综掘面风流智能调控数字孪生系统

针对综掘面风筒出风口参数不能随瓦斯、粉尘的浓度变化动态调节风流状态，不能实现复杂恶劣下矿井物理作业环境和虚拟模型互联互通的智能化煤矿发展的要求，提出基于数字孪生技术的综掘面风流智能化调控方法，建立了风流调控装置的动态虚拟模型。研究了风筒出风口参数调控规则获取、基于长短期记忆网络的瓦斯粉尘浓度预测、基于遗传—反向传播神经网络的风筒出风口参数决策等支持虚拟模型实现动态预警预测、具有自主学习和自主决策功能的关键技术。实验表明，数字孪生系统能够高保真度地再现矿井巷道的作业环境，实现虚实融合、迭代优化和以虚控实的综掘面风流新型调控方式，有效优化瓦斯和粉尘的运移分布，提高煤矿开采作业的智能化水平。     

宽板V形自由弯曲智能化控制过程材料参数识别及最优工艺参数预测

在板材成形智能化控制的四个基本要素中,材料性能参数的实时识别及最优工艺参数的预测是最复杂的两个技术关键。识别和预测精度的高低,将直接影响到智能化控制成功与否。以宽板V形自由弯曲智能化控制为研究对象,采用基于LM算法的前馈神经网络模型,通过实时监测量来实时识别所需的材料性能参数,并预测最优的工艺参数,取得了令人满意的收敛精度。在样本数据范围内,当模型的收敛精度为0.1%时,识别和预测的泛化精度均在5%以内。     

汽车翻边模具智能化设计系统研究

基于现代典型翻边模产品智能化设计的理念，系统采用参数化技术，实现汽车翻边件初始模型特征的提取。采用关联设计思想，实现翻边模模型参数的输入与结构再设计的和谐统一。建立了基于二维环境的汽车翻边模智能化设计系统。     

基于高斯过程潜力模型的刀具磨损预测

刀具磨损预测对于提高加工精度和生产效率具有重要意义。刀具磨损预测模型主要包括基于物理的模型和基于数据驱动的模型。基于物理的模型一般使用经验公式或简化公式对刀具磨损过程进行建模，在切削参数变化的情况下其预测精度通常会变低。另一方面，数据驱动模型通过测量数据来估计刀具磨损，没有考虑刀具磨损机理，导致模型泛化性和结果可解释性较差。为了解决这些问题，提出了一种新的用于刀具磨损预测的高斯过程潜力模型。所提出的模型使用高斯过程对刀具磨损物理模型的未知参数进行建模，建立了一个物理信息机器学习模型。高斯过程潜力模型不仅避免了物理模型的参数识别，而且挖掘了来自物理域和数据域的隐藏信息。此外，通过将物理模型与高斯过程的协方差函数相结合，构建了一个物理信息协方差函数来约束模型的输出，提高了预测精度。多工况试验结果表明，所提方法的绝对平均误差和均方根误差分别为2.5945、3.740 8，比传统数据驱动模型的预测误差要更小，预测精度进一步提升。     

遗传神经网络在热轧管控制中的应用

基于遗传神经网络，建立动态前馈校正模型，自动调节轧制所需的各种参数，使轧钢系统工作在最佳值附近。经实测资料验证，模型能较准确预置捌节参数，实现智能化控制。     

基于K-means方法的热力运维辅助系统设计

热力系统的智能化故障预测、诊断与维护对提高热力系统运维水平，提高热力系统能源效率，保障热力系统安全性与可靠性具有重要意义。本文对基于SCADA设备信息使用无监督学习K-means方法，建立热力运维预警模型并最终给出相应的分类的问题进行了研究。最终，实现了基于此理论所构建的预警模型，并在此基础上建立了基于大数据分析的智慧热力运维辅助系统，显著提高了热力企业运营效率。     

神经网络在预测等离子喷涂Ni合金涂层质量中的应用

探讨材料智能化制备与成形加工(intelligent processing of materials,IPM)思想在等离子喷涂成形过程中的应用途径,通过分析当前研究现状,提出了其中的关键技术基础。基于人工神经网络(artificial neural network,ANN)建立了等离子喷涂过程中工艺参数-涂层质量之间的智能化模型,描述了ANN实现、试验数据库的建立以及网络训练过程。该模型预测结果与实验结果相一致,能全面解释工艺参数对涂层性能参数的影响规律,可为机器人等离子喷涂智能成形提供全面描述过程工艺参数与涂层质量之间关系的规则集。     

数控凸轮轴磨床磨削参数智能化选择模型研究

数控凸轮轴磨床磨削凸轮的轮廓和尺寸精度与磨削参数的选择有重要关系。为了提高凸轮轴的加工精度和表面质量、提高加工效率，以实际的凸轮轴加工为例，对凸轮轴加工过程中的加工参数智能化选择进行了研究。运用BP神经网络对磨削参数和其各种影响因素进行建模，提出了基于神经网络的磨削参数智能化选择模型。     

基于主轴电流和振动信号的数控机床刀具磨损在线预测

为了实现数控机床加工过程中刀具磨损状态的在线预测，提高数控机床智能化水平，提出一种基于主轴电流和振动信号的数控机床刀具磨损在线预测方法。这一在线预测方法采集能够反映刀具磨损状态的主轴电流和振动信号，对信号进行频域、时频分析处理，采用小波包分解和经验模态分解两种方法进行特征提取，得到与刀具磨损状态变化密切相关的特征值，按照递增或递减趋势进行保序回归操作，使用指数平滑方法进行平滑处理，由此建立基于遗传算法参数寻优的支持向量回归模型，用于预测刀具磨损量。试验及应用表明，应用这一在线预测方法，刀具磨损预测的平均误差在25μm以内，满足企业加工要求。     

基于BP神经网络的齿圈装夹变形预测研究

针对薄壁齿圈的装夹变形问题,将Abaqus有限元仿真与BP神经网络技术应用到了齿圈装夹变形预测中。根据齿圈实际加工装夹情况,应用Abaqus有限元分析软件,建立了齿圈装夹变形的仿真模型,开展了齿圈装夹变形的有限元分析研究,建立了齿圈装夹力及其径向最大装夹变形之间的关系;以Abaqus有限元仿真数据作为训练样本和检验样本,借助BP神经网络良好的预测精度和非线性泛化能力,通过MATLAB神经网络工具箱,建立了基于BP神经网络的齿圈装夹变形预测数字化模型;并根据检验样本对模型进行了检验,预测值与仿真值之间的相对误差在0.05%之内。研究结果表明:建立的基于BP神经网络的齿圈装夹变形预测数字化模型是准确有效的,可以为智能化大数据加工制造环境下的齿圈装夹参数优化提供准确有效的数据。     

一种基于数据驱动和贝叶斯理论的机械系统剩余寿命预测方法

针对复杂机械系统剩余寿命预测问题,提出一种基于数据驱动方法和贝叶斯理论的机械系统剩余寿命预测方法。该方法基于数据驱动方法,对相同或相似系统的历史状态监测数据进行融合,并建立表征系统退化程度的健康指示量和预测剩余寿命的状态模型;基于贝叶斯理论,建立状态模型参数的贝叶斯模型;在此基础上,基于待估系统的实时状态监测数据和贝叶斯模型,利用马尔科夫链蒙特卡洛方法来更新模型参数并预测待估系统的剩余寿命;通过一个航空发动机的预测问题,来说明该方法的有效性。     

基于自适应网络的球磨机负荷预测方法

鉴于多工况环境下的数据漂移限制了深度学习方法预测球磨机负荷的效果，提出一种基于自适应网络的球磨机负荷预测方法。首先建立基于深度相关对齐的磨矿分级工况划分模型；然后将相对位置编码引入Transformer,对注意力机制进行解耦来将位置信息直接编码进注意力机制，进而提高预测性能；进一步提出一种自适应网络，将分布匹配正则化项应用于Transformer模型的隐层特征，通过减少不同工况之间的分布差异来学习模型隐藏状态的共同参数，提高模型泛化能力；最后采用基于Boosting的方法学习隐藏状态的重要性。试验结果表明，所提自适应预测网络可以明显提高预测球磨机负荷参数的准确性，而且在面对未知工况时预测性能也领先于对比方法。     

基于预测误差参数辨识的薄膜热电偶动态校准研究

本文研究了瞬态高温测量用薄膜热电偶的动态校准问题。利用脉冲激光产生温度脉冲,根据基于预测误差法参数辨识理论,采用MATLAB程序建立了薄膜热电偶动态辨识模型,并计算了该模型的参数;利用辨识模型计算得到了薄膜热电偶的阶跃响应和时间常数,解决了动态校准参数识别问题。     

改进Logistic蠕变应变预测模型及其有限元实现

提出一种针对蠕变全过程的改进Logistic蠕变应变预测(Logistic creep strain prediction, LCSP)模型，减少模型参数数量并解决初始蠕变应变复数值问题，结合加钒改进型2.25Cr1Mo钢的蠕变变形与断裂寿命数据，利用基于最小二乘法原理的模型参数识别方法，实现对材料的蠕变应变及应变速率的准确预测。综合分析Larson-Miller主曲线方程的寿命预测精度及寿命随应力的变化趋势，确定用于预测蠕变断裂寿命的模型多项式阶数。根据改进LCSP模型的蠕变应变解析公式，推导蠕变应变增量及其对等效应力以及蠕变应变的导数的计算表达式，确保计算收敛性，利用Fortran语言开发了针对改进LCSP模型的usercreep蠕变子程序，通过光滑圆棒试样蠕变有限元分析验证该蠕变子程序的准确性。     

基于人工神经网络的磨料水射流切割加工模型

作为一种冷态加工新工艺 ,磨料水射流 (AWJ)以其独特的优点得到广泛应用 ,但由于高速液固两相流本身的特性 ,AWJ切割加工是一个受多参数影响的复杂随机过程 ,很难建立一个适当的机理模型。基于人工神经网络理论 ,本文建立了切割厚度与主要工艺参数间的AWJ切割加工预测模型 ,模型预测结果与实验值及Zeng的经验模型进行了比较 ,该网络模型能可靠、准确地映射出AWJ的加工规律 ,可应用于AWJ切割加工过程的参数优化选择、加工规律计算机仿真及智能化控制中。     

基于自适应模型预测的无人车跟踪控制方法研究

针对避障工况下现有控制方法难以同时满足跟踪精度和稳定性的问题，设计了一种考虑滑移约束的自适应模型预测控制方法，能够在不同避障工况自适应匹配最优时域参数和稳态转角约束，提高控制器的适应能力和动态响应性能。首先由实验测试获取优化的时域参数表，并综合考虑滑移边界内的稳态转角约束，设计参数自适应机制，然后在联合仿真平台进行了双移线工况的仿真实验来模拟避障场景，验证了所设计的自适应模型预测控制器的有效性，最后基于实车平台进行了实际避障场景的路径跟踪实验。实验结果表明，与传统模型预测控制相比，所设计的自适应模型预测控制器在跟踪精度和稳定性方面都有较大改善。     

融入复杂地层动态识别的盾构施工地表沉降预测方法研究

针对盾构掘进过程中无法全面动态感知地质信息引发的难以精确预测地面沉降问题,提出了一种融入动态地层识别的地面沉降预测方法,该方法基于XGBoost动态地层识别模型,利用盾构施工参数对地层变动情况进行反向推演,明晰了地层变动时施工参数的变化规律;通过基于BP-SVR的地面沉降预测融合模型最终得到距开挖面不同距离处的地面沉降量与地层情况、掘进参数的内在关联关系,从而实现了复杂地层自适应的地面沉降量准确预测。在某地铁施工区间590环数据验证下,所提的地面沉降预测方法相比传统预测方法具有更高的预测精度。     

用人工神经网络预测切削力

借助ANN模型的函数逼近功能对切削力进行快速预测进行了研究。通过基于LM算法的人工神经网络模型对加工参数及刀具凡何参数对切削力的影响进行了预测，其结果与金属切削的实验数据有很好的吻合性。其研究成果可为加工过程中刀具及加工参数的选择提供依据。     

实时工况仿真场景下蒸汽发生器液面智能预测模型的实现与验证

本文使用基于深度学习方法的长短期记忆(Long Short-Term Memory,LSTM)模型来预测核电站蒸汽发生器的液面工况,以有效地解决蒸汽发生器液面控制过程中的参数预测问题。该模型在SIMULINK环境下,实现并且构建了一个使用传统PID控制器的实时工况验证平台,对其进行功能和性能验证。PID控制回路的反馈信号为LSTM模型提供实时在线的输入更新,从而获得LSTM模型对于液面变化的实时预测结果。通过与传统RNN模型的对比实验证明,LSTM模型所具有的长时间序列数据处理优势对于蒸汽发生器核心参数的预测非常有效而且精准。LSTM模型对液面的预测误差可低至-1.1887×10~(-4),预测过程的损失值可低至1.4130×10~(-8)。而且实验结果显示,LSTM模型在预测过程中具有较快的收敛能力,可以在更短的时间内输出准确的预测结果,这对于及时而准确地判断蒸汽发生器的工作状况,维持核电站正常运行具有重要意义。利用LSTM模型的快速准确预测能力,还可以在未来对传统的PID控制方法实行智能化改造,提升蒸汽发生器液面控制的快速响应能力。     

基于最小二乘支持向量机的铣削加工表面粗糙度预测模型

在分析以往所建立的表面粗糙度预测模型方法不足的基础上，将一种基于最小二乘支持向量机的预测模型引入铣削加工领域，并给出了相应的步骤和算法。该模型能方便地预测铣削加工参数对加工表面粗糙度的影响，并能利用有限的试验数据得出整个工作范围内的表面粗糙度预测值，有助于准确认识已加工表面质量随铣削参数的变化规律。通过具体实例及与其他几种预测方法的对比表明，在相同样本条件下，其模型构造速度比标准支持向量机方法高1～2个数量级，模型预测误差约为支持向量机方法的40％，预测精度比常规BP模型高1个数量级。因此，基于最小二乘支持向量机方法建模速度快、预测精度高、适合加工表面粗糙度预测。