A review of knowledge-based expert systems for process planning. Methods and problems

This paper presents a review of knowledge-based expert systems for process planning and related methods and problems. It is based mainly on literature and partially on a questionnaire investigation carried out by the author. After a general presentation of process planning, the main problems are classified and the related methods and approaches for solving them are discussed. Finally, a list of fifty-two prototype systems is presented and their main characteristics are summarised in two tables.     

基于人工神经网络进行带钢轧制过程轧辊偏心的识别

人工神经网络是一门新兴的学科。伴随着计算机技术的飞速发展 ,人工神经网络的应用前景越来越广阔 ,本文试图运用人工神经网络的基本理论与观点 ,结合轧制过程的控制数模 ,对带钢轧制过程中轧辊偏心识别进行研究 ,并建立一种新的数学模型 [1 ] 。     

基于遗传算法的神经网络结构设计

神经网络具有广泛的工程应用前景,但在实际应用中还存在一些困难,如何优化网络结构目前尚无理论指导,应用遗传算法与误差反向传播算法相结合的混合学习过程研究网络结构设计,实例表明通过遗传算法优化网络结构,能够有效地提高网络性能。     

人工神经网络在石油分析中的应用研究(Ⅰ)——BP神经网络预测石油馏分临界性质

基于面向对象程序设计的设计思想,定义３种新的神经元结构体类型变量,研究了４种变形ＢＰ神经网络模型,引入神经元非线性敏感度因子、动量因子和阈值的动态修正,在一定程度上克服了传统ＢＰ网络收敛速度慢、易陷于局部极小的缺陷,将４种模型应用于石油馏分临界性质的预测,取得较一般常规非线性处理方法更高的预测精度。     

基于遗传算法的TSP问题求解

遗传算法（ＧＡ）是一种基于自然群体遗传机制的高效搜索算法,由于它在搜索空间中同时考虑许多点,这样就减少了收敛于局部极小的可能,同时也增加了处理的并行性。因此,可以利用遗传算法研究典型的组合优化实例———ＴＳＰ问题的求解问题,相应的求解方法称为遗传优化算法。计算机模拟结果表明,与Ｈｏｐｆｉｅｌｄ神经网络算法相比较,遗传优化算法不仅在收敛速度方面优于神经网络算法,而且通过较少的计算量就可以得到优于神经网络算法而更接近于最优解的满意解。     

变压器故障诊断的人工神经网络法

介绍了一种对油浸式电力变压器故障进行诊断的人工神经网络方法（ANN）．提出了人工神经网络的模块化结构,并用具体实例说明ANN对变压器早期潜伏性故障作出预诊断的可行性和正确率．     

神经网络的知识处理

从知识处理角度,分析研究了神经网络的知识表示,获取和推理机制,并结合心电图分类进行了实例验证,结果表明神经网络既能正确识别训练过的心电图,又对未训练过的心电图有较好的分类能力。     

一种基于人工神经网络的短期负荷预测技术

提出了一种基于人工神经网络的电力系统短期负荷预测技术,该方法在计及气温因素对负荷预测影响的基础上,将神经网络同一种较为新颖的预报模型相结合,因而具有较高的预测精度。计算实例证明了该法的可行性和有效性。     

基于量子行为烟花算法的移动机器人路径规划及平滑

针对移动机器人全局路径规划问题,提出一种基于量子行为烟花算法(quantum-behaved fireworks algorithm,QFWA)的路径规划方法.改进算法在基本烟花算法(fireworks algorithm, FWA)的基础上增加了基于量子行为的烟花爆炸策略.该策略使得种群在接近全局最优时具有较强的局部搜索能力,同时在种群远离全局最优位置时具有较强的全局搜索能力.改进算法提高了烟花爆炸产生火花的多样性和算法的收敛速度.在Benchmark测试函数上将改进算法与其他几种优化算法进行了对比,结果表明改进算法的性能优于其他算法.将QFWA应用于求解移动机器人路径规划问题,并采用均值滤波结合人工势场法对规划出的路径进行路径平滑处理.仿真实验结果表明改进方法在移动机器人路径规划问题上的可行性和有效性.     

Valve stiction detection through improved pattern recognition using neural networks

A non-invasive method for detecting valves suffering from stiction using multi-layer feed-forward neural networks (NN) is proposed, via a simple class-based diagnosis. The proposed Stiction Detection Network (SDN) uses a transformation of PV (process variable) and OP (controller output) operational data. Verification of the proposed SDN model’s detection accuracy is done through cross-validation with generated samples and benchmarking with various industrial loops. The industrial loop benchmark predictions of the proposed SDN method has a combined accuracy of 78% (75% in predicting stiction, and 81% for non-stiction) in predicting loop condition, matching capabilities of other established methods in accurately predicting realistic industrial loops suffering from stiction, while also being applicable to all types of oscillatory control signals.