随机截尾数控机床故障过程

首先应用故障总时间法对某型号数控机床在一年中的25个随机截尾故障数据进行预处理,然后采用图示和统计两种方法对故障数据进行趋势检验,最后通过参数估计和线性相关检验确定了数控机床故障过程符合威布尔过程。研究结果为数控机床的可靠性分析和评价提供了理论依据。     

梯度下降优化神经网络的主轴可靠性预测模型

为了提升机床主轴可靠性预测精度,提出了基于优化级联前向神经网络进行数控机床主轴可靠性预测的改进算法。将小批量梯度下降算法与级联前向神经网络预测方法相结合进行神经网络优化,增加了预测的准确度。对收集的主轴可靠性相关数据进行初步分析,选取前n个可靠度数据以及第n+1个可靠度数据对应的故障时间点t作为神经网络的输入变量,第n+1个可靠度数据作为输出变量,完成可靠性预测模型的训练以及测试数据的误差对比分析。实例仿真分析结果表明:应用该方法得到的可靠度预测值最大相对误差的绝对值为2.41%,小于3%,该预测方法精度较高。与BP神经网络等其他预测方法得到的预测结果最大相对误差大于3%,甚至超过10%相比,可以实现数控机床主轴更加精确的预测,为研究数控机床可靠性提供理论依据。     

数控机床可用度建模与仿真

首先对数控机床运行的动态变化过程进行深入分析,建立了可靠性随机Petri网模型;其次利用故障总时间法得到各故障时刻和各子系统对应状态,在此基础上进行蒙特卡洛仿真,建立了数控机床和独立子系统的动态可用性模型。文中以7台数控车床的261条故障数据为例进行分析,确定数控车床及各子系统可用度随时间的变化趋势,分析结果为合理制定数控车床的维修策略以及设备可用性状况预测提供依据。     

基于模型群预测法对汽油机稳态原排的预测

针对通过数值模拟减少汽油机台架试验环节的工作量、提高试验效率的问题,采用模型群预测法(优化后的人工神经网络方法)对汽油机台架试验过程中的NOx、CO、HC等稳态原排进行建模及预测分析。结果表明:与传统的单个模型预测方法相比较,模型群预测法具有较高的可靠性,能较好地提升预测结果的准确度。采用隔点取点法适当减少神经网络建模的训练数据集,仍能保持较好的预测能力,在项目开发过程中只需进行30%的测试量,将试验结果用于神经网络模型训练,可较好地预测剩余工况排放。通过对其他机型的验证分析,模型群预测法在内燃机稳态原排的预测过程中具有较好的普适性。     

RBF神经网络在电力负荷预测中的应用

将ＲＢＦ（ＲａｄｉａＢａｓｉｓＦｕｎｃｔｉｏ．辐基函数）人工神经网络模型用于电力系统日峰值负荷与日小时负荷的预测。文中首先给出了ＲＢＦ网络的结构，然后讨论确定ＲＢＦ网络中心及网络训练的聚类法和正文化法。利用从京津唐系统中收集到的负荷数据进行网络模型的训练和回响检测，所得结果证实了ＡＢＦ网络用于负荷预测的有效性。     

应用人工神经网络识别试井解释模型

对不同的试井解释模型，把压力导数曲线作为训练样本，应用ＢＰ网络进行训练，训练后的网络能根据现场的实际井数据识别试井解释模型，本文用模拟的数据，不完整的数据，有噪声的数据和一个现场试井数据对这个ＢＰ网络进行了测试，结果表明人工神经网络能够正确地识别试井解释模型，也能识别了不完整的，有噪声的数据，人工神经网络技术有效地改进了目前在试井解释模型吉广泛采用的模式识别方法，是一个非常值得推广和使用的技术。     

基于人工神经网络的变压器绝缘老化诊断算法研究

介绍了人工神经网络在变压器绝缘老化诊断中的应用,并采用BP算法设计了变压器绝缘老化诊断系统.定义了不同的变压器状态,采用大量的数据进行训练,结果表明,应用人工神经网络对变压器绝缘老化程度进行判断并对其剩余寿命进行评估,具有更高的准确性和可靠性.     

非齐次泊松过程的数控机床可靠性建模

基于试验总时间法对多样本随机截尾的数控机床现场数据进行趋势检验,在故障过程为浴盆曲线的趋势条件下,构建了数控机床的非齐次泊松过程的可靠性模型。使用极大似然估计法对非齐次泊松过程的强度函数进行参数估计,得到了该模型的可靠性指标。以6台加工中心的现场数据为例,建立了非齐次泊松过程的可靠性模型。     

神经网络模型在脱氮预报中的应用

讨论了人工神经网络方法在含氮量预报上的应用策略 ,并建立了一个 6 - 7- 1结构的三层 BP网络模型 ,进而分析了 BP网络模型在实际应用中存在的问题 ,对 BP网络算法进行了改进 ,在基于改进的神经网络算法基础上 ,使用 C语言实现了程序设计 ,采用收集的 6 7组实验数据进行了离线学习 ,完成了对网络的训练 ,并用训练好的网络模型对 1 2组样本进行测试 ,预测值误差在± 1 0× 1 0 - 6范围内时命中率为 74% .     

基于改进K—means聚类的kNN故障检测研究

为了减少计算量,提高故障检测准确性,提出一种基于改进K—means聚类的kNN故障检测方法．首先通过改进K—means聚类将原始建模数据分成C个类,然后利用kNN分别对每个类建立模型．在每类的训练数据集合中找到每个样本的k个最近邻,计算k个最近邻距离的平方和．基于训练数据确定进行故障检测的阈值．对新的待检测样本,先判断属于哪一类,然后应用对应类的kNN模型进行故障检测．仿真结果表明：该方法不但可以提高过程故障检测的可靠性,而且大大缩短了故障检测时间．     

Mass concrete strength assessment method by Sonreb and Core combined method using artificial neural network

The Sonreb and Core (SRC) combined method is proposed to assess the concrete compression strength of mass concrete structures.Artificial neural network is employed together with the SRC combined method to obtain the optimal core number.The artificial neural network is trained based on data from different testing methods.The procedure of using artificial neural network to assess the concrete strength is described.It proves that the SRC combined method is superior in many aspects and artificial the presented neural network has a high efficiency and reliability.The combined method using artificial intelligence is promising in the strength assessment of mass concrete structures such as the dam,the anchor of the suspension bridge,etc.     

精密机械热动态误差模糊神经网络建模研究

结合模糊逻辑与人工神经网络的优点,提出精密机械热动态误差的模糊神经网络模型,并在多变量模糊模型后件结构与参数辨识中提出了主分量分析建模的新方法.基于语言控制规则的模糊模型,采用模糊推理方法,建模的关键在于结构辨识和参数辨识. 采用主分量分析方法可有效地辨识模型后件的结构与参数.为克服建模用的有效数据量少于后件参数,而无法建立相应的模糊模型这一问题,采用一种多变量系统的模糊神经网络建模方法,利用神经网络具有学习的能力,通过使用适当数量的具有充分激励信息的优选数据组作为学习样本对神经网络进行训练,从而建立起模糊神经网络模型.当辨识的模型精度达不到要求时,可应用模糊神经网络的多次训练获取更高的模型精度.实测数据建模表明,模糊神经网络模型能有效地描述热动态误差.     

应用神经网络预测橡胶配方的性能

建立了以配合前用量和胶料物理性能的人工神经网络模型, 训练后的神经网络能较好的拟合实验数据, 对９ 个橡胶配方的性能进行回想和预测结果与试验值的偏差小, 说明利用神经网络方法精度高, 数学模型可靠     

基于机电阻抗法的桁架结构加载状况监测

采用机电阻抗法监测三跨桁架结构加载状况,并利用BP神经网络方法进行结构载荷的定位和定量研究.首先,研究激励频率对压电陶瓷片感知结构变化的灵敏度的影响,并选取最佳敏感频段为190~200 k Hz.然后,测得2个监测节点独立性良好,有助于实现载荷定位监测.最后,将采集到的桁架结构加载时的部分阻抗虚部数据进行合理的数据压缩后作为输入样本.压缩前后的数据对比显示这种压缩方法具有可靠性.建立并训练神经网络,剩余部分数据经过相同处理后作为测试样本对训练好的BP网络进行测试.实验结果表明:基于机电阻抗法,利用神经网络可有效实现桁架结构中载荷的精确定位与定量.     

基于注意力机制的数控机床热误差深度学习预测方法

为提高热误差预测精度和鲁棒性,提出一种基于注意力机制和深度学习网络的数控机床热误差预测模型。采用数据转化策略,将数控机床原始温度数据转化为温度图像,直接作为深度学习网络的输入;提出一种基于注意力机制的温度敏感点识别网络,根据温度测点与热误差关联程度,赋予各温度测点不同的权值,避免了温度测点的人为选取弊端;建立12层深度CNN学习预测网络,利用其强大的图像特征学习能力,挖掘温度图像与热误差的非线性映射关系,无需对温度关键点进行预选择,保留了更多的热误差与机床温度特征关系,显著提高了模型预测精度。为了提高热误差模型的精度与泛化能力,引入Dropout正则化方法和Adam优化算法,对深度卷积神经网络的结构与参数进行了优化。该方法在针对G460L型数控车床的热误差验证中表现出较高的预测精度。通过与BP神经网络和多元回归等传统热误差模型进行对比,深度卷积神经网络框架下的热误差模型在泛化性指标上表现更优。     

Earth slope reliability analysis under seismic loadings using neural network

σ2Z=∑ni=1(g Xi)2Var(Xi)(5)whereVar(Xi)isthevarianceofrandomvariableXi.AccordingtoEqn.(1),weobtainμZ=μF-1;σZ=σF(6)whereμFandσFarethemeanvalueandthestandarddeviationofthesafetyfactorF,respec tively.Consequently,thereliabilityindexinslopesafetyanalysiswasevaluatedasfollowsbasedontheconceptoftheFOSMmethod[1].β=μZσZ=μF-1σF(7)whereβisthereliabilityindexinslopestabilityanalysis.ThekeystepofEqn.(7)isthecalcula tionofthestatisticalmomentsofthesafetyfactor,i.e.themeanvalue(μF)an…     

Development of a multi-layer perceptron artificial neural network model to determine haul trucks energy consumption

The mining industry annually consumes trillions of British thermal units of energy,a large part of which is saveable.Diesel fuel is a significant source of energy in surface mining operations and haul trucks are the major users of this energy source.Cross vehicle weight,truck velocity and total resistance have been recognised as the key parameters affecting the fuel consumption.In this paper,an artificial neural network model was developed to predict the fuel consumption of haul trucks in surface mines based on the gross vehicle weight,truck velocity and total resistance.The network was trained and tested using real data collected from a surface mining operation.The results indicate that the artificial neural network modelling can accurately predict haul truck fuel consumption based on the values of the haulage parameters considered in this study.     

基于GRNN的砂土液化危害等级评价模型研究

影响砂土地震液化的因素复杂且具有随机性和不确定性.神经网络方法不仅能考虑定量因素,而且能考虑定性因素的影响,因而神经网络方法适用于解决非确定性的砂土地震液化评价问题.在分析广义回归神经网络的基本原理和算法基础上,建立了砂土液化危害等级评价的广义回归神经网络模型.然后用收集到的工程实例样本对该模型进行训练和检验,并与BP神经网络判别结果进行对比.结果表明,广义回归神经网络性能良好、预测精度高,是砂土地震液化危害等级评价的一种有效方法.     

基于人工神经网络的桩基础选型研究

将人工神经网络引入桩基础选型中，分析影响桩基础选型的重要因素和BP神经网络的特点，确定网络结构。利用Matlab 6．5人工神经网络工具箱构建桩基础选型模型，并利用Matlab语言编制人机交互式界面，使选型过程简单明了。将典型工程项目工程地质资料数据作为网络学习训练样本输入建立的神经网络模型，对其进行训练、优化。经检验。训练好的网络模型性能良好，达到了智能预测的目的。     

Simulation of the Ultrasonic Precipitation Process of Nano-hydroxyapatite by an Artificial Neural Network

1Introduction Hydroxyapatite(HA)hasbeenwidelyconsideredas oneofthemostimportantbioceramicsformedicalandden talapplicationssuchasdentalimplants,alveolarbridgeaugmentation,orthopaedics,maxillofacialsurgeryanddrug deliverysystemsduetoitsbiocompatibility,andc…