基于并行多通道卷积长短时记忆网络的轴承寿命预测方法

在预测轴承剩余使用寿命时，数据间的时序特性是一个可以利用的重要隐藏信息。为了更好地提取具有时序信息的特征用于预测，提出了一种基于并行多通道卷积长短时记忆网络（PMCCNN-LSTM）的剩余使用寿命预测模型。该模型主要由两部分组成：前端为并行多通道卷积网络（PMCCNN），提取信号特征，挖掘数据的时序特性，并采用逐层训练和微调的方式提升参数的收敛性；后端为长短时记忆（LSTM）网络，基于特征进行剩余使用寿命预测，并采用加权平均的方法对预测结果进行平滑处理。在一个轴承加速寿命实验的公开数据集上使用留一法验证了该模型的准确性，实验结果表明：所提模型的平均误差与最大误差分别比传统的卷积神经网络（CNN）低23.38%和15.84%，比传统的LSTM低24.14%和19.01%，比卷积长短时记忆网络（CNN-LSTM）低30.32%和23.09%。     

基于神经网络的航空发动机滑油监测分析

提出了一种基于BP神经网络的航空发动机滑油金属含量预测方法，给出了运用自回归模型（AR模型）预测模型和神经网络进行预测的一般公式。将其应用于某型发动机滑油的铁金属含量预测，结果表明，与传统的AR预测模型相比，神经网络表现出优秀的推广能力。经过数值仿真得出AR模型仅能预测出序列的变化趋势；神经网络预测推广能力强、具有较强的鲁棒性和容错性，可以为发动机的监控提供重要的依据。     

基于改进PSO算法的Volterra模型在磨损预测中的应用

为准确预测机械设备的磨损问题,提出基于改进PSO算法的Volterra级数预测模型。该预测方法首先根据Volterra级数的性质,建立Volterra级数模型;然后利用改进的PSO算法对模型参数进行优化,得到Volterra级数的预测模型。利用轴承钢试件的磨损实验数据,采用建立的预测模型对数据进行建模和磨损预测。仿真结果表明,与基于PSO算法的Volterra模型、多项式模型、AR模型、RBF神经网络模型及BP神经网络模型相比,基于改进PSO算法的Volterra预测模型结构简单、预测精度高,具有一定的实用性。     

升船机同步轴系统监测及扭矩预测方法研究

针对升船机同步轴运动过程中的扭矩监测及变化趋势预测问题，提出了一种基于应变传感器的非接触式测量方法，实现了升船机同步轴扭矩的实时在线监测。在此基础上，基于历史监测数据，采用变分模态分解（variational mode decomposition，简称VMD）算法提取扭矩信号直流分量，降低扭矩预测计算量，使扭矩预测模型更适用于实际工作环境。针对同步轴运动过程起始点无法辨别、监测数据时序不一致性的问题，提出一种基于模糊熵的同步轴运动起始点检测方法。利用长短时记忆（long short-term memory，简称LSTM）神经网络算法建立了升船机同步轴扭矩预测模型，并利用历史监测数据对预测模型进行验证。结果表明：利用模糊熵对起始点进行检测可以改善各个样本间在时序上的差异性，从而提升扭矩预测精度；在所有扭矩测点处，预测精度相较于基础的阈值判断预测方法可至少提升27.5%；在机械结构和工况最复杂的同步轴系统齿轮箱连接处，扭矩预测的精度最少提升42.9%。该预测模型可真实准确预测同步轴扭矩变化，具有较好的工程应用价值。     

基于改进自适应模糊推理系统的YG3硬质合金精密外圆磨削表面质量预测

为提高硬质合金材料精密外圆磨削的表面完整性和加工质量,研究其表面质量的预测技术,建立了基于自适应模糊推理系统(ANFIS)的YG3硬质合金精密外圆磨削表面粗糙度预测模型,并引入混合田口遗传算法(HTGA)对预测模型进行了改进。采用工艺试验中所用的磨削参数及相应条件下测得的表面粗糙度数据作为训练样本和测试样本,通过对BP神经网络模型、传统ANFIS预测模型及改进ANFIS预测模型的预测结果进行对比分析,对三种模型的有效性和预测精度进行了验证。结果表明,所提出的改进ANFIS预测模型从预测值相对误差Er的分布及均方根相对误差EMSRE的大小来看,均优于其他两种预测模型,预测精度较高,是一种有效的表面质量预测方法。      

一种新的机电设备状态趋势智能混合预测模型

针对机电设备运行状态受多因素影响,变化趋势复杂,难以用单一预测方法进行有效预测的问题,提出一种新的基于改进灰色系统一支持向量机一神经模糊系统的智能混合预测模型。该模型首先利用改进灰色系统弱化数据序列波动性、支持向量机处理小样本和模糊神经系统处理非线性模糊信息的优点,分别进行趋势预测,然后通过改进遗传算法对这三者的预测结果进行自适应加权组合。将该模型应用于信号随机波动性较强、趋势变化复杂的标准算例和某机组振动趋势的预测中,研究结果表明,该模型的预测性能均优于上述三种单一预测方法。     

基于经验模态分解与RBF神经网络的混合预测

为提高时间序列预测模型精度,根据各本征模态函数(intrinsic mode function,简称IMF)序列的变化特点,针对EMD-RBF神经网络隐含神经元数目及其中心数据选取问题,利用经验模态分解(empirical mode decomposition,简称EMD)的信号自适应处理能力和径向基函数(radical basis function,简称RBF)神经网络的非线性逼近能力,提出了一种基于EMD与RBF神经网络的混合预测方法。该方法将具有类似时频特性的本征模态函数分别建立RBF神经网络预测模型,采用基于统计分析的k-均值聚类方法自适应确定RBF模型参数,最后将各IMF-RBF神经网络预测结果进行重构得到最终预测结果。仿真结果表明,该方法充分考虑到各IMF本身的特性,增强了时序的可预测性,预测性能比传统反向传播(back propagation,简称BP)神经网络和小波BP神经网络更优越。将该方法应用在某装备温控系统性能监测中,其温度参数最大预测误差远小于传感器误差,说明将该方法在该装备故障预测中是可行的。     

数据挖掘在短时交通流预测模型中的应用研究

为准确地对交通流进行短时预测,提出了一种新的基于数据挖掘技术的预测模型。该模型综合了改进遗传算法、粗糙集理论和小波神经网络三种数据挖掘技术。建模阶段分为离散化、属性约简和训练三个步骤。在离散化的过程中,采用了改进的遗传算法,保证了系统分类能力,且使断点数目最少;属性约简中采用了粗糙集理论,选择对交通流预测密切相关的属性,加速了小波神经网络的预测速度并使其结构简化;训练中利用了小波变换非线性特性,采用经过属性约简后的数据对小波神经网络进行训练,从而获得短时预测模型。为验证模型的有效性,进行了对比测试,分析结果证实了该预测模型比传统方法具有更高的精度和速度,为交通流的准确实时预测提供了一种新的思路。     

改进灰色时序模型的石化装备齿轮系统磨损预测研究

重载齿轮系统在大型石化工业生产装置中应用广泛,由于石化装置长周期运行的特点,且装置运行工况恶劣,齿轮系统磨损严重,对其磨损状态的监测和预测分析可及时掌握齿轮系统运行状态,确保装置的安全可靠运行。灰色系统模型可预测齿轮系统磨损量的变化,而时间序列模型可对磨损量预测数据的残差序列进行分析,将两者联立建立新的预测模型,达到综合调整和修正预测数据的目的。然后,改进灰色模型权重系数μ,以预测值和原始值的离差平方和作为考察指标,确定最佳权重系数μ_(opt),提高灰色时序预测精度。通过某石化企业在用装置的重载齿轮系统铁谱监测数据作为样本,检验改进灰色时序预测模型效果,结果表明该预测模型的效果优于传统灰色时序预测模型。     

人工蜂群优化BP神经网络在汽车座椅舒适性中的应用

汽车座椅舒适性的主观评价和客观评价之间的关系存在复杂性和高非线性的特点。传统的BP神经网络(反向传播神经网络)对初值敏感且容易陷入局部最优解,因此无法建立精确的座椅舒适度预测模型。针对该问题,提出利用人工蜂群算法优化后的BP神经网络(ABC-BP)来预测座椅的舒适性的方法。通过开展体压试验得到了176组压力分布样本数据,其中89%的数据作为模型的训练部分,11%的数据作为模型验证,将预测结果与真实值相比较,ABC-BP预测模型的均方误差MSE为0.0019,确定性系数R~2为0.946,比传统BP神经网络预测模型得到的MSE降低了84.68%,R~2提高了42.5%。结果表明,利用人工蜂群算法优化后的BP神经网络所建立的汽车座椅舒适性预测模型稳定性更强、预测效果更加精准。     

基于随机神经网络的短期负荷预测

短期负荷受社会因素和自然因素的影响,使得精准负荷预测困难重重。为了提高短期电力负荷预测精度,提出一种基于改进一般随机神经网络的负荷预测模型。随机神经网络与传统的BP神经网络相比的优势在于随机神经网络在参数优化过程中不会陷入局部最优,但是随机神经也存在自身的不足。针对一般随机神经网络优化过慢;参数优化朝着局部数据而不是整体训练数据,导致最后保存模型不是对整个训练集整体的最优模型。提出在随机神经网络预测模型中用Adam算法替代传统的梯度下降优化算法加快优化,并在随机神经网络模型每次更新后计算整体数据的损失函数,保存损失函数最小时的模型。通过实验分析,验证改进的随机神经网络模型更加有效。     

采用深度学习的铣刀磨损状态预测模型

为提高刀具磨损监测的预测精度与泛化性能，研究了基于深度学习的铣刀磨损状态预测，提出了基于堆叠稀疏自动编码网络与卷积神经网络的两种预测模型。堆叠稀疏自动编码网络对特征向量进行降维并将其纳入分类器来实现预测，可避免特征选择对先验知识的依赖；卷积神经网络将铣削振动数据转化为小波尺度图并输入模型完成分类，精简了传统建模流程。最后将提出的两种模型与传统神经网络模型进行比较，验证了所提模型的效率与精度。     

基于历史误差模型和局域临域校正的预测融合算法

针对预测模型的精度随机性较大,一些数据存在残缺和不确定性,需要融合多模型的组合体来减少预测误差的问题,提出了使用改进模糊RBF神经网络(FRNN)的误差模型的“局域临域校正”的组合体预测融合方法:通过预处理的FRNN误差模型来表征每个预测模型的实时性能,在预测时,利用误差模型,使用基于权值和偏好的融合作为预测模型组合体的聚合方法,将多个预测模型在线融合并给出最终预测结果.该方法将较大的权重赋予局部性能较优的预测模型,同时消除预测偏好的影响,并在预测前预处理所需误差模型.应用结果表明,构建的预测模型其预测精度相比单一预测模型有明显优势,且具有良好的在线预测实时性,具有推广和应用的价值.     

[成形过程的数据挖掘与深度学习方法]基于机器学习的管材弯曲回弹有效预测与补偿

采用基于优化的误差反向传播(BP)神经网络的机器学习算法建模，提出了考虑材料参数、几何参数等多因素的弯管回弹精确预测和高效控制方法。该方法通过引入非线性惯性权重及遗传算法的杂交算子，改进了粒子群优化(PSO)算法，进而通过改进的PSO算法对BP神经网络进行优化，构建了基于改进的PSO-BP神经网络机器学习回弹预测和补偿模型。以多种规格的铝合金数控弯管构件为对象，将实际生产中不同规格、批次、成形参数下回弹数据作为训练样本，实现了所建机器学习预测模型的应用验证。所建模型获得的预测结果平均相对误差为6.3%，与未优化的BP神经网络等传统模型相比，预测精度最大提高了18.5%，计算时间可从1.5 h缩短至300 s，同时实现了回弹预测与补偿精度以及计算效率的显著提高。     

基于长短期记忆网络的时间序列预测研究

针对递归神经网络(RNN)模型难以训练和梯度消失等问题,引入长短期记忆网络算法(LSTM)。介绍了LSTM的基本原理,并将其应用于时间序列预测领域。以Wiener退化过程为例进行分析,针对传统预测方法无法兼顾退化数据的非线性及时序性特点,利用LSTM方法对Wiener退化过程时间序列进行预测。该预测算法与传统的预测算法进行了比较,研究结果表明,所构建的模型具有更高的预测模型精度,达到了预测要求。     

改进人工蜂群优化神经网络的短期负荷预测

准确的短期负荷预测能够减少发电机组停机备用和旋转备用,其预测效果直接影响电网的安全稳定和经济效益.针对BP神经网络初值敏感、易陷入局部最优的缺点,提出了一种改进人工蜂群算法优化BP神经网络的负荷预测方法.首先融合负荷数据与温度、湿度等天气数据并进行高斯滤波处理,再采用搜索位置更新实现人工蜂群算法的改进,利用其算法完成BP网络权值和阈值的优化,最后建立用于短期负荷预测的优化模型,并通过实例进行仿真验证.结果 表明:该改进预测模型与传统BP算法相比预测精度及收敛速度均有大幅提高,具备工程实用价值.     

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。     

基于粗糙集和PSO-Elman的商业建筑空调冷负荷预测

为了精确预测商业建筑空调的冷负荷，建立基于粗糙集和PSO-Elman神经网络的预测模型。首先利用粗糙集对空调冷负荷的影响因子进行属性约简，然后应用粒子群算法优化Elman神经网络的权值和阈值，建立PSO-Elman商业建筑空调冷负荷的预测模型。采集桂林某商业建筑的空调数据和气象参数验证PSO-Elman预测模型的预测性能，并将该模型的预测结果与Elman预测模型的预测结果进行对比分析。研究结果表明，PSO-Elman预测模型的预测精度高于Elman预测模型，PSO-Elman预测模型预测结果的平均绝对相对误差、均方根相对误差、均方根误差和平均绝对误差分别为4.87%,6.15%,423.71和335.86，与Elman预测模型的预测结果相比，这些误差参数分别降低了2.46%,2.46%,169.65和156.57。由此可知，PSO-Elman预测模型能够精确有效地预测商业建筑空调的冷负荷。     

基于模糊神经网络的故障预测方法研究

在对模糊神经网络技术进行研究的基础上,介绍了故障预测原理,建立了预测分析的模糊神经网络模型,提出了改进的预测算法,并举例对算法进行了仿真验证。预测结果表明该方法能够取得比传统的BP更好的效果,是可行而有效的。为仪器设备的尽快维修提供了可靠的依据,具有良好的应用前景。     

高光谱成像技术实现马铃薯叶片叶绿素无损检测

针对马铃薯叶片，依托高光谱成像技术实现叶片叶绿素含量的无损检测。利用相关性分析获得马铃薯叶片叶绿素敏感波段，结合植被指数，建立基于光谱导数、植被指数的叶绿素含量传统预测模型与贝叶斯正则化-反向传播（BR-BP）神经网络模型。以489 nm光谱一阶导数值、修正型叶绿素吸收植被指数（MCARI）、陆地叶绿素指数（MTCI）为自变量建立BR-BP神经网络模型，其校正集决定系数、预测集决定系数、均方根误差分别为0.8464，0.6804，0.0746。研究表明，传统模型中光谱一阶导数-幂函数模型可较为准确地预测叶绿素含量，BR-BP神经网络模型相比传统预测模型具有更高的预测精度，因此可以实现马铃薯叶片叶绿素无损检测。