基于综合建模方法的铅锌烧结块成分预测

针对铅锌烧结过程异常复杂的实际情况,提出了一种既可保证预测精度又满足配料计算对数据完备性要求的铅锌烧结块成分预测智能集成模型.该模型综合了机理与多种智能建模方法的优点,对于正常生产情况(即数据完备区),通过模糊分类/组合以及神经网络NN分段描述方法建立了成分预测的监督式分布神经网络模型;对于异常或不常用工况(即数据不完备区),通过专家经验规则修正部分假定或统计参数方式建立经验机理模型;采用串、并联形式将2种模型有机结合,并通过专家推理进行集成协调与更新修正,形成智能集成模型,实现成分可靠、准确的在线预测.在实际生产中运用该模型,烧结块铅、锌成分预测的相对误差分别为1.51%和0.41%.     

基于多Agent及多方法集成的复杂工艺优化模型

针对复杂工艺中涉及多因子、高噪声、非线性过程关系和模糊对象问题,提出一种集成多种智能计算方法的优化模型.该模型以多Agent技术来组织,划分为决策支持层、系统重构层和数据集成层,Agent间以Ontology来实现信息传递.在建模过程中,利用Chebyshev多项式的正交性质和递推性质,将过程输入变量正交化、线性化后,再应用偏最小二乘回归法计算模型参数,优化Agent在交互方式下通过变异的遗传算法来获取模糊工艺的最优解.以MOLDFLOW软件获取的注塑数据来训练BP(Back propagation)神经网络.结果表明:该优化系统的平均预测精度较BP神经网络提高3.23%.     

基于集成学习的神经网络对小RNA的预测

通过计算智能的方法,即粒子群算法优化的前向人工神经网络和集成神经网络来预测小RNA。从小RNA前体序列中提取36维特征用于训练神经网络模型,利用训练好的模型分别对阳性和阴性小RNA数据集进行测试,预测平均精度达到90%以上,并且通过集成神经网络的方法取得了更高的精度。实验结果表明,利用集成神经网络建模进行小RNA的预测是一条行之有效的途径。     

改进粒子群优化神经网络及其在产品质量建模中的应用

针对传统神经网络优化算法易陷入局部最优值的问题,在标准粒子群算法的基础上,对粒子速度与位置更新策略进行改进,提出一种基于改进粒子群优化算法的BP神经网络建模方法. 使用sinc函数、波士顿住房数据及某钢厂带钢热镀锌生产的实际数据进行验证. 结果表明,与标准的反向传播神经网络和支持向量机相比,基于改进粒子群优化的神经网络模型可以有效提高预测精度.     

发动机动态特性组合神经网络建模新方法

针对现有发动机组合神经网络建模方法对不同数组结构的样本数据泛化能力较差的不足,提出一种多步线性插值法的组合神经网络建模方法. 该方法基于有限元建模思想,以具有丰富样本数据的某一维输入量构造网格线,对多维输入样本空间进行划分. 在网格线上,样本数据按照BP算法对网络模型进行训练,得到高精度神经网络函数,而在网格线中间,所求输出根据相邻的两条网格线的神经网络函数进行多步线性插值. 与传统组合神经网络建模方法的对比结果表明,在处理不同数组长度的多维发动机动态特性试验数据方面具有很好的适应能力.      

基于GA-BP神经网络的金精矿品位的预测

在对金矿生产过程进行大量实际调研工作的基础上,分别采用BP神经网络和遗传算法优化BP神经网络的方法,建立了金精矿品位的预测模型,以现场采集的978组数据作为样本,运用噪声平滑技术进行数据预处理,筛选了770组数据,运用其中的650组数据建模,并运用其余的120组数据对模型进行了验证.通过对两个模型的预测误差分析,得出用遗传算法优化的BP神经网络(GA-BP)预测精度更高,当预测相对误差在±2%范围内时,模型的预测精度达到97.5%.     

基于聚类及优化集成神经网络的地铁车站空调负荷预测

分别从优化算法集成神经网络及将数据聚类后按类建模两方面建立3种模型对地铁车站空调负荷进行逐时预测,结果表明：同一物理量对地铁车站空调负荷所产生的影响程度随时间呈现某种动态变化特征,根据历史数据定量分析这些特征,对精准筛选模型输入参数、提高模型预测精度大有裨益。在3种模型中,粒子群优化算法-神经网络（PSO-BPNN）和果蝇优化算法-神经网络（FOA-BPNN）预测的平均相对误差（MAPE）较单纯神经网络（BPNN）分别降低25.87%和40.08%,聚类-神经网络（Kmeans-BPNN）预测的MAPE比PSO-BPNN及FOA-BPNN分别降低61.12%和51.90%。说明在同等情况下,优化算法集成模型比单纯BPNN预测精度更高,而当区分实际负荷变化特点后,采用聚类后建模比优化集成建模效果更佳。     

基于Isight的冲压驱动桥壳参数化有限元建模方法

针对目前冲压驱动桥壳有限元建模方式繁琐低效的问题,在多学科优化集成软件Isight环境中,综合运用Pro_E参数化建模功能和ABAQUS有限元分析功能,建立了考虑冲压工艺和焊接工艺影响的驱动桥壳参数化有限元分析流程及参数化有限元模型.该方法有效地解决了复杂结构参数化有限元分析过程中的模型描述、参数驱动、自动更新等问题,不仅为解决类似问题提供了一种新的解决方案,也为桥壳可靠性预测和评估等问题提供了有效的工具.实例结果表明,该方法合理、可行.     

基于Elman神经网络集成的诺西肽发酵过程建模

针对单神经网络模型外推效果不理想、泛化能力较差的缺点,将神经网络集成用于诺西肽发酵过程的建模.采用Bagging技术进行重复取样用于个体神经网络的训练,结论生成时采用加权平均法,各子网络的权重利用差分进化算法来确定.个体神经网络选用典型的动态神经网络Elman网络,通过对多个Elman神经网络模型的输出进行融合,建立了基于神经网络集成的诺西肽发酵产物浓度模型.最后将所建立的模型与基于单神经网络的模型进行了比较,结果说明该模型具有更高的精度和泛化能力.     

面向低碳的车间生产过程数字孪生建模

智能制造关键技术的不断突破及其在制造业的快速应用极大地改造着传统车间的生产模式．现代企业的生产方式逐渐朝着集成化、复杂化和智能化方向发展,给车间生产过程低碳运行目标带来挑战．为了提高车间生产过程能耗管理的质量与实时性,提出了一种面向车间能耗管理的数字孪生建模方法．基于物理生产车间的生产资源与车间布局方案搭建虚拟生产车间,通过物理与虚拟车间设备运动信息的交互为几何模型添加运动关系,并结合生产节拍建立车间运动规律的数字孪生模型;采集单机物理生产设备随加工参数变化的能耗数据,使用BP神经网络建立多设备的能耗模型,基于获取物理与虚拟车间实时交互的能耗数据建立车间能量流动规律的数字孪生模型．最终实现包含动态能耗信息的车间生产过程数字孪生建模．同时基于该数字孪生模型提出了一种面向车间生产过程的能耗优化方法,结合刀具寿命、机器人运动平稳性、生产时间等多源评价指标建立多目标优化函数,获取数字孪生模型中的动态能耗数据并应用蜂群算法实现对车间低碳生产需求下的多设备加工参数协同优化．最后以给定工件的生产过程为例,对所提数字孪生建模方法和建模效果进行验证,实验结果表明借助该数字孪生模型环境下的生产过程优化方案...     

基于小波多分辨分析的新型多RBF网络轧制力设定模型

带钢热连轧生产过程中,影响因素多、关联复杂,轧制过程控制的精确模型难以建立,其中轧制力的预设定是重要问题之一,各种影响因素都会在轧制力的波动中有所体现.本文应用小波多分辨分析方法,将轧制力分解重构为对应于不同影响因素的不同频率成分子信号,并建立了一个多RBF网络模型,模型中每个子网络分别对一个信号成分进行建模,最后子网络输出被综合为轧制力设定信号.因为各个子信号影响因素不同,所以每个子模型输入参数不同，输出参数也不同,能真实地反映轧制力变化内在机理,具有明确的物理意义.仿真实验表明,这种建模方法降低了系统维数,能有效提高网络学习能力,轧制力预设定误差率从BP网络的10％降低到了5％.     

基于小波分析的多RBF神经网络轧制力设定模型

带钢热连轧生产过程中,轧制力预设定时的轧制力信号影响因素多、关联复杂,难以建立精确的机理模型.为此,文中应用小波多分辨分析方法,将轧制力分解重构为对应于不同影响因素的子信号,并建立了一个多RBF神经网络模型.模型中每个子网络分别对一个子信号进行建模,最后将各子网络输出综合为轧制力设定信号.各个子信号的影响因素不同,每个子模型输入参数和输出参数亦不同,从而能真实地反映轧制力变化的内在机理,具有明确的物理意义.仿真实验表明,这种建模方法降低了系统维数,能有效提高网络学习能力,轧制力预设定误差率从BP神经网络的10%降低到了5%.     

神经网络在钢管孔型设计中的应用

文章将人工神经网络与有限元嵌合技术用于钢管孔型参数的预测，运用BP网络建立孔型参数与钢管尺寸精度之间的非线性关系，实现了对孔型参数的优化。解决了长期以来靠经验试凑的问题，为实际生产提供了理论依据，并给钢管生产带来了很大的便利。     

神经网络辨识方法及其在轧钢控制中的应用

利用人工神经网络的辨识理论和方法,进行轧制过程数学模型参数的在线辨识与修正.首先对轧制压力模型和温度模型进行分析,得到适于应用神经网络进行辨识和修正的轧制模型函数形式,选择并比较最速下降、递推最小二乘及共轭梯度训练算法,实现了离线的和在线的仿真与应用.仿真结果表明,将人工神经网络应用于轧钢过程的轧制模型辨识可以大大提高模型预报精度.     

热连轧粗轧水平辊多道次可逆轧制宽展有限元模拟

利用ANSYS/LS-DYNA有限元分析软件,建立了平轧辊系一体化的三维弹塑性有限元模型;利用小型重启动方法对水平辊多道次连续可逆轧制过程进行了模拟计算,分析了不同轧制规程下轧制出相同厚度中间坯的宽展变化以及不同规格的带钢轧制出不同厚度中间坯的宽展变化.不同轧制规程的模拟结果表明,轧制规程对中间坯的宽度变化关系不大,但是不同的轧制规程消耗的能量不同,所产生的轧制力和轧制力矩也不同.利用小型重启动既可以保证轧制过程的连续性,又可避免模型更新法重复建模的复杂性.     

楔横轧多楔成形汽车半轴力能参数的影响因素分析

轧制力和轧制力矩是楔横轧汽车半轴轧机设计中的重要参数,由于楔横轧多楔成形半轴时主楔和侧楔之间相互制约,轧制过程中轧制力和轧制力矩的变化复杂.针对典型汽车半轴,采用LS-DYNA有限元软件,对楔横轧多楔轧制汽车半轴进行了数值模拟,获得了轧制过程中各因素对轧制力和轧制力矩的影响规律.     

基于人工神经网络的中厚板精轧机轧制力预报

采用人工神经网络方法,以生产实测数据为基础,建立了高精度的中厚板精轧机轧制力预报模型。     

TC4钛合金加工图及其在板材轧制工艺分析中的应用

TC4钛合金在航空航天工业中有着广泛的应用,热塑性加工中的微观组织演变对其使用性能具有重要的影响。该文通过热-力实验分析,得到TC4合金的加工图,并将加工图信息集成在有限元分析中,对板材轧制工艺进行分析。对TC4钛合金进行等温单向压缩实验获得了材料的流动应力,变形温度为800～1 050℃,应变速率为0.01～20s-1。采用动态材料模型(dynamic material model,DMM)绘制出TC4钛合金的加工图,并通过对压缩的微观组织检查分析验证了加工图的有效性。由加工图可知,在1 000～1 050℃应变速率0.01s-1的区域稳定性最好,为超塑性成形区域,在800～900℃应变速率0.1～20s-1的条件不利于塑性加工,应当避免在此区域加工。通过二次开发,将加工图的信息作为有限元程序DEFORM-2D的后处理变量在成形件中显示,从而直观地显示板材轧制变形不同位置的成形性能。在TC4轧制过程中,板坯基本处于功率耗散效率较高的安全区,有利于材料塑性成形。     

PC轧机轧制过程轧制力三维有限元模拟

详细介绍了应用ANSYS/LS-DYNA软件建立PC轧机有限元模型求解轧制力的方法,对某1880精轧机组F3机架的轧制过程进行了模拟分析。结果表明,轧制过程等效应力场、等效应变场与实际相符,轧制力模拟值与实测值基本一致,计算结果真实可信,可以为工业生产提供参考。     

偏心轴类零件楔横轧轧制区轧制力差的影响因素

两轧辊在轧制区的轧制力不对称性是偏心轴类零件两辊楔横轧轧制成形的一个显著特征. 利用有限元法计算了偏心轴类零件楔横轧成形中轧制区轧制力差,并对其影响因素进行了较为系统全面的分析,阐明了影响因素对轧制力差的影响机理,最后还综合分析了各影响因素对轧制力差的影响程度.