灰色模糊LSSVM预测模型在锌净化除钴中的应用

针对锌净化除钴过程生产数据存在噪声和系统参数缓慢变化的问题,提出一种基于灰色模糊LSSVM的钴离子浓度预测模型。对样本数据进行灰色累加,削弱原始数据序列中的噪声,使数据规律性增强,灰色累加后数据作为LSSVM输入,提高模型抗干扰能力和预测能力;由于锌净化除钴工序的系统参数随时间发生变化,提出对不同时期的样本赋予不同的模糊加权值;利用改进PSO的全局优化能力和快速收敛性,优化LSSVM模型的惩罚因子和核函数参数,避免人为选择参数的盲目性。对硫酸锌溶液净化除钴过程生产数据的仿真结果表明,灰色模糊LSSVM预测值能很好地跟踪实际值的变化趋势,满足钴离子浓度预测要求。     

低合金钢大气腐蚀数据的拟合及预测

1 引言 GM(11)模型可用于低合金钢腐蚀速率数据的拟合及预测,而目前常采用幂函数模型。本文将GM(11)模型得到的累加数列函数变换成为时间自变量的原始数列模型,同时用GM(11)模型、指数回归模型、幂函数回归模型拟合、预测了低合金钢大气腐蚀速率,以便找出合适的拟合、预测方程。     

结构腐蚀损伤定量预测方法对比研究

用BP人工神经网络(artificial neural简称ANN)算法分别对飞机结构材料、lCrl7不锈钢腐蚀损伤数据进行学习训练，建立了腐蚀损伤与环境条件的映射模型，并预测腐蚀损伤值。分析了三种预测方法的预测精度。得到了ANN预测的精度比灰色GM(1，1)模型及Logistic模型的预测精度高，且对数据有较好的适应能力的结论；采用ANN技术定量预测飞机结构腐蚀损伤是一种较好工程方法。     

人工神经网络在硼钢淬透性预测中的应用

根据收集和整理的实验数据，建立了硼钢的化学成分与其淬透性之间的非线性人工神经网络模型，用这种方法预测了一些硼钢的端淬值和淬透性曲线，并与用其它经验公式计算的结果进行了比较。结果表明：所建网络能较准确预测硼钢淬透性，这为研究硼钢淬透性提供了一种有效的方法。     

一种新的晶粒尺寸预测模型

提出了凝固组织晶粒尺寸BP神经元模型，用该模型进行的模拟计算结果和实验数据吻合得较好。这表明，用这一方法可对凝固晶粒尺寸进行控制和预测，为优化实验设计提供了简便实用的手段，具有较大的实用价值。     

微束等离子弧焊接焊缝熔宽的实时检测控制系统

采用微束等离子弧焊的方法直接制造金属零件是一种新型的快速成形制造工艺。控制累加层之间的累积精度，对控制成形零件的表面精度十分重要，用CCD对焊缝熔宽实行实时监控，考虑到弧光的干扰，对等离子弧光的光谱特性进行分析，采用窄带滤波方法，并对熔池图像进行处理，采用模糊控制实现对焊缝熔宽的实时监测，改善了成形零件的表面质量。     

云边协同下双数据源融合的轴承剩余寿命预测

针对当前滚动轴承剩余使用寿命(remaining useful life, RUL)预测准确率不高且未考虑到预测实时性的问题，提出一种云边协同计算模式下(cloud-edge collaborative computing, CECC)双数据源融合(data sources fusion, DSF)的滚动轴承剩余使用寿命实时预测方法。首先在离线阶段通过专家先验知识对训练集数据进行分析并进行网络预训练，然后通过边缘设备实时采集轴承水平与垂直两种数据源的振动信号并构建测试集，最后测试集数据实时上传到强大计算能力的云端进行融合预测。方法引入并行计算的Transformer模型在PHM2012数据集上进行试验，结果表明云边协同计算模式下轴承RUL预测的实时性得到显著提高，同时DSF预测方法与单一数据源预测方法相比MAE与RMSE两项指标分别降低了42.1%和40.9%。在XJTU-SY数据集上验证结果表明，DSF预测方法与其他文献中单一数据源预测方法相比MAE与RMSE分别降低了38.1%与38.8%;且云边协同预测方法相较于云计算预测，其时效性提升了80%左右，进一步证明了方法的可行性，并为...     

淬透性的计算机预测

本文介绍了一种计算机预测淬透性的方法。它采用大量已知钢的化学成分和淬透性数据，利用临界直径的概念，进行淬透性预测。     

基于BP神经网络的开式冷挤压成形极限变形程度预测

采用实验研究与神经网络相结合的方法进行研究，通过大量实验，获取大量数据，在此基础上，建立BP网络模型。通过对开式冷挤压极限变形程度神经网络计算结果与实验结果的比较，其精度较高，证明用神经网络方法既可以实现开式冷挤压工艺的参数预测，叉能给出系统完整的可供指导实际生产的工艺参数数据，对于开式冷挤压的实际生产具有指导意义，是一种可行的分析手段。     

基于人工神经网络的QCr0.5热反挤压力预测模型

以铬青铜热反挤压过程中凸模锥角、断面缩减率以及温度和挤压力的关系为研究对象，在Matlab语言环境下，以高温反挤压试验数据作为训练和预测样本，用2、3节点的双隐层BP型神经网络对钢材单位挤压力进行了预测。结果表明此方法预测铬青铜反挤压力是有效和可行的。     

基于LF精炼炉合金配料模型的研究

文章对LF精炼炉炼钢精炼环节合金配料的常用建模方法和RBF神经网络作了简单介绍,运用实际数据进行建模、预测,并就其预测结果进行绝对误差曲线比较,得出RBF网络相对于其它方法具有较好的预测结果。     

基于模拟复合正交神经网络的曲线重建方法

在数字复合正交神经网络的基础上提出一种模拟复合正交神经网络,并用于曲线重建.由于模拟神经网络采用连续学习算法,故网络学习收敛速度快.仿真结果表明,在单变量和多变量复杂函数曲线重建中,用模拟复合正交神经网络方法重建的曲线具有很高的逼近精度.本文提出的曲线重建方法是一种快速有效的方法.由于该模拟神经网络可望用模拟电路实现硬件化,因此在图象图形实时处理中具有很好的工程应用前景.     

人工神经网络在金属热处理中的应用

人工神经网络是一种能获得输入和输出之间相互关系的信息处理技术。在金属热处理中，人工神经网络已用于预测钢的ＴＴＴ曲线、ＣＣＴ曲线、Ｍｓ点、淬透性曲线等方面。     

人工神经网络技术在成形模具表面激光强化中的应用

基于人工神经网络基本理论，建立在成形模具表面激光强化中预测材料表面最高温度、强化效果的BP网络模型，借助于MATLAB仿真软件中的神经网络工具箱作为开发平台，将试验样本数据和经过试验验证的数值计算结果作为补充的样本数据用于BP网络的训练，利用训练好的BP网络对非线性的样本数据规律进行拟合，实现激光加工工艺参数的优化，为实际生产和加工提供有效的依据。     

依据“合于使用”原则的焊缝金属评定

本文采用全面屈服准则和COD设计曲线方法对不同强度的焊缝进行了果表明,当缺陷位于焊缝中时,不仅在静载条件下,而且在动载条件下高匹配焊缝均有利评定。试验结于获得全面屈服。同时,还讨论了在焊接构件安全评定中COD准则的局限性。     

基于RBF网络的自适应熔焊插补容错算法

为使非均匀有理B样条插补(NURBS插补)过程中速度变化平稳,设计了一种步长可控的实时插补算法. 推导了参数曲线的一般求值方法,并通过递推矩阵快速计算,能够根据曲线形状的变化,主动调整加工速度,并通过速度再修正模块保证微段曲线中加速度恒定,在满足机床启停能力的基础上平稳加工. 将径向基网络(RBF)和模糊控制相结合,实时筛选故障参数进行再训练,并编写可视化软件进行成形试验,对成形质量、成形速度加速度和预测精度进行分析评价. 试验结果表明,该算法与RBF网络和模糊控制相配合,能够在保证成形精度和设备稳定性的基础上使软件具有一定的容错能力.     

比例电磁阀流量滞环建模方法探究

针对工业上广泛使用的比例电磁阀所存在的滞环曲线等问题造成的系统稳定性和控制品质的不利影响进行了研究,采用机制建模、基于PSO算法曲线参数辨识的建模以及基于神经网络的曲线拟合3种方法进行滞环曲线建模,并利用Matlab软件得到3种建模结果,对3种建模方法得到的建模结果与实测数据进行分析比较。结果表明：采用PSO曲线参数辨识方法最能表示实际滞环曲线,且该建模方法简单实用;该模型可用于对比例电磁阀的前馈控制,以达到减小或消除比例电磁阀流量滞环的目的。     

应用神经网络优化压边力

以汽车行李箱盖冲压成形过程为例,提出一种利用人工神经网络技术对压边力控制曲线进行优化的方法,将压边力优化理论与数值仿真技术相结合,建立了压边力优化RBF神经网络模型。仿真结果证明,采用优化后的变压边力控制曲线能有效改善板料的成形性能和成形质量。     

缺陷容器的爆破试验及安全评定标准的研究

通过容器爆破试验研究了带裂纹容器的屈服发生、发展机制和各断裂参量在加载中的变化情况,并利用全面屈服准则、COD准则和J积分准则对容器上不同缺陷进行了评定。指出全面屈服准则是进行容器缺陷评定的一种有效方法,而COD设计曲线,J积分准则在评定容器安全上有一定的局限性。     

Artificial neural network approach for prediction of stress–strain curve of near β titanium alloy

In the present study, artificial neural network（ANN） approach was used to predict the stress-strain curve of near beta titanium alloy as a function of volume fractions of a and b. This approach is to develop the best possible combination or neural network（NN） to predict the stress-strain curve. In order to achieve this, three different NN architectures（feed-forward back-propagation network,cascade-forward back-propagation network, and layer recurrent network）, three different transfer functions（purelin, Log-Sigmoid, and Tan-Sigmoid）, number of hidden layers（1 and 2）, number of neurons in the hidden layer（s）,and different training algorithms were employed. ANN training modules, the load in terms of strain, and volume fraction of a are the inputs and the stress as an output.ANN system was trained using the prepared training set（a,16 % a, 40 % a, and b stress-strain curves）. After training process, test data were used to check system accuracy. It is observed that feed-forward back-propagation network is the fastest, and Log-Sigmoid transfer function is giving the best results. Finally, layer recurrent NN with a single hidden layer consists of 11 neurons, and Log-Sigmoid transfer function using trainlm as training algorithm is giving good result, and average relative error is1.27 ± 1.45 %. In two hidden layers, layer recurrent NN consists of 7 neurons in each hidden layer with trainrp as the training algorithm having the transfer function of LogSigmoid which gives better results. As a result, the NN is founded successful for the prediction of stress-strain curve of near b titanium alloy.