基于随机森林与神经网络的铝电解分子比预测

本文基于随机森林与神经网络方法对铝电解过程中的分子比进行预测。使用采集到的包括电流、电压和铝水平等数据作为自变量,分子比作为因变量,基于随机森林回归算法的嵌入式特征选择的方法选择最优特征子集。然后将该最优子集作为神经网络的输入预测铝电解过程中的分子比参数,最终得到了很好的预测效果,从而验证了该方法的有效性与准确性。     

基于径向基神经网络的广义预测控制研究及应用

实际工业生产过程中常含有非线性、滞后环节,特别是在化工、冶炼等生产过程中尤为显著.连续搅拌釜式反应(CSTR)在反应过程中会产生大量的反应热,及时地移去反应热保证生产正常进行是控制的主要目标.采用了基于神经网络的预测控制来解决非线性、滞后等环节的影响.讨论了广义预测控制的基本结构与原理,研究了广义预测控制算法的预测模型、反馈校正、滚动优化.选取径向基(RBF)网络建立了系统的多步预测模型,并对连续搅拌釜式反应过程进行了仿真.仿真结果表明,基于RBF神经网络的广义预测控制器具有良好的自适应性、鲁棒性和抗干扰能力.     

基于铝电解氧化铝浓度辨识的智能加料控制策略

针对目前铝电解的加料控制,提出了一种基于设定值优化的控制策略及智能加料控制方法。根据铝电解过程特性,采用了广义回归神经网络(GRNN)来辨识氧化铝浓度模型,并利用遗传算法优化寻找最佳光滑因子σ,当所辨识的实际氧化铝浓度模型的输出量误差最小化时,获得最佳的平滑因子。设计了模糊小脑模型神经网络(FCMAC)控制器,将氧化铝的浓度控制在理想区域内,提高了铝电解过程的控制性能。     

基于量子优化的铝电解多目标控制系统理论研究

针对电解铝生产节能降耗,提高能源利用率的需求,根据铝电解控制过程复杂,变量多等特点,提出了一种铝电解多目标优化控制策略。建立了基于Elman神经网络的铝电解直流电耗与电流效率的预测模型,铝电解多目标优化控制系统,采用BP神经网络控制器用以提高控制精度和动态跟踪精度,以及用量子优化的方法对BP神经网络控制器进行了优化。仿真结果表明基于量子优化算法的控制系统相比于改进型非劣分类遗传算法(NSGAII)优化的控制系统,理论上在相同的电流效率的情况下,直流电耗会明显降低。     

基于遗传神经网络的铣削力预测方法

铣削过程的复杂性和铣削力产生的多因素性使得铣削力预测模型很难建立.论文在遗传算法与BP网络模型相结合的基础上,利用遗传算法训练神经网络权重的方法,建立了铣削力预测的遗传神经网络模型.最后将神经网络预测结果与实验数据进行比较和误差分析,证明了该神经网络能够准确地预测铣削力的大小.     

BP神经网络在流量比值控制系统中的应用

针对在PCT-2型过程控制装置进行流量比值控制时,PID参数难以整定的问题,提出了一种基于神经网络自适应的PID流量比值控制方法.该算法利用BP神经网络的非线性表示能力,通过系统的自学习来实现具有最佳组合的PID控制.这种方案达到了在线实时控制的目的.实验表明:在流量比值控制系统中,基于BP神经网络的PID控制算法比普通PID控制算法具有更好的动态性能和鲁棒性,能取得很好的控制效果.     

基于神经网络和灰色理论的密闭鼓风炉透气性预测模型

以密闭鼓风炉熔炼过程为研究对象，采用自适应组合集成技术将神经网络NN和灰色理论有机结合的方法建立了密闭鼓风炉透气性预测模型。仿真和工业应用结果表明：所提出的模型能很好地实现密闭鼓风炉透气性的预测，并能使铅锌产量得到显著的提高。     

基于灰色理论的数控机床故障预测的研究

针对数控机床可靠性故障间隔预测模型过程中数据采样难度大、成本高、数据量小、常规数据拟合和预测方法误差较大、数据难以处理等问题,提出一种基于传统灰色预测模型,将灰色残差优化模型和BP神经网络模型相结合的预测方法。在预测过程中该模型首先根据灰色理论建立主轴可靠性故障模型,再用BP神经网络训练并优化灰色理论的残差,最后用文献的主轴故障数据验证预测精度。通过不同的算法对数控机床主轴故障的试验数据验证,证明了灰色神经网络模型在主轴可靠性故障间隔工作时间的预测上优于单一算法及GM(1,1,P)模型,验证了灰色神经网络模型的可行性及有效性。     

基于BP神经网络的WSTi3515S阻燃钛合金超塑性变形行为预测

以WSTi3515S阻燃钛合金超塑性拉伸试验所得试验数据为基础,基于BP (Back Propagation)人工神经网络方法,建立了该合金超塑性变形过程中流变应力的神经网络预测模型。模型的输入参数为变形温度、应变和应变速率;输出参数为流变应力;结构为3×10×12×1双隐含层的4层网络模型。结果表明,BP神经网络模型能够很好地描述WSTi3515S合金超塑性变形时各热力学参数之间高度非线性的复杂关系,可精确地预测超塑性拉伸过程中的流变应力,平均相对误差为1.08%。     

基于遗传算法优化Elman神经网络的机床热误差建模

为了提高数控机床热误差模型的预测精度,以某型号立式加工中心为实验对象,采用模糊聚类与灰色综合关联度相结合的方法对机床测温点进行优化,将测温点从8个减少到3个。利用遗传算法(GA)优化的Elman神经网络建立了主轴热漂移误差预测模型,通过实例比较了GA-Elman神经网络模型与普通Elman神经网络模型的预测效果。结果表明,与普通Elman神经网络所建的预测模型相比,GA-Elman神经网络模型对主轴轴向热漂移误差的预测精度较高,残差较小,网络的泛化能力较好。     

恒切削力加工过程的神经网络预测控制

切削过程恒力控制对于提高生产率、保证加工精度具有重要作用。文章以车削加工过程为对象,研究恒切削力加工过程中当切削深度发生突变时,如何减少系统输出切削力超调的问题。将预测控制策略与神经网络理论相结合,在神经网络学习时,使切削进给在切削深度发生突变前提前发生相应变化,提出了恒力切削过程的神经网络预测控制算法。仿真结果表明,与传统自适应神经网络控制相比,加工过程的神经网络预测控制能够有效的解决在背吃刀量发生突变时,加工系统输出的切削力过大的问题,显示出比加工过程传统神经网络自适应控制更好的综合性能。     

基于群智优化RBF神经网络的预测控制模型研究

为了提高预测控制模型的准确度,采用RBF神经网络来完成网络流量预测,并借助群体智能算法中的混合蛙跳算法来实现模型参数的优化。首先,在建模过程中引入混合蛙跳算法。然后,将RBF神经网络权重和阈值作为青蛙个体,随机产生的多个权重和阈值组合个体构成蛙群。对蛙群进行分组,并通过不断重新分组和组内迭代的方法来获取全局最优个体,从而得到最优权重和阈值,以便确定最优的预测控制模型。经过实验证明：采用基于群体智能优化RBF神经网络的预测控制模型具有更高的准确度。     

基于工业网络的电弧炉神经网络控制系统

介绍了基于工业计算机网络的电弧炉控制系统,该系统采用三层网络结构即管理层、控制层、设备层完成电弧炉和精练炉的控制,实现了炼钢过程的优化控制及数据监控,完成了工艺优化,提高了生产效率。电弧炉和精练炉控制采用基于三相意识的专家控制系统,并提出一种新的电弧炉控制算法预估补偿算法。通过预估对象的状态,对常规控制器的输出做补偿控制,使系统较好地适应负荷变化和外部的干扰,使电弧炉控制过程性能大大提高。     

基于熔池视觉特征的铝合金双丝焊熔透识别

熔透是焊接质量的重要评价指标之一,铝合金对焊接工艺敏感性较高,容易出现熔透不均匀情况.试验利用近红外视觉传感方法获取了铝合金单面焊双面成形焊接过程中未熔透、熔透和过熔透三种情况下的清晰熔池图像,通过图像处理获得了准确的熔池轮廓,定义并提取了熔宽、半长、面积、周长和抛物线系数等能反映熔透状态的熔池特征参数,建立了基于BP神经网络的铝合金双丝焊熔透识别模型.结果表明,5-13-3结构的BP神经网络对熔透状态识别的正确率最高,达到89.05%.     

基于数据仓库的铝电解网络监控系统的设计与实现

在铝电解生产过程中，局域网和工业控制网集成，即监控系统的网络化，已成为当前及今后企业信息化发展的主要目标之一。本文提出了铝电解网络监控系统的设计与实现技术，该系统基于ORACLE等大型关系型数据库和数据仓库技术，实现了局域网与CAN网的集成。文中详细论述了系统实现了几个关键问题，如数据的采集与提取、组织与存储，信息的显示，网络中信息的传输等。在文章最后，对与管理系统相融合做了初步探索。     

基于BP神经网络的2D70铝合金本构关系模型

利用Thermecmastor-Z型热加工模拟试验机对2D70铝合金进行等温恒应变速率压缩试验,获得了不同变形温度、不同应变速率和不同真应变下的流动应力数据.结合实验数据和神经网络知识,建立了具有BP算法的人工神经网络,训练结束后的神经网络即成为2D70铝合金的一个知识基的本构关系模型.误差分析表明,该神经网络本构关系模型具有较高的精度,可用于指导2D70铝合金热加工工艺的制定,并可用于2D70铝合金热变形过程的有限元模拟.     

真空退火炉智能变结构控制方法的研究与应用

从工程实际应用的角度出发,针对金属材料真空退火过程中系统的非线性、工艺参数的不确定性和对外部干扰的不灵敏性等特点,结合非线性不确定系统理论研究,采用神经网络建立系统的模型,利用自适应免疫遗传算法(AIGA)对滑模面和控制器的参数及神经网络的权值、阈值进行优化,得出了一种真空退火炉工件温度精确控制的智能变结构控制策略。实验表明,这种方法控制温差在±4℃,优于基于单一模型的模型参考自适应控制或PID策略的控制方式,具有较好的动态特性和耐久性。     

铝合金脉冲MIG焊过程解耦控制模型及仿真

针对铝合金脉冲MIG焊存在多参数强烈耦合并严重影响过程控制稳定性的问题,建立了其多输入多输出(MIMO)控制模型.在此基础上,运用多变量控制理论,设计了神经网络PID多变量强耦合时变控制系统.介绍了该控制器的结构和算法,分析了控制对象的特点,对铝合金脉冲MIG焊过程进行了仿真.结果表明,采用神经网络PID控制的神经网络对象逆模型解耦控制系统结构和解耦算法来控制铝合金MIG焊接过程,取得满意的动态和稳态性能.为实现铝合金脉冲MIG焊过程控制奠定了理论基础.     

双机架铝带连轧机张力系统的模糊神经PID控制

针对1 850 mm双机架铝带冷连轧过程中张力控制系统(ATC)存在参数时变、非线性等问题和传统PID参数不易整定的局限,建立了速度-张力系统数学模型,在误差绝对值积分函数(IAE)和最大灵敏度(Ms)的准则约束下,提出了通过离线极点配置训练模糊神经网络(FNN),在线FNN可以根据系统参数的变化获取恰当PID控制器参数的控制策略。Matlab仿真表明,本控制算法具有较好的动态特性和控制精度,对参数时变性的ATC系统具有良好的控制效果。