过去30年来，对人工神经网络布局、实践和现实利用的研究十分活跃，每年会出版成千上万份文件。

据估计，对人工神经网络的研究自一开始就进入了成熟和扩张阶段。它已在一个广范围的技术领域生根发芽，并与专家系统和遗传算法一起成长为基础人工智能技术。

这是一种模仿人类神经元细胞工作方式的一种学习方式。

通过神经元的形式建立起一种高度非线性的动态复杂网络系统，其根本是多维度跨度下的连接性和自适应性的学习能力，可以有效地将给定的信号进行分类，并在分类的过程中不断调整权值，进而实现更好的识别效果，具备自我学习能力。

而调整权值的方法就是重复训练，每一层神经元可以对给定值进行一次细分，使得整个神经网络的识别效果达到最佳。

目前人工神经网络技术已发展出多种人工神经网络模型如单层感知器、多层感知器、Hopfeld网络，ART网络、RBF网络、玻耳兹曼机模型以及双向记忆网络等。其中多层感知器模型、ART网络和RBF网络应用较广泛。

时至今日，人工神经网络的应用也已渗透到机械加工领域的方方面面，涉及工艺计划、加工参数优化、故障诊断、震荡节制、工况监控、寿命展望等等。

一、在机械故障诊断中的应用

故障诊断的关键就是在故障出现初期就准确识别其特征，并对潜在故障进行分析和识别。

传统的故障诊断方式对专家的经验以及专业知识的储备提出了较高的要求，并且可能存在一些难以克服的题目，如知识获得艰难，组合爆炸，难以辩论等，这使得专家系统的利用未能到达预期的结果。

然而，人工神经网络系统的应用可以较好地解决非线性映射的问题，考虑到故障征兆期很多特征具有普遍性，无法作为诊断特征，因此通过人工神经网络的机械学习能力，可以不断修正联结中的权值并提高系统的识别能力。

同时神经网络具备一定的容错性，即使诊断特征出现缺失导致神经元信息缺失，也不会影响故障的诊断，结合人工智能技术，可以很好地实现机械设备的故障诊断，大大提高故障识别的准确率。

具体而言，机械故障诊断技术（ANN）运作的首要重点是：

1)ANN的大规模分布式并行能力适合办理庞大的诊断题目。

2)人工神经网络对肆意庞大映照具备很强的迫近本领，适用于办理妨碍范畴的展望和节制题目。

3)人工神经网络具备很强的非线性处置本领，适合办理故障诊断中庞大的非线性模式识别题目。

鉴于上述特点，首先，人工神经网络基于没有以实证规则的情况下，这样的瓶预可以根据象征性克服。

这种技术支持计算平行技术，并将广泛推广开发平行技术和应用。由于神经网的容错性和非线性，这种诊断技术解决了许多问题，以致错误诊断系统不能活用于非线性领域，也不像以符号思维方式为基础的规则或模型中的错误。

最后，诊断错误基本上是另一个问题，人工神经网络作为一种自适应的模式识别技术可以直接通过自身的学习机制自动形成所要求的决策区域。

二、在结构分析、设计、优化和几何建模中的应用

地图指标和模型之间的关系可以通过使用layer分析来实现，传统的方法是最终因素分析，但如今这类映照过程可以经由人工神经网络来实现。

BP网络训练时采用的是针对某一结构或者最终数值分析得出的直接实证数据，其重量经调整，然后使用训练过的网络来做结构分析。

布局动力计划是实现模态参数与计划参数之间的映照关系，是布局阐发的逆进程。人工神经网络可以实现这一功能，人工神经收集也可以实现这一功效。

具体方法是操纵有限元布局研发BP数据模型参数，输入人工神经聚集，然后用参数输出实现两者之间的关系，并用这些参数设计动态和布局。

当代机械和微体系的布局变得愈来愈庞大。在计算范围和数学庞大方面，相互优化静态函数（稳定性和刚性等）和动态函数（变化、速度、加速率、个人频率和系统布局模式）是前所未见的。

基于教学计划的传统最佳优化理论很难解决此类型的全球优化问题，包括规模优化，拓宽效果优化以及功能优化。

因为霍尔菲尔德的收集已经成为最小的能源变量，因此这类全球改进问题可以被转化为人工神经收集功能的最低峰值。对人工神经网络生命系统的非变种吸引力窗口被认为是最早反应端政策函数的概括。

当人工神经网络达到了所需最低水平时，则优化计算完成。此问题的关键点在于将问题的核心转换为优化问题，然后调整相关的网络结构和参数以及能量函数来优化。

计算庞大曲面模型的一个传统方法是利用样条函数，但这种方法有许多缺陷，包括难以理解的条件和难以解出的计算。现如今我们可以让人工神经网络的非线性模拟表现奏效，换句话说，这是一种新试验方法。

具体方法是，利用已知的输入样本和发射前的X和Y坐标，选择一组练习样本，练习神经元网络并进行表面建模。这种方法非常适合模拟以监测为基础的算法。

例如在数控加工中，孔加工占有很大的比例，其中有一类特殊的孔称为孔群，这些孔分布在同一个方位面上，具有相同的尺寸，相同的加工精度，仅仅在方位面上的位置坐标不同。

对于这样的孔群由于是单刀具逐一完成多孔的加工，因而随着加工孔的顺序不同，刀具所走过的路径是不同的，空走刀所用的辅助工时也是不同的。

显然，辅助工时越短，生产效率越高。要缩短辅助工时就要优化刀具行走路径，使之在所有可能的行走路径中总路程最短。

这样一种加工路径优化问题，属于典型的TSP(traveling salesman problem）问题，可采用Hopfield神经网络解决该问题。

三、在自动化领域中的应用

在自动化领域中，人工神经网络为自动化体系的立异和成长供给了有用的思绪和道路。例如，柴油机满载时，容易出现功率不足和气门间隙调整异常。当这些问题出现时，认知系统以人工神经网络为基础，可以提供及时的反馈。

根据人工神经网络诊断这一问题可能通过假神经网络来反映分流工程师的症状和障碍。

其也可以适用于汽车，一辆汽车即将穿过阻隔的空隙。通过识别速度和目标车，人工神经网络的速度和目标可以及时诊断和反应报告回来，这样汽车就可以实时处理路障以实现稳定运行，从而可以保证车辆的安全性。

此外手写识别系统基于人工神经网络，可以作为计算机输入设备帮助人们识别不同的单词，这比鼠标和键盘操作更方便，也更能提高我们工作的效率。

而在航空和航天领域，人工神经网络可以帮助人们严格控制航空和航天精密部分的操纵。人工神经网络还可以根据程序代码或输入数据以及人们提供的主动设计产品实体形式，控制自己的"学习能力"。

四、在监测、控制中的应用

由于机械加工是一个十分复杂的系统，影响因素较多且充满了不确定性，因此机械加工过程的监测、预测、控制功能的实现十分困难。人工神经网络可以较好实现机械加工的监测、控制功能。

另外，机械加工过程中存在大量的动态参数，如力的大小、方向、位移、速度、温度、噪声、磁场等因素，将这些参数作为人工神经网络的输入参数，通过不断的机械学习提高系统判断的准确性，输出信息就可以作为该系统状态判断的一个有效参考。

结合机械自动化的控制方式，将人工神经网络获取的信息经过计算机程序处理，输出给控制设备相应的处理方式，实现机械加工过程的动态控制。

目前人工神经网络控制已经在以下几个方面得以应用。

如：开关量模拟量的数据进行实时获取与处理；

汽轮机启动状态和阀门异常状态信息的获取与管理；

对联轴器汽封、轴承等主要设备运行状态进行实时监视。

对系统整体运行参数的实时综合调节，如汽轮机转速、电功率调节级后压力三个回路的综合控制记录故障并进行在线分析等。

综上所述，人工神经网络因其具有高度的非线性映射、快速并行分布处理、容错性、自组织和自学习等能力。它不像专家系统那样需要事先建立知识库，知识的获取只需足够的训练样本训练合格的网络将知识存储在权系数中。

并且人工神经网络能够模拟现实系统复杂的输入输出关系，具有很强的非线性建模能力；人工神经网络具有良好的容错性能,在局部结点连接失效、部分规则不掌握的情况下，仍能正常工作。

所有这些特点，都是处理机械加工领域各种类型建模问题所必须的特性。因此，人工神经网络仍是计算机辅助工艺规程专家系统的发展方向之一，它也必然将在现代制造业中发挥重要作用。