基于Pearson关联度BP神经网络的时间序列预测

针对BP神经网络存在的过拟合问题,提出了基于Pearson关联度的神经网络预测模型。将传统的基于误差反向传播的BP神经网络中的误差函数替换为Pearson关联度函数,利用梯度上升法对训练过程中神经网络的连接权重和阈值的调整量进行了推导,并为调整量添加了动量项用于提高神经网络收敛速度,然后建立了关联度反向传播预测模型,并对其权重进行了阈值限制以及增加学习率来防止过拟合。对通用数据集进行时间序列预测实验,通过与改进的RBF和BP神经网络对比,表明对于多因素时间序列的预测Pearson关联度BP神经网络的预测误差精度RMSE降低了4.02,收敛次数减少1 690代。实现了将关联分析与BP神经网络的结合,能够在保证效率的同时,解决过拟合问题,提高预测精度。     

数控机床热误差灰色神经网络补偿应用研究

针对数控机床热误差建模补偿的问题,提出了灰色神经网络建模补偿的新方法。首先利用机床的温度值建立了机床热误差的灰色系统预测模型,再由灰色模型预测值得到的残差建立神经网络预测模型。结合灰色系统和神经网络的优点,建立了一种新的灰色系统和BP神经网络组合热误差预测模型。最后以实测数据建模说明了灰色神经网络模型预测效果明显优于各单项模型,方法优异的预测性能对于具有复杂成分的动态数据序列的机床热误差建模也适用。     

基于IA-PSO-BP模型的电主轴热误差预测方法

针对电主轴在运作时因为温升而产生热误差的问题，提出一种基于免疫粒子群优化BP神经网络（IA-PSO-BP）的电主轴热误差预测模型。通过测量电主轴在工作过程中的温升以及热位移,获取建立预测模型所需的数据，使用IA-PSO-BP模型在MATLAB中建立热误差预测模型，并与未经过优化的BP神经网络所建立的模型进行测试对比。结果显示，经过优化的BP神经网络对热误差的补偿能力高达98.4%，和当前工程常用的BP神经网络相比，平均预测误差下降了62.6%，预测误差的均方差下降了66.4%，可见其预测精度得到了显著提升。     

一种高速数控机床电主轴表面温度智能预测方法

电主轴是高速数控机床核心功能部件,电主轴损坏基本是电主轴发热引起的.电主轴温度场具有复杂的非线性特征,神经网络在处理非线性系统温度预测方面得到了广泛的研究,神经网络与传统模型相比具有更好的适时预报性和持久性.论文利用遗传算法优化BP神经网络建立电主轴表面温度预测模型.预测结果表明,未优化的BP神经网络与遗传神经网络预测误差相对比,遗传神经网络对电主轴表面温度预测具有更高的预测精度和稳定性.     

考虑电控数据的LSTM神经网络进给轴热误差建模

针对进给轴热误差建模中忽略电控数据和时间序列影响的问题,提出一种考虑温度变化与电控数据的长短期记忆(Long-Short Term Memory,LSTM)神经网络热误差预测模型.以三轴立式加工中心为试验对象,首先对进给轴进行热变形分析,再以温度变化、电控数据为输入样本,建立了LSTM神经网络热误差预测模型,随后通过与仅考虑温度变化的LSTM神经网络,以及同时考虑温度变化与电控数据的BP神经网络进行对比分析,试验论证表明,对数控机床进给轴进行热误差建模时,在考虑温度变化的基础上,进一步考虑电控数据可以提高模型的预测精度和鲁棒性,且在同样输入条件下,LSTM神经网络热误差预测模型相较于BP神经网络有更好的预测精度和鲁棒性.     

考虑电控数据的LSTM神经网络进给轴热误差建模

针对进给轴热误差建模中忽略电控数据和时间序列影响的问题,提出一种考虑温度变化与电控数据的长短期记忆(Long-Short Term Memory,LSTM)神经网络热误差预测模型.以三轴立式加工中心为试验对象,首先对进给轴进行热变形分析,再以温度变化、电控数据为输入样本,建立了LSTM神经网络热误差预测模型,随后通过与仅考虑温度变化的LSTM神经网络,以及同时考虑温度变化与电控数据的BP神经网络进行对比分析,试验论证表明,对数控机床进给轴进行热误差建模时,在考虑温度变化的基础上,进一步考虑电控数据可以提高模型的预测精度和鲁棒性,且在同样输入条件下,LSTM神经网络热误差预测模型相较于BP神经网络有更好的预测精度和鲁棒性.     

加工精度在线检测系统预行程误差预测与补偿

预行程误差的预测和补偿能够大大提高加工精度在线检测系统的测量精度.提出了一种基于BP神经网络的检测误差预测新方法,建立了一个基于BP神经网络的在线检测系统预行程误差预测模型,通过实验数据对该网络进行训练,并将训练好的神经网络应用到实际加工零件的误差预测和补偿.为了验证该方法的有效性,以一圆柱零件的圆度误差检测为例,对其加工精度的在线测量进行了预行程误差的预测与补偿,经与CMM检测结果的对比,说明了该方法的有效性.     

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。     

42CrMo钢精密切削的刀具磨损量预测研究

针对42CrMo钢精密切削刀具磨损量预测研究小样本、非线性的特点,将量子粒子群算法(QPSO)、卷积神经网络(CNN)及长短期神经网络(LSTM)相结合,构建了QPSO-CNN-LSTM组合预测模型。采用QPSO算法对CNN-LSTM模型的隐藏层单元数、学习率、卷积核等进行优化,结合CNN网络特征提取能力强、LSTM网络具备记忆能力的特点,对实际加工实验的刀具磨损量进行预测,并通过误差评价指标分析,与CNN、LSTM、BP等单一模型以及PSO-GRNN组合模型进行预测效果对比研究。研究结果表明,本文构建的组合预测模型相对于单一预测模型,其预测值与真实值吻合程度更高;相对于PSO-GRNN组合模型,三种误差评价指标的误差值至少降低了27%,其泛化性和稳定性较好,预测精度与非线性拟合能力更强。     

采用量子粒子群算法耦合差分进化算法优化BP神经网络的铣床热误差预测研究

针对铣床主轴运行产生的热误差问题,采用改进BP神经网络预测模型,并对预测结果进行验证。融合量子粒子群算法和差分进化算法的各自优点,给出混合算法寻优操作流程。分析BP神经网络结构,给出改进BP神经网络优化流程图,构造铣床热误差适应度函数,采用混合算法优化BP神经网络预测模型。通过具体实例对铣床热误差进行实验验证,预测结果显示:BP神经网络预测偏差值较大,在Y轴、Z轴方向预测产生的偏差最大值分别为7.3μm和7.5μm,改进BP神经网络预测偏差值较小,在Y轴、Z轴方向预测产生的偏差最大值分别为2.8μm和2.9μm。同时,改进BP神经网络预测铣床热误差与实际偏差值波动较小。采用改进BP神经网络预测铣床热误差精度较高,可以提高主轴加工工件的精度。     

BP神经网络修正灰色残差组合模型方法在油液光谱分析中应用的研究

提出了采用神经网络修正灰色残差组合模型对设备的磨损状态进行预测和诊断分析的方法。通过比较GM(1,1)模型、神经网络模型的预测结果,融合GM(GreyModel)模型与神经网络模型并构建组合模型进行油液光谱分析参数预测,可以克服单个模型所存在的不足。结果证明,该组合模型方法在预测中是可行的,预测的误差最小。     

遗传算法改进的BP神经网络在协同创新评价中的应用

为了解决客户协同创新中协同工作效率难于评价的问题,提出了一种用遗传算法优化的神经网络对客户协同产品创新进行评价的评价模型：在评价指标方面,设计了一套包括效益、效率和过程的18个指标的评价体系;在评价算法方面,将遗传算法与BP神经网络结合起来,设计了遗传算法改进的BP神经网络算法。该模型充分利用遗传算法的全局搜索能力强与神经网络的局部搜索能力强的特点,克服了遗传算法局部收敛与神经网络收敛速度较慢的问题,是一种非常适用于评价协同工作的模型。最后通过实例训练,证明了该模型的有效性与可行性。     

基于蚁群神经网络的滚动轴承故障诊断

为了提高滚动轴承故障诊断的准确性,将蚁群算法与神经网络相结合,根据轴承故障产生的机理,建立其BP神经网络的诊断模型,以网络的误差为目标函数,通过蚁群算法进行BP网络的权值优化,并用优化好的BP网络进行故障诊断。仿真结果表明,该方法具有较高的故障诊断准确度,具有较强的实用性。     

遗传神经网络法在风机故障诊断中的应用

本文在神经网络训练过程中,加入一个局部极小判别式,以确定网络是否陷入局部极小点,若陷入局部极小点,则利用遗传算法进行权值修正。以鼓风机常见故障为例,应用本文提出的遗传神经网络算法对其进行了故障诊断分析,从而证明了该算法的有效性。     

机械故障诊断的遗传BP算法应用研究

为克服 BP算法中存在的网络学习收敛速度慢 ,以及容易陷入局部极小的问题 ,本文在神经网络训练过程中 ,加入一个局部极小判别式 ,以确定网络是否陷入局部极小点 ,若陷入局部极小点 ,则利用遗传优化算法进行权值的修正。以机械设备故障诊断为例 ,应用此算法对其进行了故障诊断研究 ,从而证明了该算法的有效性。     

基于神经网络与PSO算法的发动机装配工艺参数优化

针对汽车发动机装配过程中缸体泄漏问题,结合Back Propagation(BP)神经网络及粒子群优化(Particle Swarm Op-timization,PSO)算法,提出了一种发动机装配工艺参数优化方法.首先,使用BP神经网络建立了生产工艺参数与质量指标之间的非线性映射关系,并以此作为泄漏率预测模型.其次,根...     

基于GA-BP神经网络的非线性模拟量回归

针对嵌入式系统中传感器测量模拟量与采样值之间的非线性关系难以找寻确定公式进行表达的问题,提出使用BP神经网络对非线性模拟量进行回归拟合。并针对BP神经网络易陷入局部极小值的缺陷,采用遗传算法进行优化。实验表明,与最小二乘法与三次样条插值法相比,BP神经网络对曲线拟合程度优于其余两种方法,且具有较高的准确度。遗传算法优化后的BP神经网络,能够更加快速收敛,准确度也进一步提升。同时将网络模型应用在MCU端,实现在MCU端的预测与参数更新,具有一定的实用性和适应性。     

扩展隐层的误差反传网络训练算法研究

为提高神经网络的预测精度,对现有的误差反传网络训练算法进行了改进.对三层误差反传网络进行了结构扩展,在训练过的三层网络中,动态增加一个具有线性激活函数的辅助隐层,形成一种新的网络扩展模型.用改进的蚁群算法对新增权值参数进行训练,着重阐述算法的实现过程及算法分析.最后,设计了一组催化剂活性预测实验,对算法改进前后的预测能力及训练误差进行了对比.结果表明,采用该模型及训练算法,可以在不影响网络表达能力的基础上提高网络的训练精度及预测精度,改善了网络的泛化能力.     

数学建模研究内燃机排放性能及控制问题

出于对以往研究手段不足的考虑,结合BP神经网络优势,针对内燃机稳态排放建立BP神经网络数学分析模型,对排放性能展开研究,发现负荷较大时,内燃机NOX与碳烟排放水平比较高。进一步地,为了降低对大气的污染,提出相应内燃机排放控制建议,本文研究可以为相关人员采取有效措施控制内燃机排放污染提供一定借鉴与参考。     

基于BP神经网络的立铣加工振动快速预估

结合研制的立铣加工过程虚拟仿真系统和实验测量铣削力信号,训练并建立BP神经网络模型,快速实现铣削过程刀具-工件系统振动状态的预估.预估的振动结果与实验测量数据较为吻合,表明铣削虚拟仿真系统与神经网络技术的结合能够高效低耗地用于不同铣削加工条件下铣削振动状态的快速预估和加工过程监测.