 5.4 本章小结 | 第75-76页 |
| 第六章 总结与展望 | 第76-78页 |
| 6.1 全文总结 | 第76-77页 |
| 6.2 研究展望 | 第77-78页 |
| 参考文献 | 第78-82页 |
| 致谢 | 第82-83页 |
| 攻读硕士学位期间发表的学术论文和参加的科研项目 | 第83页 |
