人工神经网络在机械优化设计中的应用

王志刚++邢鹏皎

摘 要：人工神经网络是一种在人工智能的基础上建设的一种特殊的网络，这种网络技术以信息处理为根本，将人脑之中的神经元网络抽象化，通过简单的模型来建设网络系统，建设的方法也极其多样化，这种网络技术经常会被应用于工业的优化机械设计过程中。使用这种网络方法进行优化，主要是为了对过去使用的计算机优化方法具有的缺点进行弥补，随着智能技术的不断前进，这种网络技术的适用性也就变得更强，本文根据对人工神经网络技术的了解，对其被应用于机械优化工作之中的情况进行分析。

关键词：人工神经网络；机械优化设计；应用

机械优化设计使机械设计过程之中的重要环节，设计人员需要将几种可应用的方案列举出来，从其中找出最适合机械设计工作的方案，达到最优设计的目的，当前设计者经常使用的优化方法主要是借助计算机技术自动寻求效果最优的设计方案，但是随着机械设计工作逐渐变得更加复杂，计算机选择的方法现有的缺陷也逐渐影响其选择的效果，而新型的优选方案的技术有很多，人工神经网络技术非常适合机械设计，本文基于对优化机械设计工作的了解，对人工神经网络的应用进行研究。

1 人工神经网络概述

人工神经网络是上个世纪八十年代的一个研究热点，随着智能技术以及其他智能化技术不断提升，相关人员对这种技术的研究也逐渐深入。作为一种在机械设计环节经常会被应用的运算模型神经网络主要是有许多神经元构成的，不同的神经元之间持有相互联接的关系，系统之中的每一个节点都可以被看作输出类型的函数，设计人员也将其称为激励函数，这种设计技术的应用范围也逐渐被扩大，不仅仅可以被应用与智能机械设计领域，同时在生物、自动控制以及经济等多种不同的领域之中也会被用到。

人工神经网络是由大量处理单元互联组成的非线性、自适应信息处理系统。它是在现代神经科学研究成果的基础上提出的，试图通过模拟大脑神经网络处理、记忆信息的方式进行信息处理。人工神经网络具有四个基本特征：

非线性关系是自然界的普遍特性。大脑的智慧就是一种非线性现象。人工神经元处于激活或抑制二种不同的状态，这种行为在数学上表现为一种非线性人工神经网络。具有阈值的神经元构成的网络具有更好的性能，可以提高容错性和存储容量；非局限性：一个神经网络通常由多个神经元广泛连接而成。一个系统的整体行为不仅取决于单个神经元的特征，而且可能主要由单元之间的相互作用、相互连接所决定。通过单元之间的大量连接模拟大脑的非局限性。联想记忆是非局限性的典型例子；非常定性：人工神经网络具有自适应、自组织、自学习能力。神经网络不但处理的信息可以有各种变化，而且在处理信息的同时，非线性动力系统本身也在不断变化。经常采用迭代过程描写动力系统的演化过程；非凸性：一个系统的演化方向，在一定条件下将取决于某个特定的状态函数。

2 应用分析

2.1 BP神经网络分析

BP神经网络是一种模仿类型的神经网络，借助BP神经网络技术可以有效地对信息进行处理，其模仿的对象主要是人类大脑的神经网络的功能与结构，在对信息进行处理的时候，主要借用一些人脑常常会应用的方法，包括联想记忆以及形象思维等，处理信息的方法主要是记忆、识别等，其使用优势在于极高的自组织性以及适应性，同时器非线性的映射技术也使其能够以最快的速度对实物进行分类，并开展实时处理的活动。

在开展机械设计活动时，设计人员需要对机械系统的多目标以及结构两部分进行机械设计，设计人员的设计思想一般是通过结构分析的方法，对数量的基本结构进行研究，取得一定的样本，借助样本对神经网络系统进行构建，在开展数据训练活动时，也需要应用样本，借助网络系统可以实现结构分析的需要，设计人员的计算量也会相对减少，这种方法经常会与其他同样能够起到优化作用的算法结合使用。

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，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。由于 BP 算法是基于梯度下降技术的算法，因此利用 BP 算法训练多层前向神经网络易使网络陷于局部极值点而得不到全局最优解。解决的办法是采用全局優化算法进行网络的训练。

2.2 反馈神经分析

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。但该模型本身存在的一些局限性如容易陷入局部最小点等，影响了它的应用。

3 结束语

人工神经元类型的网络技术具有的几方面特点都将其优势体现出来，随着我国工业对于机械设计的要求不断提升，机械设备的内部系统的构造也就变得更加复杂化，如果仅仅只依靠单一的计算机设计技术，很难全面地满足优化机械的设计需求，因此在对方案进行择优选择的时候，设计人员可以将几种新型择优技术结合使用，除了本文提到的人工神经网络技术之外，可以模拟退火等智能技术，但是将人工化的神经网络技术应用于复杂的机械设计环节之中时，还会出现一些算法方面的优化问题，技术人员需要继续对其展开研究。

参考文献：

[1] 金全意. 基于培养卓越工程师的机械优化设计课程改革研究[J]. 教育教学论坛. 2013（31）

[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] 周淑娟. 遗传算法与人工神经网络在流体机械研究领域中的应用[J]. 廊坊师范学院学报（自然科学版）. 2011（02）

[4] 董立立，赵益萍，梁林泉，朱煜，段广洪. 机械优化设计理论方法研究综述[J]. 机床与液压. 2010（15）