时间序列神经网络动态建模研究

采用一种改进的时间序列神经网络用于过程系统的动态建模。该网络将输入变量的时间序列数据作为网络输入，同时以系统的脉冲响应系数为时间序列输入数据的权值，赋予神经网络模型一定的物理意义，从而使神经网络模型获得更好的外延性，能够更好地表达系统的动态特性。     

机床动态切削建模中的相位关系

通过分析以往实验数据,对比机床动态切削新老模型和引进闭环系统观点,证明只需要在切削过程子模型中考虑切削振动位移的影响,多质量多自由度整体模型会自动体现切削力与切削振动间的相位差别。建立了相位差别同机床结构动态特性间的函数关系,阐明新模型还包含了再生效应,当前与先前切削振动间的相位差别,可以描述有限振幅不稳定切削,体现了振型关联效应。     

基于局部摩擦因数模型的切削力预测建模

基于局部摩擦因数模型分别建立前刀面摩擦区、切削刃钝圆区、后刀面摩擦区的受力预测模型,进而获得切削力预测值.以钨钼系高速钢（W6Mo5Cr4V2Al）刀具和20Cr2Ni4合金钢为研究对象建立直角切削实验,通过三向测力仪测量直角切削主切削力和切深抗力,并与预测切削力进行对比,数值基本吻合.分析了切削参数以及刀具前角对切削力大小的影响规律.结果表明切削力随切削速度和刀具前角的增加有减小的趋势,随着切削深度的增加明显增大.      

非平稳时间序列的线性预测

本文研究非平稳正态时间序列的线性预测问题。导出非平稳正态序列的递推预测-平滑公式。对于讨论同一问题的某些文献的结论进行了分析,指出该文的结论对非平稳序列并不适用。     

机床切削噪声动态特性的试验研究

本文采用宽刀刃、横进给方式在车床上进行切削噪声试验.试验结果发现,切削噪声与动态切削力之间具有极强的相关性,切削噪声的第一谱峰频率接近于工件系统的第一阶模态固有频率.这一新的重要发现将切削噪声与切削振动、切削力联系起来,为切削噪声动态特性的研究提供了突破口.     

金融时间序列预测中的神经网络方法

概述了神经网络方法在金融时间序列预测应用中所面临的有关问题,给出了解决方法;针对有关模型和算法作了计算模拟与分析,得到了一些可供今后研究参考的经验结果;讨论了金融时间序列预测中主要的神经网络模型,如多层前馈网络、径向基函数网络以及支持向量机网络等.总结了关于模型改进的一些近期研究进展与结果,指出了神经网络用于金融时间序列预测的一些可能的方向.     

三坐标动态切削力系数的研究

本文采用随机激振技术和离散权函数系列的辨识方法,着重研究了三坐标重叠切削条件下动态切削力系数的建模辨识和切削速度V、进给量S、切削深度h三参数对动态切削力系数的影响.     

基于时间序列模型的青藏铁路路基变形预测

为分析青藏铁路路基高程不规则变形,通过建立高程—时间响应模型,基于Box-Jenkins建模方法,确定时间序列模型阶数,根据AIC准则,选取适合的时间序列模型,最后给出批量预测全部路基测点高程的算法步骤。研究了青藏铁路路基高程随时间变形规律问题。结果表明：以2010年—2018年每月青藏铁路K1425+050处左侧路基高程数据为例,建立了ARMA(2,1,1)模型,并以2019年数据作为验证集,模型通过了模型适应性检验,证明了模型的有效性和准确性;总结了青藏铁路沿线各测点至2023年12月预测值中可能出现重大变形以及测点左右两侧路基高程差值出现较大差值的10个危险点;在测点K1476+600附近,路基两侧出现明显长距离的差异。可见本模型能准确预测青藏铁路路基高程的变化,对于工程养护维修具有一定借鉴意义。     

基于时间序列模型的职工平均工资预测

以时间序列模型为基础,对未来中国经济发展和工资增长的形势进行分析,经过合理的假设和筛选,确立工资的6个影响因素,继而引入国家效应、企业效应和个人效应3个影响因子。运用SPSS的相关性分析,对影响山东省职工年平均工资的因素进行分析,分别研究了国家效应、企业效应和个人效应与该地区年平均工资的关系,进一步运用SPSS,综合分析这3个因素对该地区平均工资的影响。最后,通过综合国家效应、企业效应和个人效应这3个因素建立的时间序列自回归模型,得到2011—2035年山东省职工年平均工资的预测值。通过时间序列的自回归模型预测值与实际值的Sequence Plot曲线,证实模拟效果较好,预测值符合模拟趋势。     

基于时间序列算法的数控机床热误差建模及其实时补偿

提出了一种基于时间序列算法的机床热误差建模方法.通过时序算法综合分析软件,对实测的热误差数据进行预处理、模式识别、模型参数估计、循环定阶判别以及模型整合,建立表征机床热误差变化规律的实时补偿模型,并通过判别温度变化趋势,实时调整模型迭代系数.通过实时补偿系统,利用所建立的热误差补偿模型对数控机床的热漂移误差进行实时补偿加工.结果表明,工件的径向尺寸误差从补偿前最大的112μm降低到7μm,机床加工精度和稳定性大幅度提高.     

群钻钻削力试验及其分析

通过试验得出了群钻切削刃段钻削力的分布规律和切削用量对钻削的影响。     

基于误差分解的数控机床热误差叠加预测模型及实时补偿应用

针对数控机床热误差变化复杂而难以用常规方法预测的问题,将温升过程的热误差按不同的误差因素分解为静态基准误差和温升影响误差2个部分,分别建模并叠加生成热误差整体预测模型;利用所建模型对一台典型三轴数控铣床进行热误差预测;同时,结合自主研发的误差实时补偿系统,采用模型预测值对机床热误差进行实时补偿.结果表明：所提出的模型可以准确预测温升过程中任意温度的变化状态和坐标位置的热误差;模型预测值对机床热误差的补偿效果显著,可大幅降低热误差对加工精度的影响.     

基于误差同步预测的SVM金融时间序列预测方法

在现有支持向量机(SVM)方法的基础上提出对预测误差进行同步预测的双重预测方法,利用预测到的误差对初步预测值进行校正以提高预测精度.针对误差序列非线性、非平稳以及系统动力信息不足的特点,将经验模态分解(EMD)和支持向量机(SVM)方法结合引入误差序列的预测中.对误差序列的预测分别运用初步训练误差和测试误差对预测集合的误差进行预测,将所得到的误差序列分解为若干固有模态分量(IMF),根据各个IMF不同尺度的特点,选择不同的参数对其进行预测,最终合成原始序列的误差预测值,将所预测到的误差与初步原始序列预测值结合,得到最终的预测值.仿真结果表明该方法能够很好地解决预测滞后性和拐点误差大的缺点,相对于普通的SVM预测方法具有更好的预测精度.     

基于时间序列的数控设备状态智能评判方法

针对因异构数控系统多样造成设备数据采集和状态评判困难的问题,设计一种通用的数据采集和设备状态智能评判方法. 首先由能耗信号采集器采集设备加工时的能耗信息并分析能耗特征. 采用加工仿真或预先采集的方法,收集各NC代码加工时设备主轴的能耗信息,进行信号变换形成标准能耗信息库. 然后检测数控设备的能耗信息并视为时间序列,应用时间序列的相关理论和方法对信号进行变换,采用基于编辑距离的相似性度量方法,将该时序信息和标准信息库中的信息进行比对,识别判断数控设备的加工工件类别和状态,并进行统计分析. 在此基础上,设计开发了数控设备状态智能采集系统,实现了设备数据的采集. 最后,通过实例验证该方法的可行性与可靠性.      

超高速切削时的T－v关系与切削力

研究了用ＮＴ５硬质合金端铣刀以３００～７８５ｍ／ｍｉｎ的速度铣削ＥＸ３０钢时刀具耐用度Ｔ和切削速度ｖ，主切削力Ｆ２与切削速度ｖ、进给速度ｖｆ、吃刀量ａｐ之间的关系，给出了刀具磨损曲线、Ｔ－ｖ关系曲线、Ｔ－ｖ关系式以及Ｆ２－ｖ，Ｆ２－ｖｆ，Ｆ２－αｐ关系曲线及关系式，并对这些关系和规律进行了机理的分析与讨论．     

基于切削参数和刀具状态的车削力模型

建立刀具状态监控特征量与切削参数及刀具状态之间的定量或定性关系是实现刀具状态监控系统的基础,文中以切和为监控特征量,建立了基于切削参数（切削深度、进给量、工件材料及刀具材料）与刀具状态（主要考虑后刀面磨损量）的车削力模型,设计了车削刀具磨损的试验系统及具体的试验方案,并进行了相应的切削试验,结果证明,该模型基本能正确反映车削力信号与刀具状态及各种切削参数之间的关系。