人工神经网络在机械故障诊断中的应用

由于BP神经网络学习算法存在易陷入局部极小及收敛速度慢的缺陷,利用实数编码改进遗传算法对神经网络的权值和阈值进行优化训练,并把训练好的神经网络用于机械振动信号预测及机械故障诊断中.通过对机械设备振动信号的预测,可以及早发现故障,及时消除隐患,为企业节省大量的维修时间和维修费用,提高企业的生产率.     

基于遗传神经网络的航空装备故障预测

为在武器系统故障发生前实现预测、实现装备的视情维修,开展基于遗传神经网络的故障预测技术研究.采用实数编码方式和自适应的交叉率、变异率改进遗传算法,并将改进遗传算法用于神经网络的权重学习得到遗传神经网络.利用监测到的装备特征参数数据进行网络训练,然后将遗传神经网络预测装备特征参数的退化趋势.预测实例表明遗传神经网络可在故障发生前实现故障预测,较基本神经网络有较大性能改善,可提高武器装备的保障能力,实现视情维修.     

基于小波神经网络的风速预测及置信区间估计

小波神经网络是在小波变换理论和人工神经网络的基础上建立的一种新型网络模型,综合了两者的优点,克服了BP神经网络易陷入局部极小点和训练速度慢的缺点.本文建立了小波神经网络模型,采用最陡梯度下降法训练网络,将该网络用于对风电场小时风速的预测,并对预测置信区间进行计算.预测结果表明小波神经网络在训练速度和预测精度方面均优于BP神经网络.     

唐山矿瓦斯涌出量动态预测模型

为了提高瓦斯涌出预测的准确性,采用BP型神经网络,利用BP型神经网络自学习、自组织和自适应等特性,在MATLAB环境下构建瓦斯动态预测模型.通过对唐山矿瓦斯信号实时监测数据的分析,对瓦斯动态预测模型进行训练和测试.结果表明,该模型的预测速度快、精度高,可以实现对工作面瓦斯涌出的动态预测,并能综合判断工作面所处地点的安全状况以及前方的潜在的危险性.     

混沌参数优化RBF算法的震前ENPEMF信号强度趋势预测

提出了一种基于混沌参数优化径向基函数(radial basis function,RBF)神经网络的预测模型.通过混沌理论获得了ENPEMF信号的有效嵌入维数和最优时延,然后利用所获得的参数优化RBF神经网络.采用训练好的参数优化RBF神经网络预测ENPEMF.数值仿真结果表明,改进的RBF算法可以较为准确地预测Rossler混沌时间序列且误差较小.将优化的RBF模型应用于芦山Ms7.0级地震前ENPEMF数据,可以有效预测震前14d的ENPEMF数据强度趋势,且预测效果及精度优于传统RBF神经网络算法,期望为地质灾害及强震前的电磁监测分析提供支持.     

基于神经网络的岩石强度准则研究

传统的岩石强度预测均使用经典强度准则.该文使用神经网络在单轴及三轴加载情况下对岩石强度准则进行研究,搜集来的各种岩石相关数据随机划分成训练和验证子集.将抗压强度σc和最小主应力σ3作为输入值,最大主应力值σ1f作为输出值训练神经网络.使用训练后的神经网络预测试验岩体破坏时的σ1f,同时使用相同的训练子集反演Hoek-Brown经验公式的常数m.使用测试数据对训练后神经网络预测的目标岩石强度的准确性进行验证,同时将测试数据带入两类Hoek-Brown(m值的取值不同)经验公式预测目标岩石强度(岩体破坏时的σ1f).比较神经网络和Hoek-Brown预测结果表明神经网络预测结果的均方差减小了30%～40%,决定系数增加了0.05～0.08,更接近于1.说明使用ANN对岩石强度进行预测能适应的加载范围较宽,且适合岩石种类多变的复杂非线性情况,灵活准确.     

纯滞后对象的神经网络辨识及自适应控制

提出了一种针对纯滞后对象的神经网络及控制结构，在神经控制器的线训练中，引入了反向传播的预测误差信号，并采用基于Ｋａｌｍａｎ滤波的学习算法分别训练用于辨识的神经网络及神经控制器。     

应用遗传算法和LM优化的BP神经网络模型预测机场道面使用性能

分析了影响道面使用性能的各种参数,结合BP神经网络和遗传算法来预测机场道面使用性能.通过遗传算法全局寻优功能对神经网络的初始权值和阈值进行优化,然后采用LM(Levenberg-Marquardt)优化算法对神经网络训练速度进行加速,并且使训练避免陷入局部极小点.通过历年数据对神经网络进行训练,用所得神经网络模型对机场道面使用性能进行预测.训练结果表明,该方法具有足够的精度,能够应用到工程实际中.     

用BP神经网络对气流床粉煤气化炉的预测

利用3层BP神经网络对气流床粉煤气化炉进行模拟研究.以Gibbs自由能最小化方法建立粉煤气化炉数学模型的模拟结果作为BP神经网络训练数据,训练后的BP神经网络模型对模拟数据的预测准确度较好.以Shell粉煤气化炉和国内首套粉煤加压气化中试装置上的实际生产数据作为BP神经网络的训练数据,训练后的BP神经网络模型能预测实际生产数据.     

遗传神经网络在载人飞船环控决策系统中的应用研究

针对载人飞船环控生保系统的状态监控由于参数数量及不确定性因素多,导致学习模型训练周期长,不能满足快速、实时、准确参数预测的现实,运用遗传算法对神经网络进行优化,提出了基于遗传神经网络的环控生保参数预测模型,设计并实现了相应的仿真软件.以轨道舱总压预测为例,通过飞船的真实飞行数据测试,证实在达到同样误差的情况下,遗传神经网络的训练周期数比BP神经网络的训练周期数减少了30%,而且遗传神经网络的平均误差小于BP神经网络的平均误差,说明基于遗传神经网络的参数预测算法和模型能为栽人飞船环控决策支持系统提供更准确和实时的关键参数预测.     

基于遗传级联神经网络的化学溶液浓度预测

在化学实验中经常需要对化学溶液各成分的浓度给出比较准确的预测。通过遗传算法来优化级联神经网络，利用神经网络的学习预测能力来预测化学溶液的浓度。首先用小波网络对混合溶液测出的极谱信号进行拟合并提取特征；然后用神经网络对提取的信号特征学习训练到一定程度后，把要预测浓度的化学溶液的极谱信号经小波网络提取的特征输入该网络后，给出预测值。计算结果表明，预测结果基本符合要求。     

一种语音信号线性预测系数的求解新方法

语音信号的线性预测分析是语音信号处理中的重要部分,线性预测系数提取的速度和精确程度直接影响后续的处理工作.现提出一种基于BP神经网络的线性预测系数的求解方法.实验表明,该方法能以较少的训练次数得到较高的计算精度.     

基于神经网络的海量GPS数据交通流量预测

交通流量数据具有非周期性、非线性和随机性等特点.为了更准确地对未设置ETC路段交通流量进行预测,采取相应措施处理交通拥堵问题,提出了基于神经网络推论模型为主体的交通流量预测系统.通过实验验证了ARIMA乘积季节模型、BP神经网络和RBF神经网络的多种训练函数的预测精度及适应性.相对于常规预测方法,基于神经网络的预测方法具有更好的适应性,而且预测精度也更高.     

基于RBF神经网络的建筑逐时空调负荷预测模型

分别用径向基函数(RBF)神经网络模型和BP神经网络模型对广州市一栋办公楼和一栋图书馆在夏季不同月份的逐时冷负荷进行训练和预测,发现RBF神经网络模型预测的均方根误差和平均相对误差都仅是BP神经网络方法的64%左右.仿真结果表明,RBF神经网络具有更高的预测精度及更好的泛化能力,是建筑空调负荷预测的一种有效方法.在此基础上,构建了基于RBF神经网络的建筑逐时空调负荷智能预测软件系统.     

基于遗传算法的RBF神经网络非线性时间序列预测

提出一种基于遗传算法和RBF神经网络相结合的时间序列预测模型,克服了单个神经网络在非线性时间序列预测中容易陷入局部极小值及网络训练速度缓慢的问题.以居民消费价格指数数据进行训练和测试,与传统的BP神经网络预测模型相比较,该模型的预测精度是令人满意的,数值模拟证明了该方法的有效性和可行性.     

应用神经网络技术诊断钻井事故

针对钻井过程的复杂性、不确定性等特点,提出了基于人工神经网络钻井事故预测与诊断模型.以钻井过程工况参数构成神经网络的输入特征向量,以钻井过程正常运行模式及常见事故模式的监测数据作为训练及检验样本,根据钻井事故诊断特点,确定了神经网络的结构与参数,采用改进算法和学习规则,实现对神经网络系统的训练和模拟,建立能够准确预测事故的神经网络模型.该方案的提出可使现场工作人员及时监测钻井过程,降低事故发生率,节约钻井成本,提高效率.     

纯滞后对象的神经网络辨识及自适应控制

提出了一种针对纯滞后对象的神经网络及控制结构。在神经控制器的在线训练中,引入了反向传播的预测误差信号,并采用基于Ｋａｌｍａｎ滤波的学习算法分别训练用于辨识的神经网络及神经控制器。给出了具体的理论推证及运行机理分析。仿真结果表明,这种控制方案对纯滞后线性、非线性动态对象均能获得满意的控制效果。     

基于BP神经网络的高效深磨工程陶瓷工件表面粗糙度的声发射预测

对BP神经网络的原理、算法和公式进行了介绍,在对Matlab及其神经网络工具箱介绍的基础上,采用3个声发射特征值:即声发射信号有效值、FFT峰值和标准差作为输入,工件表面粗糙度作为输出,用BP神经网络的方法对高效深磨加工工程陶瓷Al2O3的工件表面粗糙度进行了训练、预测和分析. 结果表明,使用BP神经网络可以实现高效深磨加工工程陶瓷工件表面粗糙度的监测.     

基于智能算法的涡流检测自然裂纹形状重构

人工制作了疲劳裂纹试样,利用一种小波分析方法对采集的疲劳裂纹涡流检测(ECT)信号进行了去噪预处理及信号特征提取,通过破坏性检测方法获得了裂纹的真实形状.在建立疲劳裂纹参数化模型的基础上,利用经过处理的裂纹ECT信号与裂纹形状参数样本库对径向基函数(RBF)神经网络进行训练.采用遗传算法,通过创建大量表示裂纹形状参数个体的初始种群,输入经过训练的神经网络,得到对应的ECT预测信号;然后运用改进的遗传策略进行迭代反演优化,对裂纹形状最优解进行搜索.重构结果表明该方法具有快速、精确的优点.     

基于改进神经网络的SMT回流焊温度曲线预测

在实际生产中,SMT回流焊工艺通常以实验方法预测温度曲线,其高成本低效率是目前亟待解决的问题.针对温度曲线输入参数与曲线多重特征值间的非线性映射关系,提出基于BP神经网络技术的温度曲线预测模型.针对训练中出现的不足,改进了误差计算方法和权值调整方式,消除了预测样本次序对网络的影响,提高了网络训练速度.利用MAPE评估方法将网络预测结果与某公司实际生产数据进行对比,结果显示预测值满足企业生产误差精度要求,因此所建立的神经网络可以有效地进行温度曲线预测,为企业回流焊生产工艺规划提供指导.