基于径向基神经网络焊接接头力学性能预测

利用径向基神经网络建立了TC4钛合金,TIG焊焊接工艺参数与接头力学性能关系的网络模型.训练模型使用了27组数据,并对另外9组数据进行仿真.结果表明,以焊接电流、焊接速度和氩气流量作为网络输入参数,利用所建的模型能够对该焊接接头抗拉强度、抗弯强度和断后伸长率进行较为准确的预测.通过与常用的标准BP神经网络模型比较发现,径向基网络相对于BP网络预测精度有了大幅度的提高,克服了BP网络训练时间长和容易陷入局部极小的缺点,为实现焊接接头力学性能预测提供了一条有效途径.     

基于伪标签的弱监督迁移学习模型

针对目标域标记数据少导致迁移模型泛化能力差的问题,提出基于伪标签的半监督迁移学习模型WSTLPL.卷积神经网络用于学习原始振动数据的可迁移特征,用源域数据预训练网络;利用该网络预测目标域数据类别,将分类概率最大的类标签作为数据的伪标签.根据域自适应和伪标签学习的正则化项,对神经网络的参数施加约束,以减少学习到的可迁移特征的分布差异.结果表明:与现有诊断模型相比,该迁移模型的准确率更高.     

模糊神经网络在冲天炉铁液质量预测中的应用

将模糊神经网络用于冲天炉铁液质量预测,构造了一个5层前馈网络,利用27组实验数据对网络进行训练,并对4组未知样本进行预测.结果表明,与目前所用热分析法相比,该网络模型在处理铁液质量这类在一定程度上具有不确定性的多变量非线性对象方面,能够消除建立模型时人为限定,提高预测精度;有效处理模糊信息,而且具有较强的学习能力,适应能力和泛化能力.     

基于BP神经网络的铁液碳、硅含量预测

建立在多元回归基础上的传统热分析法存在预测模型函数形式有过强的人为限定,以及对生产条件变化缺乏自适应的问题,为了解决上述问题,本文把BP神经网络算法用于热分析中,构造预测铁液C、Si含量BP神经网络。利用38组实验数据对网络进行训练,获得预测网络模型,然后采用该模型对8组验证样本进行预测,预测C、Si含量的绝对误差分别为0.12%和0.16%。结果表明:该方法能够避免建立模型时人为限定,提高预测精度;对于不稳定的生产条件,具有较强的学习能力和适应能力。     

基于神经网络模型的海南变电站接地网Q235钢腐蚀率预测

运用MATLAB软件在土壤腐蚀等级评价指标上随机生成了2 000组训练样本和200组测试样本来增强网络的鲁棒性(抗变换性)和样本识别准确性,找出了适合BP和RBF神经网络模型的结构参数,构建出了性能和稳定性都较好的BP和RBF神经网络模型。用现场采集的海南省变电站土壤腐蚀相关数据分别对已建并训练的BP和RBF神经网络模型进行检验,并用这两种模型对变电站接地网普遍使用的Q235钢的腐蚀速率进行了预测。结果表明:两种模型预测的准确率均在95%以上;BP神经网络模型在结构和运算方面比RBF神经网络模型好,但需要设定的参数多、较繁琐,而RBF神经网络模型只需设定Spread值,较简单,且RBF神经网络模型在训练精度和泛化能力方面均优于BP神经网络模型。     

应用MATLAB建立焊接参数人工神经网络模型的方法

介绍了MATLAB软件包中神经网络工具箱的使用方法,并通过以优化焊接工艺参数为例,介绍了三层BP网络模型的网络结构的设计、训练数据的处理、网络的初始化、网络的训练和仿真的过程及所应用的函数。     

基于改进BP神经网络的控制图模式识别系统

提出一种基于激励函数参数可调和动态阈值的改进BP神经网络控制图模式识别算法,并优化Monte Carlo工序数据模拟方法,使样本数据更具与实际生产数据相同的质量特性.根据改进后的网络参数迭代公式,将预处理后的样本数据作为输入对该神经网络识别器进行训练,训练结果用于生产过程的控制图模式识别.改进BP神经网络识别器的拓扑结构简单,在保证识别精度的前提下,提高识别速度,改善神经网络的泛化能力.最后,通过计算机模拟和生产现场应用验证该算法的可行性.     

基于人工神经网络的结构钢回火后力学性能预测

利用多层前向神经网络，使用B－P算法对结构钢回火性能预测进行了研究。通过利用99种钢450余组训练数据样本对神经网络进行训练，建立了结构钢回火后的力学性能与金属成分和回火温度之间的隐性函数。并针对训练用样本不足的问题，设计了为网络提供自学功能软件，在钢完全淬透的前提下，用此神经网络模型可在一定精度范围内预测结构钢的回火力学性能。     

基于神经网络的助力搬运装置自适应控制方法研究

为提高助力搬运装置在建筑工地等复杂路况下的适用性,通过对国内外助力系统及其控制方法发展现状的调查和分析,提出一种智能助力控制系统。首先建立控制模型,在智能控制的研究中发现BP神经网络能够对输入信息进行识别并分类处理,且计算较简单,容易实现,但BP神经网络隐含层节点数难以确定、易陷入局部最小值,因此,采用遗传算法对BP神经网络进行优化(GA-BP),并设计具体实现方法。采集平坦、斜坡两种路况的数据,通过人工赋予理想输出数据,将其一部分作为训练数据,对GA-BP神经网络及BP神经网络进行对比训练,另一部分作为验证数据,检验两种网络的训练结果。使用MATLAB进行数据仿真分析,验证GA-BP神经网络控制方法的可行性。试验结果表明:这种控制方法能够有效地解决助力搬运装置在复杂路况下的自适应控制问题。     

基于并行RBF神经网络的机器人逆运动求解

机器人逆运动求解的传统方法因为需要大量公式推导往往繁琐复杂,新出现的基于神经网络的算法又存在一定的局限和不足,所以,文章在分析现有神经网络模型的基础上致力于找到一种简单快速的求解方法。考虑到RBF神经网络在非线性函数逼近中的优秀表现,文章将两个相同结构的RBF神经网络应用于机器人逆运动求解中。以NACHI-MZ04型机器人为例,首先建立其运动学模型并在此基础上得到用以训练和测试神经网络的数据,然后基于Matlab nntool搭建网络模型并分别对网络进行训练和测试,最后得到满足精度要求的网络模型。结果表明,该方法在逆运动求解问题中应用效果良好,具有一定的推广价值。     

基于遗传神经网络的铣削力预测方法

铣削过程的复杂性和铣削力产生的多因素性使得铣削力预测模型很难建立.论文在遗传算法与BP网络模型相结合的基础上,利用遗传算法训练神经网络权重的方法,建立了铣削力预测的遗传神经网络模型.最后将神经网络预测结果与实验数据进行比较和误差分析,证明了该神经网络能够准确地预测铣削力的大小.     

遗传神经网络在热轧带钢卷取温度预报中的应用

针对热轧带钢卷取温度传统预报模型的固有缺陷,提出基于遗传神经网络的卷取温度预报方法,并对其在卷取温度控制中的应用策略进行了研究.由于神经网络有很强的泛化映射能力,而遗传算法能收敛到全局最优解,因此将遗传算法与神经网络结合起来,建立了遗传神经网络.运用实际生产数据对该网络进行训练和测试,结果表明：它能准确、实时地预报卷取温度,有在线应用的前景.     

基于迁移学习的塑件外观缺陷柔性检测方法

卷积神经网络大数据与尺寸标注少、大数据与强计算之间的矛盾限制了塑件外观检测自动化的发展,迁移学习方法通过共享网络结构、特征参数等方法,可以在样本数量较少的情况下快速训练新的模型,有效缓解上述矛盾。考虑塑件外观缺陷种类繁多,但外观缺陷特征基本一致,基于此,提出了共享模型中低维特征参数的柔性外观缺陷检测方法,该方法首先通过卷积神经网络提取外观缺陷的抽象特征,训练一个目标检测模型,在需要检测类似缺陷时,将该模型最后一层重新初始化后作为预训练模型,获得识别该缺陷特征的经验知识,最后通过少量样本对重新初始化后的模型进行微调,快速训练得到一个新的检测模型。     

基于BP算法的逆变点焊电源模糊神经网络控制研究

引入动量因子对常规BP学习算法进行了改进.在分析模糊神经网络控制模型的基础上,针对模糊神经网络规则多、训练时间长的缺点,采用了给模糊控制规则增加阈值,减少网络训练运算量的优化方法.最后将此优化方法和改进的训练算法应用到逆变点焊电源模糊神经网络(FNN)恒电流控制系统中,通过使用MATLAB语言编程,对该系统进行了仿真分析.仿真结果表明,动量因子的引入不但减小了BP算法学习过程的振荡趋势,加快了收敛速度,而且较好解决了BP网络容易陷入局部极小点的缺陷.模糊规则阈值的引入,有效减少了网络的训练时间.     

基于1D CNN-XGBoost的滚动轴承故障诊断

在滚动轴承故障自动分类的研究中,使用传统的机器学习方法需要通过手动提取特征,因此特征的提取并不充分且自适应性不强。针对以上问题,提出一种一维卷积神经网络(1D CNN)结合XGBoost算法的单通道滚动轴承故障分类模型。该模型结合1D CNN和XGBoost的优势,对采集到的轴承振动信号进行数据集划分;使用训练集对1D CNN进行训练,把训练好的1D CNN模型进行保存并用来实现轴承数据特征的自动提取;将提取的特征数据集代入XGBoost算法中进行训练和分类。为验证所提模型的有效性,使用凯斯西储大学轴承数据中心提供的数据对1D CNN模型、XGBoost模型和1D CNN-XGBoost模型进行实验对比;为验证1D CNN-XGBoost的泛化性,使用一组新的滚动轴承数据集进行实验。结果表明：1D CNN-XGBoost模型的分类准确率更高,是一种有效的轴承故障分类模型,具有很好地分类性能和泛化性。     

基于改进卷积神经网络的管焊缝X射线图像缺陷识别方法

针对卷积神经网络(CNN)应用于焊缝探伤图像识别时,目标区域占比小,局部信息冗余,激活函数小于零时出现硬饱和区导致模型对输入变化较敏感、网络参数难以训练的问题,采用超像素分割算法(SLIC)和改进的ELU激活函数构建CNN模型进行焊缝探伤图像缺陷识别. 首先,在CNN模型中使用ELU激活函数,在缓解梯度消失时对输入噪声产生更好的鲁棒性,同时,利用SLIC算法对图像像素进行像素块处理的特点,增大焊缝探伤图像中感兴趣区域的占比,降低局部冗余信息,提高模型在训练过程中的特征提取能力. 通过对焊缝探伤图像感兴趣区域提取并与所述CNN模型进行对比试验. 结果表明,该方法在焊缝探伤图像特征提取、训练耗时及识别准确率方面较传统卷积神经网络有更好的表现.     

基于神经网络的汽车EPS传感器故障诊断

汽车EPS传感器的故障诊断对提高汽车行驶的安全性具有重要的意义.提出了将BP神经网络引入汽车EPS传感器中的故障诊断思想.结合故障树分析(rrA)原理,给出基于EPS系统的传感器故障树模型结构图,以BP神经网络为训练网络,从传感器故障模型中选取故障征兆,进行网络训练,最终实现对EPS传感器的故障诊断.训练结果表明该方法在EPS传感器故障诊断中具有较高的诊断精度以及很好的稳定性.     

基于神经网络系统的滚珠丝杠热误差建模

在追求高精度加工的现代数控系统中,热误差的消除具有重要的意义.文章首先简述了神经网络系统的特性及训练方法,成功地将神经网络模型应用于对数控机床直线进给系统的热误差进行建模,并取得了预期的成果,使最大预测误差降低到2μm,为进一步的热误差补偿奠定了基础.详细阐述了实际建模流程,根据训练数据的具体特征提出了一种新的数据预处理方法,使这些数据能更有效地应用于模型训练,是论文的一个创新点.     

改进的深度信念网在磨削加工粗糙度值预测中的应用

深度信念网(DBN)是由无监督的受限玻尔兹曼机(RBM)和有监督的BP网络组成的神经网络分类器。针对RBM训练过程中固定学习率不利于寻找最优的缺点,提出一种动态学习率法则,改进RBM网络以提高特征向量映射的准确度;构造一个含有两层RBM和一层BP,并使用对比分散准则(CD准则)进行神经网络的自训练的DBN网络,提高训练速度,将改进型网络应用于表面粗糙度值的预测,通过与改进前后的预测模型及RBM预测模型的对比,预测模型精度得到了提高。     

基于改进型BP神经网络和NSGA-Ⅱ遗传算法的机械零件多目标优化

文章针对传统的机械零件多目标优化算法的不足,提出了一种基于改进型BP神经网络和NSGA-Ⅱ遗传算法的机械零件多目标优化设计方法,该方法首先利用Workbench对零件进行分析得到实验数据,然后用改进型BP神经网络对实验数据进行训练并建立起多目标优化的模型,采用NSGA-Ⅱ遗传算法对模型进行多目标优化.结果表明,在满足优化零件使用条件的情况下,运用该方法求得质量的相对误差最大为11％,变形的相对误差最大为3.36％,验证了该方法的有效性和可靠性.并将该方法得出的结果与传统Workbench得出的多目标优化结果进行了比较,证明了该方法优于传统Workbench优化方法.