基于密度聚类补偿模糊神经网络的建模方法

补偿模糊神经网络是综合补偿模糊逻辑和神经网络的混合系统。提出了将密度聚类算法运用到补偿模糊神经网络的输入模糊化和规则提取中。通过该方法对非线性系统的建模,仿真结果证明改进后的网络在提取规则、误差精度、收敛速度等方面均优于传统补偿模糊神经网络。     

改进的模糊Min-Max神经网络与模糊系统建模

应用改进的广义模糊Min—Max神经网络进行样本分类，并以此分类结果确定模糊系统所需的模糊规则数，再运用TSK模糊系统实现函数建模，该方法的优势在于，改进的广义模糊Min—Max神经网络具有较好的自适应分类能力，可用来初步确定模糊规则数和规则空间的划分。有效避免了模糊建模时常见的规则数选取之随意性，实验结果证明，该方法实用有效。     

基于递归补偿模糊神经网络的发酵过程建模

提出一种新型的动态网络———递归补偿模糊神经网络,结合弹性BP算法,把它应用于某多粘菌素的发酵过程的建模与状态预估。仿真结果表明该网络模型训练步数少,训练误差小,收敛速度较快,能够较准确地拟合过程的动态特性,预估精度较高,可用于发酵过程的优化控制。     

基于神经网络建模的预测控制

预测控制具有多步预测，滚动优化和在线自适应校正等优点，文中提出了用神经网络方法建立预测模型，将其应用到了润滑溶剂脱过程并取得了有效的仿真结果。     

基于自适应最优模糊逻辑系统的移动通信话务预测

移动通信话务数据具有强非线性,传统的预测技术很难准确预测其变化规律．文中根据移动通信话务量的特点,对移动通信话务数据进行分块建模——采用最近邻模糊聚类算法对周期分量模块进行建模,采用线性回归方法对趋势分量模块进行建模,并据此设计了一种智能型的自适应最优模糊逻辑话务预测系统,进而对广东某地区的话务数据进行了预测．现场调试结果表明,该预测系统能有效预测移动通信的话务量．     

浅析工件加工后变形的原因及预防措施

随着现代化工业技术的提高,产生对高精度的工件需求逐渐增加.在生产工作活动中,经常遇到工件经过加工后产生一定的形变,导致不能很好匹配预先设计的配对零件.从而产生一定程度的生产加工成本浪费,甚至引发一系列工程故障和事故.然而,如何提高工件的加工精度和减少误差,是提高工件质量的重要保证.     

端铣加工工件变形仿真预测方法研究

研究端铣加工变形的仿真预测方法.将理论计算与有限元方法相结合,提出采用加工过程离散与载荷等效的方法将瞬态铣削力和瞬态铣削热作为动态载荷施加于工件的有限元模型上,应用间接热-结构耦合场分析方法,模拟复杂工件的三维铣削加工过程.预测了工件在铣削力和铣削热作用下的变形情况.通过实例仿真及分析结果与实际加工情况的对比,验证了所提出的仿真预测方法的可行性与有效性.     

补偿递归模糊神经网络及在热工建模中的应用

在传统的模糊神经网络中引入递归环节和补偿环节,构成了一种新型补偿递归模糊神经网络(CRFNN),改善了网络的动态响应特性和学习能力.在此基础上,采用一种新型序贯监督策略对网络进行结构辨识,能够有效地确定模糊规则的条数以及相关参数的初始值.针对CRFNN的结构特点,提出了改进的BP算法,能够对网络的结构参数进行进一步的学习.对典型的热工对象以及复杂的ALSTOM气化炉进行的建模计算结果表明,提出的CRFNN具有优良的动态响应特性和很强的学习能力,值得在热工建模与控制领域中推广应用.     

镜像铣加工过程中薄壁工件变形和振动的预测

镜像铣是大型薄壁工件加工的有效方法,在航空航天等重要领域有着广泛的应用.镜像铣加工过程中薄壁工件的变形和振动是影响加工精度的主要因素,如何准确预测镜像铣加工过程中薄壁工件的变形和振动是优化加工参数、提高加工精度的关键问题.本文基于金属切削原理并考虑了薄壁工件加工过程中的弯曲变形和铣削力相互作用,建立了铣削力预估模型.在此基础上,结合薄板小变形理论和有限元法,建立了考虑加工过程中材料去除和铣削力与支撑同步运动的薄壁工件镜像铣动态力学模型.通过仿真模拟,研究了支撑刚度、支撑阻尼、主轴转速和进给率对薄壁工件变形和振动的影响规律.结果表明,在镜像铣加工过程中薄壁工件的变形随着支承刚度的增加而减小,振动幅值随着支撑阻尼的增加而减小.最后,对6061铝合金薄板的镜像铣加工实验与本文建立模型的时域和频域信号进行了比较.振动数据采集点处的模型预测结果与实验相差小于5%,二者对比结果表明所建立的模型能够对薄壁工件加工过程中的变形和振动进行准确的预测.镜像铣加工相比于直接铣削加工,薄板加工点处的振动幅值从71.61μm减小到5.71μm,对比结果表明柔性支撑结构能够有效地减小加工过程中薄壁工件的振动.本文...     

车削加工误差补偿技术的研究

为了克服细长轴类零件车削加工变形对其加工精度的影响,尽可能提高切削效率,研究了根据加工精度要求和车削力大小,确定切削速度、进给率和切削深度的优化组合选取范围.使得工件变形大小不超过允许的极限值,从而满足加工精度要求以及为了尽可能提高加工效率,选择较大的切削用量等2种方案.此时,可根据工件刀触点处变形量的大小预修正原始数控编程刀位,进行误差补偿.车削实例表明,运用误差补偿技术能够实现柔性轴类零件的高效精密车削加工.     

大坝变形预报的神经网络极限学习方法

针对大坝变形具有强非线性的特点以及在采用传统BP神经网络模型进行预报时存在学习速度慢、易陷入局部极小等问题,提出将极限学习机(ELM)方法用于大坝变形预报。该方法不仅可以简化网络参数选择过程,而且可以明显提高网络的训练速度,并具有良好的泛化性能。工程实例结果分析表明了ELM方法应用于大坝变形预报具有可行性和有效性。     

轨迹误差建模的多轴联动机床轮廓误差补偿技术

为了提高数控机床多轴联动加工精度,减小由传动机构和运动部件质量、刚度、阻尼及摩擦等因素造成的轮廓误差,针对交叉耦合控制参数难以选择及容易使系统不稳定的问题,提出了一种针对多轴联动机床进行运动轨迹误差建模和补偿的方法.该方法通过测量机床的典型实际联动轨迹,来建立轮廓误差模型,实现了加工过程轮廓误差的实时估算和补偿.通过对x、y轴工作台的联动轮廓误差建模和补偿实验,证明此方法可以显著减小圆弧及曲率连续变化曲线轨迹的加工误差,从而提高了在高速条件下的数控机床多轴联动的加工精度.     

边坡位移时序预测的组合模型研究

将边坡变形预测看作一个特殊的凸二次规划问题,以加权一阶局域法（AOLMM）、Lyapunov指数预报法以及神经网络预测方法（ANN）为基础,建立了边坡变形预测的组合模型,应用动态规划方法求解组合预测模型的最优解,以达到有效利用各种预测方法提供的信息和提高模型预测精度的效果．通过工程实例研究表明,该组合预测模型较单一预测模型精度有较大提高,表明组合预测模型的可行性及有效性．     

基于BP神经网络的电解加工精度预测模型

为精确地预测电解加工精度,采用了BP神经网络的方法进行建模．在分析影响加工精度主要因素的基础上,确定了BP神经网络模型的特征参数,并根据实际情况,确定了输入层和中间隐层的维数,从而确定了模型的结构．用试验参数对模型结构进行训练,最终建立了一个用于电解加工精度预测的BP神经网络模型．利用该模型进行的精度预测结果表明,该模型的预测误差可以控制在10％以内,具有很高的精度预测能力．     

电火花加工工艺效果建模

研究了电火花加工（ＥＤＭ）技术的加工机理。以峰值电流、脉冲宽度、脉冲间隔、抬刀时间和加工时间为输入参数,并以加工速度和表面粗糙度为输出参数,分别用神经网络技术与非线性回归技术建立了ＥＤＭ工艺模型。经过实验数据的比较,认为这两种模型均能较精确地预测出给定条件下的加工速度和表面粗糙度,反映了该机床的加工工艺规律。其中,利用神经网络建立的模型具有更高的预测精度。     

加工误差建模与预报技术

针对柔性加工过程的特征,研究了基于遗传神经网络的加工误差在线建模预报的方案和关键技术。     

交叠隧道施工地表变形的进化智能预测

在分析交叠隧道盾构法施工地表变形规律的基础上 ,采用进化神经网络建立了地表变形智能预测模型 ,由此预测盾构推进中下一步地表变形以给变形控制提供依据 .通过对上海地铁明珠二期交叠区间隧道上下行线施工地表变形的预测 ,表明进化智能预测具有较高精度 ,预测和实施的相关性系数达 98%以上 ,从而论证了该方法的可行性和适用性 .     

优化的粗神经网络在机械故障中的预测研究

为了尽早发现机械故障,做到防患于未然,实施安全生产,在神经网络中引入粗糙集理论和模糊聚类方法,实现建模预测。首先用粗糙集和模糊聚类进行属性约简,去掉冗余的属性。然后根据模糊逻辑规则获取合理的网络输入层、隐含层和输出层,建立优化的粗神经网络预测模型。该模型可以有效地去除神经网络中输入层的冗余神经元,合理的确定隐含层神经元的数目,使神经网络提高了收敛性能,获得更好的非线性逼近能力。应用车床的机械振动采样数据进行仿真实验,结果说明：优化的粗神经网络预测模型,可提取有用信息、简化网络结构,减少训练时间,提高预测精度。在机械振动位移的采样数据预测实验中,取得了良好的效果,对于减少机械故障、实现安全生产、提高经济效益具有重要意义。     

BP神经网络在围岩变形预测中的应用

利用神经网络，建立了围岩变形预测的BP神经网络模型，采用围岩变形的实测数据对网络进行了训练，以此训练好的BP神经网络对围岩变形进行了预测。预测结果表明，该模型具有很高的预测精度，为预测围岩变形提供了一种新的方法。