基于循环神经网络的腐蚀速率预测

采用循环神经网络(RNN)对腐蚀探针的监测数据(90%)进行训练,建立了管道腐蚀速率预测模型,并利用剩余的10%监测数据对模型的有效性进行了验证。结果表明：基于RNN建立的腐蚀速率预测模型能准确地预测出管道的腐蚀速率,预测值与监测数据的均方误差为0.008%,该方法可以为管道的腐蚀监测提供预警信息。     

基于深度卷积神经网络的轴承多故障诊断研究

针对现有研究轴承单一故障较多而研究复杂多故障较少的不足,结合卷积神经网络自动提取特征的特性,文章提出较为先进的无需人工提取故障特征的端到端深度卷积神经网络方法进行轴承多故障诊断。与基于人工提取故障特征的神经网络故障诊断方法相比较,该方法提高了轴承多故障诊断的精度,并有效区分故障发生位置,可为工业应用提供可靠的理论实验依据。     

基于深度卷积网络的多工况寿命预测方法研究

机电设备的寿命预测是状态维修中的一项重要任务,目前在多工况条件下的机电设备寿命预测效果并不理想,为了更好的预测多工况条件下的设备剩余寿命。文章对现有的涡轮风扇发动机开源数据集进行了研究,提出了一种新的多工况深度卷积神经网络模型(MC-DCNN)来估计剩余寿命。将原始数据输入文章提出的MC-DCNN模型中,模型输出不同工况下的设备剩余寿命。该模型能更好的预测多工况设备的剩余寿命,在实际生产中也更有价值。最后通过对公开数据集进行实验,并与现有的模型进行分析对比,证明该模型的有效性。     

基于序列深度学习的数控机床热误差建模与预测方法

为提高数控机床热误差预测的准确性和适应性,提出一种基于序列深度学习网络的数控机床热误差建模和预测方法。提出一种基于LSTM的序列深度学习预测网络,构建包含历史序列数据的动态数据矩阵为模型输入;通过截断式训练方法降低深度预测网络中每项参数更新的复杂度,利用序列深度学习网络自动提取温度时间序列的时空特征,准确表征温度序列信号与热误差之间复杂的映射关系,采用Softmax输出层对热误差进行准确预测。实验结果表明：该方法解决了传统浅层方法因未考虑历史序列数据对当前输出的影响而存在的预测精度不高、鲁棒性差等问题,将热误差预测的均方根误差降低到2.5 μm以内,优于传统的SVM和BP等浅层神经网络预测方法,为数控机床热误差补偿提供了参考。     

基于深度卷积神经网络的滚动轴承迁移故障诊断

针对滚动轴承故障诊断中故障样本不足、诊断精度与诊断效率不高的问题,提出一种基于深度卷积神经网络的滚动轴承迁移故障诊断方法。首先,通过VMD对原始振动信号进行分解,利用中心频率法确定分解个数k;其次,按照最大峭度准则筛选出最佳固有模态函数(intrinsic mode function, IMF),并对其进行连续小波变换(continuous wavelet transform, CWT)生成时频图;最后,将预处理过的时频图输入到在ImageNet数据集预训练过的深度残差网络(residual network, ResNet)模型中微调,实现故障分类识别。在某大学公开轴承数据集和题课组数据集上验证,测试精度分别达到99.60%和100%,可有效实现滚动轴承故障诊断。     

基于改进深度学习的光伏电池膜厚预测

针对光伏电池片PECVD镀膜工艺中,对膜厚的检测成本高、难度大、效率低的问题,在BP神经网络的基础上,提出了一种基于改进深度学习的光伏电池片膜厚预测方法。首先,在图像信息采集阶段,设计色深值搭建色相H和亮度L之间的函数关系;在数据处理阶段,对图像数据做归一化处理,达到简化计算的作用,提升了模型的性能;在神经网络训练阶段,采用Tanh函数作为激活函数,使优化过程更容易,提高了函数的收敛速度;使用LM算法作为网络的训练函数,能自适应地调整收敛速度,提高训练过程的稳定性,使模型能够更精确地完成回归任务;增加动量项以减少深度学习训练时的振荡趋势,提高模型预测过程的稳定性。实验结果表明,相比于传统的BP神经网络,改进后的模型迭代次数减少了8次,膜厚预测的准确率提高了12.9%,平均误差降低了1.558 nm。最大误差控制在了4 nm以内,满足大部分光伏电池片生产的膜厚检测需求。     

基于Hopfield神经网络的板形预测控制模型

将Hopfield神经网络建模方法与预测控制思想相结合用于带钢板形自动控制,建立了基于Hopfield神经网络的板形的模型算法预测控制系统数学模型。模型经仿真验证表明能较好地跟踪目标值,并具有较强的抗干扰能力。     

基于深度神经网络的TA15高温拉伸变形行为精确预测

通过不同温度(760、810、860和910℃)和不同应变速率(0.01、0.1和0.5s-1)下的等温拉伸实验,研究了TA15钛合金板材的拉伸变形和软化行为.为了对TA15钛合金的高温拉伸变形行为实现精确预测,建立了基于深度神经网络(DNN)的TA15钛合金高温拉伸本构模型.结果 表明,DNN模型能够准确地预测TA1...     

基于局部分类器和深度神经网络的遥感图像分类

深度学习方法作为大数据自动分类工具时表现出较高的性能,但是在处理遥感图像任务时(比如图像分类问题)表现出效率较低。为此,提出一种新的基于局部分类器和深度神经网络的遥感图像分类算法。首先从原始图像中提取多个局部特征,并将这些特征输入给用于判决的深度神经网络,然后按照分配给图像标签对每个局部特征进行分类。最后根据简易的投票方法判决整体图像的结果。利用WorldView2 高分辨率卫星遥感影像数据进行了分类实验,结果显示：提出的方法优于其他分类方法具有较好的分类准确性和分类效率。     

基于铝电解过程的神经网络模型预测控制的应用研究

铝电解过程是一个复杂的非线性、时变和大时滞的工业过程体系,采用常规的控制方法,很难达到良好的控制效果。本文提出了一种基于铝电解过程的神经网络模型预测控制算法,建立了神经网络预测模型,将神经网络和模型预测控制算法相结合,实现了铝电解过程的最优控制。仿真结果表明:神经网络预测模型的输出能够很好地跟踪铝电解生产过程,其预测效果好,该预测控制方法可以使系统很快地达到稳态,具有很好的响应特性和鲁棒性。     

Adaptive prediction system of sintering through point based on self-organize artificial neural network

1　ＩＮＴＲＯＤＵＣＴＩＯＮＩｎｓｉｎｔｅｒｉｎｇｐｒｏｃｅｓｓ ,ｏｐｔｉｍｉｚｅｄｏｐｅｒａｔｉｏｎｍａｉｎｌｙａｉｍｓａｔｉｍｐｒｏｖｉｎｇｔｈｅｓｉｎｔｅｒｑｕａｌｉｔｙ ,ｙｉｅｌｄａｎｄｓｔａ ｂｌｉｎｇｔｈｅｐｒｏｃｅｓｓ .Ｔｈｅｐｏｉｎｔａｔｗｈｉｃｈｔｈｅｍｉｘｂｅｄｂｕｒｎｅｄｔｈｒｏｕｇｈｃｏｍｐｌｅｔｅｌｙｉｓｃａｌｌｅｄｂｕｒｎｉｎｇｔｈｒｏｕｇｈｐｏｉｎｔ(ＢＴＰ) ,ａｎｄｔｈｅｓｔｒａｎｄｏｐｅｒａｔｉｏｎｖａｒｉａｂｌｅｓａｒｅｍａｉｎｌｙｄｅｔｅｒｍｉｎｅｄａｃｃｏｒｄ…     

在数值模拟基础上利用神经网络进行缺陷预测

利用体积可压缩的刚塑性有限元法,对多孔体材料镦粗成形过程进行了数值模拟计算,并结合Ｌｅｅ－Ｋｕｈｎ提出的极限压缩应变准则得到了坯料鼓形表面出现裂纹的一系列极限参数。     

基于人工神经网络的拉形回弹预测技术研究

以蒙皮拉形为对象,探索了人工神经网络技术在拉形回弹预测中的应用。研究了利用神经元网络预测拉形回弹的关键技术,将人工智能技术和拉形数字仿真技术有机结合,建立了拉形回弹预测的人工神经网络模型,并验证了预测模型的有效性,为推动知识工程在飞机板金精密成形中的应用积累了经验。     

人工神经网络在焊缝形状预测中的应用现状与发展趋势

介绍了近年来国内外人工神经网络技术应用于焊缝形状预测的研究现状,并指出了今后的发展趋势。     

轧钢机力能参数神经网络预测

在分析轧机轧制过程中的力能参数的基础上 ,测量并计算了 50 0 mm轧机的轧制力。探讨了用神经网络模型确定轧制力的方法 ,预测了轧制力 ,并将三种方法得到的轧制力进行了比较。结果表明用神经网络模型预测的轧制力误差远小于基于传统数学模型计算的轧制力误差 ,它能较好他反映实际轧制过程的特征。     

基于遗传算法的间接自校正模糊神经网络控制

针对一般神经网络训练算法训练速度慢和易陷入局部极小点的不足,文章提出了一种基于模糊神经网络的间接自校正控制系统,控制器是以高斯函数为隶属度函数的径向基函数(RBF)神经网络结构,利用改进的遗传算法(GA)对结构和参数进行同步优化.神经网络模型(NNP)利用弹性BP算法进行离线辨识.仿真与传统的模糊PID控制器控制进行比较,结果表明遗传算法大大改善了系统的性能.     

无模拉拔过程中金属线材直径的BP神经网络预测模型

利用Matlab软件建立了无模拉拔成形过程中金属线材直径的BP神经网络预测模型,通过实验验证了网络模型的可靠性。网络预测值与实测值之间的平均相对误差为0.52%,最大相对误差为2.42%,具有较高的预测精度。将所建模型用于无模拉拔成形过程中线材尺寸的在线控制,具有明显效果,在较大程度上减小了线材直径沿长度方向的波动。     

基于RBF神经网络的电火花线切割加工工艺建模方法研究

根据电火花线切割加工过程的复杂性和随机性，在样本数据的基础上采用径向基函数(RBF)神经网络建立，实现在指定加工条件下的工艺效果预测，并进一步建立电火花线切割加工的优化模型和工艺效果仿真系统。     

基于BP网络的热连轧粗轧宽度预测模型

为了提高粗轧宽度的设定精度,采用BP神经网络方法代替传统数学模型进行热带钢连轧粗轧机组宽度预报,并进行了不同方案的比较研究,结果表明,BP神经网络的预测精度优于传统数学模型方法,预测值与实测值的标准差减小了87．3％。     

基于正交试验和神经网络的激光拼焊板回弹预测

准确预测和有效控制拼焊板成形回弹,研究各因素的影响及其交互作用具有重要意义。以U形件拼焊板为研究对象,通过数值模拟、正交试验和神经网络相结合的方法,考察多个工艺参数对拼焊板回弹的交互作用,建立拼焊板回弹的BP神经网络预测模型,对U形件拼焊板的回弹进行预测和控制。结果表明,板料参数、焊缝位置、压边力、模具间隙、凹模圆角等均对拼焊板回弹有重要的影响,并存在交互作用;建立的BP神经网络模型能很好地预测U形件拼焊板在各参数影响下的回弹变化趋势,和给定一组工艺参数下的拼焊板回弹量,为拼焊板的回弹控制提供了可靠的依据。神经网络技术在拼焊板回弹预测中的应用,为拼焊板成形优化研究提出了新思路。