基于GA-BP神经网络的气压伺服系统辨识研究

气压伺服系统控制器的优化设计依赖于准确的系统模型。针对系统的非线性问题,研究采用神经网络进行系统辨识的原理和结构;考虑传统BP算法存在局部收敛、学习速度慢的问题,采用遗传算法对神经网络的初值和权值进行优化,并采用LM算法进行网络学习,最终建立系统的神经网络辨识模型。通过仿真对比神经网络辨识结果与传统线性模型辨识结果,结果表明:基于GA-BP神经网络的辨识模型精度较高,适用于非线性系统辨识。     

基于BP网络的非线性系统无模型误差自学习控制

针对未知非线性系统提出了一种基于BP神经网络的无模型误差自学习控制方案，其控制思想是利用BP网络及其冲量BP算法实现对系统输入输出量的速度辨识，同时构造了误差控制器，并通过速度辨识学习器向误差控制器动态传递更新权阵，以实现对未知非线性系统的自学习、自适应无模型控制。作者在matlab6．0平台下进行了仿真实验，其仿真结果令人满意。     

基于多层前馈BP网络的非线性逆系统自学习控制

提出的基于神经网络的非线性逆系统自学习控制方案运用逆动力学的基本思想，在系统模型未知的情况下，构造了神经网络一致的控制器和辨识器。运用自适应变步长冲量BP学习算法实现了网络辨识器对系统逆动力学模型的动态辨识，并通过网络辨识器向网络控制器在线动态传递更新权值的方法使神经网络控制器产生期望控制量。使得整个神经网络控制系统具有了自学习、自适应的控制能力。     

基于蚁群优化的神经网络智能PID控制策略研究

提出了一种基于蚁群优化、BP网络学习和RBF网络辨识的智能PID控制策略,有效地克服了BP算法训练过程中收敛慢和易陷入局部极小值的缺陷.利用该控制策略,对PID参数进行在线调整,并应用于材料试验机电液位置伺服系统.仿真结果表明,与各种传统PID控制策略相比,采用该智能PID控制器控制的系统具有更好的动态响应特性和抗扰动能力.     

非线性对象快速神经网络辨识方法

本文使用改进的神经网络模型结构与算法来辨识未知非线性系统，具有辨识精度高，速度快的特点。该方法简单有效，为设计非线性对象控制器提供了一条思路，从而摆脱了用线性模型近似被控对象的粗略做法。算法中，学习率采用随误差变化率而改变的做法减小了学习率选取的盲目性，加速了网络训练过程。     

薄板连铸GA-LM-BP漏钢预报模型研究

针对传统BP神经网络在训练过程中存在收敛速度慢、易陷入局部最优解的缺陷,将遗传算法全局寻优能力与LM算法的局部寻优能力引入到BP神经网络训练过程,建立了GA-LM-BP神经网络漏钢预报模型;结合某钢厂连铸现场历史数据,对该预报模型进行了训练和测试。结果表明,GA-LM-BP漏钢预报的收敛速度较传统BP神经网络明显加快,其泛化能力和对漏钢温度特征的识别精度也有了较大提高。     

基于优化RBF神经网络挤出机温度压力系统辨识

为了精确在线辨识橡胶复合挤出机控制过程中主要干扰变量与内部耦合关系,更好地实现对挤出机温度压力耦合系统的精准控制,采用RBF神经网络进行系统辨识研究,同时结合PSO算法引入GA算法中编码、杂交、交叉、变异等概念,设计了混合型PSO算法进一步优化RBF神经网络,完成对温度压力耦合系统的精准在线辨识。借助MATLAB软件进行神经网络训练,辨识系统耦合关系,同时与混合型PSO算法优化神经网络权值所辨识的效果进行对比。试验结果表明:采用混合型PSO算法优化RBF神经网络训练效果更佳,可以实现RBF神经网络高精度系统辨识;混合型PSO算法优化RBF神经网络应用于挤出机温度压力控制系统辨识,可以在一定程度上提升系统的辨识精度以及挤出机械的智能化水平。     

基于BP神经网络摆式列车倾摆控制系统的辨识

针对摆式列车倾摆控制系统的特点，把人工神经网络的基本原理应用于摆式列车倾摆控制系统，在倾摆控制系统的神经辨识网络中应用BP算法对系统进行辨识，通过学习对系统进行建模。仿真结果表明：所采用的辨识网络能够对倾摆控制系统的动态特性进行有效的辨识，可以解决倾摆控制系统中的非线性问题。     

电液伺服阀故障模式识别的自适应神经-模糊推理系统

基于MATLAB模糊逻辑工具箱，利用维数缩减技术和模糊减法聚类法，对表征电液伺服阀工作状态的实测样本数据进行聚类分析，实现合理的特征空间划分和寻找适当的规则数目，从而实现了自适应神经--模糊推理系统(即：ANFIS）的结构辨识。在此基础上，利用BP算法与最小二乘法相结合的混合算法，实现ANFIS的参数辨识，建立了适用于电液伺服阀的故障模式识别的ANFIS，从而有效地解决了电液伺服阀故障的多样性和不确定性的难题，实现了电液伺服阀故障的智能诊断。     

基于人工神经网络的岩土流变本构模型辨识

岩土流变是岩土工程失稳破坏的重要原因之一。从系统辨识的角度 ,首先将岩土材料流变本构的一般微分方程通式按实际的采样周期转化为线性时不变SISO系统的离散差分方程格式 ,构建了用于岩土流变本构模型辨识的BP神经网络模型 ;然后探讨了该神经网络模型用于岩土流变本构模型辨识的基本步骤以及其网络结构参数 (输入层神经元数和网络连接权值 )与SISO流变系统差分方程模型参数间相互转化的算法原理 ,并据此在Matlab软件平台中编制了BP网络辨识算法的相应程序CYJ1.M ;最后 ,采用有关的考题验证证明该辨识算法是成功可信的     

基于深度学习的轴端编号识别算法设计

随着制造业能力的不断提升,产品生产过程的自动化程度越来越高。对于传统的视觉识别算法,需要拥有大量工程技术和专业领域知识的人才能对视觉识别进行建模,并且设计的算法只能适应单一工况不具有通用性;而深度学习算法是一种通用的学习算法,通过训练可以识别不同种类的不同目标。基于此,针对某企业曳引轴加工过程中轴端编号的识别,设计了可进行端到端训练的识别算法。系统通过高精度工业相机获取目标图像,获得的原始RGB图像不需要进行预处理便可输入到网络当中,由深度学习算法对目标进行识别。实验表明所设计算法鲁棒性好且准确率高。     

Tool breakage detection using support vector machine learning in a milling process

In this paper, an intelligent tool breakage detection system which uses a support vector machine (SVM) learning algorithm is proposed to provide the ability to recognize process abnormalities and initiate corrective action during a manufacturing process, specifically in a milling process. The system utilizes multiple sensors to record cutting forces and power consumptions. Attention is focused on training the proposed system for performance improvement and detecting tool breakage. Performance of the developed system is compared to the results from an alternative detection system based on a multiple linear regression model. It is expected that the proposed system will reduce machine downtime, which in turn will lead to reduced production costs and increased customer satisfaction.     

基于遗传算法和神经网络的软脆工件研磨加工工艺智能决策系统

目的解决研磨抛光工艺决策中工艺试验耗时耗力的问题,实现在研磨抛光加工中根据加工工艺参数对加工质量进行预估。方法采用遗传算法优化的BP神经网络为主要算法,构建智能预测模型,建立研磨加工中输入参数和输出参数之间的映射关系。然后收集有效的输入参数和输出参数作为网络训练和测试的样本数据集,通过遗传算法对神经网络的初始化权值和偏置进行优化,用样本数据集训练神经网络。同时,在决策系统的理论基础上,将神经网络与决策系统进行结合,利用神经网络的学习能力建立智能决策的数据库和规则库,最终建立智能决策系统。结果与无改进的BP神经网络的决策方法相比,无论是在预测精度,还是学习速度上,遗传算法优化的神经网络性能更加优异,决策系统的决策效果更好。结论研磨加工工艺智能决策系统是可行的,为研磨加工的工艺决策提供了一种新的思路。     

改进MFAILC算法在轧机液压系统的应用

针对轧机液压位置闭环系统存在强耦合、多变量等非线性因素,精确建模困难且不具备自我更新学习等问题,将无模型自适应迭代学习控制（MFAILC）应用于轧机液压位置闭环系统。由于MFAILC算法的误差收敛消耗时间较长,采用高阶伪偏导数估计算法改善系统的收敛速度,同时针对MFAILC算法在控制过程中的抗干扰性较差、容易产生控制偏差的问题,结合内模控制强鲁棒性、结构简单等优点,将其引入MFAILC算法,对算法的控制结构进行改进。仿真实验结果表明:改进后的无模型自适应迭代学习算法的收敛速度、控制精度都得到提高,系统的抗干扰性也能够增强。     

基于LM算法的宽板V型自由弯曲参数的实时识别

在弯曲成形智能化控制过程的4个要素中，材料性能参数的实时识别占有极其重要的地位。为提高实时识别的精度和效率，根据宽板V型自由弯曲成形的特点，建立了宽板V型自由弯曲成形智能化控制过程材料性能参数实时识别的LM神经网络模型。训练结果表明，与改进的BP网络模型比较，LM网络模型的收敛精度和收敛速度均有明显的提高，为实现弯曲成形过程的智能化控制奠定了基础。     

Fabrication direction optimization to minimize post-machining in layered manufacturing

Layered manufacturing (LM) can fabricate any complex 3D physical model without geometric limitations by depositing 2D layers in a given direction. However, the surface of the LM processed part is excessively rough in comparison with that of general NC machined part due to the LM process itself. Hence to improve the surface quality, additional post-machining such as coating and grinding process is required. This post-machining, however, is also detrimental to the original geometry of the part and is time consuming. To minimize the required post-machining region (RPMR) in the LM, an intelligent methodology to determine the optimal fabrication direction is proposed in this paper. An expression of the distribution of surface roughness is presented and the relation between the RPMR and fabrication direction is investigated taking real LM environments into consideration. The objective is to minimize the RPMR for general LM technology. A genetic algorithm is applied to obtain reliable solution for a complex geometry CAD model. Validity and effectiveness of the proposed methodology are tested by various experiments and applications.     

Artificial immune system based on adaptive clonal selection for feature selection and parameters optimisation of support vector machines

Artificial immune system (AIS) algorithm based on clonal selection method can be defined as a soft computing method inspired by theoretical immune system in order to solve science and engineering problems. Support vector machine (SVM) is a popular pattern classification method with many diverse applications. Kernel parameter setting in the SVM training procedure along with the feature selection significantly impacts on the classification accuracy rate. In this study, AIS based on Adaptive Clonal Selection (AISACS) algorithm has been used to optimise the SVM parameters and feature subset selection without degrading the SVM classification accuracy. Several public datasets of University of California Irvine machine learning (UCI) repository are employed to calculate the classification accuracy rate in order to evaluate the AISACS approach then it was compared with grid search algorithm and Genetic Algorithm (GA) approach. The experimental results show that the feature reduction rate and running time of the AISACS approach are better than the GA approach.