基于集成神经网络的剩余寿命预测

针对机器或设备的剩余寿命（Remaining useful life, RUL）预测精度低的问题,提出基于一维卷积神经网络（Convolutional neural network, CNN）和双向长短期记忆（Bidirectional long short-term memory, BD-LSTM）的集成神经网络模型。为了更好地抽取时间序列上的特征,以及产生更多的训练样本,采用滑动窗口对数据进行处理,同时采用卡尔曼滤波对数据进行降噪处理,将数据标准化以及设置RUL标签。与人工提取特征不同,利用一维CNN对数据进行特征提取,并舍弃了CNN中的池化层。然后将提取到的高维特征输入到BD-LSTM进行回归预测,并采用Bagging的方式对此神经网络进行集成来预测RUL。最后通过在NASA的数据集上验证该模型的有效性,以及相比于其他机器学习或者深度学习模型的优越性,实验表明所提模型在RUL预测方面更加准确。      

基于磁特性的铁磁材料疲劳寿命的预测

研究了铁磁材料在疲劳过程中磁导率的变化与疲劳寿命间的对应关系，建立了预测疲劳寿命的人工神经网络模型，它可用于估算材料的疲劳损伤程度，预测材料的疲劳寿命。     

基于灰色时序组合模型的高炉热风炉煤气消耗量的预测

以某一钢铁企业为背景,针对钢铁行业影响煤气消耗量的因素复杂多变,而又难于把握的特性,提出基于历史数据,运用灰色时序组合模型对高炉热风炉煤气消耗量进行建模预测的方法.实验表明,在热风炉正常的操作制度下,这种组合预测方法能很好地把握煤气用量的波动规律,具有较高的预测精度.     

基于BP神经网络双对数算法的刀具磨损分析及寿命预测研究

针对刀具磨损状态和寿命预测受刀具材质、切削参数及加工材料等影响使得测试复杂且难以准确预测的问题,建立基于BP神经网络结合双对数算法的刀具磨损分析与寿命预测模型。用交叉验证法改变切削参数,对前后刀面的失效分析可知主要以后刀面磨损为主。将切削过程中的刀片后刀面磨损值VB与时间T双对数化发现：在一定范围内,改变单个切削参数,只有后刀面的初始磨损量发生变化;改变多个切削参数,后刀面的初始磨损量和磨损速率都发生变化。根据耐用时间T双对数变换后结合BP神经网络进行仿真,结果显示偏离值降低至0.1,偏离度降低至0.2%,证明BP神经网络结合双对数变换算法在一致性与试验结果的符合度都高于单纯采用BP神经网络作为预测算法的计算结果,能更好的预测刀具寿命。     

基于模糊灰色预测模型的油菜产量预测

把模糊数学和灰数学有机的结合为模糊灰色预测FGM(1,1)模型,并应用到油莱产量的预测上,实例分析发现FGM(1,1)模型预测我国油菜产量具有较高的预测精度.     

组合模型在农业用水量预测中的应用

在分析灰色模型与人工神经网络模型特点的基础上提出了灰色神经网络组合预测模型,并以最小二乘法确定了2个单一模型权重系数的分配.结果显示,灰色神经网络组合预测模型的最大、最小及平均误差均明显优于2个单一模型,有效提高了预测的精度.     

有损伤齿轮点蚀疲劳寿命预测计算方法

以GB3480-83为基础,通过理论分析,建立了齿轮点蚀面积率与运转时间的函数关系,提出了应用随机时间序列预测技术对有损伤的中低速重载齿轮点蚀疲劳寿命进行预测的计算方法.     

基于BP神经网络预测硬质合金硬度

通过BP神经网络，对WC-Co硬质合金硬度进行模拟和预测。结果表明，该方法能够比较精确地预测WC-Co硬质合金硬度与其成分变化的关系。     

烧结矿碱度的灰色神经网络预测模型及仿真

本文提出了用灰色神经网络对烧结矿化学成分进行预测,并在此基础上构造了灰色神经网络模型,该模型有效地融合了灰色理论可弱化数据序列波动性和神经网络特有的适应非线性信息处理的能力,研究结果证明,本模型能在小样本、贫信息的条件下对烧结矿碱度做出比较准确的预测,此种模型具有预测精度高、所需样本少、计算简便等优点,取得了比较满意的结果。和BP神经网络算法相比,灰色神经网络算法有很大的应用前景和推广价值。     

基于RBF神经网络的黄金价格非线性预测

在对黄金市场进行分析时,通常根据黄金价格数据自身特点选取合适的模型进行建模预测,但因黄金价格数据本身的非线性特征比较明显,模型的选取往往较为困难,预测精度不高。利用神经网络的特性,建立了RBF神经网络,有效地解决了模型选择不当的难题。实证表明,RBF神经网络建立的非线性模型预测精度较高。     

GH4133合金热机械疲劳寿命的预测

通过对典型的热机械疲劳寿命预测模型的分析,结合GH4133合金的热机械疲劳损伤特性,建立了热机械疲劳寿命预测模型－－新的损伤分数模型,用该模型预测了GH4133合金在571－823℃的热机械疲劳寿命,结果表明,新的寿命预测模型不仅简便,而且预测精度较高。     

中国林业产业结构灰色预测分析

应用灰色关联分析方法研究了1996～2009 年我国林业系统的产值结构,并以GM(1,1)模型为基础,建立信息模型,对中国今后10年林业产业结构情况进行了预测.结果表明,1996～2009年林业三大产业与林业产值的灰色关联度分别为0.8491、0.731 1、0.821 3,排序为第二产业<第三产业<第一产业;预测结果显示,中国林业产业处于工业化中期,二、三产业将高速发展并占主导地位.     

基于GA-BP神经网络的露天矿边坡变形预测分析

矿区边坡在各种因素的影响下,将会发生变形,但变形超过一定限度时,会对矿区产生很大的危害,开展边坡变形预测分析,能在一定程度上预防灾害的发生。文中在充分考虑BP神经网络初始权值和阈值难以确定,造成模型系统进入局部最小化,导致预测精度不高等问题的基础上,提出GA-BP神经网络预测模型,解决了普通网络模型在权值和阈值上的不足,并以越堡露天矿边坡变形监测点JC31、JC33、JC36为研究对象,分别采用灰色理论模型、BP神经网络模型以及GA-BP模型进行预测,研究结果表明:GA-BP网络模型较灰色模型和BP模型的预测值与实际值更吻合,预测精度更高,其平均相对误差最小,较其他两种方法预测精度提高了10倍以上,表明该方法具有一定的可靠性和可行性。      

基于灰色理论的铁水预处理终点磷含量神经网络预测模型

 在传统BP神经网络预测模型的基础上,依据灰色理论中的灰色关联度,提出了输出变量各个影响因素的灰色关联度权值,首次建立基于灰色理论的神经网络预测模型,并依据国内某钢厂300组实际生产数据进行仿真试验。试验结果表明：误差绝对值小于5%的炉数有39炉,占总炉数的65.00%;误差绝对值小于10%的炉数共有58炉,占到96.67%。与传统BP神经网络相比,基于灰色理论的神经网络模型的预测精度提高近12.5%,说明基于灰色理论的铁水预处理终点磷含量神经网络预测模型能更精确地反映现场实际水平。     

基于NARX动态神经网络的锂离子电池剩余寿命间接预测

锂离子电池的直接健康因子难以实现在线测量,针对此问题,提出一种基于动态神经网络时间序列的锂离子电池剩余寿命（Remaining useful life, RUL）间接预测方法。首先根据锂离子电池的放电数据,提出放电截止时间,恒流放电时间以及放电峰值温度时间三种间接健康因子并进行灰色关联分析（Grey relation analysis, GRA）。然后,基于非线性自回归（Nonlinear autoregressive models with exogenous inputs, NARX）动态神经网络建立锂离子电池RUL预测模型。最后将粒子群优化前馈神经网络（Back propagation neural network based on particle swarm optimization, BPNN-PSO）,最小二乘支持向量机（Least square support vector machine, LS-SVM）,极限学习机（extreme learning machine, ELM）,闭环（Closed-loop）NARX和开环（Open-loop）NARX进行对比分析,验证了所提方法的优越性。      

基于神经网络的生产指标预测计算机系统

本文设计并开发了基于神经网络的生产指标预测计算机系统，阐述了该系统的设计原理及其组成，并结合某矿山实例说明了其应用。     

基于神经网络的期铜价格趋势预测研究

运用X-12-ARIMA季节调整方法,对上海交易所三月期铜月平均价格进行季节性调整,消除了季节因素和不规则因素对铜价的影响.针对季节调整后序列,分另建立了BP、RBF、Elman等神经网络模型,并对期铜价格进行预洲.预测效果比较说明,与传统的神经网络相比,Elman神经网络模型具有收敛速度快、预测精度高的特点,能在期铜价格预测方面取得较好的效果.     

铝电解槽寿命预测研究

本文用支持向量机回归算法处理了某铝电解工厂150KA电解槽系列的有关铝电解槽寿命的工业数据（生产操作条件），分析了工业数据中有关铝电解槽寿命的主要影响因素．建立了铝电解槽寿命的定量预测（支持向量回归）模型，用留一法交叉验证方法分别检验了所建定量预测模型的预报能力。所建铝电解槽寿命定量预测模型的留一法交叉验证的误差小于18％。最后通过对已停电解槽进行验证预报证明了谊预测模型具有一定的可行性和实用性。