基于CNN-SVR的作业车间订单完工周期预测方法

经典作业车间生产环境包含多产品、多机器和多工序,提高其完工周期的预测精度对于企业提高客户满意度、优化生产调度等方面都具有重要意义。因此,针对作业车间订单完工周期预测问题提出一种卷积神经网络-支持向量回归(CNN-SVR)方法。首先,将订单完工周期影响因素分类为订单信息与车间实时状态信息,并分析得到其中的关键特征因素。进而,采用ReLU激活函数训练卷积神经网络,对生产数据特征进行自适应提取,并将结果输入至支持向量回归模型中进行预测。最后,设计FlexSim作业车间仿真模型生成车间订单生产数据,确定评价指标并进行试验验证。结果表明,相较于其他对比模型,CNN-SVR预测方法在拟合优度和预测误差等方面均有很好表现,能够得到理想的预测效果。     

小批量生产质量的灰色-支持向量回归组合预测

质量控制是产品在制造阶段的质量保证。针对小批量生产模式下的质量预测补偿控制问题,提出一种灰色-支持向量回归组合模型进行质量参数预测。通过分析机械加工系统误差来源,建立了零件尺寸的数学描述模型。在此基础上,采用灰色GM(1,1)模型预测零件尺寸的趋势项,采用灰色支持向量回归模型预测残差项,符合样本数据自身的发展特性。实验表明,灰色-支持向量回归组合模型的预测精度高于其它模型,适合用于小批量生产环境下的质量预测控制。     

多视角声图中水下小目标分类的深度神经网络方法研究

针对基于多视角声图的水下小目标分类问题,提出了一种深度神经网络多视分类方法。首先,提取声图的阴影区域,计算阴影部分的主轴斜率并匹配出与其相对应的仿真数据集。采用由这些对应仿真数据集训练的卷积神经网络分别对不同视角的待分类声图提取深度神经网络特征。将不同视角输出的特征向量组合起来,作为目标的特征向量,利用各个视角匹配的组合所对应的支持向量机对目标的特征向量进行预测。将分类器用于对湖、海试采集的多视角声图分类,平均正确率为93.33%,相比采用卷积神经网络、支持向量机的单视角分类方法,分别有不同程度的提升。     

基于FOAGRNN的产品功能疲劳对客户资产影响的预测

为了预测产品开发阶段产品功能疲劳对客户资产的影响,提出了基于广义回归神经网络的预测方法。首先提出产品功能疲劳因素向量的概念,以描述产品功能疲劳的程度,并给出了获得该向量的数据处理方法。而后将果蝇算法优化的广义回归神经网络用于预测不同功能组合对客户资产的影响,为企业提供决策支持,以减轻或消除产品功能疲劳。实例表明,该方法能获得理想的结果。     

基于粒子群优化法的支持向量机回归对膛线加工切削力的预测

针对神经网络算法和支持向量机算法在膛线加工切削力预测过程存在的问题,基于粒子群优化法对支持向量机回归算法进行了改进.将实验得出的切削参数、切削力等数据输入到该算法模型中,训练得出最佳预测模型,进而用该模型进行切削力预测.经误差检验表明,该改进型算法的预测精度提升85％以上.     

基于模糊支持向量机预测胎重的方法研究与比较

胎重的准确预测在胎儿监护中具有重要作用,为提高胎重预测的准确性,提出一种基于模糊支持向量机的预测方法。通过在支持向量机中引入模糊逻辑,抑制由测量误差造成的异常数据对预测模型训练的影响,提高了胎重预测对参数测量误差的鲁棒性。对600例数据构成的训练集和150例数据构成的测试集进行应用,比较了模糊支持向量机和以前的回归方法、误差反向传递神经网络、支持向量机在胎重预测中的性能。结果表明:与其它方法相比,模糊支持向量机能获得更准确的胎重估计。     

基于ANN和SVM的质量预测方法研究

针对随机抽取的质量数据序列的特点,提出时序空间(Time Seauence Space,TSS)的概念,将人工神经网络(Artificial Neural Network,ANN)和支持向量机(Support VectorMachine,SVM)回归模型引入质量数据预测领域.并给出了相应的过程和算法.使用均方误差对拟合精度进行检验,用相对误差对预测精度进行检验.结果表明,相对于传统的多项式回归模型,人工神经网络和支持向量机回归模型的拟合精度较高,相对误差较小,泛化能力较强,可以作为质量数据的预测方法.     

一种基于支持向量回归的驾驶座椅舒适度评价方法

提出一种基于支持向量回归的预测驾驶座椅主观舒适度的方法.预测的输入变量为14个体压分布变量以及3个人体变量,输出变量为整体舒适度指数.通过12名被试对5辆不同汽车进行实际驾驶来获取座椅压力数据.在利用支持向量回归建立的舒适度预测方法进行预测时,均方误差为0.0018,相关系数为0.869,这一结果优于人工神经网络预测模型的预测结果.研究结果有助于汽车制造企业在提高汽车座椅舒适性的过程中降低成本并缩短制造时间.     

基于差分数据图和深度学习的短时交通流预测

交通流量预测(TFP)是提高交通出行效率、减少智能交通系统(ITS)交通拥堵的重要问题。为了从交通流特征提取的角度提高TFP精度,该文提出了一种新的方法DG-CNN-SVR。该方法的基本思想依赖于2个方面:交通流数据趋势和不同工作日的细微差别。因此,引入差分运算来消除趋势分量,然后构建交通数据图以帮助解释复杂特征。通过卷积神经网络(CNN)进行特征学习,并使用支持向量回归(SVR)进行交通流量预测。通过测试数据集的实验结果表明,所提出的TFP方法比单独使用CNN和SVR的情况更有效。     

加法规则的多核学习在甲醇合成中的应用

对粗制甲醇的化学转化过程进行了研究,针对甲醇生产过程中工艺参数与产品质量之间非线性和时变性的问题,为了更好地预测甲醇产率,提出了一种加法规则的多核学习支持向量回归机算法。所提算法依据正定核函数的构造原理,采用将基本核函数进行相加的规则来组合多核函数,进而,建立多核学习支持向量回归机的甲醇合成转化率预测模型。甲醇数据的实验结果表明,对比传统支持向量回归机模型,所提出的加法规则的多核学习模型的甲醇转化率预测精度更优,可以更好地指导甲醇合成。     

面向不平衡数据集的汽车零部件质量预测

针对汽车零部件质检数据存在合格品与不合格品数量不平衡的问题,提出了基于密度聚类与多工序制造特征的MCDC-MF-SMOTE质检数据过采样方法.先对少数类(不合格)与多数类(合格)样本分别进行密度聚类,再对多工序制造数据和类簇样本分布进行过采样权重计算;根据设定的过采样比和类簇权重,在少数类簇中进行过采样数据生成.使用M...     

混合现实装配检测中深度学习的数据增强方法

针对混合现实装配检测中,装配者的视觉检测位姿具有不确定性极易发生误检漏检的问题,提出一种混合现实装配检测中深度学习的数据增强方法.采用人为最佳数据增强策略的数据预处理方法,通过图像增强、几何变换、少量噪声干扰和随机遮挡的方式生成增强数据集,并改善图像增强过程中的特征失真,不仅能有效解决深度学习中人工标注样本任务量大的问...     

自适应环境温度变化的压力式温度仪表的研制

针对如今的市场对压力式温度仪表的精度和操作简洁性有了更高的要求,提出了一种毛细管补偿方法来解决环境温度变化对压力式温度仪表精度的影响。该补偿的原理是在测温系统中置入一个反向偏转机构,反向偏转机构连接一根新增的毛细管,当外部环境温度变化时引起毛细管中感温介质的压力变化,压力变化通过反向偏转机构带动指针的偏转来实现反向补偿。通过传动机构与弹簧管理论分析证明该补偿机构的有效性,并经实验对比了带补偿机构与无补偿机构测温仪表的测量误差,分析得出带补偿机构的温度仪表能使测温仪表的精度得到较大的提高。     

巡检机器人中的指针式仪表读数识别系统

为了解决智能巡检机器人仪表读数识别中易受光照变化影响、识别精度不高等问题,结合高压变电场中常见指针区域的图像特点,建立了指针式仪表读数高精度识别系统。鉴于巡检机器人的室外工作环境,提出了迭代最大类间方差算法,实现了多种光照条件下仪表图像的指针区域提取。经过分析指针转动和图像特性,提出了基于Hough变换的指针角度识别,推导出指针角度与仪表读数的函数关系。该算法较传统Hough变换角度提取法,增加了指针中心线通过表计中心等约束条件,提高了指针角度提取的精度,降低了搜索数据量和搜索时间。通过大量实验验证所建立的表计读数识别系统可实现室外各种光照条件下表计读数识别,获得95%以上的正确识别率。多组鲁棒性实验分析表明,该系统对光照条件、指针宽度、表盘干扰、拍摄角度(不产生指针阴影)具有较好的鲁棒性,但由于拍摄角度而产生指针阴影时,会引起较大的指针中心线提取和角度计算偏差,从而降低仪表读数识别精度。     

基于性能退化预测的数控机床预防维修方法

为解决数控机床传统维修方法存在的"欠维护"或"过维护"弊端,提出了一种基于系统性能退化预测的预防维修方法,利用统计过程控制技术分析产品质量数据,实现机床工作状态的预测。建立了关键零部件的Wiener退化模型来预测寿命分布,从而可结合剩余寿命和收益确定最优预防维修策略。以某汽车活塞生产线上的数控机床异常数据为例,验证了所提方法的有效性。     

基于数字孪生的航天器装配质量监控与预测技术

鉴于航天器装配过程中不确定因素多,无法准确有效地预测和评估航天器的实际性能,装配过程中因进行大量复杂的性能试验来验证产品性能指标的符合性而极大影响了装配效率,提出一种基于数字孪生的航天器装配质量在线监控与预测方法.分析了航天器装配执行层面总体流程的特点,在此基础上给出面向航天器装配质量的数字孪生建模方法,以及面向数字孪...     

基于神经网络与PSO算法的发动机装配工艺参数优化

针对汽车发动机装配过程中缸体泄漏问题,结合Back Propagation(BP)神经网络及粒子群优化(Particle Swarm Optimization, PSO)算法,提出了一种发动机装配工艺参数优化方法。首先,使用BP神经网络建立了生产工艺参数与质量指标之间的非线性映射关系,并以此作为泄漏率预测模型。其次,根据实际生产需求,应用皮尔逊相关性分析法求解得到相关性最强的部分工位工艺参数,并以其作为后续优化对象。最后,以BP神经网络预测模型作为适应度函数,使用粒子群优化算法求解得到工艺参数的最优值。使用400台发动机的实际生产数据进行试验。试验结果显示,BP神经网络具有较准确的预测效果,结合粒子群优化算法得到了优化后的工艺参数值,显著降低了发动机的泄漏率,具有一定的指导意义。     

融合实测数据的航空结构件修配量迭代寻优及评价方法

针对航空大型结构件一次装配成功率低、装配偏差难以预测、修配量无法精准预知等问题,提出了一种融合实测数据的修配量迭代寻优及综合评价方法。以提高修配质量为目标,融合装配过程实测数据重构模型,提出了修配方案逐步优化的总体方案,并根据修配工艺要求提出了基于改进粒子群算法的修配仿真优化方法,进行修配仿真与装配精度预测,确保装配精度首先满足要求;根据模糊数学隶属度理论对修配成本、难度等定性因素进行综合量化评价,实现了多组修配方案的最终优化。以某型中央翼盒总装站位的肋缘条位置偏差控制为例,开发修配方案生成软件工具,开展实际装配作业前的精度预测与修配仿真优化工作。现场应用表明：所提方法可精确预测装配误差,事先准确确定修配方案,切实提高装配质量及效率。     

基于综合灰关联序模型的残差门控循环神经网络位标器零部件选配

位标器漂移性能是决定精确制导武器跟踪能力与制导精度的关键因素之一,通过位标器零部件选配可改善位标器漂移性能.针对位标器零部件一次选配成功率低的问题,提出综合灰关联序(CGRO)模型并对影响位标器零部件选配的装配参数进行关联分析,得到了影响位标器零部件选配的关键装配参数;建立残差门控循环神经网络(RNGRU)模型,实现了...     

侧铣加工刀具回转轮廓误差预测技术研究

在侧铣加工中,刀具磨损和变形引起的刀具回转轮廓误差在实际加工前难以准确预测。提出一种工件形状刀具轮廓映射的辨识试验方法来获取加工过程刀具回转轮廓误差,并通过多因素正交试验获取了不同工况下刀具回转轮廓误差数据库。基于误差数据,采用最小二乘支持向量机（LS-SVM）技术建立了刀具回转轮廓误差预测模型。运用遗传算法优化对所提模型有重要影响的核函数参数和错误惩罚因子, 建立了基于遗传算法优化的最小二乘支持向量机(GA-LS-SVM)模型,并与未经遗传算法优化的LS-SVM模型进行了对比,试验结果表明,GA-LS-SVM预测模型能更好地适用于刀具回转轮廓误差预测。