基于堆叠降噪自编码的刀具磨损状态识别

提出了一种基于堆叠降噪自编码（SDAE）的刀具磨损状态识别方法。构建了SDAE神经网络来学习声发射（AE）信号的特征,并对自编码网络进行有监督的微调,从而对刀具磨损状态进行精确识别。实验结果表明,SDAE方法能够自适应地学习,得到有效的特征表达,且刀具磨损状态识别结果精确度高,该方法能够有效地进行刀具磨损状态识别。     

数控机床刀具磨损的振动监测法

在分析小波理论及BP神经网络的基础上,进行了刀具磨损试验研究。在时频域对刀具磨损状态的特征信号进行提取和分析,获得了反映刀具磨损状态的特征信号。将此刀具磨损特征量作为BP神经网络的输入样本对网络进行学习训练,完成对刀具磨损状态的有效识别。实验结果表明该方法是有效的。     

采用小波神经网络的刀具故障诊断

为了有效的进行刀具状态监测，采用小波神经网络的松散型结合对刀具进行故障诊断。通过小波变换提取刀具磨损声发射（AE）信号的特征．即对AE信号进行小波分解，提取了5个频段的均方根值作为神经网络的输入，来识别刀具磨损状态。试验表明，均方根值完全可以作为刀具磨损过程中产生AE信号的特征向量。仿真结果表明，基于小波神经网络的刀具故障诊断对刀具磨损状态的识别效率高．该方法是有效的。     

多传感器刀具状态监控系统

介绍一个多传感器、多特征量的刀具状态监控系统。以声发射、功率监控和改进的神经网络技术，借助刀具监控软件，识别刀具切削工作的正常和失效状态。软件有信号采集、特征提取、网络训练回忆以及监控等功能，可实现离线和在线监控。并以离线控制试验为实例，考核该系统识别刀具状态的可靠性。     

基于差分进化小波神经网络的刀具磨损状态识别

提出应用小波神经网络进行刀具磨损状态识别的方法,给出了具体的识别流程。构建了小波神经网络,并实现了差分进化对网络参数的优化。通过检测加工现场的切削力和切削声音信号,将其进行信号处理后作为小波神经网络的训练样本,将差分进化应用于小波神经网络结构和参数的优化中,最终实现刀具磨损状态的识别。仿真结果表明差分进化小波神经网络能够有效避免神经网络不收敛的缺点,提高学习速度,采用差分进化小波神经网络进行刀具磨损状态识别,具有较高的诊断精度和效率。     

基于小波神经网络的切削刀具状态监测

提出了一种基于小波神经网络的切削刀具状态监测方法，即提取反映刀具磨损状态的特征参数，利用小波神经网络的非线性模型，实现在线状态监测；同时针对多输入输出问题带来的网络规模大、收敛速度慢等问题，提出了一种网络优化算法，即采用改进的遗传算法寻找最优小波基元，从而简化小波网络并加快收敛。仿真实例证明该方法是有效的。     

多尺度卷积胶囊网络在刀具破损监测中的应用

刀具状态监测是实现加工过程智能化的关键技术之一,其状态直接影响到工件的表面质量和加工效率。在切削加工过程中刀具的细微崩刃不易察觉但却对工件表面质量影响较大,针对该问题提出了一种基于多尺度卷积胶囊网络的方法实现刀具破损状态监测。首先通过采集振动信号来表征刀具的状态,然后在模型中通过多尺度卷积层初步提取信号特征,随后将特征胶囊化输入胶囊层中进一步挖掘特征中的隐藏信息,最终通过分类层识别刀具在不同切削参数下是否发生细微崩刃。实验结果表明,该方法能够在噪声环境中准确识别不同切削参数下切削刃是否微崩,并且识别精度优于卷积神经网络（Convolutional neural network, CNN）和宽核卷积神经网络（Convolution neural network with wide first-layer kernels, WDCNN）。     

一种基于小波网络的切削刀具故障监测

提出了一种基于小波神经网络的切削刀具故障监测方法，即提取反映刀具磨损状态的多源特征参数，利用小波神经网络的非线性模型和学习机制，实现在线状态监测；同时针对故障诊断的多输入输出问题带来的网络规模增大、收敛速度慢等问题，提出一种网络优化算法，即采用尺度参数的自适应调整法及平移参数的寻优搜索法，寻找最优小波基元，从而简化小波网络并加快收敛，仿真实例证明了该方法的有效性。     

基于小波分析和神经网络的刀具磨损预测

提出一种基于多分辨率小波分析和BP神经网络的刀具磨损预测方法,采用多分辨率小波分析刀具不同磨损状态的切削力信号,提取其中增幅最大两个尺度上细节信号的能量和均方差作为BP神经网络的输入,通过自我识别法确定BP神经网络的最佳隐含层神经元数目,利用预先训练好的BP神经网络对刀具磨损状态进行预测。该方法能够建立刀具磨损状态与切削条件参数之间复杂的非线性函数关系,可实现一定切削条件下的刀具磨损状态预测。     

基于优化双向长短时记忆网络的刀具磨损状态识别

准确可靠地对刀具磨损状态进行监测和识别，有助于保证加工质量和加工效率。为提高刀具磨损状态识别精度，提出一种优化双向长短时记忆网络(NGO-BiLSTM)的刀具磨损状态识别新方法。NGO-BiLSTM核心思想就是通过北方苍鹰优化算法(NGO)对BiLSTM网络超参数进行自适应优化选取，从而解决BiLSTM网络超参数取值不同导致识别结果不稳定这一问题，进而提高BiLSTM的识别性能。通过刀具磨损状态识别实例对所提方法的有效性进行验证，结果表明：所提方法提高了识别精度，在5种评价指标上也是优于其它几种方法。     

Soft sensor modeling of chemical process based on self-organizing recurrent interval type-2 fuzzy neural network

This study introduces a novel self-organizing recurrent interval type-2 fuzzy neural network (SRIT2FNN) for the construction of a soft sensor model for a complex chemical process. The proposed SRIT2FNN combines interval type-2 fuzzy logic systems (IT2FLSs) and recurrent neural networks (RNNs) to improve the modeling precision. The Gaussian interval type-2 membership function is used to describe the antecedent part of the SRIT2FNN fuzzy rule, and the consequent part is of the Mamdani type with an interval random number. An adaptive optimal clustering number of fuzzy kernel clustering algorithm based on a Gaussian kernel validity index (GKVI-AOCN-FKCM) is developed to determine the structure of the SRIT2FNN and fuzzy rule antecedent parameters, and the parameter learning of SRIT2FNN used the gradient descent method. Finally, the proposed SRIT2FNN is applied to the soft sensor modeling of ethylene cracking furnace yield in a typical chemical process. Comparisons between the SRIT2FNN and conventional fuzzy neural network (FNN) and interval type-2 fuzzy neural network (IT2FNN) are made via simulation experiments. The results show that the proposed SRIT2FNN performs better than the conventional FNN and IT2FNN.     

一种基于模糊神经网络确定电火花加工条件的新方法

在电火花加工中,影响因素较多,难以确定最优加工条件。应用模糊神经网络确定电火花加工条件是一种新的尝试,它可以充分发挥模糊逻辑和神经网络的长处。为方便操作者决定粗加工最优加工条件,并提高表面加工效果和粗加工速度,本文提出了一种基于模糊神经网络自动确定和优化电火花成形加工中加工参数的方法。经实践证明,用该方法所确定的最优加工条件,能保证较高的粗加工速度,方便了操作者对加工条件的确定。     

基于模糊神经网络的规则学习

运用模糊神经网络 ,分别采取两种学习方法来对模糊控制器的规则样本进行学习优化 ,结果表明 ,运用聚类的思想 ,将模糊集合重新分组 ,先粗学后细学的方法比直接学习更先进 ,不仅能大大降低网络的复杂性 ,而且收敛速度更快 ,不易陷入局部极小。因此大大缩短了学习的时间。     

基于模糊神经网络的粉末冶金烧结炉温度控制

以工业生产中具有重要地位的粉末冶金烧结炉为研究对象,对其原传统控制方案进行分析,提出一种基于模糊神经网络的温度控制方案,充分利用模糊控制的推理性和神经网络控制的记忆和学习功能.仿真实验及现场测试结果表明,模糊神经网络用于粉末冶金烧结炉温度控制较原传统控制方案具有明显的优越性.     

基于DSP的无刷电机调速系统智能算法设计

基于模糊神经网络控制技术,本文设计了一种无刷直流电机的数字调速控制策略,该控制策略以二维模糊神经网络控制器为核心,结合了模糊控制和神经网络的特点,具有很强的模糊推理和自学习能力.根据该控制策略,设计了基于DSP的硬件电路,并进行了MATLAB的仿真,结果表明,采用模糊神经网络算法能取得令人满意的动静态性能,具有很强的鲁棒性和自适应性,为无刷直流电机的智能控制提供了新的理论依据.     

FUZZY NEURAL NETWORK CONTROL FOR VIBRATION WAVEFORM SYSTEM OF MOLD

Combining with the characteristic of the fuzzy control and the neural network control(NNC), a new kind of the fuzzy neural network controller is proposed, and the synthesis design method of the control law and fast speed learning algorithm of the parameters of networks are put forward. The output of the controller is composed of two parts, part one is derived on basis of the principle of sliding control, the lower order model and the estimated parameters of the plant are only required, part two is derived on basis FNN, it is used to compensate the uncertainties of the systems. Because new type of FNN controller extracts from the advantages of the intelligent control and model based sliding mode control, the numbers of adjusting parameters and the structure of FNN are simplified at large, and the practical significance and variation range are attached to each layer of the network and its connected weights, the control performance and learning speed are increased at large. The lightness of the conclusions     

飞行器发动机结构系统早期故障分类识别方法研究

在对飞行器发动机结构系统早期故障进行分析的基础上,提出应用小波变换、分形与模糊神经网络相结合的早期故障识别分类方法。该方法首先利用小波变换和分形技术对早期故障的微弱信号进行处理并提取早期故障信息,然后利用模糊神经网络(FNN)对早期故障特征信息进行聚类分析识别。实验结果表明,该方法是一种识别早期故障的有效方法。     

STUDY ON THE COAL-ROCK INTERFACE RECOGNITION METHOD BASED ON MULTI-SENSOR DATA FUSION TECHNIQUE

The coal-rock interface recognition method based on multi-sensor data fusion technique is put forward because of the localization of single type sensor recognition method. The measuring theory based on multi-sensor data fusion technique is analyzed, and hereby the test platform of recognition system is manufactured. The advantage of data fusion with the fuzzy neural network (FNN) technique has been probed. The two-level FNN is constructed and data fusion is carried out. The experiments show that in various conditions the method can always acquire a much higher recognition rate than normal ones.     

基于模糊神经网络的气体密封故障诊断

针对传统的依靠单一参数对密封状态监测的不足,利用模糊神经网络处理问题的能力,综合多种密封参数的信息,建立针对密封状态监测的模糊神经网络系统,提出基于模糊神经网络的故障诊断的方法。该方法确定泄漏量、端面温度、气膜厚度、阻封气泄漏量作为密封的监测参数,并确定各个参数的隶属函数;通过大量的历史数据、MAT-LAB模拟数据和专家知识分析得到各个特征参数值和修正值,建立5种密封状态的输出模式;通过隶属函数实现输入样本的模糊化;通过MATLAB编程来设计、优化神经网络结构,利用历史数据训练神经网络。通过实例分析验证了建立的模糊神经网络的实效性。     

基于正则化 AdaBound 的区间二型模糊 神经网络软测量建模

针对复杂化工过程中存在强非线性、多变量耦合、参数时变及大时滞等因素,导致监测变量软测量精度不高的问题,提 出了一种基于正则化 AdaBound 的区间二型模糊神经网络(RAIT2FNN) 软测量建模方法。 首先为了解决区间二型神经网络 (IT2FNN)结构难以确定的问题,提出了一种采用激励强度和相似度定义增长和删减指标的自组织产生规则的算法。 该算法利 用激励强度的大小决定是否产生规则,并根据相似度进行规则的删减从而确定了区间二型模糊神经网络的结构。 其次,本文提 出正则化和 AdaBound 相结合的算法对 RAIT2FNN 模型相关参数进行修正,使得不同参数具有有界的自适应学习速率。 最后将 RAIT2FNN 作为软测量模型应用于环己烷无催化氧化过程尾氧浓度预测问题中。 实验结果为测试时间为 0. 008 2,训练 RMSE 为 0. 018 2,测试 RMSE 为 0. 009 6,表明 RAIT2FNN 作为软测量模型具有预测及时且预测精度较高的优点。