基于BP神经网络的油井井斜角误差补偿研究

介绍了延长石油常用的石油测井测斜仪器及其测量原理,分析了其工作过程中可能存在的误差及其来源。针对井眼姿态测量中主要测量参数之一的井斜角,利用前馈神经网络算法,建立了以测量井斜角为输入、期望的井斜角为输出的三层BP神经网络模型,并用实际测斜仪器的测量数据进行现场测试。实验数据表明,采用该BP神经网络补偿算法,可将井斜角的实际测量精度从提高至以内。     

快速成型的报价系统研究

针对现有快速成型服务企业通常只凭经验提供报价,既不准确又不具有说服力,难以获得客户的认可的特点,在分析光固化快速成型制造成本组成的基础上,开发了基于模型扫描矢量计算的报价系统。算例结果表明：利用该报价系统能准确地得到快速成型零件的加工费用,该报价系统对于企业缩短报价周期和赢得客户具有重要的作用。     

基于BP神经网络的无人机固定翼注塑成型工艺优化

为了解决无人机固定翼在注塑过程中工艺参数的优化选择问题,在考虑了熔体温度、模具温度、保压压力、保压时间、注射时间因素下,用模流分析软件Moldflow和正交试验相结合的方法对翘曲量、体积收缩率和缩痕指数进行了模拟分析,同时为了提高优化效率,根据正交试验数据建立了BP神经网络预测模型,并用模型对工艺参数进行了优化和实际生产验证。结果表明:优化后的塑件最大翘曲变形量、体积收缩率、缩痕指数分别优化了0.212 5 mm、1.26%、1.223%,提高了塑件质量。而且仿真值与模型的预测值基本吻合,相对误差在3%以内,验证了模型的可行性,为优化工艺参数方面的研究提供了理论依据。     

基于改进的BP神经网络的注塑成型翘曲优化设计

注塑成型是制造塑料产品应用最广泛的一种方法。整个注塑成型过程一般分为注射、保压和冷却3个阶段。成型过程中的翘曲变形是注塑制品一种严重的缺陷。由于注塑制品质量主要受工艺条件影响,所以如何确定最佳工艺条件来减少翘曲变形成为改进注塑制品质量的一个关键。以模具温度、熔体温度、注射时间、保压时间、保压压力和冷却时间为设计变量,运行Moldflow软件进行制品的翘曲变形分析,用BP神经网络模型来建立翘曲变形与设计变量的函数关系,加权形式的期望提高加点准则实现序列的迭代优化设计。这种加点准则能调整局部和全局搜索,在保证计算效率的同时提高对全局最优解的逼近程度。通过实例验证,所提出的优化方法能有效地减小注塑制品的翘曲变形。     

基于BP神经网络的流体流量补偿方法

针对流体质量流量测量中密度随温度及压力等参数的变化而变化,在BP算法的基础上,采用BP神经网络补偿方法对液氨的密度进行了补偿,给出了网络训练后误差渐进过程的仿真图和补偿后的仿真结果图,通过函数调用网络训练后非采样点上的温度来得到对应的密度值。可以得到结论:基于BP神经网络的补偿方法弥补了最小二乘法在非线性补偿方面的缺陷,且误差比较小,是一种性能比较优越的补偿方法。     

基于BP 神经网络的塑料齿轮玩具注射成型优化分析

以某塑料拼插齿轮玩具为研究对象,采用自然平衡法设计1模144腔注塑模具。对有限元模型进行合理简化,并采用Moldflow软件进行塑料齿轮注射成型过程中的流动和翘曲分析。针对初始方案中出现的熔接痕和翘曲等缺陷,建立齿轮玩具BP 人工神经网络模型,通过BP神经网络算法训练各工艺参数,并对体积收缩率和总翘曲量进行预测。将训练后较优的工艺参数组合应用于注射成型后,使得该塑料齿轮熔接痕分布改变,翘曲变形量明显降低。     

BP神经网络在非线性系统建模中的应用

介绍了采用BP神经网络建立系统数据间的非线性关系的数学模型,利用三层BP网络,结合Matlab神经网络工具箱,模拟肼与过氧化氢的反应过程,将预测的结果和实验数据作比较,结果表明该模型的预测值和试验值吻合的很好,是一种可行的数据处理方法。     

基于灰色关联度和BP神经网络的多级注塑成型工艺参数优化

针对电动车头罩出现安装困难的问题,本实验以减小产品翘曲量和体积收缩率为优化目标。首先在正交试验的基础上,运用信噪比和灰色关联度分析得出初步最佳工艺参数;然后以初步最佳工艺参数为基础,影响产品质量最大的四个因素为调整手段,建立正交试验,导入已经训练好的BP神经网络中进行预测,得出最佳工艺参数;最后用CAE进行模拟验证,最佳工艺参数下翘曲量为1.540 mm,体积收缩率为6.709%,符合生产要求。提出的优化方法能够有效提高制品质量,缩短产品生产周期,为多级注塑成型工艺参数的优化提供了一种可靠的解决方案。     

基于SVR误差补偿技术的神经网络城市污水厂水质预测

城市污水处理是一个复杂的生化处理过程,现在的神经网络技术无法做到对此过程精准建模.为了解决该问题,提出了一种基于SVR误差补偿技术的神经网络水质预测算法.该算法先利用BP神经网络对水质处理过程进行映射,再利用SVR误差补偿模型获得BP网络的预测补偿,进行预测数据校正.为了验证补偿模型的性能,还组织了马尔科夫补偿模型的对...     

激光固化快速成型技术中环氧树脂/碘鎓盐的应用

合成了三种不同二苯基碘鎓盐作为阳离子光引发剂应用于激光固化快速戍型环氧树脂中。结果表明,碘鎓盐阴离子部分的结构对环氧树脂的光固化速度有很大影响;碘鎓盐的质量分数以3％～5％为宜;光敏剂的加入可提高光引发效率;激光功率和光束扫描速度等参数对固化过程有较大的影响;阳离子光引发剂引发固化体系的收缩率比自由基光引发剂的要小。     

利用快速成型与硅橡胶模技术远程制造塑料件

介绍快速成型和硅橡胶模技术,以及两者相结合并利用Internet网络远程快速制造塑料件的工艺过程,对其中的关键工序进行了分析,同时对远程快速制造塑料件方法的优缺点进行了阐述。     

BP神经网络在优化配煤预测模型中的研究

由于掺配煤种煤质的波动 ,配煤是一个在不确定的条件下的优化问题 .传统的线性规划模型已不能解决这种非线性问题 ,而 BP神经网络这一非线性优化工具已成功地应用于混煤煤质特性的预测模型 .本文详细地分析了不同 BP神经网络模型的预测效果以及制约其预测效果的主要因素 (网络结构、学习样本数量、隐层节点数、学习精度 ) ,并发现学习样本数是影响 BP神经网络性能的关键     

水热系统快速膨胀法制备纳米TiO2粉体

以硫酸钛水溶液为前驱物，尿素为沉淀剂，本文采用了一种新的方法一水热系统快速膨胀法制备了纳米TiO2粉体，利用XRD、TEM等测试手段研究了硫酸钛浓度、尿素浓度、膨胀前温度对粉体粒径的影响。结果表明：所制得粉体为锐钛矿型TiO2晶体，粒径为10纳米左右，并且分散良好。     

BP神经网络对快烧瓷质砖烧成工况辩识的研究

本文简述了ＢＰ神经网络结构与算法,利用ＢＰ神经网络对实验电炉焙烧瓷质砖的烧成工况进行了辩识实验,取得了较满意的辩识结果,并提出选择辩识参数时应选对烧成工况取关键作用的参数,以提高辩识模型的识别率。     

SEQUENTIAL LOOP CLOSING IDENTIFICATION OF MULTIVARIABLE PROCESSES USING THE BIASED RELAY FEEDBACK METHOD

Each controller in multiloop control systems for multivariable processes can be tuned sequentially with the ultimate information for the paired input and output while former loops have been closed, and hence, single-input single-output autotuning methods can be applied. In this sequential autotuning for multiloop control systems, several iterations are usually required for better control performances. Especially when pairings are undesirable, the autotuning sequences should be repeated with correct pairings, which result in long field experiments. Here, to avoid this drawback, a simple method to identify process models while loops are being sequentially tuned is proposed. The identified models can be used to correct pairings of multiloop control systems and to improve tuning performances without several field iterations. In addition, they can be used to obtain model-based control systems such as decoupling control systems.     

SEQUENTIAL LOOP CLOSING IDENTIFICATION OF MULTIVARIABLE PROCESSES USING THE BIASED RELAY FEEDBACK METHOD

Each controller in multiloop control systems for multivariable processes can be tuned sequentially with the ultimate information for the paired input and output while former loops have been closed, and hence, single-input single-output autotuning methods can be applied. In this sequential autotuning for multiloop control systems, several iterations are usually required for better control performances. Especially when pairings are undesirable, the autotuning sequences should be repeated with correct pairings, which result in long field experiments. Here, to avoid this drawback, a simple method to identify process models while loops are being sequentially tuned is proposed. The identified models can be used to correct pairings of multiloop control systems and to improve tuning performances without several field iterations. In addition, they can be used to obtain model-based control systems such as decoupling control systems.