一种基于人工神经网络的旋转机械故障监测方法

把神经网络与数字信号处理相结合，提出并实现了一种基于神经网络的旋转机械在线故障监测系统，主要用于识别旋转机械的一些常见故障如转子不平衡振动、转子零部件松动、油膜涡动等等。系统主要由数字信号采集、数字信号预处理和Ｂ－Ｐ神经网络几部分组成。在神经网络中采用批处理加动量项的梯度下降算法学习。仿真结果表明该故障监测系统在故障识别率等各方面性能指标均优于传统的基于知识的工况监测与故障诊断系统。     

基于模糊聚类的刀具磨损量在线监测方法

研究在加工过程中刀具磨损量实时监测和预报。针对神经网络在监测刀具磨损量中存在的缺点,在选择合适的模糊聚类标准样本的基础上,利用模糊聚类方法,加以适当推理。实验分析表明,该方法在刀具磨损量在线监测中具有较好的容错性和可分析性。在标准样本合适的条件下,利用模糊聚类方法能够正确地进行在线监测和预报刀具磨损量。     

基于神经网络在线学习的脱硝系统入口氮氧化物预测

针对脱硝系统入口氮氧化物静态软测量预测模型不能满足变负荷时需求的问题,建立了一种基于神经网络在线学习的软测量模型.利用粒子群算法对静态神经网络的参数进行寻优,结合预报误差和当前预测误差的大小在线更新网络的权值、阈值和学习速率,可以满足不同负荷下的需求,利用电厂的实际运行数据对模型进行了验证.结果表明:在不同负荷下,建立的神经网络在线学习模型的准确性高,实时性好,泛化能力强,可以很好地对入口氮氧化物进行预测,为脱硝系统入口氮氧化物在线测量和监测提供了一种有效的方法.     

多跨转子不平衡载荷在线识别的一种新方法

本文基于转子一承系统的子结构模态分析及参数识别的方法，提出了一种旋转机械多跨转子不平衡载荷在线识别的理论方法。该方法为大型旋转机械转子失衡的在线监测提供了依据，并可用于转子系统的无试重动平衡。     

遗传算法BP神经网络在变形监测中的研究

介绍了BP神经网络和遗传算法的概念和基本理论,详细阐述了遗传算法优化的BP神经网络和BP神经网络这两种神经网络模型,深入分析了两种模型在基坑水平位移监测的数据预报,指出了遗传算法优化的BP神经网络模型具有更好的预测效果.     

基于人工神经网络的电网谐波监测的方法

研究人工神经网络用于波形识别是一个新的研究领域。将神经网络这一新方法引入到电网谐波在线监测中，并就它在电网谐波在线监测应用中的一系列关键问题进行了较为系统的分析。提出了一种新型电网谐波在线监测系统模型，通过带通滤波器，采样存储器以及神经网络的在线监测电路，取得谐波信号，最终达到谐波补偿的目的。其在线监测部分主要利用模拟并行测量的基本原理，构造了一个用于电网谐波在线监测的特殊多层前向神经网络。并对其进行了仿真，仿真结果表明所提出的基于人工神经网络的电网谐波在线监测的方法是可行的和有效的。     

人工鱼群神经网络在热连轧卷取温度预报中的应用

卷取温度预报结果对热轧带钢的成品性能具有重要影响。人工鱼群算法是新近提出的寻优策略,具有良好的克服局部极值、获得全局极值的能力。建立了一种人工鱼群神经网络预测模型,利用人工鱼群算法训练神经网络的权值,并将该神经网络用于卷取温度预报。通过某钢厂现场实测数据对该模型进行离线训练和对比测试,结果表明,该方法与传统的BP神经网络预测方法相比,具有较强的自适应能力和较好的预报效果;该模型能够精确预报卷取温度,可用于离线学习和预报,为在线应用打下良好基础。     

基于神经网络的磨削温度在线监测预报系统

对磨削弧区温度进行在线监测,是磨削加工自动化中必不可少的重要环节,该文介绍了一个基于人工神经网络的磨削弧区温度在线监测、预报系统。具体给出了监测系统的组成及测温方案,并提出了一种更适宜进行动态预报的改进型ＢＰ网络作为磨削温度的预报模型。工艺实验证明该系统能够较好地实现磨削温度的在线监测与预报。     

基于神经网络的开关磁阻电机转子位置在线检测技术

提出了一种基于BP神经网络的开关磁阻电机转子位置在线检测方法。该方法将训练数据实时更新的思想引入到神经网络的输入向量中,利用大量实时更新的电机数据作为神经蹰络的训练样本在网络进行在线训练,修正网络参数,使检测结果不受渐变因素的影响。仿真结果表明,该方法能够准确地检测转子位置,鲁棒性和适应性强。     

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.