基于神经网络的振动响应趋势预测研究

将Levenberg-M arquardt BP人工神经网络应用于复杂的非线性振动响应的趋势预测,避免了时序分析复杂的数据预处理、模型识别、参数估计和模型适用性检验过程。通过对样本预测效果的比较,全面考虑了网络的输入层、隐层和输出层的神经元节点数和各层之间的传递函数对预测精度的影响,引入Box-Cox变换改善了网络的收敛性并加快了网络的收敛速度,同时采用重复训练法来提高网络的稳定性和预测精度。预测实例表明,相比于传统的时间序列分析方法,这种预测方法能对振动响应的趋势进行更准确的预测。     

航空发动机振动趋势预测的过程神经网络法

提出一种基于过程神经网络思想的航空发动机振动趋势预测方法.利用过程神经网络具有输出函数对输入函数在时间上的聚合效应和非线性映射能力,预测方法的网络结构选择为9个输入节点,第2层和第3层各有9个隐层节点,1个输出节点,参数外推预测,将选取的振动历史数据分为学习样本和检测样本两组,学习样本用于网络训练,检测样本用于检验预测模型的精度.在相同条件下,与传统人工神经网络进行趋势预测比较,提高了网络训练速度,降低了预测误差.将所提出的预测方法应用到某型航空发动机的振动趋势预测中,预测结果与实际值的误差符合要求.     

BP神经网络用于风机振动报警时间预测

提取D350风机转子在一段时间内的水平、垂直和轴向振动值,以此为样本值,应用BP神经网络算法训练,然后预测D350风机的振动报警时间。预测结果表明与实际报警的发生时间非常接近。     

基于神经网络的滚动轴承振动预测

以神经网络与MATLAB实现理论为依据,提出了一种新的滚动轴承振动预测方法。这种方法根据轴承的加工质量试验数据,建立轴承振动预测的BP网络试验模型,在MATLAB开发环境下输入训练样本数据矩阵和目标矩阵。经过训练后,网络误差达到要求,预报结果的最大相对误差小于10％。     

基于改进BP神经网络的产品成本预测研究和实现

作为成本管理重要环节的产品成本预测是个非线性系统,目前还很难对其建立准确的数学模型.引入BP神经网络算法对产品成本进行预测,针对BP算法容易陷入局部最小的缺陷,提出了改进BP算法.根据产品成本的具体特征提取特征值并建立相应的神经网络,通过训练,网络具有较强的适应和学习功能,经测试表明,网络具有较高的预测精度,能够为企业生产运营提供可靠的依据.     

基于BP神经网络的重型数控机床定位精度预测

针对重型数控机床长距离进给系统定位精度不易测量的问题,选取纵向3段位移,根据国标规定每一段位移上确定目标位置点7个,采用激光干涉仪对3段位置定位精度进行测量,得到目标位置点的定位精度,利用3层结构的BP神经网络,预测全域范围的定位精度,精度最高可达10.04％.与实测结果对比分析,此方法可行.     

基于组合神经网络的柴油机振动信号预测

根据柴油机振动信号的特性，使其在相空间里重构，再应用组合神经网络，对柴油机振动信号进行拟合和预测。该组合神经网络是一个两级系统，第一级有两个神经网络的预报——一个多目标前馈网络和一个函数耦合神经网络，用模糊反向传播算法进行训练；第二级是由第一级产生的两个预测结果混合得到的组合模型，采用Karmarkar的线性规划算法进行训练。实际应用证明了该方法的有效性。     

基于改进PSO＿BP神经网络的干燥机可靠性预测

针对BP(Back Propagation)神经网络模型对谷物干燥机进行可靠性预测时,模型存在收敛速度慢和易陷入局部最优等问题,采用改进的粒子群算法对BP神经网络模型进行优化,建立PSO＿BP神经网络的谷物干燥机可靠性预测模型,并与BP网络模型和GA＿BP网络模型获得的MAERMSEMAPE指标进行对比。研究结果表明,采用改进的PSO＿BP网络模型预测时,与BP网络模型相比三项指标分别降低了0.051 8、0.047 9和28.04%;与GA＿BP网络模型相比,三项指标分别降低了0.000 4、0.000 2和0.61%,说明其具有更小的误差和较好的预测能力。为实现谷物干燥机可靠性精准预测提供方法和思路。     

基于BP神经网络的切削表面粗糙度预测方法

利用神经网络理论,提出一种利用BP神经网络预测切削表面粗糙度的方法。简单分析了粗糙度的影响因素及预测原理。介绍了BP神经网络的特点、原理、算法和公式。在对Matlab及其神经网络工具箱简要介绍的基础上,采用BP网络的方法对钢Q235材料粗糙度进行了训练、预测和分析。结果表明,该方法的预测误差小于3%。     

压电振动系统的神经网络建模和预测研究

本文应用MATALB／XPC实时仿真工具测量了贴有压电元件的复合材料薄壁结构的振动响应。并对其进行神经网络的离线建模和预测。比较了几种网络的优缺点。选择了引进外部反馈的前向BP网络作为非线性系统建模的方法，有望推广用于智能结构的健康监测和振动主动控制。     

基于FBG和BP神经网络的声发射定位方法

针对传统基于神经网络的声发射定位选择的样本不具有广泛代表性的问题,提出了基于光纤布拉格光栅(fiber Bragg grating,简称FBG)传感和反向传播(back propagation,简称BP)神经网络的声发射定位技术。该方法使用提取的窄带信号间时差作为样本,无需考虑损伤特性及波速对定位的影响,同时使用Levenberg-Marquardt(简称LM)算法训练样本,提高了BP神经网络的训练速度。在500mm×500mm的铝合金板上进行实验,声发射定位的平均误差为6.65mm,验证了该方法的有效性和准确性。     

基于改进BP神经网络的机械故障研究

BP网络易陷入局部最优和运算不稳定,提出附加动量下降法对其改进;通过改进BP与标准BP对旋转机械常见故障诊断进行对照分析,得出改进BP能够克服标准BP的固有缺陷。     

基于BP神经网络数控机床热误差建模的研究

热误差是影响数控机床加工的最大误差因素。采用变惯性因子粒子群算法优化BP神经网络的权值和阈值的方法对数控机床进行热误差建模,不仅可以克服基本BP算法收敛速度慢和易陷入局部极值的局限,而且精度相对较高,可以很好的提高BP网络的学习能力与泛化能力。仿真实验表明,变惯性因子PSOBP优化模型性能优于BP网络和标准PSOBP算法优化模型。     

基于BP神经网络的立铣加工振动快速预估

结合研制的立铣加工过程虚拟仿真系统和实验测量铣削力信号,训练并建立BP神经网络模型,快速实现铣削过程刀具-工件系统振动状态的预估.预估的振动结果与实验测量数据较为吻合,表明铣削虚拟仿真系统与神经网络技术的结合能够高效低耗地用于不同铣削加工条件下铣削振动状态的快速预估和加工过程监测.     

基于改进BP神经网络的SRM间接位置检测技术

文中提出了一种基于改进BP神经网络的开关磁阻电机间接位置检测的新方法.该方法构造了一个将权值变为参数可调函数的BP神经网络,经过训练,形成只有一个隐藏层的网络,实现电机电流、磁链与转子位置之间的非线性映射.通过对开关磁阻电机特有结构性质的分析,提出了一种减少样本数据的方法,从而节约计算时间.仿真结果表明,此方法简化了系统的复杂性,提高了检测精度,从而实现了开关磁阻电机位置的间接检测.     

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。     

基于改进BP神经网络的机器故障诊断技术研究

机器故障诊断技术进入智能化阶段,利用人工神经网络诊断故障模式的优势十分明显.传统BP神经网络存在收敛慢,容易陷入局部最小等缺陷,提出了基于批处理的变速率的BP求解方法.根据问题描述,改进了BP网络故障识别模型,并以拖拉机的减速箱为例,建立模型进行故障模式识别,比较改进BP与传统BP的误差曲线,论证方法有效.     

基于BP神经网络的锁模机构运行振动量的预测

利用BP神经网络建立吹瓶机锁模机构的运行参数的优化模型,通过BP神经网络模型结构的确定、BP神经网络模型的训练和BP神经网络模型的验证,预测出最优参数组合下锁模机构运行过程中的振动量,与现场实际测试结果进行对比,得到锁模机构的最优运行参数,节约资源,降低生产成本,指导实际生产。     

基于改进BP神经网络的连铸漏钢预报

针对传统BP神经网络在训练过程中存在收敛速度慢的缺陷,将LM(levenberg marquardt)算法引入到BP神经网络的训练过程,建立了LM-BP神经网络模型,并将其应用于连铸过程中的漏钢预报系统。结合某钢厂连铸现场历史数据对系统进行了测试,测试结果以96.15%的预报率及100%的报出率,验证了基于LM算法的BP神经网络连铸漏钢预报方案的可行性和有效性。