基于卷积神经网络对磨削表面粗糙度声发射智能预测

表面粗糙度是衡量加工零件表面质量的主要指标,为提高球墨铸铁磨削表面粗糙度预测的精度,在球墨铸铁磨削表面粗糙度声发射预测实验基础上,使用深度学习卷积神经网络CNN自动提取磨削声发射信号特征值,使用卷积神经网络对球墨铸铁磨削的表面粗糙度声发射智能预测,准确度较BP神经网络高。     

基于物理模型和神经网络融合的表面粗糙度预测方法

当前表面粗糙度预测的单一建模方法都存在一定的局限性,物理建模方法无法表征实际加工动态过程,机器学习模型需要大量训练数据且解释性较差。提出了一种物理模型与神经网络深度耦合的融合模型,通过训练卷积自编码器作为特征提取器构建数据集,然后训练融合模型,实现对表面粗糙度的精确预测,通过高温合金侧铣实验建立的数据集进行了验证,上述模型在训练集上预测相对误差为4.48%,测试集上的平均预测相对误差为5.67%。以10%为允差范围,则预测的准确率为84.29%,有较高的精准度。     

基于全卷积层神经网络的轴承剩余寿命预测

传统的数据驱动的轴承剩余寿命预测方法需要基于知识和经验,通过人工建立性能退化指标,费时费力,为此,采用卷积神经网络对输入信号进行特征自学习和剩余寿命预测。将传统卷积神经网络中的全连接层全部更换为卷积层与池化层,以减少神经网络需训练的参数;采用加权平均方法对预测结果进行降噪处理。轴承加速寿命实验数据集验证了所提方法的有效性。     

基于BP神经网络的切削表面粗糙度预测方法

利用神经网络理论,提出一种利用BP神经网络预测切削表面粗糙度的方法。简单分析了粗糙度的影响因素及预测原理。介绍了BP神经网络的特点、原理、算法和公式。在对Matlab及其神经网络工具箱简要介绍的基础上,采用BP网络的方法对钢Q235材料粗糙度进行了训练、预测和分析。结果表明,该方法的预测误差小于3%。     

基于卷积神经网络的短期天气预测研究

对某市历史天气数据进行分析、整理,建立了具有两个卷积层的卷积神经网络,并做出短期天气预测,对未来6 h天气温度进行预测,并根据实际天气做出误差分析。为了对预测结果进行分析,又基于灰色模型方法建立了天气预测模型,并对两种方法的预测结果进行比较,得出相应结论:整体来看,两种模型的预测结果与实际温度的相对误差和均方误差较小,都能较为精准地对温度进行短期预测,两种方法在对温度短期预测中具有参考价值,且卷积神经网络预测精度更高。这一结论可以为不同时间序列及天气温度波动情况的短期天气预测提供新的思路。     

基于进化神经网络外圆纵向磨削表面粗糙度的在线预测

将人工神经网络引入磨削加工领域。针对BP算法存在收敛速度慢，容易陷入局部极小值以及全局搜索能力弱等缺陷，采用遗传算法训练BP神经网络，设计了基于进化神经网络的学习算法，建立了外圆纵向磨削表面粗糙度的进化神经网络预测模型。实验和仿真结果表明。基于进化计算的BP神经网络可以克服单纯使用BP神经网络易陷入局部极小值等问题，预测精度较高，对提高外圆纵向磨削加工的自动化程度具有重要的意义。通过在线监测磨削拳数。所提供的预测方法可以实现对工件表面粗糙度的在线预测。     

基于神经网络的成形磨削表面粗糙度的研究

表面粗糙度是评价磨削表面完整性的一个重要参数,为此建立了基于BP神经网络的成形磨削表面粗糙度模型,并与传统回归分析建立的模型进行了比较。通过与实测值进行比较,基于神经网络建立的模型能够达到很高的预测精度,并且可以通过增加学习样本来进一步提高精度,表明该方法具有很高的实用性。     

基于灰关联神经网络的铣削表面粗糙度预测

不同的铣削加工工艺参数会影响加工表面形貌和表面粗糙度.考虑灰关联分析与神经网络法的各自优点,提出了一种新的基于灰关联神经网络模型进行表面粗糙度预测的模型.首先利用灰关联分析,将各因子与预测目标作关联性的排序,且把不必要的因子剔除,接着进行神经网络的训练及预测.将所提的预测模型运用到铣削加工的表面粗糙度预测中,构建出表面...     

基于小波的零件表面微观形貌多尺度重构

采用激光测量仪对车削机加工零件表面进行测量,获得零件亚纳米级的微观形貌数据,利用小波分析分时分频精细表达以及多分辨率分析的特点,建立粗糙表面多尺度重构模型,对基于真实测量数据的微观表面进行宏微观重构,并提出在不同尺度上提取粗糙表面的微凸体以精简数据的方法,从而实现在MATLAB和Pro/E中的微观表面建模仿真。提取的低频成分为零件表面二维和三维评定提供了基准,不同尺度上微观粗糙表面的重构为在不同精密等级上分析机加工工艺对零件表面粗糙度的影响提供了方法,Pro/E中重构的表面为有限元分析零件宏微观几何形貌与摩擦、润滑和密封的关联机制提供了几何模型。     

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。     

非平稳时间序列自适应线性神经网络在线预测

研究了应用自适应线性元件（Adaline）神经网络解决非平稳时间序列在线预测问题的可行性，提出根据自回归模型定阶方法来确定Adaline预测模型中的输入神经元数目，并分析了自适应学习率对预测性能的影响，仿真结果表明，Adaline在线预测非平稳时间序列的工作性能良好。     

基于广义回归神经网络的时间序列预测研究

介绍了广义回归神经网络的基本理论,提出了应用BIC准则确定输入神经元数目的方法．将其应用于大型旋转机械振动状态时间序列的单步和多步预测,与传统的采用误差反向传播学习算法的三层前馈感知器网络(BP神经网络)的预测结果进行对比。结果表明,该网络的预测性能优于后者,即使样本数据稀少,也能获得满意的预测结果。     

基于神经网络的热气机功率预测

为了有效地分析热气机的输出功率与运行条件的，介绍了人工神经网络BP模型、多元回归模型及基于神经网络的组合模型，并将各模型用于热气机的设计阶段预测其输出性能，由实例给出了各模型计算机仿真试验结果，比较了BP算法和组合模型算法的收敛速度，结果表明基于BP网络的组合模型的预测精度最高。     

基于LMBP神经网络的故障预报方法及其应用

利用具有二阶收敛效应的Levenberg-M arquardt(L-M)算法优化BP的权值修正量,提出了一种快速收敛的LMBP学习算法,给出了基于LMBP神经网络的故障预报方法,并应用于某陀螺仪的故障预报。结果表明:较之BP和传统改进BP网络,LMBP网络有着更高的收敛速度;基于该网络的时间序列预测模型可以实现性能优越的非线性预报器,将其应用于非线性系统的故障预报能够取得良好的效果。     

基于时空图小波神经网络的手部动作识别方法

根据车间人员操作监控的需要,文中研究了一种基于深度学习的新方法——时空图小波神经网络（ST-GWNN）。该算法对图小波卷积进行参数化,以降低每层图卷积层的参数复杂度,并采用一阶切比雪夫多项式逼近图小波卷积;分离多项式阶数 K 与邻接节点阶数之间的关系,固定多项式阶数,通过调整超参数 s 来改变邻域范围,从而识别更多复杂的手部动作。实验结果表明,文中提出的ST-GWNN在动作识别中的识别率优于目前常用的时空图卷积神经网络,并且能够充分利用动作的时空关联性。     

Multi-Scale Convolutional Gated Recurrent Unit Networks for Tool Wear Prediction in Smart Manufacturing

As an integrated application of modern information technologies and artificial intelligence,Prognostic and Health Management(PHM)is important for machine health monitoring.Prediction of tool wear is one of the symbolic appli-cations of PHM technology in modern manufacturing systems and industry.In this paper,a multi-scale Convolutional Gated Recurrent Unit network(MCGRU)is proposed to address raw sensory data for tool wear prediction.At the bot-tom of MCGRU,six parallel and independent branches with different kernel sizes are designed to form a multi-scale convolutional neural network,which augments the adaptability to features of different time scales.These features of different scales extracted from raw data are then fed into a Deep Gated Recurrent Unit network to capture long-term dependencies and learn significant representations.At the top of the MCGRU,a fully connected layer and a regressior layer are built for cutting tool wear prediction.Two case studies are performed to verify the capability and effective-ness of the proposed MCGRU network and results show that MCGRU outperforms several state-of-the-art baseline models.     

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...     

制造领域中反向工程曲面推理的神经网络法

将神经网络技术用于制造领域中反向工程曲面的推理,建立了神经网络计算模型。使用神经网络方法推理实体表面的突出优点是不需要表面知识,只需要测得表面的有限点数即可,网络将学习参数变量之间的组合关系,推断出曲面的函数形式,计算出未知坐标点的值,避免了许多的人为假设和繁杂的数学计算,体现出一种智能推理过程。本文列举了有关推理实例,包括初等解析曲面和自由曲面,从理论和实际计算证明了这种方法的可行性和有效性。结果表明,神经网络对于反向工程曲面的推理是一种非常好的辅助分析手段。这对于复杂的、不完整的、部分磨损或损坏的实体表面具有实际用途。