基于深度学习的离散智能车间订单完工时间预测方法

设计了一种基于深度学习的预测模型,以提升具有大数据特征的离散智能车间订单完工时间预测能力。从当地企业的MES系统中查询选取生产线的数据用于研究,初步统计分类并使用主成分分析法处理;搭建基于DNN（深度神经网络）的预测模型,初始化模型参数,选择Softmax回归分类器;对比BP神经网络与RBF神经网络,以验证模型准确度和可靠度。     

多几何要素影响下液压阀件特性的混合神经网络预测模型

液压阀件系统是一个具有多几何要素影响的多系统特性复杂系统,建立液压阀件特性预测模型,以系统多几何要素作为输入,实现系统特性的预测,将对实际生产具有重要的意义。在深入分析反向传播(Back propagation,BP)神经网络与径向基函数(Radial basis function,RBF)神经网络的基础上,结合两类神经网络的特点,提出基于BP神经网络与RBF神经网络的混合神经网络预测模型。利用生产实际中实测的某具体液压阀件特性值及影响该特性的各几何要素值作为预测模型的数据来源,对所提出的混合神经网络进行训练,并进行仿真。实例计算表明混合神经网络预测模型可提高单项神经网络预测模型的预测精度,预测平均相对误差为0.0461。可见,所提出的混合神经网络预测模型能够很好地满足工程实践中液压阀件特性预测要求。     

GA-BP神经网络预测钛合金表面粗糙度

为了有效预测铣削加工中钛合金工件的表面粗糙度,建立了以切削速度、进给量、径向切深、轴向切深为输入参数,表面粗糙度为输出参数的预测模型。该预测模型将遗传算法与BP神经网络结合起来,使用遗传算法优化BP神经网络的初始权值和阈值,进行铣削实验获得实验数据,并对神经网络进行训练,最终获得预测模型。通过对比分析GA-BP预测模型、BP预测模型、线性回归预测模型的预测精度,得出GA-BP预测模型具有相对较好的预测精度,证明该预测模型是有效的。     

基于PCA-BP神经网络的精馏塔产品组成软测量模型

依据工艺机理和操作经验，初选了醋酸精馏塔产品组成的神经网络预测模型的输入变量，运用主元分析方法对输入变量进行主元分解，降低输入变量维数且消除了输入变量之间的线性相关性，再通过基于LM优化算法的BP神经网络进行建模。仿真结果表明，该模型具有较快的训练速率和较高的预测精度，可以满足精馏过程对出口物料组成的在线软测量要求。     

基于主成分分析的BP神经网络内螺纹冷挤压成形质量预测

根据冷挤压内螺纹成形中径、螺距、牙型半角和牙高率等来综合评定内螺纹的成形质量等级,并基于BP神经网络对其进行预测。在BP神经网络预测模型数据前处理过程中,采用主成分分析方法以提取影响内螺纹冷挤压成形质量的主要因素,消除各影响因素之间的线性相关性。试验结果表明,与传统的BP神经网络相比,采用该方法的BP神经网络模型,简化了网络结构,提高了收敛速度及预测精度,能准确实现内螺纹成形质量等级的预测,从而为内螺纹质量的检测提供了一条新途径。     

基于PCA与BP神经网络的滚动轴承故障诊断

为了提高滚动轴承故障诊断效果,提出主成分分析结合BP神经网络的方法。简要介绍主成分分析法将轴承振动信号时域与频域的特征数据降维处理以及BP神经网络训练过程的原理。利用主成分分析与BP神经网络模型对凯斯西储大学轴承数据进行训练,将滚动轴承的状态类型作为网络输出结果。经过600组训练数据以及145组测试数据的仿真,结果表明主成分分析与BP网络模型比BP神经网络的训练误差精度相对提升了31.14%,测试误差精度相对提升了29.86%。     

基于遗传算法的人工神经网络在航空发动机磨损预测中的应用

提出了一种将遗传算法和BP算法相结合的学习算法来训练BP神经网络,实现网络结构的优化,并用优化后的BP人工神经网络建立了航空发动机的磨损预测模型。将该模型预测结果与BP算法和多元线性回归法的预测结果进行了比较。检验结果表明：基于遗传算法的BP神经网络优于BP算法及多元线性回归法,具有良好的预测效果。     

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。     

设备故障趋势预测的分析与应用

研究了设备故障趋势的预测方法，介绍了非线性自回归模型，提出将BP神经网络与非线性自回归模型相结合，针对实验室JZQ250型齿轮箱的测试系统建立了基于振动信号的神经网络预测模型。采用MATLAB软件中自带的神经网络工具箱，利用模块化的编程思想，编程实现了神经网络预测模型．并利用实验室数据的峭度指标进行了实验。首先给出网络的输入及对应的目标输出，然后经过训练获得网络的权值和阈值，最终构建齿轮箱故障趋势的预测神经网络，用来预测齿轮箱的故障趋势。结果表明，该模型能够有效地短期预测齿轮箱的典型故障，可以用于齿轮箱的故障诊断。     

基于灰色预测和BP的集气管压力集成预测方法

针对焦炉煤气集气过程是一个高度复杂的工业生产过程,难以获得焦炉集气管压力的精确数学模型的问题,提出一种基于灰色预测和BP神经网络的集气管压力集成预测模型。该模型首先利用灰色预测和BP神经网络分别对焦炉集气管压力进行预测,然后采用熵值法确定各预测子模型的加权系数,将两个子模型进行加权集成,可以获得较为准确的焦炉集气管压力值。将其预测性能与单一的灰色模型和BP神经网络模型进行比较,运行结果表明:集成预测模型的预测效果和性能优于单一的灰色模型和BP神经网络预测模型,能够获得较高的预测精度。     

电厂烟气含氧量的智能混合预测方法

针对电厂烟气含氧量难以进行有效预测的问题,提出一种烟气含氧量的智能混合预测方法。首先采用RBF神经网络、主元分析方法对输入变量进行降维处理;其次利用上述分析结果运用案例推理方法进行烟气含氧量的预测;然后,为反映烟气含氧量数据中的时间累积效应,采用过程神经网络方法对当前时刻烟气含氧量进行预测;最后基于方差-协方差方法的权值组合预测方法,获得最终的烟气含氧量。基于实际运行数据的分析和工业试运行表明,所提出的智能混合预测模型具有较高的精度和鲁棒性,可以较好地解决电厂烟气含氧量的预测问题。     

热力参数的KPCA-RBF网络建模及传感器故障诊断方法

针对复杂恶劣环境下机组热力参数的数据监测及传感器故障诊断问题,建立了融合机理分析、核主元分析(kernel principle component analysis,简称KPCA)与径向基神经网络(radial basis function,简称RBF)的发电机组热力参数预测及传感器故障检测模型。首先,根据机理分析得到完备的辅助变量集,并利用核主元分析提取辅助变量的特征信息以有效处理发电机组中高维、强耦合的非线性数据;其次,将主元变量集输入径向基神经网络进行学习,实现热力参数的重构;最后,基于预测模型与窗口移动法实现传感器的故障诊断,并对故障数据进行及时修复和准确替换。以燃气轮机排气温度为例进行验证的结果表明,该预测模型具有更高的精度和泛化能力,能在传感器故障发生初期及时发现并识别故障类型,检测效果优良。     

基于IA-PSO-BP模型的电主轴热误差预测方法

针对电主轴在运作时因为温升而产生热误差的问题,提出一种基于免疫粒子群优化BP神经网络（IA-PSO-BP）的电主轴热误差预测模型。通过测量电主轴在工作过程中的温升以及热位移,获取建立预测模型所需的数据,使用IA-PSO-BP模型在MATLAB中建立热误差预测模型,并与未经过优化的BP神经网络所建立的模型进行测试对比。结果显示,经过优化的BP神经网络对热误差的补偿能力高达98.4%,和当前工程常用的BP神经网络相比,平均预测误差下降了62.6%,预测误差的均方差下降了66.4%,可见其预测精度得到了显著提升。     

基于PCA-改进算法BP神经网络的软测量技术

本文在利用动量法和自适应改变学习率改进BP神经网络算法的基础上,针对网络权值调整时不容易跳出误差平坦区的问题,进一步对神经网络的学习算法进行了改进,引入一个陡度因子.并与主元分析相结合,形成了PCA-改进算法的BP神经网络.通过在塑料缠绕过程塑料张力预测中的仿真实验结果表明PCA-改进算法后的BP神经网络不但可以提高模型的精度而且也使网络的泛化能力得到了增强.     

主元分析法在原油储罐监控系统中的应用

为了确保安全生产,实时监控原油集输过程中的变量,基于主元分析方法研究原油储罐各参数的变化规律,建立了主元回归模型,分析影响原油储罐正常运行的主要因素,对生产过程工艺参数的不正常状态实现有效的识别.通过现场数据验证表明本文基于主元模型和采用统计量检测故障的方法,对过程参数发生异常的现象具有较精确的分辨能力,可获得比较满意的结果.     

基于多参数融合的风电机组齿轮箱油温预警方法

针对风电机组齿轮箱状态监测问题，提出一种基于多参数融合的齿轮箱油温预警方法。首先，通过相关性分析法提取与齿轮箱油温相关性高的参数作为模型的输入。采用改进的粒子群优化BP神经网络(imPSOBP)，建立齿轮箱油温预测模型。然后，通过计算齿轮箱油温预测值与实际值的残差绝对值，并结合加权移动平均法、核密度估计法建立齿轮箱油温故障预警模型。基于某风场的数据进行了实验验证，对比分析了imPSO-BP模型和PSO-BP模型的预警效果。结果表明：提出的方法预测精度高，可提前齿轮箱油温异常预警时间，预警时间提前约27小时。     

基于粗糙集和PSO-Elman的商业建筑空调冷负荷预测

为了精确预测商业建筑空调的冷负荷，建立基于粗糙集和PSO-Elman神经网络的预测模型。首先利用粗糙集对空调冷负荷的影响因子进行属性约简，然后应用粒子群算法优化Elman神经网络的权值和阈值，建立PSO-Elman商业建筑空调冷负荷的预测模型。采集桂林某商业建筑的空调数据和气象参数验证PSO-Elman预测模型的预测性能，并将该模型的预测结果与Elman预测模型的预测结果进行对比分析。研究结果表明，PSO-Elman预测模型的预测精度高于Elman预测模型，PSO-Elman预测模型预测结果的平均绝对相对误差、均方根相对误差、均方根误差和平均绝对误差分别为4.87%,6.15%,423.71和335.86，与Elman预测模型的预测结果相比，这些误差参数分别降低了2.46%,2.46%,169.65和156.57。由此可知，PSO-Elman预测模型能够精确有效地预测商业建筑空调的冷负荷。     

采用BP神经网络预测碳纤维增强树脂基复合材料的钻削力

采用双锋角钻头对碳纤维复合材料进行钻削试验,基于反向传播算法的人工神经网络建立钻削轴向力与主轴转速、进给速度之间的非线性关系模型,对比分析三种不同第二主切削刃与第一主切削刃之比的双锋角钻头在试验加工参数下钻削轴向力变化规律。结果表明:与多元线性回归预测模型对比,在相同试验数据为基础的预测计算下,BP神经网络预测值相对误差明显减小,网络预测值误差均在3%之内,而多元线性回归模型最大误差值达到了12.46%,BP神经网络能建立更精准轴向力预测模型。从降低钻削轴向力的角度分析,应采用第二主切削刃与第一主切削刃之比为1的双锋角钻头进行钻削加工。     

基于KNN-CatBoost的叶丝含水率预测

针对烟草生产过程中叶丝干燥工序的含水率波动较大、人工干预强度大等问题,提出了一种基于机器学习的叶丝含水率预测模型。由于生产过程中存在数据失去时序对应关系和数采不完整,导致模型准确度较低,为解决此问题,基于k近邻思想进行标签噪声过滤,剔除受到不可控因素影响的数据,然后利用CatBoost回归模型对叶丝干燥工序之前的叶丝膨胀工序入口含水率进行预测。实验结果表明,该模型能够有效地预测叶丝膨胀入口含水率,辅助提前修正后续工序相关参数,减少后续叶丝干燥工序的人为操作,可提高生产效率,降低品质波动。文中的方法具有一定的实用性和推广价值。     

基于多变量气象因子的LMBP电力日负荷预测

提出基于主成分分析处理多天气因素的LMBP电力负荷预测模型。采用主成分分析技术对多气象因素进行降维处理,提取多天气因素特征量,既全面表征天气因素对电力负荷的影响,又简化预测模型。将得到的新气象特征量与历史负荷数据共同作为建模对象。采用基于L-M优化算法的BP神经网络(LMBP)进行预测分析,通过最速梯度下降法和牛顿法之间的自适应调整优化网络权值,有效提高网络的收敛速度和泛化能力。通过对美国南部某地区实际电力负荷系统进行预测分析表明该方法可以有效提高预测精度和预测效率。