YJY2500液压金属压块机

将金属废料压块成形,为冶金企业提供合格的回炉料,该机是目前国产压块机中性能先进的一种。     

液压金属压块机

液压金属压块机蔡宗琰在工业生产中，将铁屑、铝屑及轻薄型金属板材等压块打包，为冶金企业提供合格炉料，这对金属废料的处理具有特殊的意义。本文介绍的ＹＪＤ１２５０金属压块机，吸收了国内外同类机器的特点，大胆采用新结构，不仅具有国内外同类机器的功能，而且结构...     

基于PLC的金属压块机控制系统设计

以金属压块机为对象,在对其工作方法和控制方式及其流程进行了研究,为了实现自动化,以三菱中型号为FX_(2N)-32ER PLC为主控器取代原剪切机的机械控制,对传统设备进行改造,基于GX-works软件,利用顺序控制的设计思路开发了控制程序,并逐步分析说明所设计程序的运行功能,实现金属压块机压缩成型与出料工作。通过金属压块机及PLC控制的研究,论证了PLC控制技术在金属压块机中是可行的。     

基于BP神经网络的电梯增长量预测研究

电梯增长量数据的预测可以为行业的管理部门和市场主体提供重要的决策依据。鉴于此,通过对影响电梯数量增长的相关因素进行分析,总结出6个影响电梯增长量的主要因素。运用BP神经网络构建电梯增长量预测模型,以实际某地市为例,结合国家统计局的数据,分析预测值相较于实际值产生的误差,判断构建的模型是否可靠。实验结果表明,预测值和实际值之间匹配度较高,误差范围控制在3%以内,该模型能高精度地预测该地区某年的电梯增长量。     

YJY2500液压金属压块机

将金属废料压块成形,为冶金企业提供合格的回炉料.该机是目前国产压块机中性能先进的一种.     

基于GA-BP神经网络的刀具寿命预测研究

刀具的使用寿命对于刀具需求计划制定、刀具生产准备以及切削参数的设置等具有重要影响。为了准确预测刀具使用寿命,在BP神经网络中引入了一种新型遗传算法,提出了一种基于遗传算法优化的BP神经网络的刀具寿命预测方法。BP神经网络中的权值和阈值利用遗传算法进行优化处理,训练BP神经网络预测模型求得最优解。实验结果表明,基于GA-BP神经网络刀具寿命预测方法相比传统BP神经网络预测具有更高的寿命预测精度,为刀具需求制定、成本核算、切削参数的制定提供了理论依据。     

基于BP神经网络预测的马铃薯晚疫病预测系统

马铃薯晚疫病是对马铃薯种植危害最大的病害之一,这种病现在还没有很好的根冶办法,只能以预防为主.BP神经网络在预测控制中有着极其广泛的应用,本文首先介绍了BP算法及网络隐含层与结点数的相关问题,然后说明了利用神经网络预测实现的马铃薯晚疫病预测系统,系统采用BP神经网络算法,以气象数据等作为预测的输入,达到预测马铃薯晚疫病流行程度的目的.     

合成橡胶压块机改造的可靠性研究与节能设计

针对压块机存在的缺陷与故障,对其进行可靠性设计,增强主机刚度,增加主机润滑装置,并利用先进的逻辑插装阀取代原有动力系统,使之更新为一台新压块机,经验证,改造后较改造前节能、可靠、运行平稳,证明改造是成功的。     

基于组合遗传神经网络的磨损趋势预测

针对神经网络易陷入局部极值的问题，用遗传算法来改进神经网络时间序列预测模型，并设计了一个组合网络，考虑了单一遗传BP神经网络预测的误差，以误差样本训练了一个校正的遗传BP神经网络，并将该组合网络时间序列预测模型应用于柴油机系统磨损趋势的预测，取得了较好的预测效果。     

基于神经网络的数控机床可靠性预测的研究与实现

数控机床的生产厂家为了生存和发展的需要,对可靠性的预测也提出了迫切的要求。本文提出了基于人工神经网络的可靠性预测方法,建立了用于数控机床可靠性预测的三层BP神经网络模型,给出了具体的算法。通过实例证明该方法比传统的数学预测方法更准确和可靠。     

基于BP网络和线性预测方法的机器人信息预测

研究在RoboCup小型组比赛中通过预测减小系统延时产生的影响。整个系统在运行过程中产生信息传递的延时,视觉信息不能真实的反映当前场上机器人和球的信息,需要对视觉信息进行预测,以减小延时造成的误差,最终得出综合信息供后续决策使用。文章采用BP神经网络和线性预测的方法来解决这个问题。     

基于BP神经网络的纳米复合沉积层显微硬度预测研究

在复合电沉积工艺中,通过适当控制工艺条件可以获得具有特殊性能的纳米复合镀层。运用正交试验法优化对复合沉积层显微硬度有较大影响的各工艺参数,然后用BP神经网络分析方法对正交试验的结果进行分析处理。预测并得到较正交试验法所得最优工艺水平组合时更高的复合沉积层显微硬度,证实了将神经网络模型应用于复合沉积层性能预测和工艺优化的可行性和有效性。     

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%。     

BP神经网络在财务失败预测的应用

采用了改进的BP神经网络对企业的财务状况进行了仿真预测,并与证券交易所公布的结果做比较,验证了其可靠性。     

基于改进BP神经网络的连铸漏钢预报

针对传统BP神经网络在训练过程中存在收敛速度慢的缺陷,将LM(levenberg marquardt)算法引入到BP神经网络的训练过程,建立了LM-BP神经网络模型,并将其应用于连铸过程中的漏钢预报系统。结合某钢厂连铸现场历史数据对系统进行了测试,测试结果以96.15%的预报率及100%的报出率,验证了基于LM算法的BP神经网络连铸漏钢预报方案的可行性和有效性。     

Mechanical Properties Prediction of the Mechanical Clinching Joints Based on Genetic Algorithm and BP Neural Network

For optimal design of mechanical clinching steel-aluminum joints, the back propagation (BP) neural network is used to research the mapping relationship between joining technique parameters including sheet thickness, sheet hardness, joint bottom diameter etc., and mechanical properties of shearing and peeling in order to investigate joining technology between various material plates in the steel-aluminum hybrid structure car body. Genetic algorithm (GA) is adopted to optimize the back-propagation neural network connection weights. The training and validating samples are made by the BTM(R) Tog-L-Loc system with different technologic parameters. The training samples' parameters and the corresponding joints' mechanical properties are supplied to the artificial neural network (ANN) for training. The validating samples' experimental data is used for checking up the prediction outputs. The calculation results show that GA can improve the model's prediction precision and generalization ability of BP neural network. The comparative analysis between the experimental data and the prediction outputs shows that ANN prediction models after training can effectively predict the mechanical properties of mechanical clinching joints and prove the feasibility and reliability of the intelligent neural networks system when used in the mechanical properties prediction of mechanical clinching joints. The prediction results can be used for a reference in the design of mechanical clinching steel-aluminum joints.     

基于SVM和BP神经网络的滚动轴承故障诊断

为更好地对滚动轴承进行状态监测和故障诊断,采集3种不同状态下的滚动轴承振动信号,根据振动信号特点提取其时域和频域的相关特征,然后分别利用SVM(支持向量机)和BP神经网络进行模式识别。不断减少每种状态下训练样本集的个数,利用2种不同的方法进行模式识别。当每种状态下的样本个数为3个时,支持向量机仍然能准确地将测试样本进行分类,而BP神经网络完全无法识别。实验结果表明,支持向量机比BP神经网络更适合于小样本的故障诊断。     

基于改进BP神经网络的机械故障研究

BP网络易陷入局部最优和运算不稳定,提出附加动量下降法对其改进;通过改进BP与标准BP对旋转机械常见故障诊断进行对照分析,得出改进BP能够克服标准BP的固有缺陷。     

采用BP神经网络的叶片电解加工精度预测

工件成型精度的预测是实际电解加工的重要研究课题,快速、准确地选取加工参数并预测出工件的形状精度可以减少试验次数,缩短试制周期,降低生产成本。本文以某型发动机叶片为研究对象,对影响电解加工精度的主要加工参数进行了分析,结合工艺试验的数据建立了BP网络模型,并采用该模型进行了不同加工参数组合下叶片型面的预测。结果表明,该模型的预测精度比较高,具有一定的工程实用性。