基于神经网络的热轧带钢卷取温度预测

热轧带钢卷取温度是影响成品带钢性能指标的重要工艺参数之一,其层流控制系统具有高度的非线性。采用附加动量BP算法,建立了基于神经网络前馈与数学模型反馈的联合层流控制系统,仿真结果表明,采用神经网络预测的卷取温度与实测温度相近,结果可信,为层流数学模型参数的在线辨识打下了坚实的基础。     

小波网络在振动信号时间序列预报中的应用

介绍了离散仿射小波神经网络的原理及其构建方法 ,用正交最小二乘算法进行小波基函数的选择 ,用最小二乘算法确定小波网络权值。说明小波神经网络具有高度的非线性函数逼近能力 ,可以用于建立时间序列预报模型 ,最后给出了小波网络用于建立旋转机械振动信号时间序列预报模型实例。     

基于神经网络的轧机液压AGC系统自适应辨识

在分析液压AGC的组成元件及其动态特性的基础上，利用神经网络具有逼近任何非线性函数且具有自学习和自适应的能力，建立基于时间序列的前馈动态模型辨识结构，应用扩展BP算法对轧机液压AGC力控制系统进行非线性预测，将预测结果应用最小二乘辨识方法进行线性系统的特征参数辨识，仿真及实测结果表明此方法行之有效，为轧机液压AGC的辨识提供了新途径。     

基于BP神经网络的带钢最大卷取力矩预测研究

地下卷取机是热轧带钢生产中的重要设备,在卷取一卷带钢过程中,卷取力矩是不断变化的,其最大卷取力矩与所卷取的带钢材质、规格和卷取温度以及工艺参数等诸多因素有关。只有当其最大卷取力矩小于卷取机的承载能力时,卷取机才能正常生产。利于BP神经网络技术基于某热轧厂卷取各种材质规格的实测最大卷取力矩,建立了带钢最大卷取力矩与卷取带钢的材质、规格和卷取温度等参数之间的拓扑结构关系,给出了卷取高强度厚带钢时的最大卷取力矩的预测计算公式,从而为开发利用该卷取机的最大工作潜能提供了理论依据。     

基于神经网络的轧机液压AGC系统自适应辨识

在分析液压 AGC的组成元件及其动态特性的基础上 ,利用神经网络具有逼近任何非线性函数且具有自学习和自适应的能力 ,建立基于时间序列的前馈动态模型辨识结构 ,应用扩展 BP算法对轧机液压 AGC力控制系统进行非线性预测 ,将预测结果应用最小二乘辨识方法进行线性系统的特征参数辨识 ,仿真及实测结果表明此方法行之有效 ,为轧机液压 AGC的辨识提供了新途径。     

基于滤波器的迭代学习最小二乘辨识方法

针对永磁同步直线电机作为控制对象的参数辨识问题,在对直线电机的数学模型模型以及最小二乘辨识算法等内容进行了研究,发现了批处理最小二乘辨识算法虽然能够成功辨识伺服系统模型参数但是模型不够精确,尤其是针对伺服系统中存在的对振荡环节的辨识。根据传统辨识模型的不足,提出了一种基于滤波器的迭代学习最小二乘辨识方法,该算法通过滤波器来减小辨识过程中的噪声干扰,用迭代的方式来求解辨识模型带来的非线性问题。仿真和实验结果表明:与批处理最小二乘算法相比,基于滤波器的迭代学习最小二乘辨识方法能够有效提高辨识精度,振荡环节的辨识结果与功率谱分析得出的图线更加吻合。     

基于最小二乘模型的Bayes参数辨识方法

现实中的系统都具有一定的非线性,并且这种非线性在非线性通道补偿和非线性系统故障诊断等领域是不可忽略的。针对有白噪声干扰的输出误差非线性系统,将数学模型与基于最小二乘的Bayes算法相结合,用数学模型参数代替辨识模型信息向量中的未知项,用基于白噪声的最小二乘模型进行不可预测辨识,从而提出了基于最小二乘模型的Bayes参数辨识方法。介绍了Bayes基本原理及2种常用的方法,经过理论分析和MATLAB仿真研究证明,该方法原理简单、计算量小、速度快、抗干扰能力强,可以对较高精度非线性系统进行参数估计和在线辨识。     

机器人机力学系统的神经网络辨识

应用动态前馈神经网络结构和基于非线性最小二乘的学习算法，对两自由度机器人动力学进行神经网络模型辨识研究。闭环控制静态下的仿真结果表明，所采用的神经网络结构可有效地代表实际机器人的动态特性。     

基于迭代优化和神经网络补偿的超冗余机械臂半参数动力学模型辨识

为了实现超冗余机械臂动力学模型的精确辨识,提出了一种基于迭代优化和神经网络补偿的半参数动力学模型辨识方法。首先,介绍了超冗余机械臂的动力学模型和最小参数集,建立了关节非线性摩擦模型,使用遗传算法优化回归矩阵条件数生成激励轨迹。然后建立了机械臂动力学模型物理可行性约束,基于迭代优化方法设计了两层循环网络对超冗余机械臂的惯性参数和关节摩擦模型进行辨识。最后,利用数据集训练BP神经网络,得到超冗余机械臂半参数动力学模型,并与多种算法进行了比较分析。实验结果表明：相较于传统的最小二乘算法和加权最小二乘算法,通过使用本文提出的辨识算法,关节辨识力矩残差均方根（Root Mean Square, RMS）之和分别提高了32.81%和23.76%,半参数动力学模型相比于全参数动力学模型力矩残差均方根之和提高了23.56%,辨识结果验证了辨识方法的有效性和优越性。     

机器人动力学系统的神经网络辨识

应用动态前馈神经网络结构和基于非线性最小二乘的学习算法,对两自由度机器人动力学进行神经网络模型辨识研究。闭环控制模态下的仿真结果表明,所采用的神经网络结构可有效地代表实际机器人的动态特性。     

基于BP神经网络的大视场成像畸变校正方法

提出了基于BP神经网络的畸变校正方法,实现了在不确知畸变数学模型情况下的高精度校正。应用平行光管法测得900组光点坐标数据作为BP神经网络的训练样本,通过训练得到一个隐含层有6个节点的3层BP神经网络模型,然后使用77组数据检测了该神经网络的校正效果,并与使用相同检测数据的双线性插值方法进行了比较。实验表明,神经网络较插值方法精度高,误差数据分布的规律性好,而且与插值方法相比,它避免了误判区域的问题,便于校正。     

热轧带钢更换规格卷取温度分析及其补偿研究

热轧带钢卷取温度是反映热轧带钢性能指标的重要参数之一,介绍了某700 mm热连轧机层流冷却的组成及其工作原理,针对其具体情况,基于实时数据,应用数据挖掘工具,从理论和工艺的角度分析了控冷过程中热轧带钢更换规格温差大问题产生的原因,得出了热轧带钢更换规格的规律,并应用回归统计建立了温度补偿模型,进行了实验研究,实验结果表明,应用数据挖掘技术从立体的现场数据中得出热轧层流冷却控制模型的做法,对提高控冷精度,优化生产工艺具有一定意义。     

Optimal Neural Network Model for Characterization of Process-Induced Damage in Drilling Carbon Fiber Reinforced Epoxy Composites

In this paper, a method for robust design of a neural network (NN) model for prediction of delamination (Da), damage width (Dw), and hole surface roughness (Ra) during drilling in carbon fiber reinforced epoxy (BMS 8-256) is presented. This method is based on a parametric analysis of neural network models using a design of experiments approach. The effects of number of neurons (N), hidden layers (L), activation function (AF), and learning algorithm (LA) on the mean square error (MSE) of model prediction are quantified. Using the aforementioned method, a robust NN model was developed that predicted process-induced damage with high accuracy.     

Suitability of CAE neural networks and FEM for prediction of wear on die radii in hot forging

Prediction of tool wear in hot die forging along the entire arbor radius by wear models known so far is a very difficult task. On these parts of tools significant changes of contact pressure and sliding lengths occur along the die curvature during the plastic flow of material formed. A new approach presented in the paper combines the use of a conditional average estimator neural network (CAE NN) with the exploitation of results obtained by the finite element method (FEM) and also data from other sources. Consequently new parameters as well as the results of experimental work can be taken into account. In this paper a brief overview of models for prediction of tool (die) wear are discussed. The theoretical background of CAE NN, as well as its application to the modeling of the tool wear phenomenon, is presented. Some results of FEM analysis of the hot forging process that serve as input parameters in the CAE NN model are also briefly discussed. Two relevant practical applications are shown. In the first example, tool wear was modeled at a higher number of strokes (blows), by knowing wear at a lower number of strokes. In the second example, the number of strokes was the output parameter—the number of strokes causing predetermined wear at any point of the tool engraving curvature (arbor radius) was predicted. A comparison between the measured and predicted values of wear demonstrated good agreement that was assessed by a corresponding coefficient of determination.     

Optimal Neural Network Model for Characterization of Process‐Induced Damage in Drilling Carbon Fiber Reinforced Epoxy Composites

In this paper, a method for robust design of a neural network (NN) model for prediction of delamination (Da), damage width (Dw), and hole surface roughness (Ra) during drilling in carbon fiber reinforced epoxy (BMS 8‐256) is presented. This method is based on a parametric analysis of neural network models using a design of experiments approach. The effects of number of neurons (N), hidden layers (L), activation function (AF), and learning algorithm (LA) on the mean square error (MSE) of model prediction are quantified. Using the aforementioned method, a robust NN model was developed that predicted process‐induced damage with high accuracy.     

智能变压器绕组热点温度监测仪

本文介绍了一种新型油浸式电力变压器绕组热点温度在线监测仪。该监测仪实时采集变压器负荷电流和变压器顶层和底层油温,依据国际电工技术委员会推荐的油浸式电力变压器绕组热点计算公式,实时监测绕组热点温度。文中介绍了监测仪的测量原理及硬件电路和软件流程,给出使用后的数据记录。结果表明,该监测仪的稳定性与精度均满足现场测试要求。     

神经网络遗传算法在粉体流量测量的应用

利用浓度和速度电容式传感器分别测量粉体的浓度和速度,结合阀门开度、喷吹罐压力、温度等参数构造神经网络粉体流量测量模型,考虑BP算法训练神经网络测量模型时收敛速度慢、动态特性不够理想等不足,用遗传算法来优化神经网络测量模型的参数,以提高测量系统的精度。在现场与电子秤比对,最大满量程误差小于4.2%,具有工程应用价值。     

一种电解加工间隙的智能测控方法研究

从理论上推导了电解加工中阴极表面上承受的力与阴阳极间间隙的关系;采集电解加工过程中阴极表面上的力信号,经过信号处理后用其训练一个BP神经网络,实现间隙的在线检测;设计了一个模糊控制器,把间隙的误差转化为力的误差,将误差的变化信号作为模糊控制器的输入,将进给速度的增量作为模糊控制器输出。在MATLAB的Simulink模块中建立间隙智能控制系统进行了仿真试验,结果表明,该模糊控制器对间隙的控制效果较好。     

荧光光谱法结合神经网络优化定量分析蒽芘混合物

采用荧光光谱法结合神经网络优化对蒽芘双组分混合物进行了定量分析,提出了利用留一法交叉验证（leave one out cross validation,LOOCV）的模型训练方法,以解决混合样品光谱定量分析中用有限样品建立非线性回归模型的问题。蒽和芘混合样品的激发波长为320nm,发射波长范围为320～450nm,以混合样品光谱数据的主分量作为输入、混合样品浓度作为输出进行LOOCV训练,对神经网络进行优化设计。在LOOCV实验结果中,预测10个测试质量较好的样品,平均相对误差（ARE）为3.39%,比预测所有12个样品的ARE低0.46%,样品最小相对误差可达到1.25%,10次重复实验相对标准偏差小于0.84%。该方法具有所需样品少、容错性好、分析精度高和稳定的特点。