自驱动关节臂坐标测量机误差分析与结构优化设计

为了满足自驱动关节臂测量机(AACMM)测量精度对结构设计的要求,通过分析测量机的结构和测量工作原理,确定了引起测量和定位误差的误差源,并对关键零部件进行设计和选型,在此基础上建立了三维样机。利用不同测量姿态下的测量机静态变形和不同运动测量速度、测量姿态下的刚柔耦合变形值来指导测量机结构优化设计。仿真实验结果表明,测量机静态变形误差最大值降至0.41 mm,重复定位精度达到0.01 mm,满足设计要求。     

数控切削加工表面粗糙度RBF神经网络预测模型

针对数控切削加工表面粗糙度存在预测精度不高的问题,采用径向基(RBF)神经网络技术,以多组实际加工试验数据作为样本,建立了以转速n、进给速度vf、背吃力量ap为自变量的切削表面粗糙度预测模型。试验及预测结果表明:切削表面粗糙度RBF神经网络预测模型的预测相对误差小于2.7%,而回归分析预测值的相对误差在7.1%～14.0%变动。充分说明数控切削加工表面粗糙度RBF神经网络预测模型的预测精度高,可满足数控切削加工表面粗糙度实时在线预测的要求。     

基于灰色RBF神经网络瓦斯涌出量预测

影响瓦斯涌出量的各种因素往往存在高度非线性,神经网络适合处理高度非线性数据,但样本数据随机性往往容易影响神经网络模型的预测精度,所以将改进的灰色模型引入进来弱化样本的随机性。又考虑到瓦斯预测上,RBF神经网络比BP神经网络更有优势,通过做差值将改进的灰色GM(1,1)模型和RBF神经网络结合起来,建立灰色RBF神经网络模型。仿真实验证明,灰色RBF神经网络模型比RBF神经网络模型的预测精度更高,达到了较理想的预测效果。     

基于改进RBF神经网络的巷道变形预测模型

由于经典RBF神经网络中的隐含层节点数、连接权值等结构参数基本由经验获取,因此经典RBF神经网络模型的性能取决于建立模型专家的主观性,存在一定的盲目性和随机性,难以对巷道变形进行准确预测。为此,采用贝叶斯阴阳和谐学习算法对经典RBF神经网络模型的隐含层节点个数、连接权值等结构参数进行了优化,提出了一种基于改进RBF神经网络的巷道变形预测模型,即对角型广义RBF神经网络模型。采用潞安和兖州矿区的综放回采巷道的现场长期监测数据分别对经典RBF神经网络模型以及对角型广义RBF神经网络模型进行了试验分析,结果显示：①对巷道顶底板变形进行预测时,对角型广义RBF神经网络模型的准确率约92.2%,经典RBF神经网络模型的准确率约80.6%;②对煤帮变形进行预测时,对角型广义RBF神经网络模型的准确率约90.2%,经典RBF神经网络模型的准确率约78.6%。上述试验结果表明,对角型广义RBF神经网络模型对于巷道变形预测的精度明显优于经典RBF神经网络模型,对于高精度巷道变形预测有一定的参考价值。     

PCA-RBF神经网络模型在桥梁变形预测中的应用分析

在由多种因素导致的桥梁变形进行变形预测时,针对大多神经网络预测方法具有局部最优等局限性,以及高维度的影响因子之间具有很强的相关性和信息重叠性等问题,该文提出基于主成分分析(PCA)的径向基函数(RBF)神经网络来进行桥梁变形预测,并和直接采用RBF神经网络的预测结果进行了对比。实例分析证明:两种方法的训练误差都在10~(-15)mm级,均能很好地训练样本,其中基于主成分分析的径向基函数神经网络误差更小,提高了预测精度,这对变形监测中分析主要的影响因子从而建立预测模型具有参考意义。     

基于RBF神经网络模型的盾构施工地表沉降预测

盾构施工引起的地表沉降是造成周边建筑物及管线变形的重要因素。针对BP神经网络在预测地表沉降中具有收敛速度慢、精度误差大的缺点,结合苏州地铁2#线友联—桐泾公园段地质工程资料,建立了RBF神经网络模型对地表沉降进行预测。结果表明:RBF神经网络模型的预测精度优于BP神经网络模型,与实测曲线吻合度较好,具有一定的实用价值。     

基于W-RBF的瓦斯时间序列预测方法

对煤矿监测监控系统采集到的瓦斯历史数据进行特征分析,通过小数据量法判定瓦斯时间序列为混沌时间序列.利用混沌时间序列的特性确定RBF神经网络的输入节点个数.提出了基于W-RBF的瓦斯时间序列预测方法.该方法将小波的多分辨率特性与RBF神经网络相结合,以提高预测精度.仿真结果表明,该方法不仅能预测出瓦斯时间序列的变化趋势,还可以保证预测值的精度,预测值与真实值对比,绝对误差最大为0.1%,且92个采样点的预测值与真实值相一致.     

熵权法径向基神经网络的截割粉尘浓度模型与预测

通过分析粉碎性能指标、截线间距、转速、摆动速度和每线齿数对截割粉尘浓度的影响,采用一种结构简单,收敛速度快,能够逼近任意非线性函数的广义RBF神经网络与熵权法确定各影响指标的权重,建立熵权法RBF神经网络截割粉尘浓度预测模型。仿真结果表明:熵权法RBF神经网络可以准确预测掘进工作面粉尘浓度。     

整体结构框类零件加工变形仿真与实验研究

建立了三维整体结构框类零件的有限元分析模型,利用单元生死技术仿真材料的去除过程。研究了毛坯初始残余应力释放引起的加工变形规律,并且设计了切削实验,使用三维坐标测量仪测量了每次铣削加工变形,通过仿真数据与实验数据比较分析,只要建立正确的分析模型,可以预测零件加工变形,从而制定出有利于减小加工变形的合理加工工艺,对于提高大型整体结构件的加工效率和产品精度具有重要意义。     

RBF神经网络在矿井通风系统可靠性评价中的应用

根据影响矿井通风系统的各因素,建立了一个基于RBF神经网络的矿井通风系统可靠性评价新模型。利用Matlab编程来确定各个参数,预测速度和精度明显提升,同时还使操作流程简化。经检验,实际情况与预测结果相符,所建立的RBF神经网络完全可以映射系统的可靠性等级,该方法简单易操作,有一定的应用价值。     

基于神经网络的提升机减速器工况预测研究

针对传统监测方法无法实现提升机减速器工况预测的缺点,利用Matlab神经网络工具箱建立了提升机减速器工况参数的预测模型。对比模型预测值和实际测量值表明:BF和RBF神经网络模型预测结果和实际值的误差均小于10%,证明了神经网络模型用于减速器工况预测的可行性。对比BP和RBF神经网络预测结果,表明RBF神经网络模型训练时间短,预测精度高,更加适用于井下提升机减速器工况参数预测。     

基于多RBF神经网络的板形数据建模

常规单RBF神经网络板形识别模型不能全面分离出输入变化对每个特征参数的影响, 为此设计了多RBF神经网络板形识别模型, 用多个子网络分别识别不同的特征参数, 能够更直接、更充分的提取出输入与每个输出的关系。仿真研究结果表明: 所设计的多RBF神经网络板形识别模型能够正确识别出全部板形缺陷的类型, 并且识别精度上比单RBF神经网络板形识别模型提高了16.1%。     

瓦斯涌出量灰色-RBF网络模型的建立与应用

为了减少瓦斯事故给煤矿生产带来的损失,本文在灰色模型预测煤矿瓦斯涌出量的基础上,结合神经网络理论,构建了灰色-RBF网络模型,充分利用灰色模型的"小样本、贫信息"的预测特点及RBF神经网络自学习、自适应能力特点。首先使用灰色模型对瓦斯涌出量进行初步预测,然后建立RBF网络模型进行再次预测,得到瓦斯涌出量的最终预测值;RBF网络模型的训练和预测计算用MATLAB软件完成。通过对安徽省某矿瓦斯涌出量的预测结果对比,灰色-RBF网络模型的预测误差分别为0.325和0.221,灰色模型预测误差为2.51和2.45,结果表明灰色-RBF网络模型预测明显高于单一灰色模型预测的预测精度。为煤矿瓦斯涌出量预测提供一种预测精度高的方法。     

基于优化终端滑模模糊神经网络的板形模式识别

针对板形模式识别问题, 将板形信号离散化、归一化, 作为终端滑模模糊神经网络的学习样本, 建立识别模型。在模糊神经网络的基础上, 利用终端滑模权值调整律代替梯度下降法的权值调整律, 提高网络的精度。为了进一步提高识别的精度以及收敛速度, 引入布谷鸟算法优化模糊神经网络的模型参数。仿真结果表明, 提出的识别模型对训练样本和未训练样本的平均最小方差分别为0.000 5和0.011 0, 比模糊神经网络(FNN)和径向基神经网络(RBF)的值都小。对某冷轧厂宽度1 040 mm带材的一组实测板形数据识别结果表明, 相比于FNN和RBF网络, CS-TSMFNN的识别效果更好。     

品位估值的自适应径向基神经网络构建技术

在简要分析常用储量计算方法与BP神经网络预测方法存在缺陷的基础上,分析了径向基神经网络隐层节点参数在映射机理上与地质统计学方法理论上的一致性,以及其权系数能解析方式求解、可避免网络训练过程陷入局部最优乃至不收敛现象的特征,提出了构建径向基函数神经网络进行矿床品位估值模型的研究思路。通过多方案分析,得出了待估点三维坐标及周围样品点个数是影响径向基函数神经网络模型估值精度的主要因素,给出了输入节点变量空间的基本配置方式--3个坐标加周边8个样品点品位。针对实际工程中样品空间较大的特征,分析了隐层中心、宽度等参数需根据输入变量自适应构造的必要性,以及利用正则化正交最小二乘的前向选择法的可行性。利用开发的具备用户自定义和交互式输入参数的计算机软件,构造了两种不同的品位估计模型。验证试验表明：基于样本空间自适应构建的径向基函数神经网络,建模速度快、可靠性强,平均估值误差最大为309%,且正则化参数对模型的估值精度影响较大,考虑了该参数的模型估值效果更好。     

矿区GPS高程异常相关向量机拟合模型

为提高GPS高程异常拟合的精度及可靠性,基于相关向量机模型（Relevance vector machine,RVM）,提出了一种稀疏化概率式的GPS高程异常SVM拟合模型。以柯西核函数与交叉验证法构建相关向量机,并推导了置信区间的估计公式。以某矿区GPS高程控制网为例,构建了基于相关向量机的高程异常拟合模型,并与多项式拟合、BP神经网络和遗传最小二乘支持向量机进行精度对比,通过置信区间估计,评价拟合结果的可靠性。试验结果表明：①相关向量机的平均绝对误差 （Mean absolute error,MAE）、平均绝对百分误差（Mean absolute percentage error,MAPE）、均方根误差（Root mean square error,RMSE）等精度指标均较大幅度优于多项式、BP神经网络和遗传最小二乘支持向量机;②测试数据集的实测高程异常均在相关向量机估计的置信区间内。上述试验结果进一步表明：相关向量机是一种精度及可靠性高的矿区GPS高程异常拟合方法,对于快速测定矿区正常高有一定的参考价值。     

基于IGWO-SVM的露天矿边坡变形预测

为了克服露天矿边坡变形预测时传统算法精度低的问题,利用改进灰狼算法(IGWO)和支持向量机(SVM)建立了露天矿边坡变形IGWO?SVM模型.引入非线性递减的收敛因子策略和惯性权重策略改进灰狼优化算法,用来确定SVM参数,以达到提高模型精度的目的,并将露天矿边坡变形观测数据输入模型进行验证.结果表明,与SVM和BP模型...     

基于遗传算法与BP神经网络的支架跟机自动化研究

针对综采工作面液压支架跟机自动化过程中移架动作存在的丢架、推移不到位等问题,提出了基于遗传算法(GA)与BP神经网络组合模型的控制方法。通过建立BP神经网络控制器为主体的反馈控制,将支架的运动参数输入模型,神经网络控制器计算实际输出与理想输出之间误差,判别是否需要回调控制,并添加遗传算法来优化更新模型的各层阈值和权值,从而得到网络模型的最优解,最终由执行部分来完成输出动作。组合网络模型具有良好的非线性特性,可以更好的满足非线性环境,利用神经网络的预测值与实际输出的差值来得到拟合曲线。通过对BP神经网络模型、GA模型、GA-BP组合模型的均方误差(MSE)分析,判断出GA-BP组合模型具有更快的训练速度和更高的预测准确率。相比较于单一的BP神经网络模型和GA模型,GA-BP组合模型可以很大程度地提高液压支架跟机过程中的推移精度,从而更好地适应综采工作面的环境和设备变化。基于对模型稳定性的分析,绘制组合网络的适应度曲线,种群在第5次迭代后趋于收敛,在第5次到第15次迭代的适应度值就已基本达到稳定,在迭代第15次后种群已达到最优参数集且恒定不变。采用上述方案的液压支架电液控制系统能够自主感知设备各项运动参数的变化,实现支架自身的静态调整和动态演化,可为综采工作面无人化建设提供技术支撑。