航空发动机振动趋势预测的过程神经网络法

提出一种基于过程神经网络思想的航空发动机振动趋势预测方法.利用过程神经网络具有输出函数对输入函数在时间上的聚合效应和非线性映射能力,预测方法的网络结构选择为9个输入节点,第2层和第3层各有9个隐层节点,1个输出节点,参数外推预测,将选取的振动历史数据分为学习样本和检测样本两组,学习样本用于网络训练,检测样本用于检验预测模型的精度.在相同条件下,与传统人工神经网络进行趋势预测比较,提高了网络训练速度,降低了预测误差.将所提出的预测方法应用到某型航空发动机的振动趋势预测中,预测结果与实际值的误差符合要求.     

基于BP神经网络预测筒形件对轮旋压内径扩径量

内径扩径量是衡量筒形件对轮旋压好坏的关键性指标。本文采用单因素试验设计方法和数值模拟技术,获得了以减薄率、进给比、圆角半径为试验因素,内径扩径量为评价指标的模拟数据。基于试验因素和评价指标,运用BP神经网络技术建立了3-10-1的三层神经网络结构预测模型。用模拟试验所得到的数据对该模型进行了训练和预测,将预测值与实测值相比较,证明该模型对筒形件的内径扩径量有很好的预测效果。     

基于递归过程神经网络的航空发动机滑油系统状态监测

针对航空发动机滑油系统状态监测问题,提出了递归过程神经网络模型。其隐层和输出层为过程神经元,该网络的输入信号为时变函数或过程,并且含有一个特别的关联层,在建模过程中能储存系统过去更多时刻的状态信息,使得网络结构适于预测时间序列问题。文中给出了相应的学习算法,并且分别利用人工神经网络和递归过程神经网络对航空发动机滑油系统状态进行预测。结果表明,递归过程神经网络预测精度高,优于传统人工神经网络的预测能力。为航空发动机滑油系统状态监测问题提供了一种有效的方法。     

基于BP神经网络的摩擦材料滑动摩擦性能预测

为了预测不同测试条件下,湿式扭矩限制器中摩擦材料的滑动摩擦性能,建立试验条件与摩擦性能之间的神经网络预测模型。选用BP神经网络进行建模,以不同测试压力和转速为输入变量,相应测试条件下的摩擦扭矩和扭矩稳定性为输出变量,通过一系列参数对比,确定最佳神经网络结构为单隐含层神经元个数为10,并采用L-M算法。采用L-M算法对网络进行训练,利用建立的神经网络对材料的滑动摩擦性能做进一步预测。结果表明:压力对扭矩及其稳定性的影响大于转速;无论是扭矩还是其稳定性,预测结果与实验结果具有相同的变化趋势,最大相对误差小于6%,所建立的神经网络预测模型可以用于滑动摩擦条件下对摩擦材料滑动摩擦性能的预测。     

基于结构自适应径向基神经网络的油样光谱数据建模

基于光谱分析数据的机械磨损状态预测有利于发现机械系统的早期磨损故障。由于神经网络对于非线性模型的辨识和非平稳信号的预测，与传统预测模型相比具有明显的优势，将神经网络预测方法运用于光谱分析，提出了基于神经网络预测的光谱分析监测技术。在预测模型中采用了在函数逼近、分类能力和学习速度均优于BP网络的径向基函数（RBF）神经网络模型，针对RBF网络的结构对于信号预测或模型辨识的精度具有影响很大的问题，提出了结构自适应RBF网络预测模型。利用遗传算法，对神经网络输入节点数、径向基函数分布系数及网络训练误差进行了优化，得到了最优的RBF网络预测模型。最后，对某航空发动机实际的光谱分析数据进行了预测和分析，并与ARMA模型进行了比较，结果充分表明了文中方法的有效性和优越性。     

进化小波网络及其在设备状态预测中的应用

结合小波网络和进化计算提出了进化小波网络策略,该策略采用控制级基因和参数级基因分别对网络结构和网络参数进行编码,并将遗传算法与进化规划结合进行进化操作,实现同时对网络结构与网络参数进行进化设计和学习训练。该策略不仅克服了网络训练中的局部极小和不收敛问题,也使网络结构更优,从而提高了网络训练和工作性能。最后分别就函数逼近问题、太阳黑子数预测问题及水轮机组的状态预测问题进行了事例研究,验证了所提出的进化小波网络策略的优越性能和可行性。     

基于神经网络的光伏阵列局部阴影建模研究

在局部阴影条件下,光伏阵列的输出特性将发生变化。利用神经网络具有逼近任意复杂非线性函数的能力,采用粒子群算法（PSO）来优化BP神经网络的内部连接权值和阈值,以改善神经网络的预测性能,并基于这种改进的神经网络结构搭建局部阴影下的光伏阵列模型。仿真结果表明,此算法泛化能力强、收敛速度快,能够对阴影下的光伏阵列进行建模。     

基于卷积神经网络的水果图像分类识别研究

为了解决传统水果图像分类识别算法人工提取特征的缺陷,将卷积神经网络应用到水果图像识别上,基所创建的数据集,参照经典的卷积神经网络模型Le Net-5结构,提出更适合本数据集的卷积神经网络结构,首先对水果数据集进行分类标签,将苹果、梨、橙子、橘子、桃子分别标记为0、1、2、3、4,然后将图片分批次投入模型训练,该模型构建了一个输入层、两个卷积层、两个池化层、两个全连接层和一个输出层。卷积神经网络通过底层提取特征,再进一步更深层次提取特征,最后得到目标的分类。实验结果表明,所提出的卷积神经网络结构不仅在数据集上取得了较高的识别准确率,而且与传统的水果图像分类识别算法相比较,卷积神经网络避免了人工提取特征的繁琐过程。     

基于神经网络的脉冲电化学抛光建模方法研究

提出了通过建立径向基函数（RBF）神经网络模型对混粉脉冲电化学抛光效果进行预测的方法。在对影响混粉脉冲电化学抛光效果的因素进行分析和合理选择的基础上,确定了RBF神经网络模型的特征参数和目标参数。利用试验结果对模型进行训练学习,确定了RBF网络模型。利用该模型进行了表面粗糙度预测,预测结果与实际试验结果有较好的一致性,说明RBF神经网络对混粉脉冲电化学抛光效果的预测是有效的。     

基于分式聚合过程神经网络的发动机气路参数偏差值预测

为解决航空发动机气路参数偏差值时间序列中突变值难以预测的问题,基于有理式函数具有更好的非线性逼近能力的理论,提出一种分式非线性聚合过程神经网络模型.该网络结构在隐层中存在一个过程神经元对偶层,通过分式非线性空间聚合的方式,分别实现信号对神经元的激励和抑制作用.根据采样点离散化的特点,采用离散Walsh变换对的内积运算替代积分算子,在简化计算过程的同时消除了数据拟合中的精度损失.采用基于离散Walsh变换LM算法进行网络训练,将训练好的模型应用在气路参数偏差值时间序列预测中.从预测结果可以看出,该模型对存在突变值的时间序列预测具有更高的效率和灵敏性.     

固-液水力旋流器的人工神经网络模拟

文中用改进的BP人工神经网络(ANN)方法,建立了固-液旋流分离器的网络模型,实现了根据处理物性参数和分离要求进行固-液水力旋流器结构与操作工艺参数的全面设计,弥补了以往数学模型方法的某些不足,为固-液水力旋流器结构参数和操作工艺参数的优化提出了一种有效而简单的新方法。     

基于神经模糊控制理论的数控机床热误差建模

将基于神经模糊控制理论的建模方法--模糊神经网络建模法应用到数控机床热误差建模当中,讨论了热误差模糊神经网络的结构及建模原理;对大型数控龙门导轨磨床主轴箱系统进行建模试验,采用非接触式红外温度测量仪和千分表分别测量主轴箱系统温度值与主轴热误差,得到两组独立的试验数据,一组用来建立主轴箱系统热误差模糊神经网络预报模型,另一组用来对模型进行验证。试验结果表明,模糊神经网络模型预测精度高,泛化能力强;将模糊神经网络建模方法与径向基函数神经网络建模方法进行综合对比,分析结果表明,模糊神经网络建模方法具有更好的建模效率、建模鲁棒性及预测性能。     

多重结构神经网络在液体火箭发动机故障诊断中的应用研究

根据液体火箭发动机的结构特点和故障诊断过程的特性 ,分析了复杂设备诊断过程的层次性 ,建立了复杂设备故障诊断的多重神经网络模型结构 ,并将其应用于液体火箭发动机涡轮泵的故障诊断 ,结果表明 ,该方法可有效地降解复杂系统故障诊断问题的复杂性、具有快速诊断能力     

量子BP神经网络在发动机故障诊断中的应用

为了解决普通BP神经网络收敛速度慢、分类正确率低等问题,提出一种量子BP神经网络算法。该算法在普通BP神经网络中引入了量子算法,量子BP神经网络结构由输入层、隐含层和输出层组成,其中,量子神经元的输入和传递函数均由量子比特表示,输出结果为实数。首先,该算法将实数值训练样本变换为量子态训练样本,从而作为算法的输入。然后,通过传递函数,计算量子态权值并更新网络参数以达到训练效果。最后,利用训练好的网络进行故障诊断,并将结果以实数值输出。将该方法应用于发动机故障诊断,实验结果表明,与普通BP神经网络相比,量子BP神经网络算法在收敛速度、分类正确率和执行时间等方面具有明显的优势。     

大量程柔性铰六维力传感器静态解耦的研究

为提高大量程六维力传感器的测量精度,提出了一种新型的六维力传感器非线性静态解耦方法,该方法结合混合递阶遗传算法和小波神经网络的优点,采用递阶遗传算法与最小二乘法分别对小波神经网络隐层结构参数以及输出层权值进行优化,再将优化后的小波神经网络模型用于六维力传感器非线性解耦.建立了基于混合递阶遗传算法和优化小波神经网络的六维力传感器非线性解耦模型,设计了基于混合递阶遗传算法的小波神经网络结构及参数优化算法,给出了六维力传感器非线性解耦的具体实现流程.以最新研制的6-UPUR大量程柔性铰六维力传感器为对象进行实验,结果表明,采用该方法六维力传感器的Ⅰ类误差和Ⅱ类误差分别为1.25％和2.59％,比采用BP和RBF神经网络方法的测量精度高.     

基于BP神经网络的新零件材料消耗定额预测方法研究

为精确地预测熔模铸造中新零件材料消耗定额,采用了BP神经网络的方法进行建模。在分析影响各工序零件材料消耗主要因素的基础上,确定了BP神经网络模型的特征参数,并根据实际情况确定了输入层和隐含层的神经元个数,从而确定了模型的结构。用试验数据对模型结构进行训练,最终建立了一个用于新零件材料消耗定额预测的BP神经网络模型。     

基于并行结构的Gabor小波神经网络算法及应用

给出了一种基于并行结构的Gabor小波神经网络算法。根据多CPU系统的并行结构和神经网络本身并行性的特点,设计了用于图象目标识别的Gabor小波神经网络算法,算法的输入层包括Gabor小波尺度、平移和频率调制参数的运算;隐层是在并行CPU中实现神经网络算法及优化;输出层是Gabor小波神经网络的分类结果。对4类飞机图像目标进行了仿真实验,识别率达到98％以上,识别时间为40 ms。     

圆柱-球体三自由度超声电机神经网络控制策略仿真

针对圆柱-球体三自由度超声电机难以建立精确数学模型的特点,设计了神经网络控制系统。该控制系统采用包含输入层、中间层和输出层3层网络的BP神经网络控制器。应用该控制器,实现了电机精确定位控制。结果表明,神经网络控制器的性能稳定,克服了常规控制存在的不足,得到了满意的控制效果。     

Development of a rough set-based fuzzy neural network for online monitoring of microdrilling

A rough set-based fuzzy neural network has been developed in this study for online monitoring of microdrilling. By applying the rough set theory, we obtained reduced rule sets from data samples as the fuzzy neural network rules. Then the neural network model was designed based on the reduced rule sets. The number of the network fuzzy rules was reduced. Shortcomings in high-dimensional fuzzy neural network, such as huge structure, were overcome. Data that were sampled in real-time from the spindle motor three-phase currents were processed by the trained network to monitor the microdrill wear online. The experiment results show that if the threshold is properly selected, the microdrill breakage will be effectively prevented by the monitoring.