基于压电传感器的旋转机械振动信号测试技术

本文给出一种基于压电传感器的旋转机械振动信号测量系统设计方法,为消除信号处理电路对振动信号频率特性的影响,提出一种基于神经网络的信号处理电路频率特性建模方法,根据该模型对测量通道进行在线补偿,大大提高了信号测量的精度。     

基于多相似度局部状态辨识的集成学习自适应软测量方法

鉴于流程工业过程的非线性、多时段、多模式、时变性等复杂过程特性，导致传统的全局和集成学习软测量方法预测性能不佳，提出一种基于多相似度局部状态辨识的集成学习自适应软测量建模方法。该方法在离线建模阶段，从不同相似度准则出发辨识局部过程状态，进而生成多样性的局部模型；在线预测阶段，通过双层集成策略实现模型的在线动态选择、模型权重自适应确定、局部预测结果融合；在线更新阶段，通过KL散度评价当前与相邻状态数据分布的差异性以实现概念漂移的实时检测，进而决定是否在线添加局部模型。将新获取的离线检测值添加入建模数据库。通过工业金霉素发酵过程和脱丁烷塔过程验证了所提方法的有效性和优越性。     

基于改进核模糊聚类算法的软测量建模研究

针对发酵过程软测量建模采用单模型建模方法存在计算量大和精度较差的问题,提出一种基于改进核模糊聚类算法的多模型神经网络软测量建模方法.该方法首先使用主元分析方法对样本数据进行数据处理,所得主元变量作为模型的输入变量,然后使用基于粒子群优化算法的核模糊C均值聚类算法(PSKFCM)对数据集作聚类划分,最后针对每个聚类建立局部神经网络模型,多个局部神经网络模型估计结果的融合即为软测量模型的输出.将所提建模方法应用于红霉素发酵过程生物量浓度软测量建模,结果表明所建软测量模型具有较高的精度和良好的泛化能力.     

正则化学习算法在软测量建模中的应用

软测量技术的核心是建立软测量模型。基于过程可测信息集建立软测量模型即逼近建模过程是不适定的。以径向基函数神经网络作为软测量模型,在软测量建模中引入正则化学习算法。以广义交叉验证作为正则化参数估计方法,讨论了径向基函数神经网络软测量逼近建模的全局与局部正则化学习算法,给出的实例说明了其有效性。     

基于多"内在传感器"逆的诺西肽发酵过程生化参数软测量模型

针对诺西肽发酵过程中关键生化参数难以在线测量的问题,提出了一种基于多“内在传感器”逆的软测量模型。在诺西肽发酵过程非结构模型的基础上,建立了多个包含在原系统中的“内在传感器”子系统。经过数学推导证明了各子系统的可逆性,并利用神经网络分别拟合各子系统的逆,实现了诺西肽发酵过程中菌体浓度和基质浓度的软测量。实际应用表明,该软测量模型能够较好地预估菌体浓度和基质浓度,其平均相对误差都在5%以内,且所提软测量建模方法是有效的。     

基于MSADE-IT2FNN模型的软测量建模方法及应用

针对复杂工业过程某些关键参数无法有效、实时在线检测的问题，提出一种基于多策略、自适应差分进化算法(MSADE)优化的区间二型模糊神经网络(IT2FNN)软测量建模方法。首先，为了解决差分进化算法采用单一策略、固定缩放因子和交叉概率导致后期搜索能力不足的问题，提出一种多策略、自适应的差分进化算法(MSADE),该算法利用IT2FNN模型的均方根误差(RMSE)作为适应度函数，通过搜索不同规则数下的RMSE值，从而确定IT2FNN的结构(规则数)和初始参数；然后，IT2FNN模型的参数利用梯度下降法进行学习。最后，将所提模型应用到Mackey-Glass混沌时间序列的预测和酿酒过程淀粉利用率的软测量建模问题中，仿真结果验证了提出方法的有效性和优越性。     

基于神经网络的主轴热误差补偿技术研究

以MAKINO立式加工中心为对象,提出一种主轴热误差补偿的神经网络建模方法。该方法以测量点温度为模型输入,以5点法测量的主轴热误差为输出,经RBF神经网络模型学习和训练。结果表明此建模方法有较强的预测能力和较为理想的精度,可以满足加工中心热误差实时补偿的应用要求。     

基于阶段识别的诺西肽发酵过程软测量建模

诺西肽是一种含硫多肽类抗生素,该抗生素是一种优良的非吸收型饲料添加剂,它能促进动物生长且在动物体内无残留.针对诺西肽发酵过程中关键生化参数难以在线测量的问题,提出了一种基于阶段识别的软测量建模方法.利用诺西肽发酵过程的非结构模型状态方程,根据隐函数存在定理确定出辅助变量,并利用K均值聚类算法进行阶段识别,根据识别结果对现场数据进行分类,然后采用多个神经网络分别构建出对应于各个阶段的局部软测量模型.实验结果验证了所提方法的有效性.     

基于改进串联混合建模方法的发酵过程菌体浓度软测量

发酵过程中菌体浓度难以在线实时测量,给控制与优化带来困难.针对这一问题,本文利用软测量技术来实现菌体浓度的在线估计,并提出了一种改进的串联混合建模方法用以建立菌体浓度软测量模型.改进的串联混合建模方法,克服了现有方法需要利用插值所得的数据进行软测量模型构建的不足,从而保证了建模数据的可靠性.利用诺西肽发酵过程生产数据进行仿真研究,仿真结果表明,基于改进串联混合建模方法的软测量模型是有效的,比基于现有方法的软测量模型具有更好的估计性能.     

基于数据驱动的发电机组软测量建模方法优化研究

针对发电机组中部分难测准参数的软测量及已测量参数的准确性校验等应用问题,提出了融合广义神经网络(GRNN)和B样条偏最小二乘回归(PLSR)各自优势的数据驱动软测量建模新方法NN-PLS。该方法先采用了GRNN对由机理分析初步选定的建模变量预建模,考察了各参变量对因变量的平均贡献率,并筛选得出了主要建模参数,然后采用B样条PLS对筛选后的变量建模,从而得出了简化、可靠的模型,最后以联合循环电厂的实测数据为样本进行了建模。研究结果表明,NN-PLS方法对不同工况下测量参数拟合准确、精度高、模型泛化能力强,同时由于该模型需要保存的参数相对较少,更适合作为解决上述在线问题的模型。     

基于遗传神经网络的加速度传感器动态建模方法

提出了利用遗传神经网络实现加速度传感器动态建模的新方法，介绍动态建模原理以及算法，给出用遗传神经网络建立的加速度传感器动态数学模型。该方法利用加速度传感器的动态标定数据，采用遗传神经网络搜索和优化动态模型参数。这样，既保留遗传算法的全局搜索能力，克服神经网络容易陷入局部极小的缺陷，又具有神经网络局部搜索能力强的特点。结果表明：以上提出的动态建模方法具有建模精度高、鲁棒性好等优点。     

Spindle Thermal Error Optimization Modeling of a Five-axis Machine Tool

Aiming at the problem of low machining accuracy and uncontrollable thermal errors of NC machine tools, spindle thermal error measurement, modeling and compensation of a two turntable five-axis machine tool are researched. Measurement experiment of heat sources and thermal errors are carried out, and GRA(grey relational analysis) method is introduced into the selection of temperature variables used for thermal error modeling. In order to analyze the influence of different heat sources on spindle thermal errors, an ANN(artificial neural network) model is presented, and ABC(artificial bee colony) algorithm is introduced to train the link weights of ANN, a new ABCNN(Artificial bee colony-based neural network) modeling method is proposed and used in the prediction of spindle thermal errors. In order to test the prediction performance of ABC-NN model, an experiment system is developed, the prediction results of LSR(least squares regression), ANN and ABC-NN are compared with the measurement results of spindle thermal errors. Experiment results show that the prediction accuracy of ABC-NN model is higher than LSR and ANN, and the residual error is smaller than 3 lm, the new modeling method is feasible. The proposed research provides instruction to compensate thermal errors and improve machining accuracy of NC machine tools.     

Estimation of flow rates of individual phases in an oil-gas-water multiphase flow system using neural network approach and pressure signal analysis

Up until now, different methods, including; flow pressure signal, ultrasonic, gamma-ray and combination of them with the neural network approach have been proposed for multiphase flow measurement. More sophisticated techniques such as ultrasonic waves and electricity, as well as high-cost procedures such as gamma waves gradually, can be replaced by simple methods. In this research, only flow parameters such as temperature, viscosity, pressure signals, standard deviation and coefficients of kurtosis and skewness are used as inputs of an artificial neural network to determine the three phase flow rates. The model is validated by the field data which were obtained from separators of two oil fields and 6 wells over ten-month with 8 h interval (totally 5400 sets of data). A linear relation can be observed between the actual data and the predictions which were obtained from separators and neural network approach, respectively. Furthermore, it is shown that using feed forward neural network with Levenberg–Marquardt algorithm which has two hidden layers is sufficient to determine the flow rates. Also, it is tried to see the effect of flow regimes on the results of neural network approach by determining kurtosis and skewness coefficients for different flow regimes in a horizontal pipeline.     

Accurate neural model identification of measurement devices

A neural approach to modeling measurement devices is presented. This approach allows the usual components of a measurement apparatus (transducers, filters, amplifiers, analog-to-digital converters, etc.) to be easily modeled by means of suitably trained artificial neural networks. Two applications regarding analog and mixed analog/digital devices are reported, highlighting the peculiarity of this approach and the accuracy that can be obtained.     

基于神经模糊控制理论的数控机床热误差建模

将基于神经模糊控制理论的建模方法--模糊神经网络建模法应用到数控机床热误差建模当中,讨论了热误差模糊神经网络的结构及建模原理;对大型数控龙门导轨磨床主轴箱系统进行建模试验,采用非接触式红外温度测量仪和千分表分别测量主轴箱系统温度值与主轴热误差,得到两组独立的试验数据,一组用来建立主轴箱系统热误差模糊神经网络预报模型,另一组用来对模型进行验证。试验结果表明,模糊神经网络模型预测精度高,泛化能力强;将模糊神经网络建模方法与径向基函数神经网络建模方法进行综合对比,分析结果表明,模糊神经网络建模方法具有更好的建模效率、建模鲁棒性及预测性能。     

基于人工神经网络的数字式涡流传感器建模方法

为了解决数字式涡流传感器的非线性问题,介绍了利用函数连接型神经网络进行建模的原理以及神经网络权值调整的算法。从实测数据出发,建立了数字式涡流传感器的数学模型。结果表明,这种模型误差小、精度高、有良好的鲁棒性以及可在线标定等优点,比最小二乘法更具有实际意义,在测控系统中有广泛的应用前景。     

基于NARX网络模型的挖掘机液压系统故障检测

提出了一种针对挖掘机液压系统的非线性有源自回归(nonlinear auto-regressive with extrainputs,NARX)网络模型的故障检测方法。NARX网络模型是一种将有源自回归(auto-regressivewith extra inputs,ARX)模型与神经网络相结合的系统建模方法,具有很强的非线性辨识能力。该方法首先选取合理的网络模型结构,并根据AIC准则确定最佳模型阶数;使用正常状态样本对NARX网络进行训练,建立系统的辨识模型;然后运用序贯概率比检验(sequential probability ratiotest,SPRT)对NARX辨识模型的残差进行假设检验,检测系统的故障状态。实验分析表明,基于NARX网络模型的故障检测方法能够有效地应用于挖掘机液压系统。     

基于实验数据的航空发动机稳态模型建模

针对基于部件级航空发动机稳态建模过程中完整、准确的航空发动机部件特性数据往往难以获取,建模时间长等现象,提出使用实验数据进行辨识建模的方法;为了建立航空发动机的稳态模型,通过对某轻型飞机实验台的飞行实验数据进行分析整理,提出使用BP神经网络对发动机重要参数进行建模,同时使用粒子群优化算法(Particle swarm optimization,PSO)对BP神经网络的权值和阈值进行优化。最后,使用改进粒子群优化算法(Improved particle swarm optimization algorithm,IPSO)对传统粒子群优化算法进行改进,仿真结果表明IPSO-BP网络建立的发动机模型精度更高,稳定性更好。     

神经网络集成方法在产品完工期预测中的应用

针对单个神经网络模型易出现过拟合而导致泛化能力较弱的缺点,引入了神经网络集成方法,对传统的Bagging方法进行改进,提出了一种基于0.632误差聚类的Bagging方法.通过实验对比和假设检验,证实了该方法的优越性,并探讨了最佳聚类数目.最后,通过应用实例展示了利用集成神经网络进行产品完工期预测的全过程.实验结果显示,该方法明显地提高了预测精度.     

Comparison of semi-physical and black-box bushing model for vehicle dynamics simulation

Since bushing components have highly nonlinear characteristics according to the amplitude and the frequency, it is hard to derive a mathematical modeling of the bushing. In this paper, a semi-physical bushing model and a black-box bushing model are derived and compared. A Bouc-Wen hysteretic model is employed to derive a semi-physical model and an artificial neural network algorithm is used to make a black-box bushing model. A 3-axes MTS rubber test machine is used to capture the bushing characteristics. Sine excitation tests based on the different frequencies and different amplitudes are performed to find out the bushing characteristics. Random test results are also used to generate the coefficients of a semi-physical model and weighting factors of the black-box model. Random simulations are carried out to verify the bushing models and the results are compared with each other according to the numerical efficiency and accuracy.