基于主成分分析的BP神经网络内螺纹冷挤压成形质量预测

根据冷挤压内螺纹成形中径、螺距、牙型半角和牙高率等来综合评定内螺纹的成形质量等级,并基于BP神经网络对其进行预测。在BP神经网络预测模型数据前处理过程中,采用主成分分析方法以提取影响内螺纹冷挤压成形质量的主要因素,消除各影响因素之间的线性相关性。试验结果表明,与传统的BP神经网络相比,采用该方法的BP神经网络模型,简化了网络结构,提高了收敛速度及预测精度,能准确实现内螺纹成形质量等级的预测,从而为内螺纹质量的检测提供了一条新途径。     

面向发动机装配过程的质量门控制系统研究

针对发动机装配过程在线质量控制问题,在分析发动机装配过程质量控制特点的基础上,提出质量分析-诊断-预测-调整于一体的面向发动机装配过程动态质量门控制模式。依据该模式,给出了面向发动机装配过程动态质量门控制系统的体系结构和功能模型。详细分析了在线装配质量分析技术、基于BP神经网络的装配质量诊断技术、基于灰色关联分析法的装配质量预测技术等关键使能技术。以某汽车发动机公司的汽油发动机装配过程为例,开发了面向发动机装配过程动态质量门控制系统,验证了该发动机装配过程质量控制模式的可行性和有效性。     

基于神经网络的可重组制造系统质量控制方法研究

为提高可重组制造系统的可诊断性并缩短系统重组后的斜升时间,提出了基于神经网络的可重组制造系统工序质量控制方法。首先,结合x-R控制图质量控制方法和神经网络技术分别建立了用于控制图模式识别和质量缺陷原因诊断的两个神经网络模型;然后,开发出基于神经网络的工序质量控制系统,以加工件的质量特征数据作为数据源,可对生产过程进行快速诊断和及时反馈。最后,通过实例验证了基于神经网络的可重组制造系统工序质量控制方法的有效性。     

基于混合智能学习的产品质量预报与诊断

个性化制造正在成为当前产品制造的主导模式。以动态变化的市场需求为背景,针对生产工艺参数与成品质量之间存在的复杂非线性关系,提出了一种基于混合智能学习的质量预报模型(RSKDPM)。该模型以粗糙集与知识神经网络为核心,通过挖掘生产过程蕴含的关联知识,构建知识神经网络,进行产品质量预测。工程试验表明,RSKDPM能通过智能学习,发现生产过程知识,诊断产品质量波动的原因,指导过程参数的调整,最终达到改善产品质量的目的。     

基于GA-BP神经网络的316L不锈钢成形尺寸精度预测

建立选区激光熔化316L不锈钢成形质量预测模型,以响应面中心复合设计试验数据作为反向传播（Back Propagation,BP）神经网络模型的训练样本,采用遗传算法对BP神经网络的初始连接权值和阈值进行优化。结果表明,通过遗传算法优化的BP神经网络模型能够有效预测精度,使得成形件尺寸精度的平均相对预测误差为5.42%。     

BP神经网络修正灰色残差组合模型方法在油液光谱分析中应用的研究

提出了采用神经网络修正灰色残差组合模型对设备的磨损状态进行预测和诊断分析的方法。通过比较GM(1,1)模型、神经网络模型的预测结果,融合GM(GreyModel)模型与神经网络模型并构建组合模型进行油液光谱分析参数预测,可以克服单个模型所存在的不足。结果证明,该组合模型方法在预测中是可行的,预测的误差最小。     

基于尾气成分分析的内燃机故障诊断方法

为提高内燃机运行质量,保证其安全性和稳定性,本文分析内燃机尾气成分与故障类型的关系,以F12L413F型风冷柴油机为例,构建了BP神经网络故障诊断模型。通过对比优化前后的BP神经网络诊断结果发现,BP神经网络诊断结果与期望值存在较大误差,而优化后的GA-BP神经网络诊断正确率较高。实验数据表明,经过优化的BP神经网络结合新的内燃机故障诊断对象,可以提高内燃机故障诊断精度。     

应用LSTM网络的缸体压铸质量预测

为解决智能制造质量预测难题,针对汽车发动机缸体压铸过程数据高维、子过程耦合,难以建立仿真预测模型特点,研究缸体压铸工艺,建立缸体压铸动态过程数学模型.针对压铸生产过程具有时序性特点,以及经典循环神经网络面临梯度爆炸、超参数未知等困难,提出基于LSTM循环神经网络的质量预测方法,以历史数据训练神经网络,对比Holt-Winter和多元线性回归两种时间序列预测模型.结果 表明,LSTM预测模型具有更高的准确性,对智能制造产品质量预测有借鉴意义.     

动量因子BP神经网络算法在设备故障预测中的应用

设备故障预测是设备预防性维护的重要组成部分。本文针对传统方法处理设备故障预测的不足,采用动量因子BP神经网络算法来预测设备状态。通过网络学习和诊断实验表明:动量因子BP神经网络算法不仅能解决设备故障预测的非线性问题,而且预测结果非常准确、误差精度较高、收敛速度较快。     

灰色关联分析的神经网络模型在轴承故障预测中的应用

为提高小样本轴承故障预测的精度,提出了灰色关联分析的神经网络预测模型。利用神经网络训练样本数据,并使用灰色关联分析不断调整其隐含层节点数,以寻找到最优的数据解,完成训练过程;基于已训练好的模型对未来时间点的运行状态进行分析,并根据设备的理论诊断标准实现故障预测。将提出的模型与同样可预测小样本波动数据的灰色马尔科夫预测模型进行实例应用对比,结果显示,灰色关联分析的神经网络预测模型效果明显优于灰色马尔科夫模型。     

Identification and Control of Bioreactor using Recurrent Networks

Abstract

A nonlinear model predictive control (NMPC) strategy based on recurrent neural networks (RNN) is proposed for a single‐input single‐output system (SISO) to control the uncertain nonlinear process. The automatic configuration and modeling of the networks is carried out using a recurrent Elman network using back propagation through time (BPTT) with MATLAB. Identification of the process is performed with a RNN based nonlinear autoregressive with exogenous input (NARX) model and the incorporation of the developed model in the formulation of NMPC is presented. Further, the results of the NMPC is compared with a well tuned IMC based PI controller, which shows a better performance based on the rise time and settling time of the proposed NMPC scheme for the control of an unstable bioreactor.     

基于MEA-Elman神经网络的电力日负荷预测

Elman神经网络是一种动态反馈网络,对历史状态敏感,具有短期记忆功能和处理动态信息的能力,可以建立动态、非线性电力负荷预测模型。由于Elman神经网络采用BP算法,容易陷入局部极小解,迭代次数多且学习效率低,该文利用思维进化算法(MEA)优化Elman神经网络的方法,提出基于MEA-Elman神经网络的电力负荷预测模型。实验表明,该方法能够避免不成熟收敛问题,减少迭代次数,有效提高了配电网短期负荷的预测精度,对电力系统合理调度与规划具有重要意义。     

基于Elman网络的切削表面粗糙度预测方法

根据Elman神经网络模型能够逼近任意非线性函数的特点和具有反映系统动态特性的能力,讨论神经网络非线性、多因素预测原理及其拓扑结构的基础上,提出利用Elman神经网络建立切削表面粗糙度预测模型的方法;在Matlab及其神经网络工具箱的基础上,采用Elman神经网络对铝6061切削表面的粗糙度进行训练、预测、分析.结果表...     

Elman网络在汽车智能换挡判别中的研究

为了改善汽车行进中的换挡品质,使汽车在相应的环境工作中能够实现自动切换档位,根据人工神经网络和汽车换挡规律的特点,需对汽车的油门开度、速度、加速度进行分析;基于Elman神经网络建立汽车自动变速三参数控制模型,并利用Matlab进行了测试分析和仿真模拟,得出了仿真结果。仿真结果表明,采用Elman神经网络对汽车自动换挡判别时优于BP网络。     

Elman神经网络的红外地球敏感器实时故障诊断

以卫星姿控系统实时仿真信号为诊断依据,设计故障检测Elman神经网络及故障判决,实现系统正常与非正常状态的区分并获取故障发生时刻。提出了基于改进梯度更新策略的故障隔离Elman神经网络方法,对故障时刻点之后时域信号进行故障模式匹配,进一步实现系统故障隔离。运用某卫星姿态控制系统进行在线故障诊断试验的结果表明,本文方法具有较好的实时有效性、输出耦合诊断性能、时域信号诊断泛化性和网络收敛性。     

基于稀疏存储Elman神经网络的直线伺服控制

为提高数控机床直线进给系统的动态跟踪性能及抗干扰能力,结合进给系统重复运动的特点,利用前一次或前几次的历史控制信息提高进给系统的动态性能,提出了具有动态稀疏存储功能的改进Elman神经网络;引入迅速联想的表格查询方式对神经网络的历史信息进行分类存储、选择利用以增强网络泛化能力,提高网络收敛速度;详细推导了改进Elman神经网络的数学模型及权值调整算法,并将其应用到直线进给伺服系统中,结果表明,基于稀疏存储Elman神经网络的速度控制器具有良好的跟踪精度和抗干扰能力。     

基于神经网络的预分解窑控制过程建模

在分析了水泥预分解窑工艺流程的基础上,采用Elman神经网络与BP神经网络建立预分解窑系统的模型,通过两种建模网络的泛化能力的仿真测试比较,体现出Elman神经网络在复杂的多变量、多扰动非线性系统建模方面的优越性。     

基于改进Elman神经网络的悬架试验系统

提出了一种能满足多层网络、多阶系统的改进型Elman网络,建立了基于改进Elman神经网络的PAC控制器。对六自由度悬架试验平台系统进行了控制研究,分析了悬架参数对轮荷利用率和相位角的影响。整车实验证明：参数匹配的悬架可以有效减小车身振动,降低悬架动挠度和轮胎动载荷。     

Real-Time Simulator based hybrid control of DFIG-WES

This paper presents the analysis and design of recurrent neural network (RNN) and proportional and integral(PI) controller based hybrid control(HC) of doubly fed induction generator (DFIG). The proposed HC shows the quick dynamic and good transient response during the sudden changes in wind speed as well as generator speed. Further performance of proposed hybrid controller has been analyzed independently with RNN and PI control as its components. The HC along with RNN gives effective performance compared to conventional DTC (CDTC) and PI DTC in terms of flux ripples,torque ripples and settling time. The proposed technique is implemented in real-time simulator (RTS) based OPAL-RT and MATLAB/SIMULINK environment at a rating of 5.5 KW system under steeply and randomly change in wind velocity.     

无润滑机构系统考虑摩擦和柔性影响的动态响应神经网络预测

柔性机构的动态响应为高度非线性,摩擦和柔性的影响使机构运动的不确定性增大,机构实时控制的难度较大。应用改进的E lman动态神经网络技术,建立摩擦影响下的无润滑柔性机构非线性运动参数预测模型,对柔性机构的运动参数进行实时辨识和预测。通过对空间站展开机构动态响应的预测实例,证明该方法计算速度较快,精度较高,为实现复杂大系统的实时控制提供了一个有效可行的方法。