基于Elman网络的切削表面粗糙度预测方法

根据Elman神经网络模型能够逼近任意非线性函数的特点和具有反映系统动态特性的能力,讨论神经网络非线性、多因素预测原理及其拓扑结构的基础上,提出利用Elman神经网络建立切削表面粗糙度预测模型的方法;在Matlab及其神经网络工具箱的基础上,采用Elman神经网络对铝6061切削表面的粗糙度进行训练、预测、分析.结果表...     

基于BP神经网络饲料配料误差补偿模型

由于配料误差具有多因素非线性的特点,采用自适应平滑预测等传统模型实现误差补偿,难以保证计量精度。利用神经网络的学习能力,可提高预测的可靠性。在分析饲料自动配料系统的误差及控制的基础上,讨论了配料误差动态控制的主体--空中料柱量及其影响因素。依据BP神经网络模型的结构原理,建立了饲料配料自适应误差补偿BP神经网络模型,阐明了模型计算与应用的方法,并对应用结果进行了检验分析,取得了满意的效果。     

基于神经网络的轧机液压AGC系统自适应辨识

在分析液压AGC的组成元件及其动态特性的基础上，利用神经网络具有逼近任何非线性函数且具有自学习和自适应的能力，建立基于时间序列的前馈动态模型辨识结构，应用扩展BP算法对轧机液压AGC力控制系统进行非线性预测，将预测结果应用最小二乘辨识方法进行线性系统的特征参数辨识，仿真及实测结果表明此方法行之有效，为轧机液压AGC的辨识提供了新途径。     

光谱油样分析数据的神经网络多变量预测技术

针对非等间隔的受加油因素影响的光谱油样分析数据的建模预测问题，利用人工神经网络高度的并行分布式、联想记忆能力、自组织学习能力和极强的非线性映射能力，建立了BP神经网络的多变量预测模型。同时，用遗传算法对网络参数进行了优化。最后，利用两组实际的航空发动机油样光谱分析数据对模型进行了验证。结果表明，提出的神经网络多变量预测模型能有效解决实际的受多因素影响的油样分析数据建模问题，具有较强的工程实用价值和通用性。     

神经网络与正交试验设计在板料成形毛坯形状预测中的综合应用

以带法兰的低方形盒的毛坯形状预测为例，讨论了BP神经网络和正交试验法在毛坯形状预测的综合应用问题，建立了能描述6个工艺参数与毛坯形状之间非线性映射关系的神经网络模型。将正交试验法用于神经网络训练样本的设计和BP网络结构参数的确定，可大大减少训练样本和网络结构参数的试算次数，缩短神经网络的设计周期。     

螺杆泵定子橡胶磨损趋势的遗传神经网络预测模型

针对螺杆泵定子橡胶在复杂工况下受多种因素影响的磨损预测问题,结合各影响因素之间非线性、时变性和强耦合性的特点,将遗传算法和BP算法相结合以实现网络结构参数的优化,建立了遗传神经网络的螺杆泵定子橡胶磨损趋势预测模型。同时,利用测试样本数据将模型的预测结果与BP算法的预测结果进行了比较。结果表明,基于遗传算法的BP神经网络优于BP算法,能够有效地解决受多因素影响的螺杆泵定子橡胶磨损预测的建模问题,具有一定的实用价值。     

旋转机组的基于变权重神经网络组合预测模型

面向旋转机组工作状态的趋势预测，结合组合预测模型和人工神经网络预测模型的各自优点，提出了一种变权重神经网络组合预测模型的新方法。该方法是变权重神经网络的非线性映射能力，依据各单项预测模型对预测结果的不同影响。动态确定组合预测模型的权系数。在大型旋转机组工业现场应用中，采用这种模型进行预测提高了预测精度，获得较好的预测效果。     

设备故障趋势预测的分析与应用

研究了设备故障趋势的预测方法，介绍了非线性自回归模型，提出将BP神经网络与非线性自回归模型相结合，针对实验室JZQ250型齿轮箱的测试系统建立了基于振动信号的神经网络预测模型。采用MATLAB软件中自带的神经网络工具箱，利用模块化的编程思想，编程实现了神经网络预测模型．并利用实验室数据的峭度指标进行了实验。首先给出网络的输入及对应的目标输出，然后经过训练获得网络的权值和阈值，最终构建齿轮箱故障趋势的预测神经网络，用来预测齿轮箱的故障趋势。结果表明，该模型能够有效地短期预测齿轮箱的典型故障，可以用于齿轮箱的故障诊断。     

基于人工神经网络研究油田产量预测方法

准确预测油田未来原油产量对油田的开发和生产管理具有重要的指导意义.对于具有非线性、不确定和开放特性的多变量系统进行预测,使用传统的统计学方法或静态模型预测通常不能满足精度要求.这里把BP神经网络、模糊神经网络以及基于神经网络的组合预测方法应用于多变量系统.采用了两层预测系统第一层包含两个神经网络;第二层是把第一层的两个网络输出进行组合.研究了3种不同的组合算法平均法、最小平方回归法和前馈神经网络法.实验结果表明,采用组合方法比采用单一的预测方法的预测精度有了进一步的提高,特别是应用人工神经网络(即BPNN)的组合预测优于其他的预测方法,具有较好的适应性.     

基于神经网络的轧机液压AGC系统自适应辨识

在分析液压 AGC的组成元件及其动态特性的基础上 ,利用神经网络具有逼近任何非线性函数且具有自学习和自适应的能力 ,建立基于时间序列的前馈动态模型辨识结构 ,应用扩展 BP算法对轧机液压 AGC力控制系统进行非线性预测 ,将预测结果应用最小二乘辨识方法进行线性系统的特征参数辨识 ,仿真及实测结果表明此方法行之有效 ,为轧机液压 AGC的辨识提供了新途径。     

基于BP神经网络的三角机翼飞行载荷模型研究

针对三角机翼结构设计复杂、传力路径多和大载荷引起结构非线性等因素,采用BP神经网络方法建立飞行载荷模型。通过地面静力试验,利用某型三角机翼载荷标定试验数据,建立机翼根部剪力和弯矩的载荷模型,并对多个校验工况进行验证。经与多元线性回归载荷预测结果对比分析,结果显示,BP神经网络模型预测误差都在3%以内,特别对于剪力,BP神经网络预测误差明显小于多元线性回归,表明BP神经网络可作为测量三角机翼飞行载荷的一种更加有效的工程方法。     

[成形过程的数据挖掘与深度学习方法]基于机器学习的管材弯曲回弹有效预测与补偿

采用基于优化的误差反向传播(BP)神经网络的机器学习算法建模,提出了考虑材料参数、几何参数等多因素的弯管回弹精确预测和高效控制方法。该方法通过引入非线性惯性权重及遗传算法的杂交算子,改进了粒子群优化(PSO)算法,进而通过改进的PSO算法对BP神经网络进行优化,构建了基于改进的PSO-BP神经网络机器学习回弹预测和补偿模型。以多种规格的铝合金数控弯管构件为对象,将实际生产中不同规格、批次、成形参数下回弹数据作为训练样本,实现了所建机器学习预测模型的应用验证。所建模型获得的预测结果平均相对误差为6.3%,与未优化的BP神经网络等传统模型相比,预测精度最大提高了18.5%,计算时间可从1.5 h缩短至300 s,同时实现了回弹预测与补偿精度以及计算效率的显著提高。     

BP神经网络在矿井涌水量预测中的应用

矿井涌水量问题受到多种因素的共同影响,具有非线性和高度复杂性。应用BP神经网络,结合工程实例,采用了两种不同的输入神经元构造方法来构建涌水量神经网络预测模型。首先收集了陕西大海则煤矿某个钻孔自1999~2008年7月份的涌水量数据,然后利用这些数据对已经构建好的神经网络进行训练,并用训练完成的网络进行涌水量数据预测,最后与实际值进行比较。结果表明:两种模型都可以完成预测工作且易操作,但是在预测精度上有差异。     

量子神经网络在旋转机组状态趋势预测中的应用

神经网络具有非线性函数逼近能力,常用于非线性趋势预测。为了预测旋转机组故障特征量的非线性发展趋势,提出指数加权量子神经网络。参考传统的BP(backpropagation)神经网络及指数平滑的预测方法,将量子计算与神经网络相结合,选择误差修正学习算法,并在神经网络输入层进行指数加权,构建三层指数加权量子神经网络。该网络具有非线性逼近能力,并且能通过指数加权系数反映近期和远期历史数据对将来预测值的不同贡献程度。在将指数加权量子神经网络应用于大型旋转机组故障特征量的非线性趋势预测时,实验结果表明该网络训练的速度与预测的精度均好于传统的BP神经网络预测。     

基于神经网络的敏捷制造业自动化物流信息预测的研究与实现

提出基于神经网络的敏捷制造系统物流预测模型及其算法，并采用动态反馈算法（DBF）对网络进行了训练。结合实际敏捷制造企业，通过与传统的预测方法进行比较，证明该预测系统具有良好的非线性函数逼近能力和隐层反馈的动态数据处理能力，能够学习与适应严重不确定性系统的动态特性，预测精度高。     

基于遗传过程神经网络算法的航空发动机健康状态图谱化预测方法

为直观、快速、系统地预测航空发动机的健康状态,提出一种基于遗传过程神经网络算法的发动机健康状态图谱化预测方法。针对过程神经网络结构难以设计以及训练中易陷入极小值的缺陷,采用相空间重构理论构造训练样本集,并结合遗传算法优化设计过程神经网络及其初始权值和阈值,生成由多个预测参数组成的预测性能矩阵;针对预测性能矩阵中各参数之间存在的高维性、耦合性和非线性等特性导致其中隐含的健康信息难以有效识别的问题,对预测性能矩阵中的元素加以着色,构造代表发动机性能的预测图谱,进而实现从系统层面快速预测发动机健康状态的目的。结合应用实例验证了所提方法的有效性和实用性。     

基于BP神经网络的离心泵的性能预测

针对离心泵性能实测过程繁琐费用昂贵以及鉴于神经网络在非线性系统映射的优越性,提出利用神经网络中的BP网络模型来预测离心泵的性能,并用Matlab7对一系列的离心泵进行性能预测.预测结果表明:神经网络可以实现对离心泵性能的精确预测并用于实际应用.     

神经网络算法的软件应用研究

BackPropagation神经网络是重要的人工神经网络,有强大的非线性映射、自学习、泛化容错能力,并能充分考虑主观因素,具有启发式搜索的特点。主要介绍BP网络算法用JAVA语言的实现方式及其在预测股票价格方面的应用。     

基于神经网络的非线性振动系统识别：由脉冲响应的学习实现系统响应的预测

本文从工程应用的实际出发,提出了一种适用于非线性振动系统识别的神经网络模式。文中以非线性振动为物理模型对象,通过时序列脉冲响应的学习实现强制激振响应的预测例,验证了所提出的神经网络模型中的预测结构形式与输入和输出的构成,以及有限学习信息利用方法的有效性。     

基于BP神经网络的齿圈装夹变形预测研究

针对薄壁齿圈的装夹变形问题,将Abaqus有限元仿真与BP神经网络技术应用到了齿圈装夹变形预测中。根据齿圈实际加工装夹情况,应用Abaqus有限元分析软件,建立了齿圈装夹变形的仿真模型,开展了齿圈装夹变形的有限元分析研究,建立了齿圈装夹力及其径向最大装夹变形之间的关系;以Abaqus有限元仿真数据作为训练样本和检验样本,借助BP神经网络良好的预测精度和非线性泛化能力,通过MATLAB神经网络工具箱,建立了基于BP神经网络的齿圈装夹变形预测数字化模型;并根据检验样本对模型进行了检验,预测值与仿真值之间的相对误差在0.05%之内。研究结果表明:建立的基于BP神经网络的齿圈装夹变形预测数字化模型是准确有效的,可以为智能化大数据加工制造环境下的齿圈装夹参数优化提供准确有效的数据。