基于混沌神经网络的蓄电池寿命预测

利用蓄电池对光伏系统进行供电,不可避免地会出现电压不稳等问题.而目前对蓄电池的管理主要依靠充放电实验和外观观察等技术手段,在蓄电池数量较多时,无法有效兼顾.如何科学有效地预测蓄电池寿命成为需要研究的重大课题.文章基于霍普菲尔德人工神经网络(CHNN)得到一种新的混沌神经网络模型,将它运用到光伏蓄电池的预测系统中,通过混...     

基于BP神经网络的金刚石锯片寿命预测

在花岗石锯切过程中影响金刚石锯片寿命的因素交错复杂,对正确设计、制造和使用工具都带来极大困难。利用神经网络方法,研究花岗石种类、特性、锯切参数等多处因素对工具寿命的交互影响规律,对花岗石锯切用金刚石圆锯片的制造、使用起了指导作用,从而提高工具的加工效率,降低加工成本,经网络训练表明：（１）以花岗石的石英、长石和斜长石的百分含量、抗拉强度、抗压强度;（２）以锯切用量的切深、进给量、锯片圆周速度为输入     

基于信息融合的刀具剩余寿命在线预测方法

针对加工中心刀具剩余寿命预测的实际需求,提出了一种基于信息融合的刀具剩余寿命在线预测方法.通过在加工中心主要功能部件上安装传感器,实时采集加工中心运行过程中的动态信号,经信号预处理和特征参数提取,采用皮尔逊相关系数和残差分析相结合的方法进行特征降维,获得最优的特征参数集.建立基于自适应神经模糊推理系统的刀具剩余寿命预测模型,在线预测刀具剩余寿命.实例分析结果显示:该预测方法的预测结果平均准确率为95.21%,可以满足实际需求.同时,将该预测方法与BP神经网络及其变异模型进行了对比,发现该预测方法预测精度更高.     

基于深度学习与粒子滤波的刀具寿命预测

刀具在加工过程中会受到材料的挤压、摩擦、冲击与腐蚀等因素影响,导致切削刃出现崩刃、磨损等现象.这些现象使得工件尺寸出现偏差,严重时甚至会对机床和人员带来伤害.有效的刀具剩余使用寿命预测可以提高加工效率,保证加工精度,降低加工成本,因此具有重要的研究价值.针对反映刀具磨损程度的趋势性特征自学习提取与刀具剩余使用寿命预测问题,提出了基于深度学习与混合趋势粒子滤波的刀具剩余使用寿命预测方法.使用刀具未发生磨损的信号特征训练降噪自编码器,然后将刀具各磨损阶段下的信号特征输入训练好的降噪自编码器中,提取其重构误差作为单调性特征,为了解决样本数量不足带来的过拟合的问题,对原始样本进行了加噪处理.考虑到传统粒子滤波算法进行刀具剩余使用寿命预测的过程中无法自适应调整状态方程,提出混合趋势粒子滤波算法来实现刀具剩余使用寿命预测.采集刀具全寿命周期的切削力信号并进行处理与分析,分析结果证明了所提方法能够有效实现反映刀具磨损的趋势性特征自提取,该特征提取方法可以减少人为因素的影响,降低训练成本,同时,相比于传统粒子滤波,混合趋势粒子滤波算法对刀具剩余使用寿命预测精度更加准确可靠.     

基于改进Elman神经网络的徽派古建筑寿命预测

徽派建筑是我国四大古建筑流派之一,木构件是徽派建筑的核心.准确预测徽派木构件的寿命,对于古建筑的保护具有重要的意义.目前系统考虑多种因素对木构件寿命共同影响的研究较少,Elman神经网络是一种典型的多层动态递归神经网络,通过存储内部状态使其具备映射动态特性的功能,从而使系统具有适应时变特性的能力,可用于预测木构件复杂的非线性时变系统的建模.针对基本的Elman神经网络存在训练速度慢、容易陷入局部极小值的特点,使用带有自适应变异算子的粒子群优化算法对基本的Elman神经网络进行改进,优化网络中各层之间的连接权值,提高学习速度,并在全局范围内寻找最优解.仿真结果表明,改进后的网络能较准确地拟合训练值,并进行有效预测,能够较好应用于徽派古建筑寿命预测.     

基于灰色神经网络的设备剩余寿命在线预测

为解决高可靠复杂设备的剩余寿命通常与多个性能参数共同退化相关的实际问题,提出一种多变量灰色误差神经网络预测方法。首先,建立经过背景值优化的多变量灰色预测模型MGM(1,n),并得到原始数据序列的初始预测值。然后,利用神经网络建立残差序列与原始数据序列之间的映射关系,训练RBF神经网络。最后,将改进的MGM(1,n)模型和RBF神经网络集成,建立多变量灰色误差神经网络预测模型。实例计算结果表明,与单一预测模型相比,该方法能够有效提高预测精度。     

基于BP神经网络的全断面岩石隧道掘进机刀具系统故障预测研究

目的 研究滚刀故障机理并实现对全断面岩石隧道掘进机(Tunnel Boring Machine,TBM)刀具系统的故障预测,分析滚刀故障对系统驱动端参数的影响,提高刀盘掘进效率.方法 基于Adams软件建立驱动系统动力学模型并进行仿真分析;提出并建立具有5-12-5形式网络结构的TBM刀具系统故障预测BP神经网络模型;...     

基于改进卷积神经网络的航空发动机剩余寿命预测

完成了不同拧紧力矩下复合材料层合板与金属板单钉连接拉伸静强度实验。建立了三维有限元模型,对层合板失效过程进行了分析。基于实验数据调整了层合板初始刚度,对数值模型进行了修正。修正后数值计算模型的连接强度与实验数据基本吻合。由分析可知,拉伸实验曲线达到强度极限前呈现近似双线性特征,斜率突变处发生了载荷衰减波动。试件接触面经历了初始静摩擦-瞬时动摩擦-静摩擦平衡的动态过程。M6螺栓拧紧力矩为8 N·m时,静载拉伸强度最大。连接强度的试验值与计算值误差均在6.7%以内。合适的拧紧力矩可获得最佳的连接强度,拧紧力矩过大会导致连接强度降低。     

基于广义维数与优化BP神经网络的刀具磨损量预测

根据多重分形理论,采用改进的盒计数法计算了切削加工过程中声发射(AE)信号的广义分形维数,得到了不同刀具磨损状态下AE信号的广义维数谱,分析了广义维数与刀具磨损量之间的关系.以广义分形维数以及切削加工参数为特征,进行归一化处理后作为BP神经网络输入向量;采用遗传学算法,对BP神经网络的初始权值和阈值进行了优化,利用优化后的神经网络对刀具磨损量进行预测.测试结果表明,该方法可以较精确地预测刀具磨损量,平均预测误差为001mm.     

基于神经网络的武器系统寿命费用分析方法研究

影响武器系统周期费用的因素非常复杂,充分利用现有系统提供的信息,建立系统特征因素评价的合理模型,最后提出了一种基于神经网络的武器系统寿命周期费用的预测方法,并通过仿真分析表明,提出方法的可行性。     

整体叶盘盘铣开槽加工刀具寿命预测

针对目前预测刀具寿命的方法存在精度不高、受试验数据限制等缺点,提出了用灰色系统理论预测刀具寿命。首先,设计整体叶盘盘铣开槽加工试验,采用表面质量测量仪测量盘铣刀后刀面磨损增长量,根据试验测量的后刀面磨损增长量绘制刀具寿命曲线。然后,选取刀具寿命曲线正常磨损阶段的有限组数据组成时间序列,采用灰色系统理论,建立关于刀具寿命的预测模型。预测结果表明:以灰色系统理论建立的盘铣刀寿命预测模型,预测值与试验值的相对残差均在5.0%以内,模型精度为98.26%,满足工程需要,可用于盘铣开槽加工过程中刀具寿命的预测。     

基于模糊神经网络的刀具磨损识别

为了实现刀具磨损状态的自动识别，采用机床功率法进行了刀具自然磨损和不同切削参数（切削速度、进给量和切削深度）对功率信号影响的实验。在此基础上，建立了功率信号的时序AR模型。在提取作为刀具磨损特征量的AR模型参数时，考虑了切削用量对模型参数的影响，提出了特征量选取的准则，使所提取的特征量更加实用化，通过具体自学习和良好函数逼近能力的神经网络获得了特征量对刀具状态的隶属函数，并利用模糊神经网Fuzzy ART实现了刀具磨损状态的自动识别，识别正确率为95%，说明所提出的方法是有效可行的。     

FMS刀具寿命优化管理研究

刀具的磨损与具体的加工状态直接相关,在一般的ＦＭＳ刀具管理中,大多采用切削时间累加的方法进行刀具寿命管理,此法难于准确衡量刀具的磨损。该文首次提出刀具相对磨损率的概念,采用建立切削数据库的方法,得到刀具相对磨损率的计算公式,并应用于ＦＭＳ刀具管理中,以进行刀具寿命的优化管理。实例计算表明,此方法是可行的。     

结构疲劳寿命及可靠度的神经网络预测方法

基于疲劳曲线,考虑应力范围的随机性,获得了结构疲劳寿命所服从的分布,计算出期望寿命的可靠度．采用人工神经网络后向传播BP模型,把应力范围与所期望的疲劳寿命作为输入节点,期望疲劳寿命的可靠度作为输出节点;或者把应力范围与所期望的可靠度作为输入节点,期望可靠度下的疲劳寿命作为输出节点,进行网络学习,建立应力范围、结构疲劳寿命及可靠度之间的关系,用于预测某应力范围下所期望可靠度的疲劳寿命,或者所期望疲劳寿命的可靠度．通过具体算例表明该方法正确,精度满足工程要求．     

基于神经网络的预测控制模型研究

本文研究基于生产过程输入输出数据建立系统的神经网络模型问题，训练好的神经网络可作为预测模型，实现非线性系统的预测控制；这对一大类过程控制系统的建模与控制具有启发意义。     

基于 ABC-BP神经网络的洪水预测研究

该文介绍了人工蜂群算法(ABC)和BP神经网络算法,详细阐述ABC算法优化BP神经网络的权值和阈值.通过实验仿真对比,该文提出的算法预测结果比仅仅使用BP神经网络算法以及混沌径向基神经网络模型算法精度更高,是一种有效可靠的洪水预测方法.     

基于神经网络的预测控制模型研究

本文研究基于生产过程输入输出数据建立的神经网络模型问题。训练好的神经网络可作为预测模型，实现非线性系统预测控制；这对一大类过程控制系统的建模与控制具有启发意义。     

基于神经网络的建筑工程造价预测研究

采用误差反向传播人工神经网络模型（BP网络模型），以建筑特征参数为输入变量，通过实际资料对网络进行训练和模拟，并用贡献分析法筛选输入变量，对网络结构进行优化，结果显示了该模型在建筑工程造价预测中的有效性     

基于组合神经网络的软件可靠性预测研究

为了进一步提高神经网络的预测能力,提出了一种前馈神经网络混合学习算法,并将其应用于组合神经网络.该算法由一种模式提取算法(Alopex)和伪逆算法组成.在该混合学习算法中,网络的学习任务被分解为2个部分:隐藏层的权值先随机给定,然后使用Alopex算法不断地对其进行扰动;输出层的权值使用伪逆算法确定.所使用的组合神经网络由多个结构相同的前馈神经网络组成,每个前馈神经网络都使用混合学习算法(采用不同的初值)进行训练.实验结果表明,这种组合神经网络能够显著提高软件可靠性的预测精度.