On-line Cutting Quality Recognition in Milling Using a Radical Basis Function Neural Network

Tool wear, chatter vibration, chip breaking and built-up edge are main phenomena to be monitored in modern manufacturing processes, which are considered as important factors to the quality of products.They are closely related to the cutting parameters, which are to be selected in manufacturing process.However, it is very difficult to measure directly the cutting quality based on on-line monitoring.In this study, the relationship between the cutting parameters and cutting quality is analyzed.A Radical Basis Function (RBF) neural network based on-line quality recognition scheme is also presented, which monitors the level of surface roughness.The experimental results reveal that the RBF neural network has a high prediction success rate.     

基于RBF人工神经网络的生活污水处理软测量方法

为实现城市生活污水处理的在线控制,提出了基于RBF人工神经网络的软测量方法.运用大量实测数据对RBF神经网络进行了训练和仿真.结果表明,基于RBF神经网络的软测量模型对污水处理指标BOD的实时控制具有实用价值.     

一种基于径向基函数神经网络的自整定PID控制器

文章针对工业控制中最常用PID控制方法中存在的问题,讨论了基于径向基函数神经网络的PID控制,通过神经网络的自学习进行在线参数整定。并利用Matlab软件进行仿真。仿真结果表明,基于径向基函数的神经网络PID控制器具有较高的精度和较强的适应性,可以获得满意的控制效果。     

基于改进型RBF神经网络多变量系统的PID控制

针对工业控制中多输入多输出非线性时变系统,提出了基于改进型RBF神经网络的智能PID控制方法.采用最近邻聚类算法在线构造RBF神经网络辨识器并在线辨识被控对象,对PID控制器参数进行在线调整,实现了多变量非线性时变系统的解耦控制.仿真结果表明,控制器能根据系统运行状态获得对应于某种最优控制规律下的PID参数,解耦后的系统具有较好的动态和静态性能,与常规RBF神经网络PID控制方法相比,该方法具有控制精度高、响应速度快的优点,并且具备较强的自适应性和鲁棒性.     

RBF网络在电喷发动机故障诊断中的应用

阐述了神经网络的模型、算法和分类,利用电喷发动机实测数据作为学习样本,采用径向基函数神经网络建立发动机的故障诊断模型,通过该模型对电喷发动机的参数进行了辨识,表明RBF网络学习速度很快,适于在线实时监测与诊断.     

基于RBF神经网络的PID控制在锅炉温度系统中的应用研究

目的提高电厂锅炉温度系统控制的可靠性和安全性,达到精确控制。方法提出一种基于RBF(Radial Basis Function)神经网络的PID控制器,建立3层神经网络模型。结果在RBF-PID控制过程中,由神经网络RBF在线辨识得到梯度信息,然后根据梯度信息对PID的3个参数进行在线调整,从而改善系统的控制品质。结论仿真结果表明,基于RBF神经网络的PID控制较传统PID控制有较强的鲁棒性,提高了实时性能,获得了更好的控制效果。     

基于RBF神经网络模型的臭氧浓度软测量研究

目前的臭氧浓度在线分析测试仪器在臭氧发生器中的应用受到很大限制.通过监测影响臭氧产生浓度的6个参量,基于RBF神经网络模型实现了臭氧浓度软测量.该模型采用梯度下降法确定RBF基函数的中心及输出层权值,可离线和在线校正所建立的神经网络模型.实验证明,软测量模型输出结果与臭氧浓度分析仪测量结果的绝对误差小于5g/m3的达93%以上,绝对误差小于1g/m3的达33%以上,且响应时间小于1s.     

采用人群搜索算法的径向基函数神经网络参数整定方法

针对径向基函数(RBF)神经网络的逼近结构中,对权值、基宽和中心向量的初始值等参数的选取不当,导致系统的鲁棒性变差、收敛精度降低,甚至不再收敛的问题,提出一种基于人群搜索算法的RBF神经网络的参数整定方法.以基于遗传算法和基于粒子群算法的RBF神经网络参数整定方法为对比条件,采用MATLAB软件进行实验与分析.结果表明:应用人群搜索算法去优化RBF神经网络的初始参数,能有效地提升RBF神经网络的逼近精度,验证了该算法的可行性.     

基于一类GA-RBF神经网络的转炉炼钢静态模型控制

讨论了具有非线性、大时滞、不确定特性的工况复杂的转炉炼钢过程建模与控制问题.针对传统的控制方法控制效果差、精度不高,难以达到期望结果的问题,结合RBF神经网络的特点,提出用基于混合编码方式的混合遗传算法训练的RBF神经网络,同时优化网络的结构和参数,并利用RBF神经网络建立转炉炼钢静态模型.仿真结果表明,该模型具有在线调整和学习的功能,比传统模型具有更好的计算精度和适应能力,为提高转炉冶炼过程的控制精度给出了一个有效的方法.     

改进的PSO-RBF神经网络在联合制碱中的应用

联合制碱过程是一类典型的复杂工业过程,具有时变、非线性、不确定性等特征,在线控制模型难以建立。针对联合制碱复杂工业过程控制精度不高、鲁棒性差等问题,提出一种改进的PSO-RBF神经网络控制算法。将粒子群优化算法和径向基神经网络相结合,使用改良的粒子群优化算法对RBF神经网络的隐含层基函数中心、宽度和输出层的连接权值进行寻优,建立基于改进的PSO算法优化后的RBF神经网络模型。将改进的PSO-RBF神经网络控制模型应用到联合制碱的关键工序碳化过程中,并与先前应用的模糊神经网络控制模型进行比较,经仿真研究验证表明,在联合制碱碳化过程中应用改进的PSO-RBF神经网络控制算法,其控制精度和系统鲁棒性得到了有效的提高,为解决一类复杂工业过程的建模与优化控制方法研究提供了有效的技术途径。     

基于模块化神经网络的船舶航迹航速预测

为提高船舶航迹航速预测精度,提出一种模块化神经网络MNN(modular neural network)船舶航迹航速预测方法。首先,利用归一化互信息与专家知识确定预测目标的辅助变量从而分解任务;然后,将RBF(radial basis function)神经网络和Elman神经网络用于子网络搭建,使用减法聚类算法确定初始子网络结构,在此基础上提出误差反馈方法将RBF神经网络训练的最大误差所对应的样本作为隐含层新增神经元并通过粒子群算法PSO(particle swarm optimization)优化RBF神经网络学习参数,运用性能函数动态调整Elman神经网络隐含层神经元数目以此构造模块化神经网络对目标进行预测;最后,实验结果表明模块化神经网络预测精度与网络结构均优于传统BP与RBF神经网络,证明了所提方法的有效性。     

SCARA型机械臂的智能神经网络控制研究

在传统机械臂动态控制基础上,将RBF神经网络与模糊逻辑控制相结合,提出一种新的智能控制方法——RBF模糊神经网络控制方法。该方法使用两个子网络分别对关节1和关节2实施控制,最后通过协调级网络来消除和减小两个关节之间的耦合作用。以仿真实验结果说明该网络结构简单明确,计算更加有效,并通过适时地修正网络参数,在线调整了模糊隶属函数的中心值和宽度,所设计的控制器能快速、稳定地跟踪到期望轨迹。     

基于遗传算法的模糊RBF神经网络设计及应用

提出了一种基于遗传算法的模糊RBF神经网络学习算法.采用遗传算法对模糊RBF神经网络需要调整的参数进行优化,再将遗传算法优化的各参数结果作为模糊RBF神经网络各个参数的初始值,并结合梯度下降法对网络的各参数进行动态调整.在对非线性函数逼近的仿真中,仿真结果验证了优化后的模糊RBF神经网络具有更高的精度及强鲁棒性.     

基于参数优化的RBF神经网络结构设计算法

针对径向基函数(RBF)神经网络的结构优化问题,提出了一种基于参数优化的RBF神经网络优化算法.首先,改进K-means++算法,使得聚类算法更精确,为RBF神经网络的隐含层节点找到一个合适的初始中心;然后,考虑数据分布和缩放因子选择的影响,采用方差度量法计算隐含层神经元基函数的宽度;最后,修正网络参数,提高网络的非线性逼近能力.实验结果表明,本文提出的基于参数优化的RBF神经网络具有良好的逼近效果和泛化能力.     

基于RBF的TCP网络自适应滑模控制

针对TCP网络的拥塞控制问题,提出了一种基于RBF神经网络的自适应滑模控制算法.为了简化滑模控制器的设计,将系统的各个不确定参数和非线性补偿整合成一个总的不确定.考虑到网络系统的不确定性上界很难获得,使用RBF神经网络对系统不确定的上界进行自适应学习.将RBF神经网络的输出作为不确定上界的补偿,从而消除了系统的不确定带...     

电机驱动系统PWM逆变器故障诊断

电机变频调速系统中,逆变器是故障高发的薄弱环节。设计一种基于小波包分解和RBF神经网络的三相电机驱动系统PWM逆变器故障诊断模型,利用小波包变换提取三相PWM逆变器故障信号特征向量,并将其作为RBF神经网络的输入量;采用狼群—模拟退火算法优化RBF神经网络的结构和参数,利用32组学习样本和6组测试样本分别训练和检验RBF神经网络。仿真实验分析表明,该方法用于三相电机驱动系统PWM逆变器开路故障的诊断,速度快、准确率高。     

基于RBF神经网络预测的MMSE控制

为了降低过程干扰造成的生产过程波动,研究了一种基于径向基(RBF)神经网络预测的MMSE控制器.首先,采用基于k-聚类学习算法的3层优化径向基网络结构,预测过程干扰时间序列,在此基础上设计MMSE控制器,将其作为EPC过程调整策略,应用于一个化工生产过程的SPC与EPC集成控制系统.然后,采用SPC控制图监测经上述MMSE控制器调整后过程输出并与传统MMSE控制器调整后的过程输出作比较.结果表明,径向基(RBF)神经网络可提高过程干扰预测精度,改进MMSE控制器的控制性能,减小过程波动,提升SPC与EPC集成控制的能力.     

基于RBF神经网络的温度传感器故障诊断

采用RBF神经网络进行温度传感器故障检测,利用TE （Tennessee-Eastman）控制系统中的温度传感器的输出信息建立动态神经网络温度传感器输出模型,并利用该模型进行在线的故障检测,仿真结果表明该模型有很强的抗干扰性,同时还有较好的收敛性和稳定性.     

基于RBF神经网络的水深遥感研究

为提高水深遥感反演的精度,以Landsat TM1~4波段为数据源,利用已知的水深数据作为训练样本,建立RBF神经网络模型对岱海水深进行反演试验。利用实测的水深数据检验RBF神经网络模型的反演精度,并与传统反演模型和BP神经网络模型进行对比。结果表明,RBF神经网络模型反演的水深与实测水深的决定系数为0.90,平均绝对误差为1.09 m,均方根误差为1.45 m,反演效果和精度明显好于传统反演模型;与BP神经网络模型相比精度也有提高,而且RBF神经网络模型的参数大多通过训练学习得到,应用更为便捷,在干旱内陆的咸水型湖泊水深遥感反演中有一定的应用价值。     

基于RBF神经网络的语音情感识别

介绍了径向基函数神经网络的原理、训练算法,并建立了RBF神经网络的语音情感识别的模型。在实验中比较了BP神经网络与RBF神经网络分别用于语音情感识别识别率,RBF神经网络的平均识别率高于BP神经网络3%。结果表明,基于RBF神经网络的语音情感识别方法的有效性。