神经网络与有限元结合在轧机板形预报中的应用研究

通过有限元仿真分析,较准确的模拟了带钢轧制过程,获取对轧机板形影响较大的参数值,并将其结果作为训练样本对神经网络进行训练,建立了较为理想的基于神经网络的板形预测模型,实现了轧制过程中的板形参数的预报。仿真结果表明该神经网络与有限元结合的板形预测模型可获得良好的预测精度,弥补了传统板形预测模型的预测精度不能满足板形在线控制要求的缺陷。     

基于有限元和PSO-BP法的20辊轧机轧制板形预测

针对20辊轧机轧制板形受到多重因素影响、难以精确预测的问题,基于有限元和PSO-BP法,建立20辊轧机轧制板形质量预测模型。根据20辊轧机轧辊间的位置关系,基于有限元软件ANSYS/LS-DYNA,考虑轧辊弹性变形、板带塑性变形与摩擦等因素,建立20辊轧机辊系有限元模型,分析板宽、厚度、张力、速度等因素对板形指数的影响;综合考虑不同轧制板形影响因素,以板形指数作为板形质量衡量指标,基于BP神经网络建立轧制板形质量预测模型,采用粒子群算法优化BP神经网络板形质量预测模型的权值和阈值,提高板形预测精度。     

基于BP神经网络的氧化铝溶出苛性比值预测方法

针对拜耳法生产氧化铝的溶出工序中苛性比值难以实时获得的问题,提出了一种通过BP神经网络模型对溶出苛性比值进行提前预测的方法。根据溶出生产物料输入输出关系,提出了基于物料平衡的溶出苛性比值机理计算模型,并对计算模型的输入变量进行优化,使其能够满足BP神经网络输入的要求。最终设计了一种具有误差反传学习及历史数据训练功能的BP神经网络,经山西某铝厂实际数据测试,BP神经网络能够较好的预测溶出苛性比值。     

基于BP神经网络的表面硬度预测模型

运用MATLAB中BP神经网络强大的数据预测功能,并结合VB编写的用户操作界面,建立了基于BP神经网络的表面硬度预测模型.对该模型进行训练和仿真后,其所得到的结果与实际测量值相差较小,能够达到模型预测的要求,有较好的工程实际意义.     

基于BAS-BP神经网络的钻削力预测

针对传统预测深孔加工中钻削力精度不高的问题以及BP神经网络本身存在的缺陷,提出了BAS-BP神经网络预测模型。文章基于天牛须算法与BP神经网络相互结合,利用天牛须算法计算优化BP神经网络中的初始权值与阀值,从而建立BAS-BP神经网络的预测模型。并与传统BP神经网络预测模型进行对比。结果表明BAS-BP神经网络克服了训练时间长、收敛速度慢的缺点,预测精度明显提高。     

基于BP神经网络的沥青路面沉陷发展预测

为提高沥青路面的检测效率,以某沥青路面某桩号断面的路面沉陷数据为研究对象,基于BP神经网络,对高速公路沥青路面沉陷发展进行了拟合及预测。试验结果表明,BP神经网络模型能够有效预测路面沉陷,随着训练组数据的增加,神经网络模型的预测精度不断提高;基于工程效率和预测精度方面的考虑,建议选用32组数据作为最佳样本数;BP神经网络模型的预测精度显著高于二次曲线法的,相对误差降低了5%。该研究验证了BP神经网络模型应用于路面沉陷发展预测的可行性和有效性,为探究高速公路沥青路面沉陷发展提供了新方法。     

基于BP神经网络的电主轴热误差补偿模型

热误差是影响高精度数控机床加工精度的主要的误差因素.文章主要论述了利用BP神经网络来建立CX8075车铣复合加工中心电主轴热误差补偿模型的建模的过程,以两组不同的数据,分别进行的训练和预测,经过在软件MATLAB中的模拟测试,通过BP神经网络建立的电主轴热误差补偿模型具备了较高的拟合和预测精度.分析结果表明,电主轴的原始热误差值与模型计算的输出结果的值非常接近,最低补偿率可达90％以上,这代表运用该BP神经网络模型能够补偿大部分的热变形误差.     

粗轧过程轧制力BP神经网络预报

利用BP神经网络 ,以某热轧厂粗轧机组数据库中的数据为训练样本 ,采用两种训练方案 ,对粗轧过程轧制力进行预测。BP网络的预报精度 ,既与训练样本的选取有关 ,又与隐层节点的个数以及相对化系数的大小有着密切的联系。以上因素选取得当 ,能够提高网络的预报精度 ,若选取不当 ,则降低网络的预报精度     

一种基于自适应遗传算法优化BP神经网络的漏磁缺陷量化框架

由于传统遗传算法在优化BP神经网络应用中训练速度慢、拟合效果不好,所以神经网络对管道漏磁缺陷的量化精度差。将自适应遗传算法引入到BP神经网络中,进行漏磁缺陷的尺寸反演,根据实测漏磁缺陷的数据特点,自适应设定交叉算子和变异算子的交叉率和变异率,进而优化BP网络的初始权值;采用不同尺寸的缺陷特征库训练网络,实现对缺陷长度、宽度、深度的量化。     

基于灰色理论的数控机床故障预测的研究

针对数控机床可靠性故障间隔预测模型过程中数据采样难度大、成本高、数据量小、常规数据拟合和预测方法误差较大、数据难以处理等问题,提出一种基于传统灰色预测模型,将灰色残差优化模型和BP神经网络模型相结合的预测方法。在预测过程中该模型首先根据灰色理论建立主轴可靠性故障模型,再用BP神经网络训练并优化灰色理论的残差,最后用文献的主轴故障数据验证预测精度。通过不同的算法对数控机床主轴故障的试验数据验证,证明了灰色神经网络模型在主轴可靠性故障间隔工作时间的预测上优于单一算法及GM(1,1,P)模型,验证了灰色神经网络模型的可行性及有效性。