神经网络在机械工程中的应用探究

摘 要：现代机械系统结构日趋复杂，用户对机械产品综合性能的要求日益苛刻，使现有的基于数学规划法的传统优化设计理论和算法难以满足系统优化设计的要求。人工神经网络可用于解决复杂的机械设计问题。本文叙述了人工神经网络的概念、特点和其在机械工程中的应用。主要介绍 BP 神经网络模型与反馈神经网络模型用于机械优化设计的基本思想和应用方法。

关键词：人工神经网络；机械工程；应用

中图分类号：TP183文献标识码： A

1 人工神经网络类简介

人工神经网络（Artificial Neural Networks)是采用物理可实现的系统来模仿人脑神经细胞的结构和功能。它反映了生物神经系统的基本特征，是对生物神经系统的某种抽象、简化与模拟。人工神经网络早在20 世纪 40～50 年代已被提出，但直到 20 世纪 80 年代后期，该技术才被人们广为重视并应用。神经网络的特征有：

1） 非线性。人类大脑的智慧就是一种非线性现象。处理元素处于激活或抑制两种不同的状态，这在数学上就是一种非线性关系。利用神经网络可以实现多变量之间的多种非线性映射，因而可以描述大规模非线性复杂系统。

2） 自学习自适应能力。神经网络经过前期的训练，能够处理大量信息，并允许信息是变化的。除此以外，神经网络在处理信息的同时，能够总结、综合输入信息和输入信息以及已有信息之间的规律，采用迭代过程优化自身的拓扑关系，丰富自身的知识和经验，从而提高处理分析数据的能力。

3）并行性。输入到神经网络中的信息是各处理元素并行处理的。现代计算机CPU相当于计算机的司令部，所有指令由CPU一条一条发出，串行工作。工作量很大时，效率必然很低。而神经网络所不同的是，每个处理元素相当于一个独立的微型CPU，各自独立地从其他处理元素采集数据，分析综合后再输入到其他神经元素。各个神经元素相互独立，又相互配合，无统一指挥。神经网络这一特性，使其对信息的响应和处理效率大大提高。

4） 分布式信息存储。神经网络的信息存储不是分别存储在各个处理元素中，而是存储在处理元素之间的拓扑关系中。处理元素之间不同行的联接方式反映了不同的存储信息。输入的信息在神经网络中传播、调整，直到找到与之最佳匹配的存储信息。在这一过程中，神经网络各部分信息相互补充，相互支持，并可以为不完整的信息找到最佳匹配。因此，神经网络具有很强的联想能力和容错能力。

2 、神经网络在机械工程中的应用

2.1 CAD技术

目前，CAD技术已经从传统的绘图功能发展为集需求分析、原理方案设计、初步结构设计与分析、详细设计、工程分析、工艺设计等功能于一身的CAD专家系统。但CAD专家系统存在自身缺陷。第一，知识的获取存在“瓶颈”，主要来源于专家。第二，知识量越丰富，推理链越长，效率越低。第三，求解问题所需知识超出其知识库，系统无能为力。而神经网络的应用弥补了上述缺陷。其知识的获取一部分通过前期训练，另一部分通过自身实践。其信息处理过程是在自身知识网络中寻找最佳匹配的过程，冗余知识耗用时间少。再有，神经网络的联想能力和容错能力使其处理问题时能够克服自身知识量的约束。可见，神经网络可作为CAD专家系统很好的补充。

2.2 机械优化设计

机械优化设计，就是根据机械设计的规范，从设计问题中抽象出数学模型，采用数学归纳法和计算机技术，在约束条件下求目标函数的最优解。可应用于机械优化设计的主要有 BP 神经网络、反馈神经网络。

BP 神经网络BP 神经网络是一种应用比较广泛的人工神经网络，是模仿大脑神经网络结构和功能而建立的一种新型智能信息处理系统。它通过对人脑的形象思维、联想记忆等的模拟和抽象来实现与人脑相似的识别、记忆等信息处理功能。BP 网络具有较强的自适应性和自组织性、高度并行信息处理能力、强大的非线性映射能力，硬件实现后分类速度快，可以快速准确的实时处理等。根据 Kosmagoro定理：在有合理的结构和恰当权值的条件下，三层前馈网络可以逼近任意的连续函数，所以从简捷实用的角度一般只选取一个隐层。标准的 BP 网络相邻两层的神经元之间全连接，每层内的神经元没有连接。机械优化设计中，可利用 BP 神经网络的非线性映射能力进行机械系统的结构优化设计和多目标优化设计。利用BP 神经网络模型还可以进行机械产品的多目标优化设计。利用BP神经网络的非线性映射能力，在进行优化设计时，可以避开确定各个目标函数的权重，较为有效地进行多目标优化设计。其方法是：首先根据产品的具体情况构造一个 BP 神经网络，以各个设计变量作为这个神经网络的输入向量，以各个分目标函数作为这个神经网络的输出向量，利用已有的经验数据训练该网络，确定网络各个联接的联接权重，即确定设计变量空间到目标函数空间的映射关系，然后在进行系列产品设计时，根据业已确定的设计变量空间到目标函数空间的映射关系，确定各个设计变量的取值，从而达到新产品的综合性能最优，达到多目标优化设计的目的。

2） 反馈神经网络

1982 年，美国加州理工学院生物物理学家 J.Hopfield，提出了模拟人脑联想记忆功能的神经网络模型- 反馈神经网络。该神经网络模型是由一些相互双向连接的神经元组成，每个联接有一个权值。网络中每个神经元的输出均反馈到同一层次其它神经元的输入上。由这种拓扑结构构成的网络在没有外部输入的情况下，网络自身状态的演化使得网络收敛到一个稳定态；在该稳定状态下，两神经元之间的联接权值相等，网络趋于平衡，Hopfield 等人将能量函数引入到该网络结构中，并以此来判定该方法的稳定性。将 Hopfield 神经网络模型应用到机械优化设计中，其关键是在机械优化设计问题与Hopfield 神经网络模型之间建立一种对应关系，用人工神经网络有效地表示优化设计中的设计变量、约束条件和目标函数，将该种神经网络的动态演化过程与机械优化设计的在解空间寻优过程对应起来。

2.3 故障诊断

机械故障诊断在产品维修保养方面有广阔的应用前景，受到广泛重视。故障状态信息和故障原因之间是一种非线性映射关系。而神经网络对处理非线性复杂问题有独特的优越性。首先，从传感器获得的信息是工况信息的集合，神经网络可以从中提取出故障征兆信息，相当于滤波；然后利用联想能力和自适应能力对故障征兆进行分析，从而判断是否有故障或者故障类型；最后将处理结果作为输出。

2.4 工况检测与控制

机械加工制造过程中的参数如温度、应力、振动、惯性力等具有复杂性和随机性。传统的精确数学模型应用受到一定限制。而神经网络为复杂的非线性映射问题提供了解决办法。神经网络经过前期培训和学习，对输入的非线性复杂信号进行分析，识别出工艺系统的状态，并根据经验给出控制策略，实现在线控制，主动控制。

2.5 智能控制与机器人工程

对于可抽象精确数学模型的问题，传统的控制方法已非常有效，但对于复杂的控制系统，如机器人控制系统，很难建立精确数学模型。其接受的信号为非确定的非线性信号。利用神经系统的自适应性，充分逼近已有数学模型，利用自身组织能力迅速作出反馈，其联想能力和容错能力大大提供了系统处理不确定信号的能力。因此，可作为机器人的自适应控制器。此外，神经网络在可靠性设计、自动设计、专家系统、几何建模等方面也得到较广泛的应用。

3 结语

随着人工神经网络相关理论的研究，更多优化网络模型的建立，以及计算机技术的发展，神经网络在机械方面会得到更加充分的利用。从而为机械产品在设计、制造、评估、使用和维护等阶段提供巨大便利，推动机械制造业向前飞速发展。

参考文献

[1]徐秉铮.神经网络理论与应用.广州：华南理工大学出版社.

[2]黄洪钟，黄文培，王金诺.神经挽留过技术在机械工程中的应用与展望.机械科学与技术，1995.4

[3]吴月伟,杨慧.基于RBF神经网络的飞机发动机故障诊断研究[J].计算机工程,2005,31:266-267.

[4]徐光华,蒋林,屈梁生.基于概率神经网络的大机组快速响应智能诊断系统[J].中国机械工程, 1995, 6 (3):36-38.