跳到主要內容

臺灣博碩士論文加值系統

(44.201.97.138) 您好!臺灣時間:2024/09/20 14:02
字體大小: 字級放大   字級縮小   預設字形  
回查詢結果 :::

詳目顯示

: 
twitterline
研究生:賴志仁
研究生(外文):Chih Jen Lai
論文名稱:類神經網路模型於液膜潤滑軸承設計之最佳化研究
論文名稱(外文):Optimization of Artificial Neural Networks for Fluid-Film Lubricated Bearing Design
指導教授:王能治王能治引用關係
指導教授(外文):N. Z. Wang
學位類別:碩士
校院名稱:長庚大學
系所名稱:機械工程研究所
學門:工程學門
學類:機械工程學類
論文種類:學術論文
論文出版年:2009
畢業學年度:97
論文頁數:92
中文關鍵詞:基因演算法類神經網路液膜潤滑軸承類神經網路訓練法
相關次數:
  • 被引用被引用:0
  • 點閱點閱:310
  • 評分評分:
  • 下載下載:77
  • 收藏至我的研究室書目清單書目收藏:0
類神經網路 (Artificial Neural Networks, ANN) 因為有計算快速及可處理非線性輸入與輸出數據對應的問題,因此在工程應用中常被用來當作替代模型 (Metamodel)。本研究比較數種不同的訓練法則建立ANN並分析各種訓練法的預測結果,分別使用利文伯格-馬奎德演算法 (Levenberg-Marquardt, LM)、基因演算法 (Genetic Algorithm, GA)、LM-GA演算法以及擾動式LM演算法建立ANN,主要目的在於比較使用何種訓練法能夠建立較好的類神經網路模型,作為液膜潤滑軸承的替代模型。
使用LM演算法訓練ANN對網路參數初始值有敏感的問題;使用基因演算法無法順利訓練類神經網路,需要使用訓練良好之類神經網路的網路參數訂定出網路參數的搜尋範圍,才能有較好的訓練結果;使用LM-GA演算法訓練類神經網路,其中基因演算法對於結果的改善相當有限;使用擾動式LM演算法訓練類神經網路,如果擾動幅度過小則不會影響訓練的結果,擾動幅度較大時,訓練結果有時能改善,但也有變差的情況發生。因此這四種訓練法則中LM演算法最適合訓練類神經網路。但是無法改善LM演算法對初始訓練值敏感的問題,因此使用LM演算法訓練類神經網路時需要使用不同的網路參數初始值重複訓練,避免較差的訓練結果發生。由研究結果可知,適當訓練的類神經網路可以取代耗時的數值模型,本研究的結果可以幫助研究人員在建立類神經網路時做為參考。最後,本研究以類神經網路替代液膜潤滑軸承的剛性計算,並使用基因演算法找出最佳的設計參數。本研究證實類神經網路於替代模型的應用上,能妥善的處理非線性的問題,也適合應用於其類似的工程最佳化設計問題。
Artificial neural networks (ANNs) are usually used as surrogate models to replace time-consuming numerical models due to ANN's quick solution for nonlinear problems. Because the training method used may affect the result of an ANN of given configuration, four training methods were compared and analyzed in this study. These methods are Levengerg-Marquardt (LM) method, genetic algorithm (GA), LM-GA, and disturbed LM method. The goal is to find a reliable method which gives the best ANN model in terms of prediction accuracy. Then, the ANN model is applied as a surrogate model in the fluid-film lubricated bearing analysis.
When the LM method is used as a training method (to get the network parameters), the result may be sensitive to the initial guesses of the network parameters used in the LM method. But, in general, the method can provide a satisfactory result. Since the range of the network parameters is very difficult to know in advance, the results of constructing ANN by using GA were usually very poor in the tested cases. In the case of using LM-GA method as the training method the result also shows little improvement over by using LM method alone. Finally, the disturbed LM method exhibits little benefit when the disturbing ratio is small. However, the result may be changed dramatically if a large disturbing ratio is applied. To overcome the pitfall resulted from poor initial guesses in using LM method, several runs of LM method using different initial guesses are suggested.
In this study, the numerical lubrication model in the optimization problem is replaced by the ANN model constructed by the LM method. The objective of the optimization is to optimize the stiffness of a fluid-film lubricated bearing. The optimization method is a genetic algorithm. The results show that the procedure can find the optimum bearing stiffness successfully. Similar approach can also be applied to other computationally intensive optimization problems.
目錄
論文指導教授推薦書...
論文口試委員審定書...
國家圖書館授權書...iii
長庚大學碩士論文著作授權書...iv
致謝...v
中文摘要...vi
英文摘要...viii
目錄...x
圖目錄...xiii
表目錄...xv
第一章 簡介...1
1.1 研究背景...1
1.2 研究目的...2
1.3 文獻回顧...2
第二章 類神經網路簡介...4
2.1 控制方程式...4
2.2 類神經網路的優缺點...6
2.3 倒傳遞類神經網路...7
2.4 倒傳遞類神經網路學習演算法...8
第三章 基因演算法簡介...14

第四章 類神經網路訓練的方法...17
第五章 類神經網路模型...20
5.1 程式驗證...20
5.2 類神經網路訓練:LM 演算法...24
5.2.1 訓練資料:液動壓軸承壓力分布...24
5.2.2 訓練資料:線性方程式...26
5.2.3 訓練資料:液動壓軸承壓力分布...27
5.3 類神經網路訓練:基因演算法...32
5.3.1 訓練資料:液動壓軸承壓力分布...32
5.3.2 訓練資料:線性方程式...36
5.3.3 訓練資料:液動壓軸承壓力分布...45
5.4 類神經網路訓練:混合式LM-GA 演算法...49
5.4.1 混合式LM-GA 演算法:類型一...49
5.4.2 混合式LM-GA 演算法:類型二...52
5.4.3 混合式LM-GA 演算法:類型三...54
5.5 類神經網路訓練:擾亂式LM 演算法...58
5.6 液靜壓軸承...63
5.7 最佳化液膜潤滑軸承剛性...65
第六章 結果與討論...70
第七章 結論...72
參考文獻...73

圖目錄
圖 2.1 人工神經元模型...5
圖2.2 倒傳遞類神經網路架構...8
圖3.1 輪盤法示意圖...15
圖3.2 二進位制的位元字串交配...16
圖3.3 二進位制的位元字串突變...16
圖4.1 神經網路模型架構...17
圖4.2 類神經網路架構...18
圖4.3 LM 演算法在MATLAB NN 中使用的轉換函數...19
圖5.1 液動壓軸承壓力分佈資料圖...25
圖 5.2 網路訓練完成後的輸出圖形,均方差:267...26
圖5.3 訓練資料圖形...27
圖5.4 使用基因演算法訓練的網路輸出...28
圖5.5 使用基因演算法訓練的網路輸出...30
圖5.6 使用基因演算法訓練的網路輸出...31
圖5.7 使用基因演算法訓練網路的輸出...33
圖5.8 使用基因演算法訓練網路的輸出...34
圖5.9 使用基因演算法訓練網路的輸出...35
圖5.10 使用基因演算法訓練網路的輸出...38
圖5.11 使用基因演算法訓練網路的輸出...39
圖5.12 使用基因演算法訓練網路的輸出...40
圖5.13 使用基因演算法訓練網路的輸出...42
圖 5.14 使用基因演算法訓練網路的輸出...43
圖5.15 使用基因演算法訓練網路的輸出...44
xiv
圖5.16 使用基因演算法訓練網路的輸出...46
圖5.17 使用基因演算法訓練網路的輸出...47
圖5.18 使用基因演算法訓練網路的輸出...48
圖5.19 混合式LM-基因演算法訓練流程圖...49
圖5.20 使用混合式LM-基因演算法訓練的網路輸出圖形...51
圖5.21 使用混合式LM-基因演算法訓練網路的輸出圖形...53
圖5.22 混合式LM-基因演算法訓練流程2...54
圖 5.23 使用混合式LM-基因演算法訓練網路的輸出圖形...57
圖5.24 擾亂式LM訓練法流程...58
圖5.25 最差值加入擾動的訓練結果...61
圖5.26 最佳值加入擾動的訓練結果...62
圖5.27 最佳化液膜潤滑軸承鋼性流程圖...66
圖5.28 剛性資料圖形...67
圖5.29 使用LM 演算法訓練的網路輸出圖形...68

表目錄
表 5.1 使用1-1 網路架構,其權重值、偏差值與輸出的關係...21
表5.2 使用1-1 網路架構,其權重值、偏差值與輸出的關係...21
表5.3 使用1-1 網路架構,其權重值、偏差值與輸出的關係...21
表5.4 使用1-1-1 網路架構,其權重值、偏差值與輸出的關係...22
表5.5 使用2-2-1 網路架構,其權重值、偏差值與輸出的關係...23
表5.6 使用2-6-6-1 網路架構,其權重值、偏差值與輸出的關係...23
表5.7 使用1-1 網路架構,其權重值、偏差值與輸出的關係...23
表5.8 使用1-1-1 網路架構,其權重值、偏差值與輸出的關係...23
表5.9 使用1-1-1 網路架構,其權重值、偏差值與輸出的關係...24
表5.10 使用2-2-1 網路架構,其權重值、偏差值與輸出的關係...24
表5.11 使用2-6-6-1 網路架構,其權重值、偏差值與輸出的關係...24
表5.12 LM 演算法停止條件...25
表5.13 LM 演算法訓練結果...25
表5.14 LM 演算法停止條件...26
表5.15 使用LM 訓練網路的均方差...26
表5.16 使用LM訓練網路的均方差,訓練代數1,000 代...29
表5.17 使用LM訓練網路的均方差,訓練代數2,000 代...29
表5.18 基因演算法參數設定...32
表5.19 基因演算法停止條件...32
表5.20 基因演算法訓練結果...32
表5.21 基因演算法參數設定...36
表5.22 基因演算法停止條件...36
表5.23,基因演算法訓練結果...36
表5.24 無限制變數範圍基因演算法訓練完成的網路參數...37
表5.25 有限制變數範圍基因演算法訓練完成的網路參數...37
表5.26 基因演算法訓練結果...41
表5.27 基因演算法參數設定...45
表5.28 基因演算法停止條件...45
表5.29 基因演算法訓練結果...45
表5.30 LM 演算法停止條件...50
表5.31 基因演算法參數設定...50
表5.32 基因演算法停止條件...50
表5.33 LM 以及GA 訓練完成時的均方差...50
表5.34 基因演算法停止條件...52
表5.35 訓練完成時的均方差...52
表5.36 基因演算法參數設定...55
表5.37 基因演算法停止條件...55
表5.38 初使人口均方差...55
表5.39 混合式LM-GA 訓練結果...56
表5.40 最差值訓練結果...59
表 5.41 最佳值訓練結果...60
表5.42 LM 演算法停止條件...66
表5.43 LM 演算法訓練結果...67
表5.44 基因演算法參數設定...69
表5.45 基因演算法停止條件...69
表5.46 基因演算法最佳化結果...69
[1] Goldberg, D.E., Genetic Algorithms in search, Optimization, and
Machine Learning. Addison-Wesley Publishing, 1989.
[2] 黃國誌,〈應用替代模型於液膜潤滑之研究〉,長庚大學機械工程
研究所碩士論文,2006。
[3] Gupta, J.N.D., Sexton, R.S., “Comparing backpropagation with a
genetic algorithm for neural network training,” Omega, 27, 679-684,
1999.
[4] Taheri, M., Mohebbi, A., “Design of artificial neural networks using
a genetic algorithm to predict collection efficiency in venturi
scrubbers,” Journal of Hazardous Materials, 157, 122–129, 2008.
[5] Rooij, A.J.F. van, Jain, L.C., Johnson, R.P., Neural network training
using genetic algorithms, Singapore : World Scientific, 1996.
[6] 葉怡成,《類神經網路模式應用與實作》,第八版,儒林,2006。
[7] 詹嘉文、蔡智明、王能治,《探討類神經網路於熱液動潤滑的分析
之替代模型應用》,中華民國力學學會第三十一屆全國力學會議,
2007年12月21日。
[8] Hagan, M.T., Demuth, H.B., Beale, M.H., Neural network design,
PWS Pub. Co., 1995.
[9] Nasseri, M., Asghari, K., Abedini, M.J., “Optimized scenario for
rainfall forecasting using genetic algorithm coupled with artificial
neural network,” Expert Systems with Applications, 35, 1415–1421,
2008.
[10] Benardos, P.G., Vosniakos, G.C., “Optimizing feedforward
artificial neural network architecture,” Engineering Applications of
- 74 -
Artificial Intelligence, 20, 365–382, 2007.
[11] Fonseca, D.J., Navaresse, D.O., Moynihan, G.P., “Simulation
metamodeling through artificial neural networks,” Engineering
Applications of Artificial Intelligence, 16, 177–183, 2003.
[12] Srinivasan, D., “Evolving artificial neural networks for short term
load forecasting,” Neurocomputing, 23, 265-276, 1998.
[13] Saemi, M., Ahmadi, M., Varjani, A.Y., “Design of neural networks
using genetic algorithm for the permeability estimation of the
reservoir,” Journal of Petroleum Science and Engineering, 59,
97–105, 2007.
[14] Lee, J., Kang, S., “GA based meta-modeling of BPN architecture
for constrained approximate optimization,” International Journal of
Solids and Structures, 44, 5980–5993, 2007.
[15] Ge, S.S, Lee, T.H., Harris, C.J., Adaptive neural network control of
robotic manipulators, River Edge, NJ : World Scientific, 1998.
[16] Gluck, Mark, A., Myers, Catherine, Gateway to memory : an
introduction to neural network modeling of the hippocampus and
learning, Cambridge, Mass. : MIT Press, 2001.
[17] Parks, R.W., Levine, D.S., Long, D.L., Fundamentals of neural
network modeling : neuropsychology and cognitive neuroscience,
Cambridge, Mass. : MIT Press, 1998.
[18] Schmajuk, Nestor, A, Animal learning and cognition : a neural
network approach, Cambridge [England] : New York, NY, USA :
Cambridge University Press, 1997.
[19] Gallant, Stephen I., Neural network learning and expert systems,
Cambridge, Mass. : MIT Press, 1993.
[20] Commons, Michael L., Grossberg, Stephen, Neural network
models of conditioning and action, Hillsdale, N.J. : L. Erlbaum
- 75 -
Associates, 1991.
[21]蘇木春、張孝德,《機器學習 : 類神經網路模糊系統以及基因演
算法則》,第三版,全華,2004。
[22] 周鵬程,《類神經網路入門:活用Matlab》,第三版,全華,2006。
[23] 高帆辰,〈應用網格計算於熱液動潤滑之最佳化〉,長庚大學機械
工程研究所碩士論文,2005。
QRCODE
 
 
 
 
 
                                                                                                                                                                                                                                                                                                                                                                                                               
第一頁 上一頁 下一頁 最後一頁 top
無相關期刊