基于神经网络的汽车防抱死系统故障模式识别

汽车故障诊断需要采集汽车各系统动态信号,对采集信息进行分析处理,确认其是否属异常表现,预测故障发展趋势。提出了一种采用BP神经网络获得对ABS故障模式识别预测的方法,采用BP算法对故障样本进行分类,通过对故障实例的训练和学习,提高了ABS执行器与传感器发生故障时的行为模式识别与诊断的能力。仿真结果表明了该方法的有效性。     

L-M神经网络的磨削淬硬参数预测

针对基于传统BP算法的神经网络训练中收敛速度较慢的缺点,提出一种基于L-M(Lev-enberg-Marquardt)算法的磨削淬硬层厚度预测,并开发了基于L-M算法的磨削淬硬神经网络预测系统.仿真结果表明:该系统模型显著缩短了训练时间,具有较高的准确性.通过网络训练和网络检验,得出该神经网络系统的预测值与实测值十分接近的结论,可充分证明L-M法BP神经网络对于磨削淬硬参教预测具有很好的效果.     

BP网在摩擦学系统建模和预测应用中的研究

本文在分析了摩擦学系统特点以及在BP神经网络的结构的基础上，采用BP神经网络对摩擦学系统进行了建模和预测，通过对结果的分析，给出了这种神经网络在不改变隐层节点数和训练精度的条件下，来提高训练速度和拟合精度的一种新的方法，并指出了要保证BP神经网络近似任意的连续非线性函数，其训练数据应具备的条件。它对BP神经网络在处理大数值的应用中，具有较大的指导意义。     

液压支架液压系统故障仿真与诊断技术研究

针对目前支架液压系统故障诊断中获取故障数据较难等问题,提出了一种基于故障模拟仿真的支架液压系统故障诊断方法。在分析支架液压系统工作原理和常见故障的基础上,利用AMESim软件对其常见故障工况进行模拟仿真并采集样本数据,采用BP神经网络的故障诊断算法通过MATLAB软件进行故障仿真训练和诊断测试。结果表明,该方法具有较高准确性和可靠性,达到了预期目标,可用于支架液压系统的故障诊断,并为进一步开展支架液压系统智能故障诊断和健康监测奠定了研究基础。     

基于BP神经网络混凝土泵车臂架故障预测研究

针对混凝土泵车臂架结构复杂,故障频繁发生的特点,提出了一种基于BP神经网络臂架故障预测方法。臂架在工作过程中,工况参数的不同直接影响到臂架关键点应变大小。基于此,引入BP神经网络,选取臂架倾角、臂架加速度作为输入量,臂架应变作为输出量,构建了3层BP神经网络模型。通过构造试验方案获取样本数据,随机选取训练集、测试集,利用MATLAB工具对BP神经网络进行训练和验证,并对臂架故障进行了预测。实例验证了BP神经网络对臂架故障预测方法的可行性,该方法的提出相对于传统的现场监控方法更简便,并为臂架工况参数的选择提供了基础支持。     

基于BP网络与XGBoost的质量控制方法研究

针对智能工厂中多特征少样本的海量质量数据与实时控制要求,首先设计了产品质量智能预测控制的集成结构;随后综合考虑BP网络在海量数据处理中较好的时效性,和XGBoost在多特征少样本数据处理中较好的灵活性和准确性,提出一种基于BP和XGBoost混合模型的产品质量预测控制方法;该方法先用BP神经网络对质量问题进行合格与不合格的二分类,然后将不合格质量集导入XGBoost模型中,并重复XGBoost的单模型调参,以此提高智能工厂中产品质量预测与控制的准确性与实时性。最后,通过实例验证了模型选型有效性。     

改进人工蜂群优化神经网络的短期负荷预测

准确的短期负荷预测能够减少发电机组停机备用和旋转备用,其预测效果直接影响电网的安全稳定和经济效益.针对BP神经网络初值敏感、易陷入局部最优的缺点,提出了一种改进人工蜂群算法优化BP神经网络的负荷预测方法.首先融合负荷数据与温度、湿度等天气数据并进行高斯滤波处理,再采用搜索位置更新实现人工蜂群算法的改进,利用其算法完成BP网络权值和阈值的优化,最后建立用于短期负荷预测的优化模型,并通过实例进行仿真验证.结果 表明:该改进预测模型与传统BP算法相比预测精度及收敛速度均有大幅提高,具备工程实用价值.     

BP神经网络信息融合的汽车载重测量方案

针对当前汽车载重量测量精度低的问题,;提出了基于BP神经网络信息融合算法的汽车载重测量方案。首先分析了现有的两种载重测量方法,即叠板弹簧形变量测量法和胎压变化量测量法,并分别建立了汽车载重量与叠板弹簧变化量、轮胎气压变化量的数学模型;然后提出了使用BP神经网络算法将这两种测量方法的测量信息进行融合;通过样本数据的训练,确立了BP神经网络三层网络拓扑结构和参数。设计了10组载重试验对此算法进行验证,结果表明基于BP神经网络信息融合的汽车载重测量方法可以有效地测量汽车载重,最大测量误差为0.91%。     

基于BP神经网络的物流预测方法

针对传统物流预测方法的局限性，研究了基于BP模型神经网络的物流预测方法，即依据历史数据建立BP神经网络对其进行训练形成物流预测模型。阐明了神经网络具有记忆、学习功能，能够很好地模拟物流发展趋势。大量预测结果的准确性表明基于神经网络的物流预测是一个行之有效的方法。     

基于GA-BP神经网络的刀具寿命预测研究

刀具的使用寿命对于刀具需求计划制定、刀具生产准备以及切削参数的设置等具有重要影响。为了准确预测刀具使用寿命,在BP神经网络中引入了一种新型遗传算法,提出了一种基于遗传算法优化的BP神经网络的刀具寿命预测方法。BP神经网络中的权值和阈值利用遗传算法进行优化处理,训练BP神经网络预测模型求得最优解。实验结果表明,基于GA-BP神经网络刀具寿命预测方法相比传统BP神经网络预测具有更高的寿命预测精度,为刀具需求制定、成本核算、切削参数的制定提供了理论依据。     

基于遗传算法优化的汽车主动转向控制研究

针对汽车线控主动转向行驶稳定性问题,对汽车线控主动转向的控制策略和控制方法进行了研究;并对汽车的动力学模型进行了建立及简化;利用遗传算法可以克服BP网络收敛速度慢和极易陷入局部极小值等特点,提出了一种基于遗传算法优化BP神经网络的线控转向系统。通过选择典型工况,利用Carsim和Matlab/Simulink联合仿真平台对不同的控制方法进行了仿真验证。研究结果表明,基于遗传算法优化的BP网络控制对汽车主动转向控制效果较好,能使实际横摆角速度对理想的横摆角速度实现很好的跟踪,并显著提高了汽车行驶稳定性。     

加工精度在线检测系统预行程误差预测与补偿

预行程误差的预测和补偿能够大大提高加工精度在线检测系统的测量精度.提出了一种基于BP神经网络的检测误差预测新方法,建立了一个基于BP神经网络的在线检测系统预行程误差预测模型,通过实验数据对该网络进行训练,并将训练好的神经网络应用到实际加工零件的误差预测和补偿.为了验证该方法的有效性,以一圆柱零件的圆度误差检测为例,对其加工精度的在线测量进行了预行程误差的预测与补偿,经与CMM检测结果的对比,说明了该方法的有效性.     

基于PSO-BP算法的动态空调负荷预测建模

根据空调负荷的非线性特点,提出了一种基于粒子群算法优化误差反向传播(BP)神经网络的空调负荷预测方法,针对BP网络训练容易出现麻痹和易陷入局部极值,以及其预测空调负荷时精度不够理想等现象,将粒子群算法的随机全局优化和梯度下降局部优化结合,达到改善神经网络泛化能力和提高空调负荷预测精度的目的。用该方法对的空调系统冷负荷与室外空气的干球温度、含湿量和太阳辐射照度的关系进行建模和预测,通过实例验证了该优化算法优于BP网络,能更加有效地处理动态空调负荷中的非线性问题,获得更可靠的预测结果。     

基于Pearson关联度BP神经网络的时间序列预测

针对BP神经网络存在的过拟合问题,提出了基于Pearson关联度的神经网络预测模型。将传统的基于误差反向传播的BP神经网络中的误差函数替换为Pearson关联度函数,利用梯度上升法对训练过程中神经网络的连接权重和阈值的调整量进行了推导,并为调整量添加了动量项用于提高神经网络收敛速度,然后建立了关联度反向传播预测模型,并对其权重进行了阈值限制以及增加学习率来防止过拟合。对通用数据集进行时间序列预测实验,通过与改进的RBF和BP神经网络对比,表明对于多因素时间序列的预测Pearson关联度BP神经网络的预测误差精度RMSE降低了4.02,收敛次数减少1 690代。实现了将关联分析与BP神经网络的结合,能够在保证效率的同时,解决过拟合问题,提高预测精度。     

基于遗传算法优化的BP神经网络在粗糙度预测上的应用

针对BP神经网络预测工件表面粗糙度精度不高的问题,提出了一种基于遗传算法优化的BP神经网络预测方法。首先用遗传算法对BP神经网络的初始权值、阈值进行全局寻优,然后对优化的BP神经网络进行训练、预测。通过MATLAB进行了粗糙度预测仿真验证。结果表明:优化的BP神经网络比未优化的BP神经网络具有更高的预测精度。     

基于GA-BP神经网络系统的滚珠丝杠热误差建模

滚珠丝杠是数控机床进给系统的关键部件,其热变形影响机床的定位误差。为提高数控机床的精度,提出一种基于GA-BP神经网络的热误差预测方法。以TX1600G镗铣加工中心进给系统的滚珠丝杠为研究对象,运用有限元法对丝杠进行热特性分析,并据此获得其温度和热误差数据。针对BP神经网络模型训练时间长,容易陷入局部极值等缺点,运用遗传算法优化BP神经网络的阈值和权值,并建立滚珠丝杠的热误差预测模型。通过MATLAB完成仿真实验,结果证明,GA-BP神经网络模型比BP神经网络模型拟合性能更好,预测能力更强。     

改进粒子群优化BP神经网络短期负荷预测研究

为了提高短期电力负荷预测的准确性,提出了一种改进型粒子群优化BP神经网络预测模型。在改进的粒子群每次迭代过程中求出种群平均适应度值,并将每一粒子适应度值与种群平均适应度值比较,当粒子适应度值劣于种群平均适应度值时,对其空间位置初始化处理,随机生成新的位置,当粒子适应度值优于或等于种群平均适应度时,保持位置不变,通过此种方式,保留了种群中优良粒子,在搜索空间不断缩小的后期拓展了搜索空间,保持了种群多样性,利用改进的粒子群算法优化BP神经网络的初始参数,再将训练样本训练BP神经网络求得最优参数。将此模型应用到河南省某地区短期电力负荷预测中,结果表明此种方法有效提高了预测精度。     

基于BP神经网络的超声表面波定量表征金属表层裂纹深度研究

针对超声参量-目标特征经验拟合方法预测金属表层裂纹深度准确性不高的问题,提出一种基于差异性与最小集合原则优选特征并训练BP神经网络的金属表层裂纹深度的声表面波(SAW)定量表征技术。该技术运用有限元法模拟激光激发SAW过程,提取裂纹引起的反射与透射SAW峰值、平均值等多个特征训练BP神经网络用以预测裂纹深度,实现不锈钢表层深度0. 1～2. 0 mm的20组开口裂纹定量表征。模拟结果表明:裂纹深度预测结果相对误差在3%以内,与经验拟合曲线预测结果相比,准确率提高60%以上。实验采用5 MHz表面波探头采集不锈钢试样表层深度1. 0与1. 5 mm预加工裂纹各20个反射波信号,通过BP神经网络预测的裂纹深度相对误差在0. 1%以内,验证了定量表征技术的可行性与准确性。     

BP神经网络用于大气中颗粒物(TSP)预测的研究

通过对BP神经网络的构造分析,采用网络构建、初始化、训练等一系列步骤,形成网络预测系统.针对1999年至2001年的杭州市区大气中颗粒物(TSP)实测数值及大气环境数据,通过构建并选用合适的BP神经网络进行训练,结果表明BP神经网络用于大气污染的预测是可行的.     

基于GA-BP神经网络的钣金折弯过程随动预测模型

提出一种利用GA-BP神经网络预测钣金折弯过程中折弯机器人机械臂末端夹持点轨迹模型的方法。通过钣金折弯实验与ANSYS仿真对比,得到最佳的仿真条件;使用参数化建模,针对不同的影响因子如钣金材料的弹性模量、屈服强度、强化系数和钣金件及上下模几何形状等,进行批量化仿真获得模型训练数据;通过对BP神经网络训练建立折弯随动模型,并引入遗传算法对BP神经网络的初始权重和阈值进行优化,解决BP神经网络存在的过拟合和局部最优问题;通过测试集进行验证评估,结果表明该折弯随动模型相对误差在0.4%以内,可满足常规折弯工艺的应用需求。