论文部分内容阅读
摘 要：本文首先介绍了机械设计和人工神经网络，并且讨论了旧有的机械优化设计的计算方式中存在的问题，进而介绍了BP神经网络模型以及反馈神经网络模型，进而探讨如何将其运用在机械设计工作中，为相关的设计工作提供了基本思路。
关键词：人工神经网络；机械优化设计；BP神经网络；反馈神经网络
对于机械工程设计工作来说，如何把工程设计问题转化为最优，是其中最重要的课题，这就需要我们选择一个最为合适的方式，利用计算机进行方案设计，然后选取一个最优的方案来加以采用。对于机械设计来说，其任务就是在一定条件下，进行一定条件下的评价和比较以及计算分析，寻求符合实际要求的方案。而对于机械优化设计来说，其目的则是在已经符合设计要求的方案中选取一个最优、最好的方案。本文主要针对人工神经网络神经技术进行介绍，并且说明其如何在机械优化设计领域中进行灵活运用。
1 机械优化设计概说
当前在世界范围内，对于机械进行优化设计，已经有了几十年的历史了，并且已经取得了一定的研究成果，已经在工程实践中获得了较为广泛的应用。其运算手段大多都基于原有理论中的优化算法，主要运用到的方式有惩罚函数、复合形法，这些方法对于目标函数来说要求非常严格，尤其是对于局部极值来说，要求是很苛刻的，另外优化的结果和初始值之间往往存在很大的相关性，因为这些缺点的存在，对于优化设计的要求都是无法满足的。当前智能理论已经逐渐完善，计算机技术也得到了长足的进步，很多智能计算方法相继出现，例如人工神经网络就是其中比较具有优势的一种。
2 关于智能神经网络在机械优化设计工作中的应用情况
采用物理方面可实现的系统来直接对人脑神经细胞进行模拟，来重现其结构和功能，就是人工神经网络系统，英文简写是ANN。人工神经网络系统针对生物神经系统的特征进行了反映，尤其对于生物系统的基本特征进行了反映，这样就可以直接通过抽象的方式，模拟生物神经系统。人工神经网络的提出比较早，在二十世纪四五十年代就已经有人提出了相关理论，但是到了八十年代后期这项技术才开始被人们认识，并且开始将其实践在应用领域。当前已经有两种机械优化设计方式运用比较广泛了，一个是BP神经系统，另一个是反馈神经网络，下面对这两个系统进行详细说明。
2.1 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网络具有一些传统技术所没有的特点，如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。BP网络由输入层、隐含层和输出层组成。其中，输入层和输出层的神经元节点数是由具体问题的输入层参数和输出层参数来确定的：而隐含层的神经元节点数则是网络构造中的关键问题，它由具体问题的复杂程度及误差下降等情况来确定。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。用于结构优化设计的基本思想是：首先运用结构分析软件如有限元分析软件进行一定数量的结构分析，取得训练多层前向神经网络的样本，构造一个人工神经网络；并利用所获得的样本数据训练，然后利用该网络来进行结构分析，取代需要大量计算的有限元结构分析，将结构分析的结果与其它优化算法结合起来进行结构设计。
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。在机械产品系列化设计过程中，同一个产品需要保证的产品性能可能是多方面的，即优化设计中的目标函数由很多个组成，同时影响各个方面的产品性能的参数即优化设计中的设计变量也有很多个，每一个设计变量对若干个目标函数都产生影响，在利用下式的线性加权法进行多目标优化设计时，一个难以确定的量就是各个分目标函数的权重。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。
2.2 关于反馈神经网络
早在二十世纪八十年代初，加州理工学院就有物理方面的学者提出反馈神经网络的概念，这个神经网络其原理是模拟人脑的联想记忆功能而形成的神经网络模型。这个神经网络模型的基本组成元件是神经元，这些神经元互相之间都是相互连接的，每个连接之间都有一个权值，网络中的每一个神经元都将其反馈输出到其他神经元之中，这种网络结构如果没有挖补输出，网络自身状态会通过演化而让网络通过收敛，而形成一个稳定的状态，在这个稳定的状态之下，神经元之间的连接权值是相等的，这样一来，网络的状态就是平衡的。后来在这个网络系统中套用了能量函数，希望能够查验该方式的稳定性能。把该网络模型运用到机械设计之中后，就可以建立一个机械优化问题和整个网络模型之间的对应关系，通过其中的约束条件要素。设计变量要素就可以把整个神经系统的演化过程和机械优化设计工作寻找最优方案的过程进行对应。但是这个模型本身存在着一系列的局限性，容易陷入局部最小点，这样就给应用造成了一些负面影响，所以仍然有待于改善。
结束语
当前的机械系统结构已经变得越来越复杂、其内部零件越来越精密，用户已经对于机械产品的性能提出了更高的要求，当前基于数学规划方式的优化设计理论已经难以满足当前系统优化设计方面的需求了，所以应该对传统的设计理论进行革新。本文主要针对反馈神经网络模型以及BP神经网络模型如何运用在机械优化设计工作中的方法进行了介绍，希望可以有助于在一定程度上解决机械设计方面的问题，并且克服相关工作中存在的问题，给优化设计带来一定的便利。
参考文献
[1]闵之贤.探析機械优化设计方法[J].科技经济导刊，2016（06）.
[2]吴亚明.机械优化设计的应用发展分析[J].中小企业管理与科技（中旬刊），2015（06）.
[3]陈波.机械优化设计理论方法研究综述[J].科技风，2014（09）.
作者简介：邢忠正，身份证号：220802198511157012。
关键词：人工神经网络；机械优化设计；BP神经网络；反馈神经网络
对于机械工程设计工作来说，如何把工程设计问题转化为最优，是其中最重要的课题，这就需要我们选择一个最为合适的方式，利用计算机进行方案设计，然后选取一个最优的方案来加以采用。对于机械设计来说，其任务就是在一定条件下，进行一定条件下的评价和比较以及计算分析，寻求符合实际要求的方案。而对于机械优化设计来说，其目的则是在已经符合设计要求的方案中选取一个最优、最好的方案。本文主要针对人工神经网络神经技术进行介绍，并且说明其如何在机械优化设计领域中进行灵活运用。
1 机械优化设计概说
当前在世界范围内，对于机械进行优化设计，已经有了几十年的历史了，并且已经取得了一定的研究成果，已经在工程实践中获得了较为广泛的应用。其运算手段大多都基于原有理论中的优化算法，主要运用到的方式有惩罚函数、复合形法，这些方法对于目标函数来说要求非常严格，尤其是对于局部极值来说，要求是很苛刻的，另外优化的结果和初始值之间往往存在很大的相关性，因为这些缺点的存在，对于优化设计的要求都是无法满足的。当前智能理论已经逐渐完善，计算机技术也得到了长足的进步，很多智能计算方法相继出现，例如人工神经网络就是其中比较具有优势的一种。
2 关于智能神经网络在机械优化设计工作中的应用情况
采用物理方面可实现的系统来直接对人脑神经细胞进行模拟，来重现其结构和功能，就是人工神经网络系统，英文简写是ANN。人工神经网络系统针对生物神经系统的特征进行了反映，尤其对于生物系统的基本特征进行了反映，这样就可以直接通过抽象的方式，模拟生物神经系统。人工神经网络的提出比较早，在二十世纪四五十年代就已经有人提出了相关理论，但是到了八十年代后期这项技术才开始被人们认识，并且开始将其实践在应用领域。当前已经有两种机械优化设计方式运用比较广泛了，一个是BP神经系统，另一个是反馈神经网络，下面对这两个系统进行详细说明。
2.1 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网络具有一些传统技术所没有的特点，如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。BP网络由输入层、隐含层和输出层组成。其中，输入层和输出层的神经元节点数是由具体问题的输入层参数和输出层参数来确定的：而隐含层的神经元节点数则是网络构造中的关键问题，它由具体问题的复杂程度及误差下降等情况来确定。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。用于结构优化设计的基本思想是：首先运用结构分析软件如有限元分析软件进行一定数量的结构分析，取得训练多层前向神经网络的样本，构造一个人工神经网络；并利用所获得的样本数据训练，然后利用该网络来进行结构分析，取代需要大量计算的有限元结构分析，将结构分析的结果与其它优化算法结合起来进行结构设计。
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。在机械产品系列化设计过程中，同一个产品需要保证的产品性能可能是多方面的，即优化设计中的目标函数由很多个组成，同时影响各个方面的产品性能的参数即优化设计中的设计变量也有很多个，每一个设计变量对若干个目标函数都产生影响，在利用下式的线性加权法进行多目标优化设计时，一个难以确定的量就是各个分目标函数的权重。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。
2.2 关于反馈神经网络
早在二十世纪八十年代初，加州理工学院就有物理方面的学者提出反馈神经网络的概念，这个神经网络其原理是模拟人脑的联想记忆功能而形成的神经网络模型。这个神经网络模型的基本组成元件是神经元，这些神经元互相之间都是相互连接的，每个连接之间都有一个权值，网络中的每一个神经元都将其反馈输出到其他神经元之中，这种网络结构如果没有挖补输出，网络自身状态会通过演化而让网络通过收敛，而形成一个稳定的状态，在这个稳定的状态之下，神经元之间的连接权值是相等的，这样一来，网络的状态就是平衡的。后来在这个网络系统中套用了能量函数，希望能够查验该方式的稳定性能。把该网络模型运用到机械设计之中后，就可以建立一个机械优化问题和整个网络模型之间的对应关系，通过其中的约束条件要素。设计变量要素就可以把整个神经系统的演化过程和机械优化设计工作寻找最优方案的过程进行对应。但是这个模型本身存在着一系列的局限性，容易陷入局部最小点，这样就给应用造成了一些负面影响，所以仍然有待于改善。
结束语
当前的机械系统结构已经变得越来越复杂、其内部零件越来越精密，用户已经对于机械产品的性能提出了更高的要求，当前基于数学规划方式的优化设计理论已经难以满足当前系统优化设计方面的需求了，所以应该对传统的设计理论进行革新。本文主要针对反馈神经网络模型以及BP神经网络模型如何运用在机械优化设计工作中的方法进行了介绍，希望可以有助于在一定程度上解决机械设计方面的问题，并且克服相关工作中存在的问题，给优化设计带来一定的便利。
参考文献
[1]闵之贤.探析機械优化设计方法[J].科技经济导刊，2016（06）.
[2]吴亚明.机械优化设计的应用发展分析[J].中小企业管理与科技（中旬刊），2015（06）.
[3]陈波.机械优化设计理论方法研究综述[J].科技风，2014（09）.
作者简介：邢忠正，身份证号：220802198511157012。