神经网络在控制图模式识别中的应用

论文综述了神经网络在质量工程领域的发展趋势。并将神经网络应用于统计过程控制的控制图模式识别之中,以BP网络为核心,来监测方差和均值的变动,并且对处于失控状态的加工过程及其产生的原因进行诊断。     

基于HPSO优化BP神经网络的刀具磨损状态识别

针对BP神经网络容易陷入局部极值导致识别精度低的问题,文章提出了一种基于混合粒子群算法(HPSO)的BP神经网络优化算法。在刀具磨损监测实验过程中,采集刀具切削的声发射(AE)信号,利用小波包分解算法对AE信号进行滤波,并进行特征提取。将频带能量特征和切削参数分别作为主特征和辅助特征,并对其对归一化处理。采用混合粒子群优化算法(HPSO)对BP神经网络预测模型进行优化,利用优化后的模型对测试样本进行模式识别,结果表明,优化后的HPSO-BP模型能够有效地降低神经网络陷入局部极值的情况,提高刀具磨损识别精度。     

Prediction of Composition of GaInAsSb Epilayers by MOCVD Using Pattern Recognition and Artificial Neural Network Method

ＰｒｅｄｉｃｔｉｏｎｏｆＣｏｍｐｏｓｉｔｉｏｎｏｆＧａＩｎＡｓＳｂＥｐｉｌａｙｅｒｓｂｙＭＯＣＶＤＵｓｉｎｇＰａｔｅｒｎＲｅｃｏｇｎｉｔｉｏｎａｎｄＡｒｔｉｆｉｃｉａｌＮｅｕｒａｌＮｅｔｗｏｒｋＭｅｔｈｏｄＹａｎＬｉｕｍｉｎｇ①（严六明）ＥａｓｔＣｈ...     

基于神经网络的硝酸生产过程稳态建模技术研究

采用非机理建模方法,使用生产历史数据,利用人工神经网络所具有的对任意非线性映射的任意逼近能力,模拟实际系统的输入一输出关系,经过训练得到硝酸生产过程的稳态模型。     

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.     

NiTi合金高温变形本构关系的神经网络模型

以压缩试验所得数据为基础,根据BP人工神经网络算法原理,建立了Ti-50.5Ni合金高温压缩变形真应力与真应变、应变速率和变形温度关系的预测模型.结果表明,BP神经网络用于Ti-50.5Ni合金高温压缩变形本构关系建模是可行的,拟合度可达到1.3%,较好地反映了实际变形过程的特征,可弥补传统回归模型不能反应变形全过程的局限性,并消除实验过程中实际温度偏离设定温度所带来的样本误差及其对模型准确度的影响.     

基于神经网络的磨削工艺参数智能预测模型

磨削参数的合理选择对于磨削加工过程有着重要的影响,将人工智能运用到磨削工艺参数的选择过程中是现代发展的一个新趋势.在分析现有的智能算法后,提出了一种利用BP神经网络模型来确定磨削参数的方法.在该方法中综合考虑影响磨削加工的因素,把它们列为神经网络系统的输入参数,并对输入参数进行编码;同时也对输出参数(砂轮速度、工件速度、磨削深度、磨削进给速度)进行了归一化处理以适应神经网络的学习.采用循环算法比较得出隐层的最优神经元个数,从而最终建立了磨削参数智能预测模型,并利用Matlab进行仿真预测,仿真结果表明该预测模型准确率很高,能为磨削参数的选择提供可靠数据.     

用神经网络方法探测机床运动误差通用建模方法

文章在分析了机床运动误差源的基础上,以典型误差源为对象,提出了基于人工神经网络技术的机床运动误差的通用建模方法,总结了基于神经网络方法的建模过程及建模方法;在此基础上建立了机床运动误差模型,通过对该模型的性能分析,用此通用方法建立的机床运动误差模型能达到精度要求,具有很好的通用性和预测性;同时该模型可以用于机床运动误差的智能补偿技术。     

一种改进的BP神经网络在故障诊断中的应用研究

人工神经网络作为一个具有高度非线性映射能力的计算模型,在工程中具有广泛的应用前景.它不需要预选确定样本的数学模型,仅通过学习样本数据即可以进行故障诊断.本文结合计算机综合业务的一些实际问题,探讨了利用改进的BP神经网络进行故障诊断的方法和应该注意的问题,在分析神经网络的基础上提出了基于改进的BP模型神经网络的故障诊断推理方法.结果表明,基于BP神经网络的故障诊断方法是行之有效的.     

球墨铸铁件缺陷诊断的神经网络模型

针对球铁缺陷分析的实际问题，对球铁典型的５种缺陷产生的影响因素进行了归纳总结。依据球铁生产过程中的工艺参数，采用神经元网络的方法，建立了球墨铸铁件缺陷分析的神经网络模型。借助Ｐｏｗｅｒ Ｂｕｉｌｄｅｒ ６．０平台开发出了相应的应用软件，该软件可根据生产的工艺条件来预测缺陷的产生并提出防止措施，从而可有效地提高铸件的成品率。同时，也为其它类铸件缺陷的分析提供了可以借鉴的方法。     

基于神经网络的混粉电火花加工效果的预测模型

针对混粉电火花加工的工艺特点及其复杂性,提出了一个基于径向基函数（RBF）神经网络的混粉电火花加工效果的预测模型,并通过该模型对混粉电火花加工试验研究的工件表面粗糙度进行了预测,预测结果与实际试验结果有较好的一致性,说明RBF神经网络对混粉电火花加工效果的预测是有效的.     

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。     

物理基本构模型和BP人工神经网络模型预测AZ80镁合金高温流动应力的比较研究

基于变形温度250~400 ℃和应变速率0.001~1 s^-1条件下的铸态AZ80镁合金的热压缩试验数据,建立了基于应力位错关系和动态再结晶动力学的物理基本构模型以及前馈反向传播算法的人工神经网络（ANN）模型来预测AZ80镁合金的热变形行为。采用相关系数（R）、平均绝对相对误差（AARE）、相对误差（RE）3种统计学指标来验证2种模型的预测精度。结果表明,2种模型均可以准确预测AZ80镁合金的热变形行为。其中,ANN模型预测的应力值与实验数据更为吻合,其R和AARE分别为0.9991和2.02%,而物理基本构模型预测的R和AARE分别为0.9936和4.52%。ANN模型较好的预测能力归功于它擅长处理复杂的非线性关系,而物理基本构模型的预测能力是基于模型具有一定的物理意义,模型参数的确定充分考虑了热变形过程中的加工硬化（WH）、动态回复（DRV）和动态再结晶（DRX）的热动力学机制。最后,对这2种本构模型的优缺点及适用范围进行了比较讨论。     

基于改进BP神经网络优化的管道腐蚀速率预测模型研究

目的构造金属管道腐蚀速率预测模型,预测管道的使用寿命。方法分析了二氧化碳(CO2)和硫化氢(H2S)对金属管道的腐蚀过程,给出了管道腐蚀的化学反应方程式。引用了BP神经网络构造金属管道腐蚀速率的数学模型,采用了改进粒子群算法对预测模型进行优化。以45号金属管道为例,借助于Matlab软件对管道腐蚀速率进行仿真验证,并与实验测量数据进行对比和分析。结果金属管道腐蚀速率随着CO2或H2S压强的增大而逐渐增大,仿真结果显示CO2和H2S的最大腐蚀速率分别为7.20×10-5 mm/h和5.76×10-5mm/h,而实验测量结果显示CO2和H2S的最大腐蚀速率分别为7.14×10-5 mm/h和5.65×10-5 mm/h,采用改进BP神经网络预测模型所产生的相对误差在5%以内。结论金属管道在不同压强条件下,采用改进BP神经网络预测模型能够近似地预测其腐蚀速率,为金属管道的更换提供了参考依据。     

基于参数策略的改进粒子群优化PNN神经网络刀具磨损研究

刀具磨损直接影响工件加工质量和尺寸精度,正确掌握刀具磨损状态及时换刀,减少机床停机时间,将直接提高加工效率。为提高刀具磨损状态识别准确率,提出一种基于参数策略的改进粒子群优化PNN(IPSO-PNN)神经网络识别刀具的磨损状态。相较于BP神经网络收敛速度慢、易陷入局部最优的缺点,IPSO-PNN神经网络结构简单、训练简洁快速。与BP神经网络和标准PNN神经网络仿真结果对比,结果表明:IPSO-PNN神经网络识别准确率高,收敛速度快,仿真耗时短,能有效提高刀具磨损识别准确率。     

人工神经网络在钛合金领域的应用

概括了人工神经网络的学习机理以及运用较多的BP神经网络模型的BP算法原理,进一步综述了人工神经网络在钛合金材料高温变形行为研究、力学性能预测和相变规律等方面的应用情况。认为将人工神经网络技术应用于钛合金材料领域中,可以明显地提高工艺设计效率,缩短实验周期,对钛合金材料的研究具有很高的应用价值和深远的指导意义。     

2519铝合金高温变形流变应力的人工神经网络模型

采用Gleeble1500热模拟机对2519铝合金圆柱体轴对称高温压缩变形试验数据(变形温度300~C~500~C，应变速率0．05s^-1～5s^-1）进行了流变应力的人工神经网络建模。在目标函数为0．2、隐层节点数为5、学习率为0．1时，利用所建立的网络模型预测不同热力学状态下材料的流变应力，发现预测数据与试验数据吻合良好，系统误差较小(拟合度为3．3％)，表明已形成了一个知识基的本构关系模型。     

采用逆神经网络模型的移动机器人速度控制回路研究

针对移动机器人运动轨迹容易受到不确定外界因素干扰的问题,采用逆神经网络模型设计移动机器人控制系统。分别采用逆神经网络控制器和传统PI控制器模型对两轮差动移动机器人运动速度和角速度进行跟踪控制。传统PI控制器模型使用了近似于线性的等效负载驱动器,而逆神经网络控制器使用前馈多层感知神经网络模型,该模型结合了其运动学和动力学的数学模型,在特定工作区域内,对逆神经网络模型进行离散训练。在平面内,对移动机器人的速度跟踪控制进行仿真。结果表明:采用PI控制器模型,移动机器人车轮运动速度和角速度与理论值存在较大误差,而采用逆神经网络模型时误差较小。采用逆神经网络模型设计移动机器人速度控制回路,可以提高移动机器人运动性能,更好地适应外界环境的变化。     

基于BP神经网络的表面硬度预测模型

运用MATLAB中BP神经网络强大的数据预测功能,并结合VB编写的用户操作界面,建立了基于BP神经网络的表面硬度预测模型.对该模型进行训练和仿真后,其所得到的结果与实际测量值相差较小,能够达到模型预测的要求,有较好的工程实际意义.     

基于RBF网络的钢坯温度预报软测量模型研究

针对目前的测温技术难以用仪器直接测量出加热炉内被加热钢坯温度的问题,提出了通过RBF神经网络建立钢坯温度软测量预报模型,实现了钢坯温度准确及时预报,达到了减少燃料和钢坯表面氧化的目的.工业试验仿真研究表明,该钢坯温度预报模型精度高、自适应性好、鲁棒性强.