浅谈神经网络在机械工程中的应用

2013-04-10李程辉

河南科技 2013年5期

李程辉

（郑州大学机械工程学院，河南郑州 450001）

人工神经网络是一门边缘性交叉学科，涉及计算机、应用数学、微电子学、人工智能等多个学科领域。自二十世纪80年代中期引起国内机械工程领域众多科研工作者的兴趣和重视，并进行了卓有成效的研究和探索工作。近年来，人工神经网络在机械工程中得到了广泛应用，前景十分可观。

1 人工神经网络类简介

1.1 人工神经网络的定义

人工神经网络（Artificial Neural Networks,简写为ANN），也简称为神经网络（NNS）。它是一种模拟人类大脑行为特征，进行分布式并行信息处理的算法数学模型，是以人脑为模型的处理元素的集合。每个处理元素相当于大脑中一个神经元。每个处理元素并不是单独存在的，它与周围的许多其他处理元素相互连接，从而构成一种拓扑联系。神经网络不是设计出来就能正常使用，需要对它进行前期训练，即预输入一些数据，告之如何处理。神经网络过对这一过程进行归纳总结，并形成自身的思维方式和经验。从而神经网络可以利用已获得知识和经验处理问题。这一过程好比驯兽师训练动物一样。

1.2 神经网络的特征

1.2.1 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。

1.2.2 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。

1.2.3 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。

1.2.4 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。传统的优化方法难于从现有问题抽象出最佳的数学模型和在约束条件下求得最优解。而神经网络引入了能量函数的概念，从而把求目标函数的最小值的问题转化为求能量函数的极小值点。而Hopfied网络（人工神经网络的一个网络模型）总是趋向能量最小的稳定状态。从而使最优解的求取大大简化。

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。