基于灰色神经网络的设备剩余寿命在线预测

为解决高可靠复杂设备的剩余寿命通常与多个性能参数共同退化相关的实际问题,提出一种多变量灰色误差神经网络预测方法。首先,建立经过背景值优化的多变量灰色预测模型MGM(1,n),并得到原始数据序列的初始预测值。然后,利用神经网络建立残差序列与原始数据序列之间的映射关系,训练RBF神经网络。最后,将改进的MGM(1,n)模型和RBF神经网络集成,建立多变量灰色误差神经网络预测模型。实例计算结果表明,与单一预测模型相比,该方法能够有效提高预测精度。     

高精度压印机压印轴的热误差分析

在压印光刻工艺中,针对压印机由于温度变化而引起的热误差,通过建立压印机压印轴有限元分析模型,对其温度分布进行了仿真计算.采用高斯求积法优化了温度传感器的位置和数量,选取了1个热源点和2个高斯点作为测温关键点,建立了压印轴测温点的温度变化与压印轴轴向热误差之间的线性计算模型,该方法可以预先确定测温点的数量和位置,避免了传统的从多个测温点中通过实验选择最优传感器数量和位置的方法.研究结果表明,有限元计算结果与实验中温度测量值之间的误差小于7 7%,仿真结果能准确反映压印轴温度场的分布情况,所建立的压印轴热误差模型的计算精度可以达到93%,因此获得了较高的计算精度.     

基于AVQ聚类和OIF-Elman神经网络的机床热误差建模

针对数控机床热误差补偿技术中温度布点选取的问题,提出了基于前馈神经网络的自适应矢量量化(AVQ)网络聚类的方法,将AVQ网络聚类法应用于一台加工中心并将18个测点减少到3个,基于输出-输入反馈Elman(OIF-Elman)神经网络模型建立了机床热误差与关键测点温度之间的关系.结果表明,采用基于AVQ网络聚类法和OIF-Elman神经网络预测模型,能够降低机床温度测点之间耦合作用的影响,提高热误差建模的准确性与鲁棒性.     

基于粒子群算法与BP网络的机床主轴热误差建模

为了避免基于反向传播(BP)神经网络的主轴热误差模型精度低、通用性不强和收敛性较差等缺点,利用模糊聚类理论与相关分析法对温度变量进行优化,并且选取热敏感点以挖掘温度变量与热误差间的相关性,降低温度变量间的耦合性.利用粒子群优化算法(PSO)将预测输出与期望输出间误差平方和的倒数作为个体适应度函数,将个体头部分与身体部分的表现码分别映射为网络的隐含层节点数、权值和阈值,实现了对BP网络的拓扑结构的有效优化,通过跟踪个体极值和全局极值实现了粒子群个体速度与位置的更新.分别建立了基于BP和PSO-BP网络的热误差模型,以精密坐标镗床主轴为研究对象,采用五点法对高速主轴热误差进行测量.结果表明,PSO-BP模型可实现不同工况下主轴空间位姿状态的高精度预测,验证了测量及建模方法的有效性.     

基于模糊神经网络的铣床热误差预测模型研究

当前,铣床主轴加工产品容易受到热误差的影响,造成产品精度下降。对此,采用模糊神经网络模型预测铣床主轴热误差,并对预测结果进行比较和分析。建立神经网络径向基函数的表达式,给出了模糊推理系统和控制规则,创建了模糊RBF神经网络预测模型,对铣床主轴进行热误差验证。结果显示:铣床主轴采用RBF神经网络模型预测误差较大,其Y轴和Z轴输出最大误差分别为5.9μm和7.1μm;铣床主轴采用模糊RBF神经网络模型预测误差较小,其Y轴和Z轴输出最大误差分别为3.5μm和2.9μm。同时,模糊RBF神经网络模型预测误差跳动幅度较小。采用模糊RBF神经网络预测模型,可以补偿铣床运行时产生的热误差,提高铣床主轴加工精度。     

数控机床温度测点优化及热误差预测方法研究

热误差补偿技术是提高机床加工精度经济有效的方法,确定最佳关键温度测点布置位置和数目将极大提高机床热误差模型的精度和鲁棒性。针对一台立式加工中心,进行了机床热误差测量试验,根据其温度场,提出了模糊聚类与信息论相结合的方法,寻找最佳温度测点布置位置。该方法根据温度变量间的相似性,对温度变量聚类分组,然后利用互信息法对组内变量单独寻优,实现温度测点优化布置,最后利用多元线性回归分析建立机床热误差预测模型。在VMC1165立式加工中心进行了试验验证,温度测点减少为4个,热误差模型的拟合最大残差降低到5μm以内,相对于其他方法进一步提高机床热误差预测精度。     

基于主成分分析与BP神经网络相结合的机床主轴热漂移误差建模

为提高数控机床热误差模型的预测精度,提出了将主成分分析与BP神经网络相结合的主轴热漂移误差的建模和预测方法.使用主成分分析法对多个温度变量进行降维处理或重新组合,将处理后所得较少的主成分变量作为样本输入BP神经网络进行训练而得到主轴热漂移误差模型,并与经过测点优化后以关键点温度作为输入的BP神经网络模型进行对比分析.结果表明：基于主成分分析与BP神经网络相结合的主轴热漂移误差模型的拟合精度较高,残差较小;由于BP神经网络的输入变量较少而使所提出的模型训练速度快、迭代次数少.     

基于CPSO-RBF网络的数控机床热误差实时补偿系统研究

目前,生产制造正向着更加精密化、智能化的柔性制造方向发展,但大多数控机床的智能化程度依然有限,导致不能对生产加工过程中产生的误差进行实时反馈补偿.以RBF神经网络技术为基础,并通过引入CPSO算法来对RBF神经网络进行训练优化,构造了数控卧式镗床的主轴热误差预测模型,并针对生产加工过程中产生的热误差设计了主轴热误差实时...     

基于改进RBF神经网络的混沌时间序列预测

基于RBF神经网络与相空间重构理论,对网络预测模型进行改进,并以Lorenz动力系统产生的混沌时间序列作为研究对象,建立预测模型并对其进行数值仿真.实验结果表明,基于改进RBF神经网络与相空间重构理论的混沌时间序列预测方法比BP、RBF神经网络模型的预测精度高、误差小、性能优越,改进方法可行、有效.     

高速电主轴单元温度测点优化新方法

针对电主轴热变形建模技术中温度测点的分布和数量问题,提出优化热关键点的新方法.根据测得的温度和热变形数据序列,该方法采用模糊聚类法将测温点进行分组,建立灰色关联分析模型综合分析和评价电主轴温度场分布中各测点对主轴热变形的影响程度并将其排序,最后采用修正可决系数进行优化选择.通过与已有文献结论的比较,说明该方法的可行性和有效性.该方法减小了温度变量和建模所需的时间,也为工程经验提供了理论支撑.     

港口船舶交通流量预测

为更精确地对港口或航道内船舶交通流量进行预测,分别建立BP神经网络预测模型和RBF神经网络预测模型进行仿真,并以宁波港船舶交通流量为例进行验证.结果表明,在宁波港现有发展基础和港口设施状况下,RBF神经网络用于宁波港船舶交通流量预测误差较小,预测值与实际值相近.     

基于IFCM-GRA的空间多维热误差温度测点优化

热误差是精密、超精密加工中主要的误差源之一,热误差温度测点优化是热误差补偿的关键问题.在机床空间多维布置的大量温度测点之间存在多重相关性,从众多测点中选取特征点的优劣程度,将直接影响到热误差补偿效果.通过对温度测点间多重相关性及温度与热误差关系的综合分析,采用改进的模糊C-均值(IFCM)聚类算法对温度测点进行聚类,以减小类与类之间温度测点的相关性,且避免FCM算法对初始聚类中心敏感易局部收敛的缺点.对温度测点按灰色关联分析(GRA)中的灰色综合关联度进行排序,从变化量和变化率的角度综合反映温度与热误差的关系.采用IFCM-GRA对温度测点进行优化,提高了热误差模型的鲁棒性及准确性,使温度测点数量大幅度减少.在某型号精密卧式加工中心上进行实验,温度测点从17个减少到4个.在不同转速下,利用多元线性回归对优化出的温度测点与热误差建立模型,所建立模型均能很好地预测热误差变化情况,经对预测模型分析,轴向热误差由几十微米减小到5μm以内.     

精密车削中心热误差鲁棒建模与实时补偿

为了减小数控机床的热误差.提高数控机床的加工精度,使用BP神经网络和遗传算法相结合的方法建立了热误差模型,并基于所建模型开发了数控机床热误差实时补偿系统.基于对数控机床热动态过程的分析,利用4个关键温度点,建立BP神经网络热误差模型.用遗传算法优化BP神经网络连接权值和阈值,提高了模型的预测精度和收敛时间.试验结果表明:对精密车削中心进行实时补偿后,加工误差从32 μm降低到大约8 μm,明显提高了数控机床的加工精度.     

RBF神经网络在复合地基承载力预测中的应用

利用径向基函数(RBF)神经网络,建立复合地基承载力预测模型,有效解决复合地基承载力预测中的非线性问题.以历史数据为依据,对所建立的RBF神经网络预测模型进行模拟和检验.实例结果表明:应用RBF神经网络所建立的复合地基承载力预测模型,能真实地表达要素之间的高度非线性关系,具有较高的预测精度和较强的实际应用价值.     

基于径向基函数神经网络的投资预测模型

利用径向基函数(RBF)神经网络,建立投资预测模型,有效解决经济投资预测中非线性预测问题.以历史数据为例,对所建立投资预测网络模型进行仿真、分析仿真结果.根据生产总值与投资分配之间存在的映射关系,应用RBF神经网络建立投资预测模型.模型既真实地表达了投资要素之间的高度非线性关系,又考虑了分配结构的优化问题,具有很高的预测精度,更具有较强的实际应用意义.     

一类间歇过程的优化及非线性预测控制

基于主产物浓度和反应温度的RBF神经网络模型,使用粒子群优化算法(PSO)求解该间歇反应主产物产率最大化问题,进而得到反应温度优化曲线。利用RBF神经网络建立了反应器冷却水控制温度阶段的预测模型,采用非线性预测控制,并引入了模型误差项,增强了控制方法的鲁棒性和间歇过程的抗干扰性能。利用 Lyapunov 原理对该预测控制算法做了稳定性分析,确定了系统稳定条件下的参数的取值范围。同时编制控制程序在多功能过程及控制实验装置(MPCE)装置上实现了算法的控制,并与以升温速率为基准的特殊PID调节器的控制结果比较,结果证明了基于RBF神经网络非线性预测控制方法的有效性。     

基于大数据的多工序产品质量预测

随着生产过程越来越复杂,多工序制造过程在工业生产中越来越普遍,工序之间相互关联作用,产品质量的影响因素日益复杂。针对大数据环境下多工序复杂生产过程,考虑数据的全样本、多特征特性,构建了谱聚类(SC)和粒子群(PSO)算法优化径向基(RBF)神经网络的质量预测模型。模型验证结果表明,单一的RBF预测误差为0. 649,SC+RBF预测误差为0. 214,BP神经网络质量预测误差为0. 183,改进的RBF预测模型效果最佳,均方根误差为0. 089,小于10%,满足工业生产的实际要求。     

RBF网络在线建模方法在热误差实时补偿技术中的应用

应用径向基(RBF)神经网络模型的学习性能,对一台数控加工中心的主轴温度与主轴径向热误差关系分别进行离线建模与在线建模对比研究,并将2种建模方法用于实例分析.结果表明,RBF神经网络模型能够反映数控机床的热特性,准确实时预报机床热误差.当工况发生较大变化时,在线建模能够及时补充系统信息,更好地反映机床系统热性能,从而精确预报机床的热误差,提高了误差补偿效果.     

一种RBF神经网络高精度算法研究及应用

剖析了RBF神经网络基本算法的原理以及激励函数参量与隐层单元数量按经验选取所带来的问题.基于RBF神经网络结构,以网络的权阈值为设计变量,网络误差为目标函数,通过合理的动态变量排序,构建了一种RBF神经网络的新的高精度算法,并编制计算程序.与RBF网络基本算法相比,这种算法是以权阈值为未知变量的真实优化过程,实现了RBF神经网络的高精度计算.从方程论理论出发,给出了网络隐层结构的合理确定方法.通过实例的程序分析,表明了该优化算法具有较高的样本拟合与插值精度,为进一步理论研究与工程应用提供基础.     

基于组合神经网络的雷达弱信号检测

本文提出了一种基于组合RBF神经网络与混沌理论的弱目标检测算法。运用RBF神经网络的特点,将非线性预测模型的建立归结为预测误差的最小化问题,再对误差的控制建立合适的非线性预测模型。经仿真研究表明了所提出算法的可行性和有效性。