基于EMD-LSTM的冷轧煤气消耗量预测模型仿真

针对煤气消耗数据量大，而传统机器学习模型在处理大数据时准确度不高，且数据在时间上有一定规律可循的特点，利用长短时记忆神经网络（LSTM）独特的记忆能力对煤气进行预测。为提高LSTM预测模型精度，使用经验模态分解（EMD）算法将煤气消耗数据分解为若干个相对平稳的固有模态函数和一个残差项r(t)，提出基于EMD-LSTM算法的组合煤气预测模型。结果表明：与BP、EMD-BP、LSTM模型相比，该方法能够准确预测煤气消耗量，为企业节约成本和调度人员进行煤气分配提供参考。     

基于ARIMA 和SVR 的滚动轴承状态预测方法研究

滚动轴承作为多种机械设备的关键零件,其运行状态的好坏往往影响着整机设备的运行状况,因此高精度的滚动轴承状态预测对整机设备的运行状态有着重要的意义。针对滚动轴承单一预测模型精度较差的问题,构建一种基于时间序列ARIMA和支持向量回归机SVR理论的组合预测模型。首先针对单一模型进行预测,应用误差平方和倒数法得到两种预测模型的权重结果,最终将该组合模型的预测结果分别与单一预测模型作比对分析。结果表明：该组合预测模型的预测误差均小于单一模型,具有较高的可靠性。     

滚动轴承自适应组合状态预测方法研究

滚动轴承的状态预测组合模型中配比权重多为固定权重,自适应动态调整权重的组合型状态预测方法较少。为解决此问题,提出一种基于ARIMA与Elman的轴承自适应组合状态预测方法;采用IMS提供的轴承加速性能退化数据集进行验证。结果表明：使用单一ARIMA模型的预测相对误差为3.95%,使用单一Elman模型的预测相对误差为5.62%,而使用文中提出的变权重Elman-ARIMA组合预测模型的平均相对误差为3.22%,低于2种单一预测模型,预测结果具有更高的可靠性,证明了组合预测方法的可行性。     

基于组合神经网络的钨极氩弧焊环境负荷预测

以钨极氩弧焊为例,搭建焊接环境负荷定量预测模型.通过正交试验法确定GTAW环境负荷排放的关键影响因素为焊接电流、喷嘴高度和焊接时间;建立基于RBF-BP(Radial Basis Function-Back Propagation)组合神经网络的GTAW环境负荷排放模型,对不同焊接参数下的环境负荷进行预测.结果表明,RBF-BP组合神经网络模型的预测结果(平均误差6.63%)与实际值拟合程度高;焊接电流、喷嘴高度、焊接时间与各环境负荷产生量均呈正相关趋势.建立的预测模型可为降低焊接环境负荷排放和制定合理焊接工艺路线提供数据支持.     

面向电主轴热误差预测建模分析的改进IGWO-LSTM算法

针对电主轴复杂运行工况下的热误差建模问题,提出一种基于改进灰狼优化算法(IGWO)的LSTM神经网络参数预测模型IGWO-LSTM。通过对灰狼算法收敛因子a计算方法进行优化来提高算法寻优性能;通过IGWO算法的适应度函数与LSTM隐含层节点数组成的IGWO-LSTM闭环系统对电主轴热误差预测模型进行训练和预测,避免陷入局部最优,同时提升模型预测精度。为了验证该算法性能,将它与改进前的算法进行对比,通过求取平均绝对误差、平均绝对百分比误差以及均方根误差对这两种神经网络进行评价,结果显示：文中算法的3种指标均优于改进前的LSTM模型,具有更好的热误差预测准确性和全局搜索能力。     

数控机床热变形误差超前预测研究

针对当前数控机床热变形误差实施补偿存在的预测值滞后实际补偿值问题，提出基于长短期记忆(LSTM)神经网络算法热误差超前预测解决方案，详细探讨LSTM神经网络算法的解析流程，建立基于LSTM神经网络算法热误差超前预测模型，并进行关键温测点及热变形误差超前预测实验。实验结果表明：热变形误差实际值与预测值的最大残差、平均值和均方差均在可控范围内，超前预测的准确度为86.3%，进一步论证了机床热变形误差超前预测的有效性。     

载荷与腐蚀环境耦合作用下防护涂层的寿命预测模型研究

为预测舰船航空飞行器防护涂层的服役寿命,在现有的老化动力学预测模型基础上,提出了改进的老化动力学模型与神经网络模型两种新的预测模型。对基材为AF1410,表面处理依次为喷丸、喷锌、喷底漆、喷磁漆的试样,进行三亚外部环境(紫外、热冲击、低温疲劳、盐雾)的综合加速试验,采用电化学阻抗谱技术测得了试样涂层腐蚀老化过程中的阻抗模值数据,并利用试验数据针对3种预测模型进行测试。测试结果表明,改进的老化动力学神经网络模型预测精度较传统老化动力学模型明显提高,且神经网络模型预测精度提高程度更明显。     

基于EEMD-LSTM的冷连轧机振动预测研究

针对冷连轧机振动具有非线性、非平稳,以及与当前和历史状态息息相关的特点,提出了基于集合经验模态分解(EEMD)-长短时记忆循环神经网络(LSTM)的轧机振动预测模型。采用EEMD方法将轧机振动加速度分解为若干个频率单一、相对平稳的IMF模态分量和残差分量,有效地降低了振动加速度信号的复杂性;采用具有记忆单元的LSTM网络建立轧机振动预测模型,并通过引入历史振动信息显著提高了轧机振动的预测精度。仿真结果表明,EEMD-LSTM模型较LSTM模型的预测精度提高了11%,对轧机振动有很好的预测效果,并分析了各工艺参数与轧机振动之间的定量关系,为快速抑制轧机振动、优化轧制规程提供了参考。     

基于GASA-BP-BiLSTM的轴承故障预测研究北大核心

基于BP神经网络收敛速度慢,在预测时易陷入局部极小值陷阱的问题,提出一种基于GASA-BP的预测方法,GA和SA协同优化BP神经网络,使得GASA-BP预测模型同时具备较强的全局搜索能力和跳出局部最优解的能力。BiLSTM是LSTM的一种特殊形式,BiLSTM充分考虑了时间序列数据前后节点之间的相关性,有效提取信号中的时间特征,具有更优秀的分类能力。基于此,提出一种基于GASA-BP-BiLSTM的故障预测模型,并应用于轴承的故障预测中,该模型不仅能够预测出轴承中是否存在故障,还能检测出潜在的故障类型,兼具了预测和故障诊断的优点。     

基于改进型支持向量机算法的轧机轧制力预测

考虑到基于神经网络算法建立的预测模型虽然具有较好的预测精度,但是神经网络模型需要大量的训练样本,另外会增加模型的复杂程度,研究了一种基于改进型支持向量机的轧机轧制力预测模型,建立基于RBF核函数和多项式核函数的最小二乘支持向量机,并使用协同量子粒子群算法对混合函数的参数进行寻优,以提高预测模型的预测性能。由协同量子粒子群算法优化得到了基于改进型支持向量机的轧机轧制力预测模型中的RBF核函数参数γ值、惩罚系数c值、多项式核函数参数q值和两个核函数的权重a值。通过实例研究表明:使用本文研究的改进型支持向量机的轧制力预测模型预测相对误差在4%～6%之间,多组数据的平均值误差为4. 83%。验证了本文研究的基于改进型支持向量机的轧机轧制力预测模型的可行性。本文研究的预测模型相比其他3种对比模型耗时更长,但是相比之下提高了预测准确率,更具有实际意义。     

基于改进LSTM-AdaBoost的铣刀磨损量预测

针对铣刀磨损量预测时精度低的问题,提出一种基于黑寡妇算法（BWO）优化的长短期记忆神经网络（LSTM）与AdaBoost集成学习算法相结合的铣刀磨损量预测方法。在铣刀磨损振动信号中提取时域、频域以及时频域多域特征。通过BWO算法优化LSTM的核心参数,并将优化后的LSTM网络与AdaBoost算法进行结合,构建铣刀磨损量预测模型。最后用PHM Society 2010铣刀全寿命周期的振动数据进行实验。研究结果表明：所提方法能够有效地预测出铣刀磨损量变化值,优化后模型的平均绝对误差百分比为3.436%、均方根误差为6.471、决定系数 R2 为0.935。该方法能够获得准确率更高的铣刀磨损量预测值,预测效率更高。     

输气管道腐蚀速率的BP神经网络组合预测方法

根据神经网络的非线性和良好的函数逼近特性,提出了基于人工神经网络的灰色模型、多项式回归模型组合的输气管道腐蚀速率预测模型.此组合模型将最佳组合权重隐含在网络的连接权中,兼具灰色预测、回归预测和神经网络预测的优点,克服了原始数据少,数据波动大对预测精度的影响,也增强了预测的自适应性,在客观地反映输气管道腐蚀速率变化趋势方面具有一定的优势.通过实例分析,表明预测值与实际结果有很好的一致性.     

基于时间序列汽车轮毂尺寸偏差趋势预测

文章选用指数平滑法和ARIMA法两种典型的时间序列算法作为预测模型,对流水线生产的汽车轮毂倒锥大尺寸值偏差趋势进行预测。以MATLAB作为工具进行实验计算,依据预测数据和实际观察值的RMSE和期望误差的对比来比较这两种模型的预测效果,得出在预测汽车轮毂倒锥大尺寸值偏差趋势时,二次指数平滑法的预测效果更好,所以最终采用此模型,从而为宏观调控刀具补偿值提供有力的依据。     

基于SSAE-LSTM模型的冷连轧机扭振预测

轧机振动预测模型性能依赖于从输入变量中提取的特征。针对冷连轧机振动数据样本大、非线性强的特点,且在时间上具有前后依赖关系,提出了一种基于SSAE-LSTM的轧机扭振预测方法。首先,对于同种参数数值差异较小、关系表征不明显的轧制过程参数,使用栈式稀疏自编码(SSAE)网络进行无监督自适应特征提取,挖掘生产数据的深层次特征。然后,利用长短时记忆(LSTM)网络在处理时间序列上的优势,将SSAE网络提取到的深层特征作为预测模型的输入,将旋转角加速度作为输出,建立基于LSTM的轧机扭振预测模型。仿真结果表明：SSAE-LSTM模型的预测精度达98.5%,与RNN模型和LSTM模型相比,预测精度分别提高了24.8%和12.2%,验证了该方法的有效性,为实时预测轧机扭振状态提供了参考。     

摩擦焊接轴向缩短量神经网络与支持向量机预测

轴向缩短量是惯性摩擦焊接过程中的关键参量.文中利用ABAQUS有限元软件对高温合金管材惯性摩擦焊接过程进行了模拟,获得并研究了不同焊接工艺参数下的轴向缩短量结果.基于模拟结果,分别建立了支持向量机(SVM)和径向基函数(RBF)神经网络的轴向缩短量的预测模型.两种模型的对比表明,对于该小样本的预测,RBF神经网络比SVM智能预测结果更接近有限元模拟值.因此RBF神经网络模型可以更好的辅助摩擦焊接的有限元模拟,并有效降低模拟的时间成本.     

机床热误差非线性组合预测模型研究

在精密及超精密加工过程中,数控机床热误差是影响加工精度的一项重要误差源,最经济和有效地减少热误差的方法是热误差补偿技术。针对热误差补偿预测模型的预测精度问题,提出一种非线性组合预测模型。该预测模型利用灰色关联度方法对单项预测模型进行筛选,对筛选出的单项预测模型基于不同优化准则进行线性组合,通过广义回归神经网络对该线性组合模型进行非线性组合,得到非线性组合预测模型。误差预测结果表明:对比典型的BP神经网络预测模型,非线性组合预测模型的预测精度更高,最大误差由4.78μm减小到0.7μm。     

基于BP神经网络风力发电机轴承座的铸造工艺参数预测模型

基于KBE概念和BP神经网络,结合正交试验设计方法和铸造模拟建立了大型风力发电机轴承座铸件品质的预测模型。浇注温度、浇注时间和模具初始温度作为BP网络训练样本的输入值,基于Procast铸造模拟软件仿真得到的轴承座缩松缺陷面积、轴承座凝固时间、轴承座凝固后铸件最大温差作为模型目标值。结果表明,利用该模型可预测铸件任意工艺参数组合下的结果值,经过模拟试验和预测值的对比,两种方式获得的结果十分吻合,从而缩短大型铸件研发周期,降低了试制成本,并能给出最佳工艺参数组合,对实际生产可以进行快速高效的指导。     

基于GA-BP神经网络的喷丸样品表层硬度预测模型

目的 建立能够准确预测不同喷丸工艺参数下工件表层显微硬度的数学模型。方法 以42CrMo钢作为研究对象,采用正交实验法设计喷丸实验方案和逐点测量法测量0～320μm层深内的显微硬度,以实验数据为样本,基于BP神经网络建立42CrMo钢受喷后表层显微硬度的预测模型,并利用遗传算法（GA）对BP神经网络结构进行优化,建立基于GA-BP神经网络的42CrMo钢受喷后表层显微硬度模型。结果 将实验数据集用于模型的训练,BP神经网络模型和GA-BP神经网络模型训练的相关系数R均为0.97左右,两种模型的训练效果均较好。对比20组测试集的模型预测值和实验值发现,BP神经网络模型预测值与实验值之间的相对误差的最大值和平均值分别为3.5%和1.1%,相比之下,经遗传算法优化的BP神经网络（GA-BP）模型预测值与实验值的相对误差的最大值和平均值仅为2.9%和0.7%。GA-BP神经网络模型具有更高的预测精度和稳定性。结论 经GA遗传算法优化的BP神经网络（GA-BP）更适合用于建立受喷工件表层显微硬度的预测模型,可为其在工程上的应用提供一定的参考。     

基于DPSO-BP神经网络的V形自由折弯成形角度和回弹预测北大核心CSCD

采用基于DPSO算法优化BP神经网络(DPSO-BP)的机器学习算法建模,提出一种考虑材料参数和几何参数的V形自由折弯成形角度和回弹的预测方法。该方法主要引入非线性惯性权重改进粒子群(PSO)算法,进一步优化神经网络的初始权值和阈值,构建神经网络预测模型。以不同批号的SUS304不锈钢板料为研究对象,通过设计正交试验得到45个训练样本数据,验证所建立的预测模型的准确性。结果表明:采用DPSO-BP神经网络模型预测的成形角和回弹角的平均误差分别为0.150°和0.120°,与未优化的PSO-BP神经网络模型相比,预测的成形角和回弹角的平均误差明显减小,且计算耗时由14.0 min大幅缩短至0.8 min,同时实现了高预测精度和高计算效率。     

基于灰色理论和神经网络的轧制力预测

针对热轧带钢轧制力预测精度不准确问题,建立了灰色轧制力预测模型,通过对比灰色轧制力预测模型和BP神经网络预测模型的优缺点,进一步提出将灰色理论和BP神经网络组合应用到热轧带钢轧制力预测中,并分析比较了轧制力预测模型的相对误差。同时,在相同的轧制条件下,对灰色神经网络轧制力预测模型的预测值和在线平整轧制的实测轧制力值作了比较,所得轧制力预测误差小于±5%。由此可以看出,灰色理论和BP神经网络组合应用的方法能够较准确地实现平整轧制力的预测。