试析神经网络技术在机械工程中的应用及发展

2020-12-31

网络安全技术与应用 2020年2期

关键词：神经元整体神经网络

（邢台技师学院河北 054000）

1 神经网络技术的基本特征概述

人工神经网络技术是通过应用物理学的相关知识从而有效实现的系统来深度的效仿人类的行为模式以及功能结构。神经网络技术有效的反映了生物神经系统的基本特性，是对生物系统的有效模拟应用。

（1）非线性

人类智慧往往是属于非线性的体现。处理相关元素通常处于激活亦或两种不同的状态，在数学的相关概念阐述可以理解为一种非线性关系。通过神经网络可以实现多种变量之间的多种非放射性的映射，所以可以进行大规模的非线性系统的描述。

（2）自主学习能力

神经网络最大的特点就在于，通过一定周期的相应训练和适应，从而可以深入的处理大批量的信息。此外，神经网络在处理信息的进程时，还可以同时进行相关信息的梳理以及有效掌握输入信息之间所存在的特征，通过应用迭代过程从而进一步优化自身的拓扑关系，强化自有掌握的知识以及有关经验，从而进一步提升处理以及分析数据的综合素质。

（3）并行性

输入到神经网络中的信息是各个处理元素并行开展进行的。如今的计算机系统之中的处理器相当于是计算机的核心指挥所，所有的命令都是由处理进行统一的发出，从而让相关工作可以同时开展。而当整体的操作任务较为庞杂的时候，整体运行开展的效率势必会降低。而神经网络最大的优势就在于，每个处理的元素都是一个独立的小型处理器，可以各自自主完成相应的数据收集任务，同时进一步解析综合后再输入到其他神经元素当中。各个元素相互独立，但又精密的配合，不需要进行整体的统一指挥。正是因为神经网络这一关键的优势，也让神经网络对于相关数据信息的处理开展，显得效率非常之高。

（4）分布式的数据储存

神经网络的信息存储不是分别储存各个元素当中，而是有效地储存在处理元素当中的拓扑关系当中。处理元素当中的不同行的连接方式直接说明了其不同的存储内容。输入的相关数据信息在神经网络中快速的传输，从而进一步寻找到最佳的存储信息。这样的进程当中，神经网络各个环节可以有效实现信息的相互补充，同时也可以为不完整的信息寻找到最合适的搭配。所以，神经网络具有非常强大的容错属性。

2 神经网络技术在机械工程中的应用介绍

（1）CAD技术当中的应用

现阶段，CAD技术随着不断的革新相比于初代而言有了极大的功能应用提升。特别是从原本的基本绘图功能随之不断发展为集合了需求的解析、原理方案的设计、工程解析等多功能于一体的CAD 操作系统。但是CAD 操作系统就目前实际应用中发现，仍然存在着一定的技术缺失。第一，相关专业知识的摄取相对薄弱，其核心的来源是专家的数据库。第二，知识量相对积累越多，推理所消耗的时间便越长，这也导致了整个开展的效率明显下降。第三，相关的问题解析已经明显超出了其知识库所能涉及的范畴之外，系统无法进行有效的操作。而通过结合神经网络技术的深度应用，在一定程度上很好地弥补了相关问题的缺失。特别是知识获得的相当一部分可以通过前期的训练，加上后期的实践过程中获得。整体的信息处理过程是基于其整体知识架构中寻找最为合适的进程，整体消耗的时间也相对更短。还有，神经网络的联想素质以及容错率也可以更好地改善处理相关问题时不受到自由知识库有限的制约。由此可知，神经网络可以作为CAD操作系统功能应用中良好补充。

（2）机械优化设计当中的深入应用

在机械优化设计的进程当中，其核心是依据机械设计的相关标准，从设计环节当中抽象出相应的数据模型，通过采用相关的数学知识和先进的信息技术，在相关条件的要求下求目标函数的最优解，可以应用于机械优化设计当中的BP神经网络以及反馈神经网络。

BP神经网络是一种应用极为广泛的人工神经网络，其是通过深度的仿造人类大脑的神经网络架构以及功能，从而有效建立的一套全新的智能化信息处理操作系统。BP神经网络对于人类大脑的思维模式、记忆联想等方面进行深度的模拟以及抽象的方式来实现与人脑功能相近的记忆和判断信息的相关功能。同时BP神经网络拥有着极高的自我调节和组织能力，相关硬件实现后分类的速率非常之高，可以精准地进行相关数据信息的实时处理。依据Kosmagoro 定理：在相对科学结构和适当权值的基础条件之下，三层前馈网络可以接近与任何的连续函数，因此从快捷好用的角度来分析，通常情况下只会选择一个隐层。相对标准的BP网络在紧邻的双层神经元之间进行有效的连接，每层当中的神经元没有进行相关的连接。在机械优化的设计进程当中，可以充分地应用BP神经网络飞线性的映射功能进行机械操控系统的架构优化设计以及多方面相关优化设计。而通过BP神经网络所独有的独特属性，在进行整体优化设计的进程当中，可以有效规避认定各个目标函数的权值，从而更为搞笑的进行多目标的优化设计。其核心的开展方式是：首先依据商品的具体状况构造相对应的BP神经网络，通过相关设计变量作为整个神经网络的输入向量，同时以各个分目标函数作为整个神经网络输出的定量，充分的应用现有的经验信息有效的控制整个网络，从而进一步确定整个网络各个环节连接的权重，也就是充分的确认设计变量空间到目标函数空间的映射关系，紧接着在进行相关商品设计当中，依据已经确认的设计变量空间到目标函数空间的整个联系，从而有效的确定各个变量之间的数值，进而让整个开发产品的综合性能达到最佳的状态。

反馈神经网络是由某些双向连接的神经元结构所形成的，每个连接都有相对应的权值。网络当中任何一个神经元的输出都需要反馈到上一级别的神经元的输入以上。因为这样的拓扑结构的网络在没有外部输入的状况之下，网络其本身的开展状态可以有效地达到自我稳定的形态，在这样的形态之下，各个神经元之间的连接权值基本相同，网络的形态也是趋于更加稳定的形态，而有关的领域专家也将能量函数有效的加入到整体的网络架构当中，并且通过函数来更好的判断这种运行方式的稳定性。将整体的神经网络模型有效地应用到机械优化设计当中，其核心是在机械优化设计的相关问题与神经网络模型建立一种相互衔接的状态，通过应用人工神经网络深度的表述优化设计当中的设计变量和目标函数，而将这样的神经网络动态演化过程与机械设计的解析空间在寻找最佳途径的进程当中有效的对应起来。

3 神经网络技术未来在机械工程中核心应用的发展介绍

（1）工况的深入检测与控制

机械加工制造的进程当中的各项参数往往具有很强的特征性以及随机性。以往的精确数学模型也会在一定程度上受到管控。所以在未来，神经网络一定会为相对复杂的非线性映射问题提供最佳的解决方式。神经网络通过前期的整体训练以及学习，对于输入的非线性复杂信号进行有效的解析，从而进一步识别出工艺系统的相关形态，同时依据整体的经验给出最具体的管控方案，从而进一步实现高效的在线控制。

（2）智能操控以及机器人工智能工程

对于可抽象精确数学模型的相关问题，传统的控制方法往往无法起到最佳的效果，但是对于相对复杂的操控系统而言，诸如智能机器人的操作系统，也很难建立精准的数学模型。整体接收的信号往往为无法确定的非线性信号。通过神经系统的自我调整特性，充分的仿造现有的数学模型，有效利用自身组织性能做出有效的判断，其较好的容错性可以有效提升整个系统处理不确定信号的能力。所以，可以更好地作为智能机器人的自适应控制器。