通過建立BP神經網絡模型可以將系統結構參數與系統動態特性參數之間的物理關系（線性或非線性）反映為神經網絡模型的網絡輸入與網絡輸出的數學關系，利用訓練完的模型進行結構設計的再修改、靈敏度分析及優化其計算速度要大大快于基于其他模型（如有限元模型）上進行優化計算的速度。但是這種思路如何用于機床設計開發的收穡日期：2⑴i1-2（l基金項目：江蘇省‘九五“重大工業攻關資助頂目（BG98006-2）。
快速反應系統中仍是一個值得研究的問題。
將BP神經網絡模型與計算機輔助技術CAX（CAD/CAE/CAPP/CAM）信息集成系統一起放入目前各制造企業開發的數據庫信息管理系統中應該是一種較好的選擇。
一方面，它彌補了傳統的數據庫信息管理系統中用戶難以全過程介入的缺陷。
因為在CAD，CAE的數據庫使用過程中，由于用戶缺乏產品造型技術、有限元分析技術或各種綜合專業知識，因此，往往只能被動地使用數據庫信息管理系統，完成一些簡單的查詢工作，而不能針對產品所存在的缺陷進行修改與分析。另一方面，用戶可直接調用數據庫中已訓練完的神經網絡模型的數據文件進行快速反應設計，這樣用戶即使不會使用CAD，CAE軟件，也能方便地對零件進行修改、靈敏度分析及優化。
1內圓磨床主要零件的BP神經網絡模型內圓磨床主要由床身、工作臺、橋板、箱體滑板、床頭箱、磨架滑板、底座等七大件組成。首先分別建立各零件的BP神經網絡模型，得到相應的BP神經網絡模型的各層神經元數目、權重系數和閥值的數據文件，然后將其放入數據庫的相應地址。
在有關內圓磨床零件的BP神經網絡模型的建模中，除采用了中提出的多水平正交表選取訓練樣本的方法外，考慮到內圓磨床零件是三維實體，每個樣本的采樣計算需要花費大量的時間。因此，沒有采用先在CAD軟件上進行三維CAD造型，后在CAE軟件上進行計算的常規方法，而是造型與計算全部在CAE軟件上完成，利用這種方法可大大減少人工的介入，提高計算效率。本文中所有BP神經網絡樣本的計算是在大型有限元分析軟件ANSYS下完成，建模與計算都采用了AKSYS的APDL語言，每次只要修改宏文件中的有關結構參數就可完成。
在建立了機床零件的BP神經網絡模型后，用戶只要根據一些簡單的操作指令，就可對結構進行修改，并迅速獲得結構參數修改后零件的動態特性，若結果不滿意還可反復修改。應用這種方法實現了真正意義上的快速反應設計。
給出了內圓磨床根據BP神經網絡模型進行結構的再修改計算的數據庫管理系統結構框圖。以此為基礎，還可進一步對零件進行結構參數的靈敏度分析與優化計算。
2BP神經網絡模型在內圓磨床零件快速反應設計中的應用為橋板的結構圖，為橋板筋板布置圖?？紤]橋板結構的對稱性，選取橋板結構中能決定筋板布置型式的幾何尺寸a，b為設計變量，以前4階模態頻率/，（i=1，2，3，4）為輸出變量，建立0 型為采用MATLAB的優化工具箱進行計算，得到優化計算結果如表1所示。由表可以看出，通過優化計算，橋板的第1階扭轉頻率比設計變量取初值時提高了1289%，而通過優化得到的筋板位置是采用傳統的方案比較式優化方法所無法實現的。將設計變量a，b的優化結果重新輸入有限元模型進行計算得到的第1階頻率值與BP模型的優化值誤差小于2%，這說明所建橋板的BP神經網絡模型比較真實地反映了結構參數與動態特性參數之間的物理關系，在此模型上進行結構修改、優化及靈敏度的計算是完全可行的。 表1基于BP神經網絡模型的橋板筋板位置優化結果項目設計變量/mma網絡輸出頻率/Hz有限元法計算//Hz誤差/初始值優化結果3結語本文將BP神經網絡模型引入數據庫信息管理系統中，使得用戶能方便地對零件進行修改、靈敏度分析及優化，在一定程度上改進了目前數據庫信息管理系統普遍存在的用戶參與難、對用戶要求高的問題，同時也為用戶參與零件的再設計創造了條件。本文的方法已經在江蘇“九五”重大工業攻關項目/新一代數控高精度內圓的開發“中成功應用。
