【图纸论文】泵体零件加工工艺工装设计【CAD图纸整套】

进化代数最优阻尼器阻尼力系数归化，个体范围注意调下初始化开搞编码个体适应度染色体适应度，最优和最差，记录适应度，适应度曲线终止代数进化代数适应度平均适应度输入层输出层隐藏层图中为输入层第个节点的输入信号为输入层第个节点到隐藏层第个节点之间的权值，为隐藏层第个节点中的阀值为隐藏层第个节点的激励函数为隐藏层第个节点到输出层第个节点之间的权值，为输出层第个节点中的阀值为输出层第个节点的激励函数为输出层第个节点的输出信号。

在神经网络中，信号的传递过程可分成两个部分，即学习过程的正向传递过程和误差信号的反向传递过程。

参照文献及文献，可将其以下列函数表示在学习过程的正向传递过程中隐藏层第个节点的输入隐藏层第个节点的输出输出层第个节点的输入输出层第个节点的输出在误差信号的反向传递过程中，神经网络首先经由输出层开始，对神经网络的产生的误差进行逆向分析，同时以梯度下降的方式对各层的权重与阀值进行调节，从而使神经网络能设立对应已知输入和输出关系的参数结构。

对于每个样本的二次型误差准则函数式中为输出层第个节点的期望输出系统对个样本的总误差准则函数根据误差梯度下降法依次修正从隐藏层第个节点到输出层第个节点之间的权值的修正量，输出层第个节点中的阀值修正量，从输入层第个节点到隐藏层第个节点之间的权值修正量，输出层第个节点中的阀值修正量。

其调整公式分列如下式中为神经网络系统学习速率。

又因为综上，可得到以下调整公式神经网络流程图如图所示图神经网络流程图批量输入学习样本并且对输入和输出量进行归化处理参数初始化最大训练次数。

学习精度，隐节点数，初始权值，阈值，初始学习速率等计算各层的输入和输出值计算输出层识差ε修正权值与阈值结束开始以神经网络算法对半主动车辆悬架系统进行控制神经网络的建立根据车辆悬架系统的控制需求，确定神经网络结构为，即输入层节点数为隐含层节点数为输出层节点数为初始化输入层隐含层和输出层神经元之间的连接权值初始化隐含层阀值和输出层阀值，给定学习速率和神经元激励参数。

建立神经网络结构如图所示图所建立的神经网络其中，隐藏层所使用的转换函数类型为型，输出层所使用的转换函数类型为线性型。

二神经网络训练参数的选取由于神经网络在被训练时需要输入参数及对应的输出参数作为训练数据，使神经网络系统能依照训练数据调整其每个神经元节点的权值和阀值，故选择适当的参数作为训练数据是对车辆半主动悬架装置起到较好的控制效果。

由于半主动悬架装置为非线性系统，以常规控制理论对其进行控制较难达到较好的控制水平，因此使用神经网络控制方法能较好的达到控制目的。

然而神经网络控制的硬件灵活性相对其他控制算法而言较差。

同时，尽管拥有较好的拟合能力，对于较复杂的控制系统，神经网络预测的结果通常也会存在较大的误差。

因此单纯的神经网络的应用具有定的局限性。

以遗传算法对神经网络的优化效果较为理想。

这说明使用不同的弱人工智能算法使其相互结合取长补短的做法对解决实际的工程应用问题是有极大帮助的。

当然，不同算法在相互结合后也可能造成运算量增大随机性增高等些缺点，但这些缺点可以被不断发展的硬件设施及适当调节算法的些参数来避免。

通过理论分析以及仿真计算，其结果表明采用经遗传算法优化的神经网络的车辆半主动悬架系统其性能相比被动悬架系统以及单纯以神经网络的悬架系统而言有极为明显的提升，反映了所设计的遗传算法优化的神经网络系统的合理性与可靠性，同时反映出遗传算法优化的神经网络系统具有良好的适应能力和优秀的鲁棒性。

这表明弱人工智能算法在对车辆性能进行改善时具有极为优秀的潜力。

由于条件所限，本文无法对所提出的控制系统建立实物模型及进行实物的性能实验，对其它优化方法也尚未进行分析运算。

对神经网络控制的优化，除本文中所使用的以遗传算法优化外，还有以群智能算法退火算法等对其进行优化等诸多思想。

而神经网络控制的计算函数训练参数等也有较多的选择。

这需要在未来工作中作进步的探讨。

参考文献应艳杰，陈家玮汽车主动悬架控制技术与发展安徽电子信息职业技术学院学报刘少军，饶大可，黄中华车辆主动悬架系统及其控制方法湘潭大学自然科学学报刘少军基于高速开关阀技术的液压主动隔振系统及控制研究策略中南大学博士学位论文，余志生汽车理论第版北京清华大学出版社，尹志新，李端芳，唐萌，贺琳丹基于的时域路面不平度仿真研究装备制造技术彭佳，何杰，李旭杰，等路面不平度随机激励时域模型的仿真比较与评价解放军理工大学学报赵玲基于的汽车悬架系统动态仿真机械陈嫄姈，贾国峰神经网络及网络工作原理郑州牧业工程高等专科学校学报申富饶，徐烨神经网络与机器学习北京机械工业出版社，潘文超果蝇最佳优化算法台湾沧海书局，中文论坛神经网络个案例分析北京北京航空航天大学出版社，姚斌车辆磁流变半主动悬架的模糊控制研究江苏大学硕士学位论文，郭大蕾车辆悬架振动的神经网络半主动控制南京航空航天大学博士学位论文，胡氢，司纪凯智能控制技术现状分析及发展煤矿机械，张吉礼模糊神经网络控制原理与工程应用哈尔滨哈尔滨工业大学出版社，陈杨车辆半主动悬架系统控制与试验研究江苏大学硕士学位论文附录程序绝对遍历，参数初始种群生成开搞取随机整数额外定义个存储矩阵，十进制阵的初始化，最佳适应度用遗传算法优化的网络进行值预测，反归化遗传算法优化神经网络预测误差分析样本阻尼器阻尼力系数预测数值，实际数值其他程序见所附盘，此处注意，变时此处变。

，结果，最优阻尼器阻尼力系数变化曲线神经方式选择开关来选择的编程控制和运行工作状态。

编程状态时，只为编程器服务，而不对现场进行控制。

专用编程器编程属于这种情况。

在线编程是指主机和编程器各有个，主机的完成对现场的控制，在每个扫描周期末尾与编程器通信，编程器把修改的程序发给主机，在下个扫描周期主机将按新的程序对现场进行控制。

计算机辅助编程技能实现离线编程，也能实现在线编程。

在线编程需购置基选集，并配置编程软件。

采用哪种编程方法赢根据需要决定。

经过对仿形液压铣床的电路机电控制系统的分析可知，系统共需要开关量实属点数为个，开关量输出点数为个，考虑系统的经济性和技术指标，拟选用三菱公司的微型机机型，该机基本单元有个输入点，个输出点，完全能够满足控制要求。

如图图液压仿形铣床行程分析仿形系统工作原理基本原理是使用差动变压器的传感放行头及伺服驱动电机，与轴工作台左右轴前后和轴上下的坐标系统响应的进行传感和驱动。

通过仿形头传感的各轴的偏转，由差动变压器变换成电压量。

然后经过模拟数转换编程位移量。

最后根据所算的仿形方式分配各轴的速度。

按照仿形时仿形头的退让方向，仿形可分为三种方式维仿形二维仿形三维仿形。

下面加以介绍。

维仿形维仿形是指用三个轴的综合位移轴轴轴对进给轴和仿形轴进行平面等速控制的仿形方式。

维仿形时，仿形头只有个退让方向。

即沿着所选定的仿形轴正或负的方向退让。

例如，制定轴为仿形轴，轴为进给轴时的维仿形的仿形动作是通过判定轴的进给位移的方向，来决定轴的运动方向是上升还是下降，在根据综合位移的大小来决定轴的速度。

根据由无行进给，维仿形可分为下面的两种平面上的维仿形无行进给，这种情况般用于二维图形的加工或平面的维仿形带轴或轴方向上的行进给，这种方式为铸造模具生产中实际使用的主要加工方式。

二维仿形二维仿形是指仿形头沿着仿形头轨迹的法线方向进给退让的仿形形式。

二维仿形根据仿形头在轴或轴方向的偏置来对顶道具在这两个方向上的速度分配。

根据有无层进给，二维仿形可分为下面两种形式平面上的二维仿形无层进给。

平面上的二维仿形加上轴方向上的层进给。

三维仿形所谓三维仿形是指二维仿形加上维仿形。

在平面上进行二维仿形，而轴单独通过判别的大小和方向来决定将要加到轴上的速度，为此进行轴上的维仿形。

其特征是仿形头与实体始终保持两点为测点，另个为底点接触，而不是通常的点。

般挺狂下，三维仿形用于被测实体的母线与测杆轴线平行时的清跟切削加工般用球型测头进行三维仿形。

下面以维仿形的动作过程为例，简述仿形工作过程。

平面维仿形平面的维仿形般用于对板类零件做二维图形轮廓，在四个方向上分别作仿形加工，如图所示。

图平面维仿形示意图仿进图中，若选择轴为仿形轴，则图所示的仿形进给坐标选择开关无效，此时隐含着轴为仿形进给轴，进给方向则由图的仿形进给方向选择开关确定。

如果选择，则以当前点位基准点，沿轴的方向仿形进给如选择，则沿轴方向仿形进给。

而接近轴默认为仿形轴，接近方向由点动确定。

意味着仿形头沿仿形轴的方向接近实体意味着仿形头沿仿形轴的方向接近实体此时起作用的进化代数最优阻尼器阻尼力系数归化，个体范围注意调下初始化开搞编码个体适应度染色体适应度，最优和最差，记录适应度，适应度曲线终止代数进化代数适应度平均适应度输入层输出层隐藏层图中为输入层第个节点的输入信号为输入层第个节点到隐藏层第个节点之间的权值，为隐藏层第个节点中的阀值为隐藏层第个节点的激励函数为隐藏层第个节点到输出层第个节点之间的权值，为输出层第个节点中的阀值为输出层第个节点的激励函数为输出层第个节点的输出信号。

在神经网络中，信号的传递过程可分成两个部分，即学习过程的正向传递过程和误差信号的反向传递过程。

参照文献及文献，可将其以下列函数表示在学习过程的正向传递过程中隐藏层第个节点的输入隐藏层第个节点的输出输出层第个节点的输入输出层第个节点的输出在误差信号的反向传递过程中，神经网络首先经由输出层开始，对神经网络的产生的误差进行逆向分析，同时以梯度下降的方式对各层的权重与阀值进行调节，从而使神经网络能设立对应已知输入和输出关系的参数结构。

对于每个样本的二次型误差准则函数式中为输出层第个节点的期望输出系统对个样本的总误差准则函数根据误差梯度下降法依次修正从隐藏层第个节点到输出层第个节点之间的权值的修正量，输出层第个节点中的阀值修正量，从输入层第个节点到隐藏层第个节点之间的权值修正量，输出层第个节点中的阀值修正量。

其调整公式分列如下式中为神经网络系统学习速率。

又因为综上，可得到以下调整公式神经网络流程图如图所示图神经网络流程图批量输入学习样本并且对输入和输出量进行归化处理参数初始化最大训练次数。

学习精度，隐节点数，初始权值，阈值，初始学习速率等计算各层的输入和输出值计算输出层识差ε修正权值与阈值结束开始以神经网络算法对半主动车辆悬架系统进行控制神经网络的建立根据车辆悬架系统的控制需求，确定神经网络结构为，即输入层节点数为隐含层节点数为输出层节点数为初始化输入层隐含层和输出层神经元之间的连接权值初始化隐含层阀值和输出层阀值，给定学习速率和神经元激励参数。

建立神经网络结构如图所示图所建立的神经网络其中，隐藏层所使用的转换函数类型为型，输出层所使用的转换函数类型为线性型。

二神经网络训练参数的选取由于神经网络在被训练时需要输入参数及对应的输出参数作为训练数据，使神经网络系统能依照训练数据调整其每个神经元节点的权值和阀值，故选择适当的参数作为训练数据是对