基于BP神经网络的铸造AZ91镁合金力学性能研究

通过实验方法获得了在不同振动铸造参数下,AZ91镁合金的抗拉强度、断后伸长率和硬度等数值。分别采用这些实验数据作为训练和测试样本来构建BP神经网络,并对AZ91镁合金的力学性能进行预测。预测结果与试验结果的对比表明,所构建的BP神经网络具有较高的预测精度。     

基于BP神经网络的铁液碳、硅含量预测

建立在多元回归基础上的传统热分析法存在预测模型函数形式有过强的人为限定,以及对生产条件变化缺乏自适应的问题,为了解决上述问题,本文把BP神经网络算法用于热分析中,构造预测铁液C、Si含量BP神经网络。利用38组实验数据对网络进行训练,获得预测网络模型,然后采用该模型对8组验证样本进行预测,预测C、Si含量的绝对误差分别为0.12%和0.16%。结果表明:该方法能够避免建立模型时人为限定,提高预测精度;对于不稳定的生产条件,具有较强的学习能力和适应能力。     

基于灰色理论和神经网络的自冲铆接头力学性能预测

为研究铆接参数对自冲铆接头力学性能的影响,对AA5052板进行自冲铆接正交试验,采用灰色关联度分析了各铆接参数对接头强度的影响程度,并通过BP神经网络建立了铆接参数与接头强度的神经网络预测模型。利用获得的正交试验数据对网络进行训练,并采用未参加训练的样本验证该预测模型的有效性。结果表明:刺穿压强和整形压强对接头强度影响最大,其中刺穿压强对接头强度起决定作用,适当增大刺穿压强可以提高接头强度。采用LM算法优化的BP神经网络模型具有良好的泛化能力和预测精度,对未参加训练样本预测精度高,其预测最大相对误差为5.48%,预测精度超过90%。     

基于人工神经网络的冷挤压精度预测

本文选择了三层BP神经网络来进行冷挤压成形精度的预测,采用正交实验设计的方法来选取人工神经网络的训练和测试样本,并按照一定的原则对人工神经网络进行了训练.结合典型实例,验证了用人工神经网络预测冷挤压成形精度的有效性.     

基于液压马达内泄漏故障的预测研究

为了研究液压马达可能出现内泄漏故障,并对液压马达状态进行预测性监控。通过建立液压马达内泄漏故障试验平台,获得液压马达内泄漏的故障数据。在MATLAB中建立基于T S模糊神经网络的故障预测模型,将实验数据用于模型的训练以及预测结果的验证。对预测结果进行分析后,讨论了不同数量样本用于模型训练对故障预测精度的影响。在分析过程中发现数据波动较大的地方,相对误差较大。研究后发现,通过将实验数据进行拟合后,用相同的模型进行训练和预测,讨论了拟合后不同数量样本的预测模型精度与拟合前的差别。结果表明：虽然模型训练的数据数量越大,预测的精度越高,但数据拟合后只需将较少的数据用于建模,预测就能达到较高的精度,为小数据样本进行故障分析提供了参考。     

基于ES-MLSTM的液压机故障诊断系统设计

为解决大型液压机故障诊断难的问题,提高故障识别准确率,确保液压系统正常有效工作,设计了专家系统(ES)与多模型长短期记忆(MLSTM)神经网络的融合识别算法。首先通过大型液压机数据采集系统,获取液压机压力、电磁阀与行程开关等状态信号,并对数据进行数字滤波与数据清洗,得到一个22维的特征向量;然后构建了LSTM模型,选取最优的输入节点、隐层节点、输出节点个数,分析了在不同训练样本下的识别率,以及特征向量维数对识别率的影响。分析LSTM模型对识别率影响的因素,提出对同一个LSTM结构、采用多个参数模型的方法,并利用ES对参数模型进行管理,提高识别率。设计专家系统的推理知识模型、数据清洗知识模型、多模式深度学习网络(MLSTM)的调度知识模型等;最后设计了推理机,对MLSTM网络学习训练,完成建模。在故障预测分类时,通过ES进行数据推理得出初步候选结果,并对预测结果按照概率进行排序,取出排序前面N个结果,用深度学习网络MLSTM进行判别,有效减小了识别时间,利用专家系统的推理功能,实现MLSTM的模式转换,大大提高了分类精度。系统采用了12个故障类、120个训练样本、1 920个测试样本进行测试,采用ES-MLSTM识别率为100%,而相同样本,采用SVM的识别率是92.9%,采用PSOSVM的识别率是96.3%,采用BP的识别率是73%,证明基于ES-MLSTM识别方法可以满足故障诊断的要求。     

基于RBF神经网络的花岗岩加工铣削力预测研究

以花岗岩铣削加工中金刚石铣刀为研究对象,对直接导致刀具断裂影响加工效能的关键因素——铣削力进行了研究。针对花岗岩加工铣削力理论公式在实际应用中的局限性,提出了一种采用实验法和神经网络预测相结合的方法。利用实验获得神经网络铣削力预测的建模样本和验证样本以及刀具的断裂极限,利用RBF神经网络对花岗岩加工的铣削力进行了建模预测,通过实验数据验证了该模型的准确性,通过该模型预测获得优选的加工参数,并进行了应用。结果表明该方法有效地提高了刀具的加工效能。     

变频环境下异步电机故障诊断方法

针对变频环境下异步电机故障时定子电流信号非平稳的问题,提出一种互补集合经验模态分解（CEEMD）与卷积神经网络（CNN）结合的异步电机故障诊断方法。首先通过ANSYS对变频环境下电机建模获得仿真电流数据,利用CEEMD将电机定子电流信号分解为一系列本征模态函数（IMF）;其次通过计算排列熵和样本熵,选取复杂程度小的IMF分量并计算其平均值来提取出故障特征;接着将特征数据集输入卷积神经网络（CNN）进行训练和验证;最后搭建实验平台收集电流信号,对信号进行滤波和CEEMD分解重构,放入CNN训练好的模型进行测试,识别率达95.56%。证明了该方法是一种可行的异步电机故障诊断方法,可实现对异步电机正常、转子断条和气隙偏心状态的准确识别。     

基于神经网络模型的海南变电站接地网Q235钢腐蚀率预测

运用MATLAB软件在土壤腐蚀等级评价指标上随机生成了2 000组训练样本和200组测试样本来增强网络的鲁棒性(抗变换性)和样本识别准确性,找出了适合BP和RBF神经网络模型的结构参数,构建出了性能和稳定性都较好的BP和RBF神经网络模型。用现场采集的海南省变电站土壤腐蚀相关数据分别对已建并训练的BP和RBF神经网络模型进行检验,并用这两种模型对变电站接地网普遍使用的Q235钢的腐蚀速率进行了预测。结果表明:两种模型预测的准确率均在95%以上;BP神经网络模型在结构和运算方面比RBF神经网络模型好,但需要设定的参数多、较繁琐,而RBF神经网络模型只需设定Spread值,较简单,且RBF神经网络模型在训练精度和泛化能力方面均优于BP神经网络模型。     

基于TUCKER-DBN的机械故障识别方法研究

针对传统深度信念网络（DBN）存在的分类精度不高、训练速度较慢、仅适用于一维信号等不足，将DBN结合TUCKER分解，提出一种新的故障识别方法。该方法首先利用TUCKER分解大幅度压缩数据，提取其核心张量作为故障特征，然后将核心张量输入到DBN分类器中进行训练和识别。将该方法与传统的DBN故障识别方法进行对比研究，在采集的120个样本中，选择30个样本进行故障识别测试实验。结果表明:使用TUCKER-DBN识别方法的识别率为93%，较传统的DBN故障识别方法的识别率更高；并且使用TUCKER-DBN识别方法的训练时间比传统DBN故障识别方法所用的时间更短。     

基于迁移学习的切削力神经网络预测模型优化策略

在实际生产中,生产条件的变更情况时常发生,重新训练一个神经网络预测模型的成本较为高昂。本文针对切削力预测的任务,结合迁移学习领域的理论和方法,研究了一种神经网络的训练方法。在训练神经网络模型时,使用一组相关但不完全相同的切削数据预训练一个网络模型;使用目标数据对该网络进行重训练,并在网络的优化目标中加入两组数据集的MMD距离,称为"迁移网络"。结果表明,与传统的BP神经网络相比,在一定条件下,迁移网络具有较为明显的性能优势。一方面,这意味着使用相同的实验样本,迁移网络的预测误差将得到控制;另一方面,当达到相同的预测误差时,迁移网络所需的实验样本数量将减少,能够有效的减少训练成本。     

基于神经网络的齿轮钢预备热处理性能预测

通过不同的奥氏体化温度、奥氏体化时间、等温前冷速、等温温度和等温时间下的20MnCr5齿轮钢预备热处理工艺试验获得齿轮钢硬度试验数据,将其作为神经网络的训练样本和验证样本,构建出5×30×12×1四层神经网络,对齿轮钢预备热处理性能进行预测,并对网络模型的预测精度进行研究和分析.结果表明,该神经网络的识别能力较强,预测精度较高.     

基于RS_RBFNN的钛合金焊接接头疲劳寿命预测

建立了基于RS与RBF神经网络集成的钛合金焊接接头疲劳寿命预测模型(RS_RBFNN),该模型首先基于熵的连续属性离散化算法离散化疲劳数据并应用遗传算法约简疲劳寿命评价指标;基于最小约简指标提取焊接结构疲劳寿命分类判别规则以及对RBF神经网络进行训练;最后使用粗糙集理论判别与规则库匹配的检验样本疲劳寿命等级,使用RBF神经网络判别不与规则库任何规则匹配的检验样本疲劳寿命等级.基于钛合金疲劳试验数据的实证分析结果表明,RS_RBFNN模型容错性较好、精度较高,对钛合金焊接结构疲劳寿命预测具有一定的实际指导意义.     

基于多类支持向量机的板形识别方法

提出一种基于多类支持向量机理论的板形识别分类器,通过对冷轧工序中板形仪测得的数据进行预处理,获取所需样本数据。采用“一对多”方法训练多类支持向量机分类器,最后用测试样本对训练出的分类器进行性能测试。仿真结果表明该方法在处理小样本数据时识别率非常高,泛化能力更强,为板形识别提供了新的研究方法。     

基于多特征提取和LSSVM的轴承故障诊断

针对故障滚动轴承的振动信号具有非线性、非平稳的特点,提出一种基于时域指标、小波包能量和最小二乘支持向量机(LSSVM)的轴承故障诊断方法。分别对滚动轴承的原始信号进行时域分析计算和小波包分解,并提取状态差异较明显的时域指标和小波包分解后能量差异较大的小波包能量作为故障特征向量;将含有多个特征向量的数据样本分为训练样本和测试样本并进行归一化处理;训练样本作为LSSVM的输入来对该模型进行训练,通过训练好的LSSVM模型对测试样本进行分类和诊断。实验结果表明:采用该方法,轴承状态总体识别率为97.5%。     

电加热渐进成形工艺参数优化及成形温度预测

电加热渐进成形的成形温度是影响板料塑性性能和成形件质量的关键因素。本文采用正交试验方案进行了电加热渐进成形试验,分析了工具头直径、进给速度、垂直进给量和电流对成形温度的影响,并得到局部最优的电加热渐进成形参数组合。建立了输入为电加热渐进成形工艺参数,输出为成形温度的BP神经网络,利用正交试验的数据训练该网络,通过测试样本检验温度预测模型的精度。针对BP神经网络平均误差大(12.86%)的问题,分别用遗传算法(GA)和粒子群算法(PSO)优化了BP神经网络模型的权值和阀值,使预测误差分别降低到3.87%和9.05%。GA-BP神经网络模型可以高精度地预测工艺参数和成形温度之间的关系。     

基于SO-LSTM的立柱液压系统故障诊断方法研究

针对目前无法快速、准确地诊断矿用立柱液压系统故障等问题,在建立仿真模型分析单一故障机制的基础上,基于优化算法提出多种故障诊断方法。将立柱物理模块与立柱液压系统模块相结合,建立立柱液压系统仿真模型;基于Simulink分析单一故障的影响,基于蛇优化LSTM神经网络建立诊断模型;最后,根据实际数据进行模型的实例验证。结果表明：蛇优化LSTM模型对液压立柱故障仿真数据识别率达到99.5%,对液压立柱故障真实数据识别率达到97%,与模型仿真数据的预测精度仅相差2.5%,预测精度较高,达到了预期目标。     

汽车覆盖件拉深过程中的压边力预测

结合数值模拟与人工神经网络技术研究了汽车内覆盖件承载地板在冲压成形中压边力的预测。将板料模型零件导入到Dynaform中进行网格划分并对其拉深过程进行模拟仿真,结合正交试验获取不同参数条件下最佳压边力的数据样本,然后运用Matlab软件中的GRNN神经网络工具箱对数据进行训练学习,采用训练好的神经网络对板料成形过程中的压边力进行预测,获得了板料拉深过程中的压边力变化曲线。通过预测结果和模拟结果对比,预测误差在10%以内。将预测的曲线对零件模拟仿真,结果显示零件最大减薄率在25%以内,并对板料进行实际冲压验证。结果显示成形效果良好,无起皱、破裂缺陷,符合实际生产的要求,说明GRNN神经网络可以用于零件冲压过程中压边力的预测。     

汽车后围板拉深成形过程中的回弹预测

以汽车后围板为对象,运用BP神经网络对其拉深过程中的回弹量进行预测。通过CATIA建立CAD模型,运用Dynaform软件对板料冲压过程进行仿真分析,借助正交试验获取不同参数组合下的回弹数据,并通过试验验证了关键数据的可靠性,建立了4-9-6的3层BP神经网络回弹预测模型。通过对数据样本进行训练学习,控制其预测的精度为0.01,将预测结果与实际测量结果进行对比,显示预测误差最大为5.62%。说明运用BP神经网络可以实现对复杂拉深件成形的回弹预测,可以大量节省仿真预测的时间,对模具的设计具有很好的指导作用。     

基于人工神经网络的结构钢回火后力学性能预测

利用多层前向神经网络，使用B－P算法对结构钢回火性能预测进行了研究。通过利用99种钢450余组训练数据样本对神经网络进行训练，建立了结构钢回火后的力学性能与金属成分和回火温度之间的隐性函数。并针对训练用样本不足的问题，设计了为网络提供自学功能软件，在钢完全淬透的前提下，用此神经网络模型可在一定精度范围内预测结构钢的回火力学性能。