基于选择性集成算法的浸出率混合预测模型

一个精确的模型对浸出过程中浸出率预测是十分重要的。针对湿法冶金浸出生产过程中浸出率在线检测的难点,提出一种有效的混合建模方法,建立浸出率的预测模型。在对浸出过程进行分析后,建立了一个浸出过程机理模型。由于机理模型与实际之间存在着较大的误差,因此建立了混合模型来减少误差。随后,针对小样本建模问题,提出了基于二进制PSO算法的选择性bagging集成算法,并将该算法应用于混合模型的误差补偿中去。实验结果表明该混合模型的预测精度比其他模型的预测精度高。     

湿法冶金浸出过程金浓度的混合预报模型

金氰化浸出是湿法冶金提金法的重要步骤,是一个典型的化工过程,建立其准确、可靠的数学模型是对该生产过程实施优化与控制的前提.提出了一种金氰化浸出过程的动态串联型混合模型,利用物料守恒方程建立金氰化浸出过程的动态机理模型,并利用神经网络估计机理模型中的未知参数——金的溶解速度和氰根离子的消耗速度,最终得到金氰化浸出过程的动态串联型混合模型.由于动力学反应速度是不能测量的,利用Tikhonov正则化方法估计金氰化浸出过程的动力学反应速度值,可以有效减少浓度测量值中噪声对动力学反应速度估计的影响.最终通过仿真实验验证了该混合模型比纯机理模型和神经网络黑箱模型具有更好的预测性能,能够较准确地预测金氰化浸出过程的各组分浓度,为后续金氰化浸出过程的优化与控制奠定了重要的模型基础.     

生产计划与调度中的次年产量预测方法

针对生产计划与调度中次年产量预测误差较大的问题,提出一种基于动态改进多元线性回归模型的次年产量预测方法.多元线性回归模型将生产管理过程中的制造资源、人力投入、制造工艺、产品报废等生产全周期的影响因素作为建模变量,即将影响次年产量的相关因素尽可能多地包含在预测模型中,从而使模型的预测结果更接近实际产量.运用后推法,将建立的初始多元线性回归模型进行显著性辨别,剔除了对次年产量影响不显著的变量,建立了产量预测的改进多元线性回归模型,在此基础上进一步建立了动态改进多元线性回归模型.将该方法运用到某航空制造企业的次年产量预测中,通过对比模型预测产量和实际产量,证明了该模型在次年产量预测方面的实用性.     

时间序列分析在风机状态参数预测中的研究与应用

研究了时间序列的建模与预测方法,并应用于生产实际.以某测点的振动日均值作为建模数据,建立了ARMA(3,1)时间序列模型,经检验,该模型具有较高的预测精度,能够用于该风机的运行状态预测.     

基于偏最小二乘的数控机床热误差稳健建模算法

建立预测模型对热误差进行预测和补偿是解决机床热误差问题的常用方法,该方法中模型的预测精度和稳健性易受环境温度影响而明显下降,对此本文提出了基于偏最小二乘法的热误差稳健建模算法。首先使用相关系数法筛选温度敏感点,并建立热误差偏最小二乘回归预测模型。进而基于全年环境温度下的多批次热误差实验数据,分析最佳的温度敏感点个数。最后建立热误差偏最小二乘回归模型,并与普通多元线性回归模型的预测效果比对分析。结果表明本文所提算法平均预测精度为5.7μm,模型稳健性为0.56μm,相较于普通多元线性回归算法,预测精度和稳健性分别提高13.8%和49.5%。说明本文所提的热误差稳健建模算法能够在环境温度变化较大时保持高预测精度和高稳健性。     

基于信息粒化支持向量机的主轴热误差综合预测模型

主轴热变形是影响数控机床加工精度的主要因素。为提高主轴热误差的预测精度,提出了基于信息粒化支持向量机(SVM)的主轴热误差综合预测模型。使用信息粒化方法对采样温度数据与主轴热误差数据进行预处理,分别建立基于SVM的主轴热误差的回归预测模型和时间序列模型,通过计算两个模型权重系数,最终建立主轴热误差综合预测模型。以2MZK7150五轴数控可转位刀片工具磨床为研究对象,实验表明,较之于单一模型该模型具有良好的泛化能力和较高建模精度。     

基于时间——高斯混合模型的刀具磨损预测

连续刀具磨损过程的预测对实现自适应控制和优化制造工艺、提高生产效率和质量起着重要作用。为最大化描述磨损数据内在关系和提高预测模型精度,提出一种基于时间—高斯混合模型的刀具磨损建模方法,即采取将刀具磨损时间序列数据分成线性和非线性结构的策略,时间序列用来描述数据的线性相关趋势,非线性的异构部分则进行高斯过程回归建模。通过与现有的单一模型对比,结果表明该混合模型能对刀具磨损进行有效的预测,而且具有更高的预测精度。     

似然关系模型在航天软件缺陷预测中的应用

将似然关系模型在描述和推理多属性类之间关系及其不确定性知识方面的优势用于预测软件缺陷,提出了航天软件缺陷预测模型PRM_METHOD.首先,提出了基于软件测试的软件缺陷分类方法,以软件缺陷类关系为例分析了似然关系模型用于航天软件缺陷预测的理论依据;然后,在对人员能力、缺陷数量特征等数据进行定义和泛化等预处理的基础上,描述了提出的预测模型PRM_METHOD,详细阐述其结构、学习过程以及预测过程,并针对数据集的分类操作提出了基于弥合数据缝隙的k-均值聚类方法.最后,以某航天项目软件为例验证了模型PRM_METHOD的实现过程,并以实际测试工作中产生的历史数据作为训练集和验证集进行实验验证.验证结果显示,验证集的记录与预测结果的平均绝对偏差均值为0.086 8,即模型的预测精度为0.913 2,表明该模型对关联关系较为复杂的航天软件缺陷有较好的预测精度.     

多元线性回归分析在磁头质量预测中的应用

运用多元线性回归分析的理论和方法,建立了一个磁头质量参数的预测模型,并将该模型应用于实际预测.结果表明建模快捷,预测精度高,对提高计算机磁头产品的质量有重要的参考价值.     

基于试飞数据的发动机瞬态过程预测模型

针对发动机瞬态过程的趋势监控需求,基于某型发动机飞行试验数据,采用人工神经网络建模方法,建立了该型发动机瞬态过程预测模型,并利用飞行试验数据对模型进行了验证。结果表明:模型预测结果与飞行试验数据相对误差最大值小于5%,预测结果精度较高,建模方法正确,可以用于该发动机飞行试验趋势监控,也可为其它型号发动机建模提供参考;神经网络内部神经元数量对于模型预测精度影响较大,内部神经元数量应根据最简单神经网络结构及最高模型预测精度的准则进行确定。