基于BP和RBF神经网络的稀土合金铸铁腐蚀深度预测

通过动态质量损失法腐蚀试验获取样本数据,利用MATLAB的工具箱函数分别建立了稀土合金铸铁碱腐蚀深度的BP和RBF神经网络预测模型,并对两种网络模型的结构、预测精度和训练过程进行对比研究。结果表明,在样本集和训练条件下,BP和RBF神经网络的预测相对误差在10%以内,解决腐蚀时间、合金铸铁主要合金成分与腐蚀深度之间的非线性映射关系,可满足工程预测需要,为制碱工业的防腐蚀技术提供了新途径。但RBF神经网络的预测能力和泛化能力优于BP神经网络,且较BP神经网络具有迭代次数少、收敛速度快和网络结构简单等优势。     

基于BP神经网络的铸机故障诊断系统研究

为提高铸机故障诊断能力,设计利用BP神经网络实现故障与特征的非线性映射方法。在该映射关系中,分析了BP网络故障诊断思路,并以搬运机械手为例,通过BP神经网络对其网络控制、液压驱动、回转及行走配合过程中的故障进行诊断。通过分析表明,BP网络能解决复杂装备诊断困难等问题。     

基于BP神经网络的成形铣刀的仿真验算设计

引用BP神经网络强大的非线性映射能力，将训练好的BP神经网络用于成形铣刀的仿真验算设计中进行数据修补处理，精度高、实时性强。本文介绍了这种数据修补的方法和全部过程，并用C语言编制了计算机仿真程序，实验得到了很好的数据修补效果。     

机械手轨迹规划中的BP神经网络方法及仿真

机械手轨迹规划就是控制机械手使之精确地跟踪目标轨迹。文章是在关节空间中进行轨迹规划,将路径点映射成各关节变量角度值,然后对每个关节拟合一个时间函数,此函数往往是高阶的、非线性的。而BP神经网络可以实现从输入到输出的任意非线性映射,能够通过网络学习训练达到逼近非线性函数的目的。文章先建立了一个BP神经网络模型,然后通过Matlab进行仿真,验证了BP神经网络对机械手的非线性运动轨迹的实时性控制的可行性。     

基于BP神经网络的数控超声加工性能研究

采用正交试验方法对数控超声加工效率进行了分析,建立了数控超声加工效率BP神经网络模型,并对所建模型进行了仿真验证.验证结果表明,该模型预测的工艺参数"加工效率"与实测值具有很好的拟合关系,在此基础上拓宽了各因素水平的取值,利用神经网络的非线性映射能力仿真了各参数对加工效率的影响.     

神经网络的BP算法研究高速钢轧辊的热处理工艺

材料的处理工艺和性能之间具有很强的非线性关系，人工神经网络是解决非线性映射关系的一种有效的方法。本文以离心铸造高速钢轧辊的热处理工艺与性能的关系为研究对象，以人工神经网络中的BP算法为基础，借助MATLAB工具设计出具有预测高速钢轧辊性能的网络模型，训练后的网络模型对高速钢轧辊的硬度进行预测，得到了较好的效果。     

人工神经网络技术在成形模具表面激光强化中的应用

基于人工神经网络基本理论，建立在成形模具表面激光强化中预测材料表面最高温度、强化效果的BP网络模型，借助于MATLAB仿真软件中的神经网络工具箱作为开发平台，将试验样本数据和经过试验验证的数值计算结果作为补充的样本数据用于BP网络的训练，利用训练好的BP网络对非线性的样本数据规律进行拟合，实现激光加工工艺参数的优化，为实际生产和加工提供有效的依据。     

基于CAE和BP网络的注射成型质量预测

在数值仿真和实验设计方法获得的样本数据基础上,利用BP网络在并行计算和数值逼近上的优势,获得了工艺参数与各质量指标的非线性映射关系,进而实现了在工艺因素变化情况下能快速、方便地预测出注射成型的质量。研究表明,在误差许可的范围内,经训练的神经网络模型可以实现对制品质量的正确预测,预测模型也可直接用于指导企业的在线生产或优化。     

滑动轴承材料摩擦因数预测的2种方法

在对多元非线性回归模型和BP网络模型分析的基础上，将幂函数曲线回归模型和Baysiane规则化BP网络对滑动轴承合金材料的摩擦因数进行预测比较，分析了2种方法的预测效果不同的原因，并针对滑动轴承材料摩擦因数预测给出了以全样本进行训练的Baysiane规则化BP网络的结构。     

泥化夹层错动带残余强度的人工神经网络

应用人工神经网络理论，采用对实例样本的学习方法，建立了泥化夹层错动带残余强度与其各种影响因素之间的内在联系－高度非线性的网络映射。用学到的知识（网络映射）预测新的泥化夹层错动带的残余强度，获得了较高的精度。实际的应用表明，与传统的方法相比，神经网络方法有其许多优点，为预测泥化夹层错动带的残余强度提供了一条新的更强有力的途径。     

改进粒子群优化BP的数控机床热误差预测研究

由于BP存在网络结构选取基于经验、易陷入局部最优、收敛速度慢等缺陷,致使基于BP的数控机床热误差预测模型精度不高,对此提出了一种改进粒子群优化BP的数控机床热误差预测建模的新方法。通过改进标准粒子群算法中粒子的位置与速度更新策略,以此寻找BP神经网络最优的阈值和权值,在此基础上建立数控机床热误差预测模型。仿真实验结果表明:与标准的BP神经网络和支持向量机相比,改进粒子群优化BP神经网络的数控机床热误差预测模型精度更高、泛化能力更强。     

BP神经网络在流量比值控制系统中的应用

针对在PCT-2型过程控制装置进行流量比值控制时,PID参数难以整定的问题,提出了一种基于神经网络自适应的PID流量比值控制方法.该算法利用BP神经网络的非线性表示能力,通过系统的自学习来实现具有最佳组合的PID控制.这种方案达到了在线实时控制的目的.实验表明:在流量比值控制系统中,基于BP神经网络的PID控制算法比普通PID控制算法具有更好的动态性能和鲁棒性,能取得很好的控制效果.     

基于多层前馈BP网络的非线性逆系统自学习控制

提出的基于神经网络的非线性逆系统自学习控制方案运用逆动力学的基本思想，在系统模型未知的情况下，构造了神经网络一致的控制器和辨识器。运用自适应变步长冲量BP学习算法实现了网络辨识器对系统逆动力学模型的动态辨识，并通过网络辨识器向网络控制器在线动态传递更新权值的方法使神经网络控制器产生期望控制量。使得整个神经网络控制系统具有了自学习、自适应的控制能力。     

数控伺服进给系统中的非线性预测控制

在分析数控加工过程中进给伺服系统的非线性摩擦力因素的基础上，提出了位置环非线性预测控制器设计方案。该控制器采用了RBF神经网络实现预测模型及其在线校正，黄金分割法进行滚动优化计算。并在Matlab环境下进行了仿真，实验结果表明，预测控制器能有效地改善系统控制质量，抑制非线性摩擦力带来的不利影响。     

气动比例位置系统的辨识及仿真研究

针对气动比例位置系统的非线性特点，本文提出采用BP网络和RBF网络对系统进行辨识，同时进行了辨识的仿真研究，结果表明神经网络用于系统辨识是可行的和有效的。     

基于BP神经网络摆式列车倾摆控制系统的辨识

针对摆式列车倾摆控制系统的特点，把人工神经网络的基本原理应用于摆式列车倾摆控制系统，在倾摆控制系统的神经辨识网络中应用BP算法对系统进行辨识，通过学习对系统进行建模。仿真结果表明：所采用的辨识网络能够对倾摆控制系统的动态特性进行有效的辨识，可以解决倾摆控制系统中的非线性问题。     

基于BP神经网络的开关磁阻电动机转矩脉动控制

针对平均转矩控制的开关磁阻电动机（SRM）转矩脉动大的问题，提出了一种瞬时转矩控制的方案。首先在实测SRM静态转矩特性的基础上，基于Levenberg—Marquardt算法的BP神经网络建立了SRM转矩逆模型。该模型网络规模小，便于实时控制。然后基于转矩分配函数的瞬时转矩控制，通过优化电流波形，实现了减小转矩脉动。仿真结果验证了该控制方法的有效性。     

一种新型全液压矫直机多神经元PID伺服控制器设计与研究

针对当前普遍常用的BP神经网络算法的缺陷,即反传算法复杂,收敛速度慢,在解决一些复杂多变非线性及系统多耦合问题时,网络权值收敛局部极小点,导致网络训练失败,反传算法权值迭代出现畸形变化问题。虽然神经网络控制器在软件仿真中运行结果都能满足要求,但是在实际的现场工程应用中很难适应复杂工业现场所要求的控制快速性和及时性。针对以上缺陷,提出了一种新型的多神经元PID神经网络算法,其原理是通过简化PID神经元网络控制器,改善其权值初始化来达到新型多神经元PID控制器控制过程的快速性和响应的及时性,将其应用到全液压矫直机四缸伺服控制器。通过将传统神经元网络控制器和文中所研究的新型多神经元PID控制器位移响应曲线对比分析,该新型多神经元PID伺服控制器具有反传算法大为简化、收敛速度快、网络权值灵活性好、实时性等优点,为多神经元PID控制器的工程化应用提供了理论支持。