多几何要素影响下液压阀件特性的混合神经网络预测模型

液压阀件系统是一个具有多几何要素影响的多系统特性复杂系统,建立液压阀件特性预测模型,以系统多几何要素作为输入,实现系统特性的预测,将对实际生产具有重要的意义。在深入分析反向传播(Back propagation,BP)神经网络与径向基函数(Radial basis function,RBF)神经网络的基础上,结合两类神经网络的特点,提出基于BP神经网络与RBF神经网络的混合神经网络预测模型。利用生产实际中实测的某具体液压阀件特性值及影响该特性的各几何要素值作为预测模型的数据来源,对所提出的混合神经网络进行训练,并进行仿真。实例计算表明混合神经网络预测模型可提高单项神经网络预测模型的预测精度,预测平均相对误差为0.0461。可见,所提出的混合神经网络预测模型能够很好地满足工程实践中液压阀件特性预测要求。     

零件库存用量的预测方法比较

阐述了时间序列模型和BP神经网络模型预测的原理和方法.以某企业零件库存用量的实测数据为例,详细介绍了建模的一般过程及参数的确定方法,同时利用前63天的库存用量数据,建立了两种方法对应的预测模型,并对后7天的库存用量数据进行向前一步预测,经过比较,ARI模型的预测精度最高,一步预测的平均相对误差仅为5.16%,预测效果良好.     

基于BP神经网络的轴承寿命预测程序设计

基于BP神经网络原理,利用轴承空载和负载运行下的各参数建立轴承剩余寿命的预测模型。在MATLAB中对轴承数据样本进行学习与训练,获得较精确的BP神经网络结构的权值和阈值,根据BP神经网络算法编写m函数文件,在MATLAB中生成COM组件。用Visual Basic 6.0编写的系统软件界面,在界面中调用COM组件中的DLL文件。解决算法优化和模块间调用等问题,成功开发出轴承寿命预测系统,用于机电产品的质量控制管理。     

人工蜂群优化BP神经网络在汽车座椅舒适性中的应用

汽车座椅舒适性的主观评价和客观评价之间的关系存在复杂性和高非线性的特点。传统的BP神经网络(反向传播神经网络)对初值敏感且容易陷入局部最优解,因此无法建立精确的座椅舒适度预测模型。针对该问题,提出利用人工蜂群算法优化后的BP神经网络(ABC-BP)来预测座椅的舒适性的方法。通过开展体压试验得到了176组压力分布样本数据,其中89%的数据作为模型的训练部分,11%的数据作为模型验证,将预测结果与真实值相比较,ABC-BP预测模型的均方误差MSE为0.0019,确定性系数R~2为0.946,比传统BP神经网络预测模型得到的MSE降低了84.68%,R~2提高了42.5%。结果表明,利用人工蜂群算法优化后的BP神经网络所建立的汽车座椅舒适性预测模型稳定性更强、预测效果更加精准。     

基于Pearson关联度BP神经网络的时间序列预测

针对BP神经网络存在的过拟合问题,提出了基于Pearson关联度的神经网络预测模型。将传统的基于误差反向传播的BP神经网络中的误差函数替换为Pearson关联度函数,利用梯度上升法对训练过程中神经网络的连接权重和阈值的调整量进行了推导,并为调整量添加了动量项用于提高神经网络收敛速度,然后建立了关联度反向传播预测模型,并对其权重进行了阈值限制以及增加学习率来防止过拟合。对通用数据集进行时间序列预测实验,通过与改进的RBF和BP神经网络对比,表明对于多因素时间序列的预测Pearson关联度BP神经网络的预测误差精度RMSE降低了4.02,收敛次数减少1 690代。实现了将关联分析与BP神经网络的结合,能够在保证效率的同时,解决过拟合问题,提高预测精度。     

基于Elman动态神经网络的公交到站时间预测

以智能交通系统为背景,结合福州市区实际公交运行特性,在大量实测数据的基础上,提出基于Elman神经网络的公交车辆到站时间预测方法,并以福州市第312路公交车进行验证,结果表明该模型比BP神经网络的预测模型计算量小、能够较准确地进行公交到站时间预测。     

基于径向基函数神经网络的发动机磨损预测分析

针对BP神经网络算法的不足,利用径向基函数(RBF)神经网络建立设备的磨损预测模型,对光谱分析数据进行实例仿真,并与BP网络模型进行对比研究.仿真结果表明,该模型预测精度高,训练时间短,大大优于BP神经网络模型.     

基于遗传算法优化神经网络的光伏发电预测

针对光伏发电系统输出电能随机性对电力系统的影响问题,对光伏输出功率预测方法进行了研究,提出了基于遗传算法优化BP神经网络的光伏预测模型。对光伏发电系统的历史发电量数据和气象数据进行了数学归纳,分析了天气类型、温度、太阳辐射强度等因素对光伏发电功率的影响。建立了基于遗传算法优化的神经网络光伏发电预测模型,提前一天进行了功率预测,且通过动态修正进一步提高了模型预测精度。运用Matlab为神经网络与遗传算法工具箱,对训练好的模型在不同日类型下进行了测试和评估,并与传统神经网络预测结果进行了对比分析。研究结果表明,利用遗传算法优化方法提高了神经网络模型预测光伏输出功率的精度,预测结果与实测结果之间的平均误差百分比减小,预测方法具有工程应用意义。     

数控机床热误差灰色神经网络补偿应用研究

针对数控机床热误差建模补偿的问题,提出了灰色神经网络建模补偿的新方法。首先利用机床的温度值建立了机床热误差的灰色系统预测模型,再由灰色模型预测值得到的残差建立神经网络预测模型。结合灰色系统和神经网络的优点,建立了一种新的灰色系统和BP神经网络组合热误差预测模型。最后以实测数据建模说明了灰色神经网络模型预测效果明显优于各单项模型,方法优异的预测性能对于具有复杂成分的动态数据序列的机床热误差建模也适用。     

基于BP神经网络的时栅时序预测测量研究

为了将时栅应用于全闭环数控系统,需完成时栅信号由时域到空域的转换。通过BP神经网络预测模型找出实测数据中的隐含规律进而建立起样本和未来实测数据的映射关系,预测出下一个周期内时栅的测量角度值,实现时栅绝对式角度值与光栅数控系统所需的增量式连续脉冲的转换;为了保证测量精度,利用当前测量值对上一次的预测误差进行校正。实验表明:基于BP神经网络预测算法的时栅系统可以实现时域信号向空域信号的转换,且误差精度为±2″,满足了数控系统对测量精度的要求。     

一种基于神经网络的离心式鼓风机故障发生时间预测方法

在充分考虑了D350离心鼓风机故障来源的基础上,确定了风机后轴承轴瓦轴向、水平、垂直3个方向的振动速度作为故障预测的依据.并根据D350离心鼓风机故障发生时间预测的特点,设计了一个BP神经网络预测模型,然后再利用实验测得的一段连续时间的振动速度值来对BP神经网络进行训练,并验证了经过训练的网络预测结果的可靠性.最后将一组估计的振动速度值输入BP神经网络,对未来10天进行预测,预测结果表明与实际故障的发生时间非常接近.     

基于组合遗传神经网络的磨损趋势预测

针对神经网络易陷入局部极值的问题，用遗传算法来改进神经网络时间序列预测模型，并设计了一个组合网络，考虑了单一遗传BP神经网络预测的误差，以误差样本训练了一个校正的遗传BP神经网络，并将该组合网络时间序列预测模型应用于柴油机系统磨损趋势的预测，取得了较好的预测效果。     

杭州市区大气中PM10等污染物的预测研究

研究了BP神经网络用于大气中可吸入颗粒物(PM10)及SO2、NO2预测的可行性.针对1999年至2001年的杭州市区大气中SO2、NO2和PM10的实测数据,通过选用合适的BP网络,进行训练,得到预测模型,训练结果及结果检验表明BP网络适用于大气中SO2、NO2和PM10的预测,并且该预测模型具有良好的适应性.     

考虑电控数据的LSTM神经网络进给轴热误差建模

针对进给轴热误差建模中忽略电控数据和时间序列影响的问题,提出一种考虑温度变化与电控数据的长短期记忆(Long-Short Term Memory,LSTM)神经网络热误差预测模型.以三轴立式加工中心为试验对象,首先对进给轴进行热变形分析,再以温度变化、电控数据为输入样本,建立了LSTM神经网络热误差预测模型,随后通过与仅考虑温度变化的LSTM神经网络,以及同时考虑温度变化与电控数据的BP神经网络进行对比分析,试验论证表明,对数控机床进给轴进行热误差建模时,在考虑温度变化的基础上,进一步考虑电控数据可以提高模型的预测精度和鲁棒性,且在同样输入条件下,LSTM神经网络热误差预测模型相较于BP神经网络有更好的预测精度和鲁棒性.     

考虑电控数据的LSTM神经网络进给轴热误差建模

针对进给轴热误差建模中忽略电控数据和时间序列影响的问题,提出一种考虑温度变化与电控数据的长短期记忆(Long-Short Term Memory,LSTM)神经网络热误差预测模型.以三轴立式加工中心为试验对象,首先对进给轴进行热变形分析,再以温度变化、电控数据为输入样本,建立了LSTM神经网络热误差预测模型,随后通过与仅考虑温度变化的LSTM神经网络,以及同时考虑温度变化与电控数据的BP神经网络进行对比分析,试验论证表明,对数控机床进给轴进行热误差建模时,在考虑温度变化的基础上,进一步考虑电控数据可以提高模型的预测精度和鲁棒性,且在同样输入条件下,LSTM神经网络热误差预测模型相较于BP神经网络有更好的预测精度和鲁棒性.     

基于RBF神经网络的中厚板轧制宽展模型

以4200轧机轧制钢板的实测数据为基础,利用Matlab神经网络工具箱,建立了中厚板轧机宽展的RBF神经网络预测模型。通过分析宽展的影响因素,结合传统的数学模型,确立了网络的输入层参数,并对宽度系数spread进行试验调整,确定了最佳的网络结构形式,提高了模型的预测精度。通过实例比较了RBF模型与BP模型的预测效果,并且分析了不同参数下RBF神经网络逼近精度。结果表明,RBF神经网络模型有较好的收敛速度和预测精度,能更好地适用于中厚板轧机宽展模型。     

基于最小二乘支持向量机的某控制系统故障预测研究

介绍支持向量机(SVM)的一种拓展算法——最小二乘支持向量机(LS-SVM),并将LS-SVM算法应用于某控制系统的预测。根据实测数据,建立了基于LS-SVM算法的某控制系统预测模型,同时与BP神经网络的预测模型进行分析比较。结果表明,LS-SVM算法在控制系统的预测中具有较好的可行性、有效性及较高的预测精度,更适合于解决该控制系统的数据建模。     

基于BAS-BP的铝合金弱刚性零件铣削力的预测

为减少薄壁零件的加工变形，实现对铝合金薄壁零件铣削力的精准预测，通过响应曲面法设计相关试验获得铣削力试验数据。针对传统BP神经网络预测精度不高的弊端，将天牛须寻优算法(BAS)与BP神经网络结合，优化BP神经网络初始权值和阈值，建立BAS-BP神经网络预测模型。结果表明，改进后的神经网络预测模型具有更高的预测精度，对铝合金零件加工中铣削力的预测有较为理想的效果。     

基于改进灰色神经网络模型的板料成形缺陷预测研究

为了准确预测和减少板料成形过程中可能出现的缺陷,提出了一种改进的灰色神经网络预测模型。该模型利用BP神经网络辅助灰色预测模型进行预测。其中,灰色模型进行粗预测,神经网络模型修正其误差,再通过寻找最佳权值以优化灰色模型中微分所对应的背景值,进而得到精度更高的灰色神经网络模型。以国际著名板料成形数值模拟会议NUMISHEET'93的方盒件拉深为例,运用改进的灰色神经网络模型,预测其拉裂和起皱。结果表明,改进的灰色神经网络模型具有很高的预测精度,相比于未改进的灰色神经网络模型,预测结果更加准确和稳定。     

基于BP神经网络预测筒形件对轮旋压内径扩径量

内径扩径量是衡量筒形件对轮旋压好坏的关键性指标。本文采用单因素试验设计方法和数值模拟技术,获得了以减薄率、进给比、圆角半径为试验因素,内径扩径量为评价指标的模拟数据。基于试验因素和评价指标,运用BP神经网络技术建立了3-10-1的三层神经网络结构预测模型。用模拟试验所得到的数据对该模型进行了训练和预测,将预测值与实测值相比较,证明该模型对筒形件的内径扩径量有很好的预测效果。