FMS加工尺寸及工艺能力预测控制研究

应用时间序列分析原理和方法对柔性制造系统（FMS）加工尺寸数据序列进行在线建模。将加工尺寸预测与工艺能力预测结合起来，提出对加工尺寸进行反馈补偿控制的原理和方法。实践证明，基于此模型的预测及反馈补偿结果是令人满意的。     

机械加工系统瞬时工艺能力预测分析

采用时间序列分析的方法从加工尺寸在线检测数据中预测系统瞬时工艺能力信息,为机械加工工艺过程中质量控制提供依据。     

反向传播神经网络在非线性预测中的应用

在相空间重构理论的基础上将神经网络理论引入混沌时间序列预测领域,给出了BP神经网络拟和重构后所得函数关系的具体实现过程,并应用训练后的网络进行预测,经计算机仿真表明该方法是行之有效的,并给出了具体应用实例。     

基于MATLAB的短时电力负荷预测方法研究

电力系统负荷预测在电力系统调度、用电、规划中起着至关重要的作用。通过对历史数据的分析和研究,基于MATLAB软件平台对ARMA时间序列和BP神经网络两种预测方法进行了仿真实现。算例仿真结果表明,进行短期电力负荷预测时,时间序列法较BP神经网络法具有原始数据少、程序实现简单和训练时间短等优点。     

基于Matlab的机械加工尺寸的建模与预测

在深入分析时间序列分析方法的基础上，详细介绍了如何运用Matlab建立时间序列模型的方法和步骤，大大简化了编程的复杂程度，提高了模型在对机械加工尺寸数据序列进行建模和预测方面的应用效率。     

基于TCN的滚动轴承振动趋势与剩余寿命预测研究

滚动轴承作为旋转机械的关键零件,在旋转机械的运行维护中是关注重点。对滚动轴承振动趋势和剩余寿命进行预测,可以有效地预防设备故障,减小故障造成的损失。近年来,随着机器学习和深度学习方法在计算机视觉、自然语言处理等领域的应用,越来越多的机器学习和深度学习方法被应用在滚动轴承的剩余寿命预测研究中。滚动轴承的振动数据,作为一种序列数据,可以有效地应用LSTM循环神经网络、RNN和CNN等深度学习方法进行预测,但是预测效果还有待进一步的提升。时间卷积网络(Temporal Convolution Network, TCN)作为一种最新出现的序列神经网络,被证明在序列数据预测上有良好的效果。采用TCN实现对滚动轴承的振动趋势预测,并且将TCN结合注意力机制进行了滚动轴承的剩余寿命预测研究;最终证实了TCN可以用于滚动轴承的振动趋势预测和剩余寿命预测,并得到了更好的预测效果。     

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。     

旋转机械的新息加权神经网络工作状态趋势预测研究

在面向旋转机械的神经网络工作状态预测中,存在着对新数据强调不足的缺陷,为了弥补原有的神经网络存在的缺陷,提出一种新的神经网络预测方法,即基于均值函数新息加权的神经网络预测方法.依据时间序列数据的新旧程度对预测值贡献的大小,通过均值函数赋给输入数据不同的权值系数,提高神经网络的预测精度.在旋转机械工作状态预测中取得较为理想的预测效果.     

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。     

时变模糊神经网络及其在航空发动机排气温度预测中的应用

为了提高气路参数偏差值预测精度,首先建立了时变模糊推理系统;同时,为了解决模糊推理系统因参数众多而难以实际应用的问题,建立了时变模糊神经网络,并给出了该网络的学习算法。采用Mackey-Glass时间序列对时变模糊神经网络的预测精度进行验证,并将其应用到发动机排气温度偏差值预测中。应用实例表明,时变模糊神经网络能更好地预测排气温度偏差值的变化趋势,为发动机预诊断提供支持。