定时器声效特征与计算机故障预测

本文为解决工厂生产的实际问题，提出了对定时器进行故障预测的必要性。以人工神经网络为手段，以定时器表示能量的特征面积为对象，构造了基于神经网络的预测系统结构。最后作者给出了实验结果，并说明了用神经网络进行预测的有效性。     

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。     

基于BP神经网络的物流预测方法

针对传统物流预测方法的局限性，研究了基于BP模型神经网络的物流预测方法，即依据历史数据建立BP神经网络对其进行训练形成物流预测模型。阐明了神经网络具有记忆、学习功能，能够很好地模拟物流发展趋势。大量预测结果的准确性表明基于神经网络的物流预测是一个行之有效的方法。     

基于BP神经网络的物流预测方法

针对传统物流预测方法的局限，研究了基于BP模型神经网络的物流预测方法，即依据历史数据建立BP神经网络然后进行训练形成物流预测模型。阐明了神经网络具有记忆、学习功能，得出它能够很好模拟物流发展趋势。大量预测结果的准确性表明基于神经网络的物流预测是一个行之有效的方法。     

机械设备趋势预测与神经网络预测方法的研究

阐述了机械设备状态趋势预测的基本概念，讨论了机械设备状态预测的主要方法。研究了三种预测机械设备状态发展趋势的神经网络方法，对采用不同的神经网络预测方法的预测结果进行了分析比较。     

基于神经网络的电梯导轨多步校直弯曲形式预测

根据压力校直原理分析了电梯导轨校直过程中影响校正挠度的主要因素,以此作为神经网络输入数据。利用正交化方法设计得到的实验组进行有限元仿真,所得到的结果对神经网络进行训练,经检验神经网络可以达到很高的计算精度。以T127-B导轨为例,进行了五步校直,同时以训练后的神经网络对每步校直弯曲进行了预测,经验证神经网络预测结果达到导轨校直要求,此方法为电梯导轨校直专家系统提供了参考。     

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。     

机械系统智能化设计的研究：用神经网络实现系统特性的预测

本文从系统设计学的角度，探讨采用神经网络的方法在机械系统设计过程中，实现对机械系统特性的预测。其目的在于在机械系统设计的方案设计阶段，相对于新产品的初步设计，设计系统基于现有产品的信息，简单、而且具有继承性地为系统提供具有反馈性的系统特性表达方法。这一研究对建立高效、短周期、智能化设计系统过程是有益的。文中以雷达的结构系统固有频率预测为例，提出运用神经网络对机械结构系统特性进行预测的方法。本文的主旨在于推介在机械系统设计的方案设计过程中，应用神经网络方法进行系统特性预测的方法。     

多因素非线性神经网络预测法及其应用

多因素非线性神经网络预测法及其应用本文讨论了预测技术发展中存在的多因素预测难点问题。文章从神经网络的非线性影射和信息综合功能出发，探讨了神经网络进行多因素非线性预测的原理及其拓扑结构。关于工件表面粗糙度发展趋势的预测应用表明，如果同时兼顾刀具磨损状态...     

基于遗传算法优化灰色神经网络的机床主轴热误差建模研究

针对机床主轴热性能对加工精度产生影响的问题,对机床主轴热误差建模方向进行了试验研究。以数控磨床主轴为研究对象,通过热特性试验获得了阶梯转速下的温度变化数据和热误差数据,对温度数据进行了模糊聚类分组,并采用相关系数法选出了温度敏感测点;通过对灰色神经网络初始参数进行优化,建立了遗传算法(GA)优化的灰色神经网络热误差预测模型;在该模型中,以灰色神经网络的预测输出和实际值的绝对误差作为遗传算法适应度函数,以平均相对误差作为预测模型的评价标准,并与灰色神经网络、BP神经网络预测结果进行了对比。研究结果表明:该预测模型具有更高的预测精度,通过GA对灰色神经网络的初始参数进行优化,可有效地提高网络的预测精度,更好地用于热误差补偿系统。     

基于结构自适应径向基神经网络的油样光谱数据建模

基于光谱分析数据的机械磨损状态预测有利于发现机械系统的早期磨损故障。由于神经网络对于非线性模型的辨识和非平稳信号的预测，与传统预测模型相比具有明显的优势，将神经网络预测方法运用于光谱分析，提出了基于神经网络预测的光谱分析监测技术。在预测模型中采用了在函数逼近、分类能力和学习速度均优于BP网络的径向基函数（RBF）神经网络模型，针对RBF网络的结构对于信号预测或模型辨识的精度具有影响很大的问题，提出了结构自适应RBF网络预测模型。利用遗传算法，对神经网络输入节点数、径向基函数分布系数及网络训练误差进行了优化，得到了最优的RBF网络预测模型。最后，对某航空发动机实际的光谱分析数据进行了预测和分析，并与ARMA模型进行了比较，结果充分表明了文中方法的有效性和优越性。     

基于VHDL的滴灌控制系统及定时器的设计

滴灌控制系统的定时器是滴灌系统控制模块的一个重要器件。介绍了一种滴灌控制器的系统工作原理、计算机控制系统的组成和定时器芯片CPLD／FPGA的逻辑功能，设计了滴灌控制系统的核心元件定时器；重点讲述了采用VHDL进行滴灌控制定时器ASIC的设计思路，并对滴灌控制系统定时器的逻辑功能进行仿真。仿真结果表明，定时器能完成设计的复位、测试、定时和计时功能。     

神经网络在地铁客流预测中的应用

以莘庄地铁站一号口自动扶梯一周客流统计的数据为样本,分别用BP和Elman神经网络建立模型对地铁自动扶梯客流进行预测,经对预测数据的分析对比,证明Elman神经网络更加适合地铁站自动扶梯客流预测。     

油田注水泵神经网络在线趋势预测技术的研究

在线趋势预测是实现以先进的预知维护取代传统的以时间为基础的预防性维护的关键技术,人工神经网络在线预测是进行机械设备趋势预测的新途径.探讨了将神经网络应用于油田大型注水泵的趋势预测技术,建立了注水泵人工神经网络趋势预测模型,进行了工业现场注水泵神经网络在线趋势预测技术的应用研究及实践验证.     

电子商务供应链中零库存的研究

针对创新性产品，提出并深入研究了零库存的概念，建立了适合企业生产及库存预测的电子商务供应链模型，实现产品的生命周期与零库存的无缝链接。设计并构造了变步长自构型神经网络，以零库存为期望值，对诸多非结构化、非线性数据进行整合、分析及预测，给出了零库存的整体解决方案。     

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。     

基于集成BP神经网络的数控机床主轴热误差建模

为了解决单一BP神经网络模型预测性能不稳定的问题,提出一种集成BP神经网络的数控机床主轴热误差建模方法。采用模糊c均值聚类法筛选温度敏感点,消除了冗余温度变量间的多重共线性。从机器学习的角度出发,分别采用平均法、中位数法和普通最小二乘法将几种具有弱预测性能的典型BP神经网络模型进行集成。以THM6380卧式加工中心为研究对象进行了主轴热误差实验,热误差预测性能分析结果表明,集成模型的预测精度和泛化能力优于单一BP神经网络模型,为机床主轴热误差建模及后续热误差补偿提供了新的思路。     

遗传小波神经网络在机床碳排放预测中的应用

机床的生产加工过程中,会产生大量的碳排放,通过分析机床加工过程的碳排放相关量,预测碳排放值,从而达到降低碳排放的目的;将遗传算法对具有自适应性和函数逼近能力的小波神经网络的参数进行全局优化,来构建遗传小波神经网络模型,对机床加工过程的碳排放进行预测;并通过实验数据将遗传小波神经网络与传统小波神经网络的预测结果进行对比,结果显示,优化后的小波神经网络在机床碳排放的预测结果平均误差为0.48%,均方误差为20.5303,均优于传统神经网络,证实了在机床碳排放预测中遗传小波神经网络相对传统神经网络具有更高的逼近精度;从而能够较为准确地对机床碳排放进行预测和控制。     

基于遗传算法优化的BP神经网络在粗糙度预测上的应用

针对BP神经网络预测工件表面粗糙度精度不高的问题,提出了一种基于遗传算法优化的BP神经网络预测方法。首先用遗传算法对BP神经网络的初始权值、阈值进行全局寻优,然后对优化的BP神经网络进行训练、预测。通过MATLAB进行了粗糙度预测仿真验证。结果表明:优化的BP神经网络比未优化的BP神经网络具有更高的预测精度。