一种基于聚类的板形控制模糊神经网络模型

针对冷轧过程中难以建立精确的板形控制数学模型的问题,设计了RBF模糊神经网络模型用于冷轧板带过程中的板形控制.基于一种无监督聚类方法确定了模糊规则数和网络初始参数以建立网络初始模型;采用BP算法训练网络,使网络能够快速收敛;同时,为使所建立的控制系统能够应用于在线控制,增加了模糊规则在线自学习功能,避免网络过度修正权值.仿真实验表明,所建立的RBF模糊神经网络模型控制精度高,满足板形在线控制要求.     

基于BP神经网络的铸机故障诊断系统研究

为提高铸机故障诊断能力,设计利用BP神经网络实现故障与特征的非线性映射方法。在该映射关系中,分析了BP网络故障诊断思路,并以搬运机械手为例,通过BP神经网络对其网络控制、液压驱动、回转及行走配合过程中的故障进行诊断。通过分析表明,BP网络能解决复杂装备诊断困难等问题。     

隐层神经元数对基于神经网络的自相关过程控制的影响

将传统修哈特控制图应用于自动化连续生产过程,经常会引发大量虚发报警。使用神经网络方法对存在相关性的连续生产过程进行研究时,取得了良好效果。本文在使用BP神经网络对自相关过程进行监控的基础之上,对隐层神经元数对于神经网络训练收敛性及识别率的影响进行分析研究。针对一定的输入层神经元数,选择合适的隐层神经元数将极大的改善网络的训练效果并提高网络的识别率。     

基于模糊神经网络进行冷轧板形智能控制的研究

针对板带轧制过程中影响板形质量的非线性因素众多、精确数学模型难以建立的特点 ,提出冷轧板形控制的模糊神经网络方法 ,建立 BP网络模型 ,应用于六辊 HC冷轧机板形控制中 ,仿真实验结果表明 ,控制效果相当好 ,其超调小、鲁棒性强 ,达到了板形在线智能控制之目的     

基于神经网络的助力搬运装置自适应控制方法研究

为提高助力搬运装置在建筑工地等复杂路况下的适用性,通过对国内外助力系统及其控制方法发展现状的调查和分析,提出一种智能助力控制系统。首先建立控制模型,在智能控制的研究中发现BP神经网络能够对输入信息进行识别并分类处理,且计算较简单,容易实现,但BP神经网络隐含层节点数难以确定、易陷入局部最小值,因此,采用遗传算法对BP神经网络进行优化(GA-BP),并设计具体实现方法。采集平坦、斜坡两种路况的数据,通过人工赋予理想输出数据,将其一部分作为训练数据,对GA-BP神经网络及BP神经网络进行对比训练,另一部分作为验证数据,检验两种网络的训练结果。使用MATLAB进行数据仿真分析,验证GA-BP神经网络控制方法的可行性。试验结果表明:这种控制方法能够有效地解决助力搬运装置在复杂路况下的自适应控制问题。     

改进遗传BP网络在涡流检测中的应用

针对传统的BP算法存在收敛性能差,易陷入局部最小的缺点,在涡流无损检测的缺陷快速识别中,提出采用遗传算法(GA)作为神经网络的学习算法。为避免网络的过早收敛,对传统的遗传BP网络进行了改进,应用自适应算法选择遗传算子值。结果表明,与BP神经网络相比,改进GA神经网络的收敛性能和推广能力都有了显著提高。     

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.     

基于遗传算法的无头轧制技术闪光焊机行走系统

介绍了无头轧制闪光焊机的行走系统的组成及其工作原理,建立了闪光焊机行走系统的数学模型.提出了一种基于遗传算法和神经网络PID相结合的控制方法,该算法用GA(遗传算法)优化BP网络的初始连接权系数,得到一组较佳的BP网络初始权值的参数组合,再通过BP算法,实现PID参数的在线调整.仿真结果表明,经过GA对网络初始权值优化后,闪光焊机行走系统的输出响应能够快速的跟踪输入的信号,使系统具有精确的同步性能.     

基于LM算法的宽板V型自由弯曲参数的实时识别

在弯曲成形智能化控制过程的4个要素中，材料性能参数的实时识别占有极其重要的地位。为提高实时识别的精度和效率，根据宽板V型自由弯曲成形的特点，建立了宽板V型自由弯曲成形智能化控制过程材料性能参数实时识别的LM神经网络模型。训练结果表明，与改进的BP网络模型比较，LM网络模型的收敛精度和收敛速度均有明显的提高，为实现弯曲成形过程的智能化控制奠定了基础。     

基于蚁群优化的神经网络智能PID控制策略研究

提出了一种基于蚁群优化、BP网络学习和RBF网络辨识的智能PID控制策略,有效地克服了BP算法训练过程中收敛慢和易陷入局部极小值的缺陷.利用该控制策略,对PID参数进行在线调整,并应用于材料试验机电液位置伺服系统.仿真结果表明,与各种传统PID控制策略相比,采用该智能PID控制器控制的系统具有更好的动态响应特性和抗扰动能力.     

外圆纵向智能磨削控制系统的研究

通过对磨削机理、专家系统、模糊神经网络和人机一体化学术思想的深入研究，本文提出了一种外圆磨削加工中人机一体化智能控制策略。其中，初始磨削加工参数由基于神经网络的专家系统决定；磨削过程中采用了大进给和超切人的优化磨削方法；由二个模糊神经网络和人组成的合作智能控制系统实时修正磨削加工参数。实验结果表明，该系统在外圆磨削加工中适应性强，可极大地提高磨削质量和效率。     

基于CGSOA-BPNN优化AlCoCrNiFe高熵合金涂层等离子喷涂工艺参数

目的 解决等离子喷涂工艺参数耦合导致的参数选取困难问题,提高AlCoCrNiFe高熵合金涂层力学性能.方法 提出全局混沌高斯融合的海鸥算法(CGSOA),优化权值和阈值,使BP(Back Propagation,反向传递)神经网络训练输出理想控制参数.利用改进logistic混沌序列实现网络参数初始化种群的全局搜索,提...     

Aluminum-zinc alloy squeeze casting technological parameters optimization based on PSO and ANN

This paper presents a kind of ZA27 squeeze casting process parameter optimization method using artificial neural network (ANN) combined with the particle swarm optimizer (PSO). Regarding the test data as samples and using neural network create ZA27 squeeze casting process parameters and mechanical properties of nonlinear mapping model. Using PSO optimize the model and obtain the optimum value of the process parameters. Make full use of the non-neural network mapping capabilities and PSO global optimization capability. The network uses the radial direction primary function neural network, using the clustering and gradient method to make use of network learning, in order to enhance the generalization ability of the network. PSO takes dynamic changing inertia weights to accelerate the convergence speed and avoid a local minimum.     

Improving the Generalization Ability of an Artificial Neural Network in Predicting In-Flight Particle Characteristics of an Atmospheric Plasma Spray Process

This paper presents the application of the artificial neural network into an atmospheric plasma spray process for predicting the in-flight particle characteristics, which have significant influence on the in-service coating properties. One of the major problems for such function-approximating neural network is over-fitting, which reduces the generalization capability of a trained network and its ability to work with sufficient accuracy under a new environment. Two methods are used to analyze the improvement in the network’s generalization ability: (i) cross-validation and early stopping, and (ii) Bayesian regularization. Simulations are performed both on the original and expanded database with different training conditions to obtain the variations in performance of the trained networks under various environments. The study further illustrates the design and optimization procedures and analyzes the predicted values, with respect to the experimental ones, to evaluate the performance and generalization ability of the network. The simulation results show that the performance of the trained networks with regularization is improved over that with cross-validation and early stopping and, furthermore, the generalization capability of the networks is improved; thus preventing any phenomenon associated with over-fitting.     

基于CAPSO-RBF的磁悬浮系统控制研究

为解决传统控制器磁悬浮球系统快速性和稳定性易受干扰等问题,建立云自适应粒子群优化(CAPSO)的RBF神经网络监督控制器。通过RBF神经网络学习整定PD控制器的输出后采用云自适应粒子群算法对RBF网络的3个参数进行归一动态优化。采用原有RBF神经网络梯度下降法、粒子群算法、云自适应粒子群算法分别训练后进行对比控制仿真。结果表明：基于CAPSO-RBF的混合控制算法实现了磁悬浮球系统自适应控制,其动态性能和稳态性方面有较好的提升。     

基于 BP 神经网络的 Fe 基合金粉末喷涂工艺参数优化

目的基于BP神经网络具有自学习、自训练和输出预测的功能,将其应用于热喷涂过程中的参数优化问题。方法依托高效能超音速等离子喷涂系统实验平台,以Fe基合金粉末为喷涂材料,将等离子喷涂中的主气流量、电功率和喷涂距离作为模型输入,涂层沉积速率和硬度作为模型输出,不断调整隐含层节点个数,最终建立3-7-2网络结构的BP神经网络以优化工艺参数。利用优化出的工艺参数制备Fe基合金涂层,测试其性能,并计算误差。结果神经网络优化出的最优喷涂工艺参数为:主气流量96L/min,电功率56 k W,喷涂距离95 mm。采用该工艺参数制备涂层,涂层增厚实测平均值为360μm,硬度为672HV0.3,而模型的预测值分别为332μm和611HV0.3,与预测值的相对误差分别为7.8%和9.1%。结论 BP神经网络对等离子喷涂参数优化问题的拟合精度比较高,误差在可以接受的范围之内。将BP神经网络运用于热喷涂工艺参数的优化具有科学性和可操作性。     

感应淬火机床数控系统智能化与网络化问题综述

专业化、智能化和网络化是感应热处理设备数控系统发展的必然趋势.本文对智能化的感应淬火数控系统参数优化技术、加热电源共享技术、能量监控技术、加热电源输出功率智能控制技术、变形自适应调整技术、坏件自动剔出技术等进行了综述,提出了感应热处理设备网络化方案,给出了淬火机器人控制系统结构.     

柔性制造系统优化控制的研究

本文详细地分析和研究了传统的优化理论,人工智能和神经网络在ＦＭＳ优化控制中应用和适应性及各自的特点。指出充分发挥不同智能方法的优势,实现多智能模块的有效集成,是解决ＦＭＳ的整体优化控制问题的有效途径。     

基于神经网络和遗传算法的冲压成形多目标优化技术

在冲压成形质量控制中,目标质量间常常是相互冲突的(如破裂和起皱)。传统求解多目标优化问题取决于设计人员对优化模型的理解程度、实践经验等,求解的结果在工程中并非为最合理。文章提出一种集数字化分析技术、神经网络和遗传算法于一体的冲压成形多目标优化设计技术。其以数字化分析的大量结果作为神经网络的学习样本,遗传算法所需的目标函数值由神经网络模型预测,该技术实现了多目标优化过程中遗传算法个体适应度值的动态求解,从而解决了数字化分析计算量大的缺陷。实例验证了该优化技术的有效性,为冲压成形优化设计提供了一种新的方法。