基于径向基函数神经网络的发动机磨损预测分析

针对BP神经网络算法的不足,利用径向基函数(RBF)神经网络建立设备的磨损预测模型,对光谱分析数据进行实例仿真,并与BP网络模型进行对比研究.仿真结果表明,该模型预测精度高,训练时间短,大大优于BP神经网络模型.     

基于数字孪生的刀具磨损监测和预测方法研究

利用数字孪生方法建立了刀具磨损监测和预测模型,并利用实际测量得到的数据对算法进行验证。首先,在理论方面归纳总结了数字孪生模型的基本理论和实现方法,主要包括几何、物理、行为以及规则4种子模型。其次,以随机森林算法为基础,实现了刀具磨损与预测数学模型的搭建,主要改进点为利用特征向量的表示优化随机森林算法。最后,利用实验数据验证该算法。结果显示,该算法提升了刀具磨损预测的准确率。     

螺杆泵定子橡胶磨损趋势的遗传神经网络预测模型

针对螺杆泵定子橡胶在复杂工况下受多种因素影响的磨损预测问题,结合各影响因素之间非线性、时变性和强耦合性的特点,将遗传算法和BP算法相结合以实现网络结构参数的优化,建立了遗传神经网络的螺杆泵定子橡胶磨损趋势预测模型。同时,利用测试样本数据将模型的预测结果与BP算法的预测结果进行了比较。结果表明,基于遗传算法的BP神经网络优于BP算法,能够有效地解决受多因素影响的螺杆泵定子橡胶磨损预测的建模问题,具有一定的实用价值。     

基于IPSO-SVR的航空发动机磨损预测研究

为提高支持向量回归(Support Vector Regression,SVR)预测模型对航空发动机磨损预测的准确性,提出利用改进的自适应粒子群优化(Improved Particle Swarm Optimization,IPSO)算法对SVR的结构参数和训练样本向量维数进行优化。IPSO算法采用非线性惯性权重和自适应探测响应机制,克服传统粒子群随机初始位置影响寻优结果的不足,提高预测结果的准确性和一致性。利用某型发动机光谱分析数据进行磨损预测研究。结果表明:与传统PSO-SVR和常用BP神经网络预测模型相比,IPSO-SVR预测结果具有更高的准确性,且预测结果保持良好的一致性。     

基于MIC和改进Bagging-GPR的刀具磨损预测

为实现刀具磨损的准确预测，对加工过程的换刀和参数优化提供指导，提出一种基于最大信息系数(MIC)和改进的Bagging集成高斯过程回归(Bagging-GPR)的刀具磨损预测方法，建立切削力信号与刀具磨损间的非线性映射关系。采集加工的切削力信号，运用时域、小波包分解和经验模态分解提取切削力信号特征，并利用MIC分析特征与刀具磨损的相关度来实现特征选择，避免预测模型的“维数灾难”。为提高预测模型的精度，考虑高斯子模型内部核函数的差异性及准确性，利用Bagging对高斯核函数进行随机组合，作为各子模型的核函数，构建改进的Bagging-GPR模型实现刀具磨损值预测，并基于铣削实验数据验证了所提方法的有效性和优异性。     

基于遗传算法的人工神经网络在航空发动机磨损预测中的应用

提出了一种将遗传算法和BP算法相结合的学习算法来训练BP神经网络，实现网络结构的优化，并用优化后的BP人工神经网络建立了航空发动机的磨损预测模型。将该模型预测结果与BP算法和多元线性回归法的预测结果进行了比较。检验结果表明：基于遗传算法的BP神经网络优于BP算法及多元线性回归法，具有良好的预测效果。     

改进粒子群优化-Elman算法在发动机曲轴脉宽预测中的应用

针对发动机曲轴脉宽难以预测的问题,提出了改进粒子群(PSO)优化Elman神经网络预测的方法。采用Elman神经网络建立脉宽预测模型,根据网络陷入局部最优的代数与迭代次数动态更新网络惯性权重使PSO算法得到改进,利用改进的PSO算法对Elman神经网络的权值和阈值进行优化。对YC6G270-30型增压中冷柴油机曲轴信号脉宽的预测结果表明,改进的PSO-Elman算法比最小二乘、Elman、PSO-Elman算法具有更高的预测精度,收敛速度更快,验证了所提出方法的有效性与实用性。     

基于人工神经网络预测磨合磨损的最佳分形维数

基于BP人工神经网络的L-M算法，建立了磨合磨损的分形参数预测模型。将该模型用于销一盘磨合磨损试验。对最佳分形维数进行了准确预测。该模型收敛速度快、误差小，输出结果与实验结果有极好的吻合性。     

[成形过程的数据挖掘与深度学习方法]基于机器学习的管材弯曲回弹有效预测与补偿

采用基于优化的误差反向传播(BP)神经网络的机器学习算法建模,提出了考虑材料参数、几何参数等多因素的弯管回弹精确预测和高效控制方法。该方法通过引入非线性惯性权重及遗传算法的杂交算子,改进了粒子群优化(PSO)算法,进而通过改进的PSO算法对BP神经网络进行优化,构建了基于改进的PSO-BP神经网络机器学习回弹预测和补偿模型。以多种规格的铝合金数控弯管构件为对象,将实际生产中不同规格、批次、成形参数下回弹数据作为训练样本,实现了所建机器学习预测模型的应用验证。所建模型获得的预测结果平均相对误差为6.3%,与未优化的BP神经网络等传统模型相比,预测精度最大提高了18.5%,计算时间可从1.5 h缩短至300 s,同时实现了回弹预测与补偿精度以及计算效率的显著提高。     

采用神经网络的断路器传动机构磨损预测

针对某大型断路器机构系统磨损试验成本高的特点,通过建立磨损预测模型,对其传动机构危险关节的磨损量进行了预测分析。基于2种典型的预测模型建立方法,采用销盘磨损实验数据,分别建立磨损预测模型。对比分析表明Elman网络模型的预测精度较高,可准确的反映磨损率与接触压力、相对滑动速度和材料硬度之间的规律。考虑运动副间隙的存在,基于非线性弹簧阻尼模型,利用ADAMS软件仿真获得传动机构危险关节的动力学参数。基于Hertz接触理论对动力学参数进行变换,并将其作为预测模型的输入信息,对关节的磨损进行预测计算。通过迭代分析,发现随着断路器开断次数的增加,轴套表面一些特定位置的磨损越来越严重。对比采用固定系数下的Archard模型,表明预测模型计算的结果对磨损失效判定更具参考价值。     

燃气轮机润滑系统磨损趋势预测

为预测燃气轮机润滑系统试验阶段潜在的磨损故障,应用神经网络及遗传算法(GA)对某型燃气轮机长时试验用润滑油中典型元素的光谱监控数据趋势进行预测。通过改变光谱分析数据归一化的范围及调整学习率的自适应性对标准误差反向传播(BP)神经网络进行改进,并利用遗传算法对改进的BP神经网络的权值和阈值进行优化,建立适合某型燃气轮机润滑系统试验阶段磨损趋势预测的模型。结果表明:所建模型具有很高的预测精度和很强的实用性,能有效地提高磨损故障的预测成功率。     

高斯过程的车床刀具磨损预测研究

为了保证产品质量,并能及时、准确、有效的更换刀具,提出利用高斯过程建立模型并对刀具磨损程度进行预测。首先利用Deform软件仿真车床刀具切削过程,建立刀具磨损随时间变化而变化的样本,然后利用该样本建立高斯过程的刀具磨损预测模型。最后进行刀具实际切削实验,利用测量工具测量刀具磨损量,并建立刀具随时间变化的实际磨损样本,利用实际实验数据对预测值进行验证。数据分析结果表明:预测模型可以有效地学习并预测刀具磨损中的非线性关系,而且刀具磨损的预测精度较高。因此在预测刀具磨损程度时,该模型可以作为重要的预测手段。     

钢板缺陷识别的Volterra-SVM模型研究

针对钢板缺陷识别问题,结合超声波脉冲反射原理,提出一种基于Volterra级数和支持向量机的钢板缺陷识别方法。首先,利用Volterra级数模型建立起钢板缺陷的特征模型;其次,使用分数阶粒子群优化算法提取出原始信号中的特征参数,即Volterra级数时域核;最后,将提取到的特征向量输入支持向量机模型进行训练与测试,完成对钢板缺陷的分类识别。设计实验得到多组数据样本,进行模型验证,实验结果表明：基于Volterra级数和支持向量机的识别模型能够较好的完成对钢板缺陷的分类识别,识别准确率达93.3%。     

改进粒子群算法和ELM的刀具磨损量预测

为了提高车刀磨损量预测模型的训练速度和在线预测精度,提出了一种基于改进粒子群算法（Improved Particle Swarm Optimization,IPSO）和极限学习机（Extreme Learning Machine,ELM）的刀具磨损量预测方法。采集车削加工中的声发射信号,利用小波包变换理论对信号进行降噪和特征提取,并通过主成分分析对提取的特征进行降维,选取其中对刀具磨损量敏感的特征值组成特征向量。建立基于极限学习机的刀具磨损量预测模型,并通过改进粒子群算法优化模型中的初始权值和阈值。实验结果表明：优化后的刀具磨损量预测模型相比于传统BP神经网络有更快的训练速度,同时改进后的粒子群算法有更好的寻优能力,提高了模型对于刀具磨损量的预测精度。     

基于PSO-RBF算法的锂电池SOH研究与预测

为了寻找锂电池充电的最优策略,采用建立模型的方法进行研究与预测充电策略的优劣.电池健康管理状态(State of Health)反映了锂电池的剩余寿命,一般作为锂电池充电策略优劣的一个评判标准.在实际应用中,不同的充放电策略对锂电池的SOH有不同的影响,由于对锂电池SOH影响因子很多,各影响因子之间相互耦合,实验验证极其复杂.RBF神经网络是一种比较常用的预测性神经网络,PSO算法是一种较为先进的优化网络参数的算法,将PSO算法和RBF神经网络融合,借助大量实验数据,训练RBF神经网络,使用PSO算法优化其网络参数,建立基于PSO-RBF算法的锂电池SOH预测模型,再将不同充电策略进行仿真验证.仿真结果表明,该模型预测能力优于普通RBF模型,可作为锂电池最优充放电策略验证的最优模型.     

输送用模锻易拆链磨损预测及可视化辅助决策

针对输送用模锻易拆链存在的磨损状况难以准确检测、预测和检修用时长等难题,开展了基于灰色模型和可视化辅助决策的磨损寿命预测和主动检修技术研究。采用基于机器视觉的磨损检测装置获取磨损数据,通过定义和分析磨损关键参数对磨损数据进行清洗,基于灰色模型建立了磨损预测模型;基于预测数据、历史数据及运行工况等建立辅助决策模型,通过综合评估后输出最优检修方案,并基于可视化仿真技术立体、动态地呈现磨损状况,快速精确定位磨损链条。实验结果表明,磨损寿命预测模型的拟合精度较高,磨损预警误报率和漏报率较低,可满足磨损寿命预测要求。通过磨损预测及可视化辅助决策技术,可有效地提高检修效率,减少生产线受迫停运的风险。     

15CrMoG钢管弯曲回弹的改进PSO-BP评估

为精确预测管材弯曲回弹并设计合理的补偿方案，选择经过优化处理的BP机器学习算法建立预测模型，之后对其开展了控制性能评价。大幅提升了泛化性能并获得更高的预测精度，促进算法更快完成收敛过程。并对模型开展了验证分析。研究结果表明：当以PSO算法优化BP建立预测模型进行预测时跟目标结果间形成了15.7%的平均误差，相对于BP预测模型，大幅提升了预测精度，但会导致计算效率明显下降，所需计算时间接近1.5h。以改进粒子群算法对BP进行优化后，可以有效提升神经网络泛化性能，跟目标值相比平均误差只有6.2%。先对基本PSO算法实施优化处理，再利用优化后的PSO算法调整BP，由此建立得到机器学习预测模型。此模型可以达到高预测精度以及高效率的要求，可以有效满足管材数控弯曲回弹以及补偿的计算需求。     

采用深度学习的铣刀磨损状态预测模型

为提高刀具磨损监测的预测精度与泛化性能,研究了基于深度学习的铣刀磨损状态预测,提出了基于堆叠稀疏自动编码网络与卷积神经网络的两种预测模型。堆叠稀疏自动编码网络对特征向量进行降维并将其纳入分类器来实现预测,可避免特征选择对先验知识的依赖;卷积神经网络将铣削振动数据转化为小波尺度图并输入模型完成分类,精简了传统建模流程。最后将提出的两种模型与传统神经网络模型进行比较,验证了所提模型的效率与精度。     

航空发动机油样光谱分析的PSO-LSSVM组合预测方法

油样光谱分析是航空发动机磨损状态监测与故障诊断的重要技术,基于光谱数据的航空发动机状态预测有利于发现航空发动机的早期磨损故障。根据光谱数据特征,选取AR模型、BP神经网络模型以及GM(1,1)预测模型作为基础模型,建立了基于最小二乘支持向量机的组合预测模型,同时,用粒子群算法对LSSVM的正则化参数以及核函数参数进行了优化。最后利用两组实际的航空发动机光谱分析数据对模型进行了验证,与基础模型的对比结果充分表明,提出的带粒子群优化的最小二乘支持向量机(the Least Squares Support Vector Machines with Particle SwarmOptimization-PSO-LSSVM)的非线性变权重组合预测模型具有更好的预测精度。     

基于LMS的三阶Volterra自适应滤波器的时间序列数据预测算法的研究

为了确保工业复杂系统运行过程中的安全性和可靠性，对生产过程中的非线性数据进行预测分析成为一种有效手段。为了提高时间序列数据预测准确性，提出基于非线性归一化最小均方算法(LMS)的三阶Volterra自适应滤波器预测算法。首先针对时间序列数据的预测问题，利用有限项记忆单元的三阶Volterra级数对复杂系统运行数据进行预测。针对权重初始值会严重影响预测效果的问题，采用LMS自适应滤波算法对滤波器系数进行在线更新，对未来时刻的数据进行预测。最后利用联合循环发电厂数据对该预测算法进行实验，火电厂运行数据的预测值和实际观测值之间的误差很小，说明基于LMS的三阶Volterra自适应预测算法具有较好的预测效果，能够为实际的预测及控制提供有利的依据。