力作用下的腐蚀失效专家系统的设计与实现

利用Visual Basic 60语言编制了一个力作用下的 腐蚀失效专家系统。该系统包括大量应力腐蚀开裂、腐蚀疲劳、氢脆等力作用下的腐蚀失效案例，具有数据浏览、添加、修改、查询等多项管理功能，以及人工神经元网络模型预测系统。     

基于模糊模式识别的金属材料海水腐蚀形貌诊断系统

采用图像扫描方法获得了碳钢、低合金钢实海试片的腐蚀形貌图像,并对图像进行预处理及灰度分析;将所得样本的灰度值分布和对应的腐蚀形貌作为知识库的标准样本,用模糊模式识别理论建立了腐蚀形貌诊断系统,可以由扫描灰度值分布判断金属的表面腐蚀形貌．     

镀层腐蚀特征的图像模式识别算法研究

主要阐述对镀层腐蚀特征信息如何用计算机图像技术进行处理和识别的原理及算法等内容。     

水泵腐蚀失效原因分析

某化工厂安装30多台水泵，仅三个月就腐蚀严重，通过分析，腐蚀类型包括孔蚀、气泡腐蚀、缝隙腐蚀，还原菌腐蚀等，在泵体选材、镀层质量，连接部位密封等方面提出了防腐蚀建议。     

模式识别在金属大气腐蚀预测中的应用

运用模式识别技术,通过对影响金属大气腐蚀主要因素的聚类分析,初步研究了运用典型地区金属大气腐蚀数据预测和评价有关地区大气环境腐蚀性.     

锅炉水冷壁腐蚀失效的原因

某石化厂三台高压锅炉因水冷壁腐蚀爆管引起锅炉机组停机,严重影响机组安全稳定运行。经检测分析,三台锅炉水冷壁腐蚀主要原因是碱性腐蚀,高含量的碱性介质腐蚀水冷壁迎火面内表面上的钝化氧化保护膜,形成腐蚀溃疡,管壁不断减薄,因不能承受高温高压水蒸气的压力而发生爆管。     

基于BP神经网络电液伺服阀多参数故障模式识别研究

分析了电液伺服阀静态特性与故障模式之问的映射关系，介绍了基于BP神经网络电液伺服阀故障模式识别的力法，并进行了实验研究，结果表明该方法故障模式识别准确率较高，可以进一步与伺服阀试验台测试功能进行结合，形成一种具有自学习、自动测试与智能诊断功能的检测系统。     

基于循环神经网络的腐蚀速率预测

采用循环神经网络(RNN)对腐蚀探针的监测数据(90%)进行训练,建立了管道腐蚀速率预测模型,并利用剩余的10%监测数据对模型的有效性进行了验证。结果表明：基于RNN建立的腐蚀速率预测模型能准确地预测出管道的腐蚀速率,预测值与监测数据的均方误差为0.008%,该方法可以为管道的腐蚀监测提供预警信息。     

神经网络在控制图模式识别中的应用

论文综述了神经网络在质量工程领域的发展趋势。并将神经网络应用于统计过程控制的控制图模式识别之中,以BP网络为核心,来监测方差和均值的变动,并且对处于失控状态的加工过程及其产生的原因进行诊断。     

一种作业车间调度问题的Hopfield神经网络优化方法

结合Hopfield神经网络结构和作业车间调度问题(JSSP)的约束特点,给出了适合于Hopfield神经网络求解的作业车间调度问题的矩阵表达数学模型。借用神经网络中能量函数的概念和含义确定网络的连接权,并将模拟退火算法应用于Hopfield神经网络求解,避免了系统输出陷入局部极值。将优化作业车间调度方案问题转换成求解网络系统的平衡点,即吸引子,该网络不仅能输出可行最优解,且优化速度快、实时性强。并通过计算机仿真表明了该方法的有效性。     

基于BP神经网络的油气长输管道失效概率预测

油气长输管道风险评价是保障油气管道安全的重要技术之一,而油气长输管道风险评价的核心内容是定量确定管道的失效概率,因此,油气管道失效概率值的准确性会极大地影响到定量风险评价结果的合理性和适用性。目前,国内外均没有建立管道失效概率计算的数学模型,其预测多是依靠现代数学分析中的预测方法如：层次分析法、故障树分析方法和概率统计方法等。人工神经网络是以大量的具有相同结构的简单单元的连接来模拟人类大脑的结构和思维方式的一种可实现的物理系统或计算机模拟系统。本文将神经网络技术中常用的BP神经网络技术运用到油气长输管道失效概率预测中,依靠其强大的非线性映射关系,在输入、输出关系完全未知的情况下映射出输入、输出的非线性关系,从而建立基于故障树失效因素作为输入而管道失效概率作为输出的预测模型。     

基于BP神经网络的管道腐蚀速率预测

本文将采用BP神经网络技术,以压力、温度、流速、含硫量和酸值作为输入参数,以管道内腐蚀速率作为输出参数,建立了输油管道的腐蚀速率预测模型。计算结果表明,该模型具有较好的预测精度,模拟出的腐蚀速率与实测值能较好的吻合,并且能够反映各因素与腐蚀速率之间的关系。     

基于专家系统和人工神经网络的点焊工艺参数选择

提出了一处集成专家系统和休工神经网络和电阻点焊工艺参数选择人工智能系统。试运行结果表明,该系统充分发挥了专家系统和人工神经网络各自优点,具有使用简单,预测准确度高,速度快等优点,是实用,合理的,这就为点焊工艺参数优选和接头质量预测提供了一种有效的新方法。     

基于神经网络的电液位置伺服系统自适应滑模控制

针对电液位置伺服系统(阀控对称缸)模型复杂、参数时变、摩擦影响显著等特点,提出了基于RBF神经网络和基于Lu Gre模型的自适应滑模控制算法。该算法的优点是:(1)利用RBF神经网络逼近控制电流与系统输出压力的关系,将电液位置伺服系统的数学模型简化为二阶,减少了模型参数;(2)采用Lu Gre模型能够准确地描述摩擦过程中复杂的动、静态特性,通过该模型设计摩擦补偿,提高了控制精度;(3)设计自适应滑模控制器,增强了系统的鲁棒性。利用构建的李雅普诺夫函数,证明了闭环系统的稳定性。仿真实验表明:所提算法控制精度较高、响应速度较快、鲁棒性较强。     

基于改进BP神经网络优化的管道腐蚀速率预测模型研究

目的构造金属管道腐蚀速率预测模型,预测管道的使用寿命。方法分析了二氧化碳(CO2)和硫化氢(H2S)对金属管道的腐蚀过程,给出了管道腐蚀的化学反应方程式。引用了BP神经网络构造金属管道腐蚀速率的数学模型,采用了改进粒子群算法对预测模型进行优化。以45号金属管道为例,借助于Matlab软件对管道腐蚀速率进行仿真验证,并与实验测量数据进行对比和分析。结果金属管道腐蚀速率随着CO2或H2S压强的增大而逐渐增大,仿真结果显示CO2和H2S的最大腐蚀速率分别为7.20×10-5 mm/h和5.76×10-5mm/h,而实验测量结果显示CO2和H2S的最大腐蚀速率分别为7.14×10-5 mm/h和5.65×10-5 mm/h,采用改进BP神经网络预测模型所产生的相对误差在5%以内。结论金属管道在不同压强条件下,采用改进BP神经网络预测模型能够近似地预测其腐蚀速率,为金属管道的更换提供了参考依据。     

基于混合神经网络的数控机床故障诊断技术研究

为了实现数控机床故障诊断的自动化和智能化,提出了一种基于混合神经网络的数控机床故障诊断技术.首先通过一级BP神经网络对输入的故障信息进行分类,然后针对分类后的故障再通过二级ART神经网络实现故障的诊断和排除.基于两级混合神经网络的故障诊断系统不但具有故障自动诊断功能,而且还具有自学习和自组织等智能.     

基于BP神经网络的并联机构误差分析

以3-UPS/S并联机器人机构为研究对象,构建一种基于虚拟实验与BP神经网络的并联机构输出误差预测模型,能够快速预测并联机器人机构的输出误差。充分考虑并联机构铰链安装误差与铰链轴线误差,建立包含上述输入误差的虚拟样机模型,通过虚拟实验仿真求解该机构输出误差;假定机构零部件在大批量生产情况下误差服从正态分布,构造多组服从正态分布的输入误差样本,进而建立该机构的BP神经网络预测模型。研究结果表明:该BP神经网络模型可以准确、快速地对机构位姿输出误差进行预测,为并联机器人机构的误差分析与精度综合提供了新的依据。     

基于RBF神经网络的永磁同步直线电机全局滑模控制

针对永磁直线同步电机直接驱动伺服系统存在负载扰动、参数时变、非线性摩擦及端部效应等不确定性因素,提出了一种神经网络增益切换全程滑模控制策略。该策略使控制系统一开始就处于滑动模态上,使系统具有全局鲁棒性。其次,通过递归神经网络的在线学习来对不确定界限实时估计,并引入饱和函数,以进一步降低控制中的抖振,改善系统的性能。通过仿真对所提方案与PID控制和传统滑模控制进行对比,验证了所提出的方案有更好的鲁棒性和跟踪能力。