基于BP神经网络的轴承寿命预测程序设计

基于BP神经网络原理,利用轴承空载和负载运行下的各参数建立轴承剩余寿命的预测模型。在MATLAB中对轴承数据样本进行学习与训练,获得较精确的BP神经网络结构的权值和阈值,根据BP神经网络算法编写m函数文件,在MATLAB中生成COM组件。用Visual Basic 6.0编写的系统软件界面,在界面中调用COM组件中的DLL文件。解决算法优化和模块间调用等问题,成功开发出轴承寿命预测系统,用于机电产品的质量控制管理。     

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神经网络的物流预测方法

针对传统物流预测方法的局限性，研究了基于BP模型神经网络的物流预测方法，即依据历史数据建立BP神经网络对其进行训练形成物流预测模型。阐明了神经网络具有记忆、学习功能，能够很好地模拟物流发展趋势。大量预测结果的准确性表明基于神经网络的物流预测是一个行之有效的方法。     

基于BP神经网络的齿轮箱故障模式识别

以双谱分析为基础,对分析的结果进行特征提取,提出了双谱-BP网络故障诊断方法,并以双谱为BP神经网络的输入特征向量,对所提出的方法进行了实验研究,结果表明所提出的双谱-BP诊断方法是判断齿轮箱故障类型的一种有效方法。     

基于神经网络的球轴承剩余寿命预测

针对球轴承的剩余寿命预测问题,基于自组织映射(Self organizing map, SOM)和反向传播 (Back propagation, BP)两种神经网络,提出一套新的预测球轴承剩余寿命的方法体系。深入对比分析几种不同轴承衰退指标的优缺点,利用三套时间域衰退指标和三套频率域衰退指标,包括一套新设计的指标,训练自组织映射神经网络。将源自于SOM的最小量化误差(Minimum quantization error, MQE)作为新的衰退指标,建立一套轴承性能数据库。针对球轴承衰退期,训练一套BP神经网络,根据权值计算失效时间技术,成功开发一套剩余寿命预测模型。结果表明,该方案远优于业界常用的L10寿命估计。     

基于改进BP神经网络的焦炭塔热机械疲劳剩余寿命预测

焦炭塔热机械疲劳剩余寿命的分析对于保证焦炭塔的正常运行、防止事故的发生有着十分重要的意义。结合人工神经网络技术,提出了根据有限的材料热机械疲劳试验结果,用改进的BP神经网络预测焦炭塔热机械疲劳剩余寿命的方法,编制了相应的程序,并在实际应用中证明了此方法的有效性。这为研究焦炭塔热机械疲劳剩余寿命提供了一种新的方法。     

基于BP神经网络的冷轧带钢的力学性能预测

利用BP神经网络的方法预测SPCC冷轧带钢产品力学性能并以现场得到的化学成分(C、Si、Mn、P、S、Al)和工艺参数(退火温度、轧制速度)正交试验数据为基础,采用离线学习的方法得出网络的预报值.     

BP神经网络与广义RBF神经网络在产品寿命分布模型识别中的应用研究

通过分析BP神经网络和广义径向基神经网络(RBF神经网络)的基本结构和算法,建立了应用于机械产品的寿命分布类型智能识别的BP神经网络和RBF神经网络模型,通过仿真实验对比分析了BP神经网络和RBF神经网络识别效能。结果表明,RBF神经网络参数调整简单、训练时间短,且逼近能力与BP神经网络相当,但是推广能力较差;BP神经网络收敛缓慢、训练时间长,但推广能力较强,更适合分布参数变化范围大的寿命分布模型的识别。     

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。     

基于相对误差平方和的神经网络预测镁合金多轴疲劳寿命

提出一种以相对误差平方和(Surm squared relative error,SSRE)作为误差性能函数的反向传播(Back propagation,BP)神经网络算法(SSRE-BP),针对3种不同镁合金AZ31B、ZK60和AZ61A在单轴拉压、纯扭、45°比例和90°圆形非比例等4种不同加载路径下的疲劳寿命进行预测。并与以均方误差(Mean squared error,MSE)作为误差性能函数的传统BP神经网络(MSE-BP)以及基于临界平面法的SWT疲劳损伤模型预测的结果进行比较。结果表明,在3种镁合金材料总共138组疲劳数据中,神经网络只有一组预测值在3倍偏差界限外,而用SWT预测结果分别有16组、13组、10组数据在3倍偏差界限外。两种BP神经网络能够较好地预测镁合金不同加载路径下的疲劳寿命,相比于SWT疲劳模型预测的寿命在精度上有较大幅度的提升。其中,SSRE-BP算法的精度略高于传统的MSE-BP算法。     

宝钢1420轧机主传动齿轮箱的研制

本文介绍了1420轧机主传动齿轮箱的主要参数、结构特点、制造难点与要点和研制体会.     

双机架平整机轧制力智能模型研究

针对双机架平整机的生产工艺特点，在引入延伸率分配系数模型的基础上，提出先对带材进行规格划分，然后利用大量同规格现场轧制数据，采用Powell优化算法计算变形抗力、摩擦因数等主要轧制工艺参数的方法。为满足轧制力预报的实时性要求，建立了BP神经网络模型来预报上述轧制工艺参数，将轧制压力的短期自适应与轧制工艺参数长期自学习相结合，建立了双机架平整机轧制压力预报模型。将该模型运用于宝钢某厂1220双机架平整机的生产实践，大大提高了轧制力预报精度。     

基于神经网络的高线中轧电机故障诊断的研究

在对中轧电机故障诊断的特点和要求基础上,提出了一种基于神经网络的故障诊断方法。对所采集的高线中轧电机的各参数进行数据预处理与特征提取、归一化后,把这些特征参数作为神经网络的输入,经过学习训练,以判断系统状态,识别系统的故障。工程实践表明该故障诊断方法可行、有效。     

基于神经网络的压块机生产率预测研究

在对生产率影响因子分析的基础上,提出了应用正交试验法确定影响生产率的主要因子的快速方法。通过对主要影响因子与生产率的正交试验数据进行分析,得到用于BP神经网络预测模型的输入、输出变量以及训练神经网络所需的数据样本,多次试取隐含层和各隐含单元,并选取trainhn作为最优训练函数,建立了压块机生产率预测的人工神经网络系统。在试验结果中随机选取6组试验样本,进行连续5次挠度预测,预测值和试验实测值最大相对误差为0．14mm,解析结果表明：压块机预测结果与实验值吻合的较好,建立的人工神经网络预测模型具有较高的预测精度。     

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%。     

基于改进灰色神经网络的液压泵寿命预测

改进了GM(1,1)模型,提高了其精度和适应范围;将改进的GM(1,1)模型与神经网络预测模型相结合来构建灰色神经网络组合预测模型;提出了基于支持向量机的液压泵寿命特征启发式搜索策略,以液压泵寿命特征参数特征集的交叉验证错误率为评价指标,从液压泵的特征参数（振动、压力、流量、温度、油液信息等）中选取寿命特征因子;运用小波阈值降噪法进行降噪处理,提取典型的小波包能量特征作为模型的输入。以齿轮泵为例,将改进的灰色神经网络预测模型与原始GM(1,1)模型和改进GM(1,1)模型比较可知,灰色神经网络预测模型预测精度最高,达到98.42%。     

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KPCA和WPHM的滚动轴承可靠性评估与寿命预测

为了评估滚动轴承的可靠性和预测剩余使用寿命,选取能够反映性能退化过程的特征参数作为寿命预测模型的输入参数,提出一种基于核主元分析(kernel principal component analysis,简称KPCA)和威布尔比例故障率模型(Weibull proportional hazards model,简称WPHM)的方法。首先,提取滚动轴承全寿命周期的时域、频域及时频域等多特征参数,从中筛选出有效的特征参数,构建高维相对特征集;其次,进行核主元分析,选取能够反映轴承全寿命周期性能退化过程的核主元,进而作为WPHM的协变量来进行可靠性评估和剩余寿命预测。通过滚动轴承全寿命试验,验证了该方法能够对轴承进行准确的可靠性评估和剩余寿命预测,以提供及时的维修决策。同时,由于提取的是相对特征,降低了同种轴承间在制造、安装及工况的差异,增强了该方法的适用性和稳定性。