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。     

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。     

基于局部特征和深度神经网络的人脸性别判别模型研究

深度学习方法可以自动发现更佳数据以改善分类器性能。然而,在计算机视觉任务中,比如性别识别问题,有时候很难直接从整个图像进行学习。因此,提出一种新的基于局部特征和深度神经网络的人脸性别识别模型。首先,该模型从输入图像中提取数个局部特征,并将这些特征反馈给判别图像的深度神经网络,然后根据图像所属标签将每个局部特征分类。最后,使用简单的投票方案对整体图像进行判决。在FERET和CAS-PEAL-R1两个人脸图像资料库上进行了人脸性别分类实验,结果显示提出的方法优于其他深度学习方法,具有较好的准确性和稳定性。     

基于深度卷积神经网络的滚动轴承迁移故障诊断北大核心

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。     

基于人工神经网络的焊缝宽度预测

研究了用神经网络预测焊缝宽度的方法。首先对焊接质量检测系统的一些相关问题进行了研究,考虑了弧焊特性的提取、焊接质量的预报以及人工神经网络模型(ANN)的应用,设计了一个基于人工神经网络的焊接质量检测系统,给出系统的组成结构,ANN被用于预测焊缝宽度,建立了焊缝宽度预测的人工神经网络模型。为了验证建立的ANN模型的可行性,进行了仿真研究。仿真结果表明,所建立的ANN模型可预测焊缝宽度,基于人工神经网络的焊接质量检测系统是有效的。     

基于RBF神经网络的转炉炼钢终点预报

转炉炼钢终点温度和成分是转炉炼钢的控制目标, 它与吹氧量、铁水加入量等多个变量之间存在着严重的非线性关系, 且无法在线连续测量。作者提出了基于ＲＢＦ 神经网络的转炉炼钢终点温度及碳含量预报模型, 并结合某钢铁企业一座１８０ｔ 转炉的实际数据进行模型验证研究。结果表明, 该方法收敛速度快, 预报精度高。     

基于神经网络集成学习的冷连轧板形预测

为了实现对冷连轧带钢出口板形的预测,基于粒子群算法对小波神经网络进行了优化,将优化后的网络作为基学习器,并通过bagging算法构建集成学习预测模型,进行冷连轧带钢板形的预测.以某1 450 mm冷连轧生产线数据作为样本,比较了该模型与未经优化的小波神经网络和单个学习器的预测效果.结果表明,集成学习模型预测的带钢出口板...     

基于神经网络和自适应残差补偿的炼铜转炉吹炼终点预报模型

讨论了权值初始化、变量的预处理、学习过程参数的自适应调节、网络拓扑结构等因素对学习和推广的影响,提出了一种改进的ＢＰ神经网络学习算法,在很大程度上改善了学习效率。采用改进的带有８个输入变量的ＢＰ神经网络算法和自适应残差补偿算法建立吹炼终点组合预报模型。利用某厂实际生产数据进行仿真运行的结果表明,利用该组合预报模型得到的平均相对预测误差为１．２％,最大误差为４％。     

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

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

基于Faster R-CNN神经网络的钢卷端部缺陷检测

钢卷的端部质量不但影响后续生产的效率和稳定性,还影响产品的整体产品质量.然而目前国内外大部分钢铁企业仍是靠人工进行检测,尚未有高效、准确的设备对端部质量进行监控.为此,研究了通过机器视觉和Faster R-CNN神经网络对钢卷端部缺陷进行定位和检测的方法.研究发现,Faster R-CNN神经网络在经过足量的有效数据训...     

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。     

遗传算法与神经网络结合优化焊接接头力学性能预测模型

基于建立的反向传播（back propagation,BP）神经网络焊接接头力学性能预测模型,并综合运用遗传算法（genetic algorithm,GA）来优化BP神经网络连接权的方法,对模型预测性能进行了有效的改进,提高了神经网络模型的预测精度和泛化能力。对模型性能的分析表明,焊接接头力学性能预测模型的预测规律符合已有研究结论,预测误差小于5％。随着样本数据的不断充实,样本覆盖空间的不断扩大,力学性能预测模型的应用范围将不断扩大,其实际应用价值也必将越来越高。