检索结果-内蒙古大学图书馆

作者：李宇轩浙江大学

学位级别：博士

随着第四次工业革命的到来,我国工业智能化、信息化程度也日益提高。工业互联网的普及使得人、机器、数据之间的信息流动与沟通愈发重要,工业大数据的价值日益凸显。然而工业过程中关键指标的数据相比较为稀少,传统的数据驱动软测量方... 详细信息

随着第四次工业革命的到来,我国工业智能化、信息化程度也日益提高。工业互联网的普及使得人、机器、数据之间的信息流动与沟通愈发重要,工业大数据的价值日益凸显。然而工业过程中关键指标的数据相比较为稀少,传统的数据驱动软测量方法建模性能稍显逊色。因此,如何从海量的工业过程大数据中挖掘出其蕴含的高价值信息进行关键指标建模,并应用于实际工业过程的操作指导,成为了基于深度学习的工业过程软测量所关心的核心问题。本文选取典型流程工业中的钢铁行业作为切入点,以烧结过程为主要研究对象,提出了基于深度学习的烧结过程关键指标软测量建模方法。针对烧结过程特性与数据特性,重点解决了以下几个问题:(1)针对烧结过程等钢铁行业普遍存在的数据质量差的问题,例如数据缺失、数据异常等,提出了一种基于MW-GRU软测量模型的烧结机风箱温度传感器故障数据恢复方法。本方法利用数据驱动的软测量建模策略,通过提出的MW-GRU方法对传感器缺失数据进行预测建模,从而达到故障数据恢复的效果。在烧结机风箱温度传感器和高炉炉缸温度传感器的实验中分别验证了该方法的有效性,从而为后续软测量的数据可靠性提供了保证。(2)针对烧结过程动态性,数据具有时滞性的问题,提出了一种新的基于时间扩展的特征提取神经网络框架(DTFEE)。以烧结过程为例的流程工业,线性模型的跟踪效果往往不能满足实际生产的需要。本文研究了烧结过程中动态时间特征扩展与提取方法,并提出了一种新的基于时间扩展特征提取的神经网络框架,用于预测铁矿石烧结过程中的Fe O含量,该方法考虑了时延、时间差分、扩展和序列化。该网络框架可以有效地提取动态时间特征,根据时间分布重构长过程工业数据,并充分利用未标记数据的动态特征。该模型结合了工艺特点并进行了相应的调整。(3)针对烧结过程有标签数据过少的问题,提出了一种基于半监督动态时间特征扩展和提取的编码器-解码器框架(SS-DTFEE)来预测铁矿石烧结过程中的Fe O等参数。该框架可以有效地使用大量未标记的数据来获取工业过程信息。编码器-解码器模型由加权双向长短时记忆网络构建,可以更好地学习双向时间序列隐藏信息。未标记数据基于预训练策略获得网络结构和权重,其中包含过程隐含信息。在微调策略下,将预训练得到的隐藏层信息与标注数据一起训练,得到比监督学习更好的预测效果。(4)针对烧结过程数据多源数据特性,提出了基于多源数据信息融合的烧结质量预测模型(MDF-DTFEE)。针对烧结过程化验变量过于稀少的问题,引入了工业摄像头采集的视频数据。本文提出基于特征高度平滑的关键帧提取方法,基于烧结矿分层的浅层特征构建方法,基于Res Net的深层特征提取方法,以上方法构成了基于多源数据信息融合的烧结质量预测模型,充分融合多源数据信息,有效的提升了烧结矿质量预测模型的精准度。(5)针对工业互联网平台的特点,开发了基于工业互联网平台的烧结矿质量预报系统。利用容器化技术,将本文设计的烧结矿软测量模型进行封装打包,并部署在工业互联网平台。设计的基于即时学习的模型在线更新策略,在实际烧结生产线上运行效果良好,为实际生产过程提供了良好的指导作用,提升了烧结工艺生产线的智能化程度。

关键词：数据驱动建模软测量烧结过程动态特征提取深度学习多源异构数据融合

来源：评论

学校读者我要写书评

暂无评论

基于DTCN-KELM的制糖过程建模与优化

引用

广西大学学报（自然科学版） 2023年第3期48卷 579-593页

作者：蒙艳玫李济钦广西大学机械工程学院广西南宁530004

吨蔗能耗和蔗糖色值是制糖过程中两个重要的工艺指标,然而目前这两个指标均无法在线获取。此外,当生产状况发生变化时,依靠人工经验进行参数设定难以获得稳定的生产质量。为了解决这两个问题,提出一种融合深度时间卷积网络和核极限学习... 详细信息

吨蔗能耗和蔗糖色值是制糖过程中两个重要的工艺指标,然而目前这两个指标均无法在线获取。此外,当生产状况发生变化时,依靠人工经验进行参数设定难以获得稳定的生产质量。为了解决这两个问题,提出一种融合深度时间卷积网络和核极限学习机的数据驱动建模方法,实现了2个工艺指标的在线预测。此外,在数据驱动模型的基础上,构建了工艺指标优化模型,并采用改进的麻雀搜索算法进行迭代计算,实现了2个工艺指标的优化。计算实验结果表明:所提出模型的预测可决系数均超过0.9,并与其他4种模型相比具有更高的预测精度。此外,通过求解工艺指标优化模型,优化后的吨蔗能耗降低了1.47%,蔗糖色值降低了2.57%,2个指标得到了较大的改善。

关键词：制糖数据驱动建模深度时间卷积网络核极限学习机改进的麻雀搜索算法

来源：评论

学校读者我要写书评

暂无评论

基于深度学习的极限工况下车辆的状态估计

引用

重庆理工大学学报（自然科学） 2018年第10期32卷 64-70页

作者：张凤娇汪䶮赵万忠常州机电职业技术学院江苏常州213164 东南大学机械工程学院南京211189 南京航空航天大学南京210016

车辆稳定性控制关键状态变量的精确获取对于车辆主动安全控制极其关键,由于测量成本和难以测量状态量存在,现有绝大部分采用基于模型驱动的方法难以进行状态变量的估计。为此,提出了一种新的数据驱动的车辆极限工况下的状态估计方法,通... 详细信息

车辆稳定性控制关键状态变量的精确获取对于车辆主动安全控制极其关键,由于测量成本和难以测量状态量存在,现有绝大部分采用基于模型驱动的方法难以进行状态变量的估计。为此,提出了一种新的数据驱动的车辆极限工况下的状态估计方法,通过引入深度长短时记忆神经网络(LSTM),利用样本数据训练LSTM网络生成时滞非线性预测模型,使模型在实现车辆状态估计的同时具有在线学习和动态更新能力。仿真实验结果表明:该方法的鲁棒性和估计精度优于传统扩展卡尔曼滤波算法。

关键词：状态估计数据驱动建模长短时记忆网络时滞非线性预测模型

来源：评论

学校读者我要写书评

暂无评论

城市固废焚烧过程炉膛温度建模与控制研究

引用

控制工程 2023年第10期30卷 1852-1862页

作者：何海军蒙西汤健乔俊飞北京工业大学信息学部北京100124

城市固废焚烧过程是一个复杂的非线性动态系统,其关键变量炉膛温度的建模与控制是亟待解决的难题。针对此问题,利用实际数据建立炉膛温度模型并对其控制问题展开研究。首先,根据实际工况和专家知识选取与炉膛温度相关性较高的操作变量... 详细信息

城市固废焚烧过程是一个复杂的非线性动态系统,其关键变量炉膛温度的建模与控制是亟待解决的难题。针对此问题,利用实际数据建立炉膛温度模型并对其控制问题展开研究。首先,根据实际工况和专家知识选取与炉膛温度相关性较高的操作变量作为模型输入;然后,通过Tkagi-Sugeno(TS)模糊神经网络建立数据驱动的炉膛温度模型;最后,以炉膛温度跟踪误差和误差变化率为径向基函数(radial basis function,RBF)神经网络PID控制器(RBF-PID控制器)的输入,一次风量为输出,实现对炉膛温度的精确控制。实验结果表明,基于TS模糊神经网络建立的炉膛温度模型能够很好地拟合实际值,RBF-PID控制器能够实时精准地控制炉膛温度,具有较高的控制精度。

关键词：城市固废焚烧炉膛温度数据驱动建模 RBF-PID控制

来源：评论

学校读者我要写书评

暂无评论

基于不同学习范式的工业大数据建模与质量预报

基于不同学习范式的工业大数据建模与质量预报

引用

作者：杨泽宇浙江大学

学位级别：博士

随着智能制造和工业互联网时代的到来,为现代工业带来了更多的机遇与挑战,促使传统制造业不断向着智能化的方向发展,并逐步加深工业自动化进程。工业大数据分析作为智能制造和工业互联网平台的核心环节,越来越受到学术界和工业界的普遍... 详细信息

随着智能制造和工业互联网时代的到来,为现代工业带来了更多的机遇与挑战,促使传统制造业不断向着智能化的方向发展,并逐步加深工业自动化进程。工业大数据分析作为智能制造和工业互联网平台的核心环节,越来越受到学术界和工业界的普遍重视。如何高效挖掘工业大数据中蕴含的高价值信息,以及如何利用它们解决实际工业过程的问题,是目前的热点方向之一。同时,随着工业自动化向着知识自动化的进阶发展下,工业大数据分析的学习范式也随之发生着相应的演变。因此,本文从工业大数据分析的角度出发,研究了不同数据特性和过程特性下的建模方法,用于工业过程的质量预报和过程监测等典型应用场景,同时积极探索工业大数据背景下学习范式的变革。全文的主要研究内容具体包含以下五个部分:(1)针对工业大数据的高维特性建模问题,提出了基于隐变量模型的并行建模框架,用于过程监测与质量预报。从自编码器的角度,对比传统隐变量模型,扩展至相应的并行非线性版本。为了从过程数据中进一步提取更深层的非线性特征,将基本的浅层自编码模型扩展为堆叠结构,为非线性过程监测和质量预报提供了一个深层次的生成结构。在对工业大数据进行分析建模时,相较于传统建模算法,结合并行计算策略的过程建模分析方法具有更高的计算效率且性能表现更好。(2)针对工业过程中非线性特性问题和数据包含噪声的情况,提出了一种非线性变分贝叶斯因子回归用于质量预报。以概率建模为基础,结合非线性映射技术,将线性概率质量预报模型扩展为非线性形式。由于参数更新的复杂性与样本大小和变量维数都有很大的关系,进一步为解决这类大规模且高维的过程数据建模任务,提出了一种基于并行框架的非线性变分贝叶斯因子回归。通过这种方式,引入的并行策略有效地将繁重的计算量通过样本并行和变量并行两个层面转化为多个子任务。总的来说,所提方法在提高非线性数据处理能力的同时,进一步提高了模型的计算效率。(3)针对过程的时变特性和非线性特性问题,提出了并行即时学习框架,包括并行搜索、并行建模、模型库管理和数据库管理。作为框架核心,并行计算策略的引入不仅能使即时学习有效利用工业大数据信息充分的优势,还能提高其在工业大数据下的搜索能力和效率。此外,采用的模型库管理策略,可以使用查询相似样本对已有的相似模型进行操作,提高并行即时学习的实时性。同时,通过选择性添加新数据,开发的数据库管理策略,不仅缓解了信息冗余问题,还减轻了数据库增大带来的搜索压力。进而考虑到数据噪声情况,以传统的变分贝叶斯因子回归模型为例,将其转化为并行贝叶斯即时学习方法用于流式工业大数据建模分析。随后为了进一步提高模型的性能,将上述线性方法推广为非线性形式,提出了面向工业大数据的并行非线性贝叶斯即时学习方法。(4)针对工业大数据的自适应建模问题,提出了一种基于流式变分贝叶斯因子回归模型的自适应质量预报方法。该方法在因子回归的基础上,引入流式变分贝叶斯,根据实际数据流的变化而实时更新模型参数的后验分布。为了更好地适应工业过程时变性,在更新过程中引入对称KL散度来决定先验分布的选取,从而实现模型的自适应更新。通过这种方式,不但成功地解决了大数据建模、及时跟踪质量变量的变化趋势,而且减少了更新计算时间等问题。随后引入并行计算策略,进一步提出了更高效的流式并行变分贝叶斯因子回归。在流式工业大数据下的质量预报应用当中,所提方法展现出了更高的训练效率和预测精度。(5)针对流式工业大数据场景下传统学习范式无法在过程学习中有效进行知识积累的问题,提出了一种终身贝叶斯学习机器框架。结合狄利克雷过程混合模型和终身学习思想,利用无限非参数模型的嵌套变分边界,进行了模型扩展和模型优化。该框架不仅可以自适应地创建和合并组分数量,还同时考虑了过程数据包含随机噪声的问题。在这种持续学习方式中,可以通过充分统计量的学习记住以前的数据集及其知识信息,不需要重新访问过去的数据集,完成知识学习的保留和积累。以狄利克雷过程高斯混合回归为例,在此框架下进行过程建模。与传统自适应方法相比,该方法在建模效率和模型性能方面具有优势,通过实例验证了该方法的有效性和可行性。

关键词：数据驱动建模工业大数据并行计算学习范式质量预报

来源：评论

学校读者我要写书评

暂无评论

带钢热连轧加热炉建模与智能控制研究

带钢热连轧加热炉建模与智能控制研究

引用

作者：鲍青峰北京科技大学

学位级别：博士

钢铁工业是国民经济的重要基础产业,是建设现代化强国的重要支撑。带钢热连轧加热炉作为钢铁冶金行业轧钢系统的重要工序,其核心作用是保证钢坯温度精准控制、满足工艺需要,保证产品高性能。针对带钢热连轧加热炉模型精度和泛化能力需... 详细信息

钢铁工业是国民经济的重要基础产业,是建设现代化强国的重要支撑。带钢热连轧加热炉作为钢铁冶金行业轧钢系统的重要工序,其核心作用是保证钢坯温度精准控制、满足工艺需要,保证产品高性能。针对带钢热连轧加热炉模型精度和泛化能力需要提高、炉温曲线优化设定与生产计划匹配度低、钢坯全生命加热周期存在非全局优化温度控制等问题,本文以带钢热连轧加热炉为研究对象,以工程应用为落脚点,将理论方法研究与工艺和生产实际紧密结合,围绕带钢热连轧加热炉建模、优化设定和智能控制等方面展开了深入研究,提出了带钢热连轧加热炉新的建模、优化设定和智能控制方法,研究工作和创新性成果如下:1)针对带钢热连轧加热炉非线性和动态性导致模型精度低的问题,构建了基于神经网络带钢热连轧加热炉静态和动态模型结构,提出了一种神经网络的带钢热连轧加热炉数据驱动建模方法,实现了模型精度和稳定性提高。2)针对带钢热连轧加热炉时变性、分布式的特点以及工况条件多变导致模型泛化能力低问题,提出了模型参数与工况匹配的时空分布多元线性回归带钢热连轧加热炉分区建模方法,所提方法验证了从钢坯入口端到出口端拟合程度逐步增强,提高了模型泛化能力。3)针对带钢热连轧加热炉非线性、分布式和温度耦合性导致钢坯上下部温度存在不均匀的问题,构建了带钢热连轧加热炉时空分布非线性自回归模型结构,提出了一种考虑时空分布和模型点耦合带钢热连轧加热炉自回归建模方法。并基于模型耦合性,建立3个沿钢坯运动方向时空分布和模型点耦合带钢热连轧加热炉自回归模型,所提方法验证了模型的精度满足钢坯加热工艺要求。4)针对带钢热连轧加热炉生产指标全局动态优化的问题,提出了面向生产指标带钢热连轧加热炉分层结构优化设定方法。该模型由三层结构构成:第一层结构提出了基于轧制计划的双特征高斯混合聚类算法。第二层结构提出了 Type-2型模糊规则插值的带钢热连轧加热炉设定方法。第三层结构提出了建立知识前馈补偿规则矩阵方法。通过实验验证了所提方法的有效性。5)针对带钢热连轧加热炉内钢坯全加热周期存在非全局优化的温度控制问题,构建了带钢热连轧加热炉沿钢坯运动方向分时协调智能控制结构,提出了一种带钢热连轧加热炉沿钢坯运动方向分时协调智能控制策略。沿钢坯运动方向全加热周期,分别设计了与钢坯加热时间匹配的专家-模糊控制,专家-模糊-PID控制,专家-自抗扰控制,实现了钢坯在各个加热时间周期优化控制。实验结果验证了所提方法的可行性和有效性。

关键词：加热炉数据驱动建模优化设定智能控制

来源：评论

学校读者我要写书评

暂无评论

面向大规模数据的工业过程分布式并行建模及应用

面向大规模数据的工业过程分布式并行建模及应用

引用

作者：姚乐浙江大学

学位级别：博士

随着“工业4.0时代”和“工业互联网”的提出,现代工业面临着新的机遇和挑战。自动化系统的日趋完善,工业生产过程加快了信息化与智能化的步伐,迈入了工业大数据时代。高维度、多工况、多单元的大规模数据不仅为数据驱动建模带来了更多... 详细信息

随着“工业4.0时代”和“工业互联网”的提出,现代工业面临着新的机遇和挑战。自动化系统的日趋完善,工业生产过程加快了信息化与智能化的步伐,迈入了工业大数据时代。高维度、多工况、多单元的大规模数据不仅为数据驱动建模带来了更多有价值的信息,还对传统的单机数据建模方法提出了挑战。如何充分高效地通过工业互联网平台挖掘大规模数据中蕴含的高价值信息,以及如何利用它们解决实际工业过程的问题,是目前过程建模研究的热点方向。本文从大规模工业数据出发,基于分布式并行计算架构研究了不同数据特性和过程特性下的分布式并行建模方法,用于工业过程的质量预报和过程监测。全文的主要研究内容如下:(1)针对工业过程建模面临大规模数据的问题,提出了一种基于MapReduce的分布式并行建模框架,用于关键质量变量预报。将半监督概率主成分回归模型部署到该框架下,在大型分布式数据块上并行训练局部模型,进而采用基于MapReduce的贝叶斯融合算法整合各局部模型的质量预报结果。相较于传统的单机建模算法,基于MapReduce的分布式并行半监督概率主成分回归模型在面对大规模数据时拥有更高的计算效率。并且由于模型训练过程利用了更多的数据,其预测精度也有了显著提升。(2)针对工业过程数据的非线性和半监督特性问题,提出了一种基于分层极限学习机的半监督深度学习模型。利用自编码器的深层网络结构有效地提取数据的非线性特征,并且引入流形正则化方法构造了半监督学习模型。该方法不仅可以深度挖掘有标签数据信息,还可以从大规模无标签样本中提取额外的数据特征。进一步,针对大规模工业数据下多工况过程建模的问题,依据“分而治之”的策略,提出了基于MapReduce的分布式并行极限学习机和分层极限学习机。首先利用分布式并行的K均值算法对过程的多个工况进行划分,进而分别在不同工况内采用分布式并行分层极限学习机训练局部模型,最后利用贝叶斯模型融合算法整合各局部模型,实现了对关键质量变量的在线预报。(3)针对大规模工业数据包含随机噪声和不确定性问题,提出了一种基于参数服务器架构的分布式并行概率建模框架。在该框架下,需要首先利用随机变分推断算法将基于变分推断的概率模型转变为可扩展的随机优化的形式,进而根据参数服务器计算架构对其进行分布式并行部署。本文提出了一种分布式并行高斯混合模型,用于大规模数据下的多工况过程建模。在分布式并行高斯混合模型训练过程的每次迭代中,只需要从大规模数据集中随机选择一个或一小批样本来计算梯度和更新参数,大大提高了模型的训练效率。数据集的可扩展形式使得基于参数服务器架构的分布式建模方法具备轻松处理大型数据集的能力。(4)针对多工况过程半监督数据的质量预报问题,提出了一种基于变分推断的半监督高斯混合模型。为充分利用大规模无标签数据,进一步提出了基于随机变分推断的半监督高斯混合模型,并部署成分布式并行半监督高斯混合模型,显著提升了模型训练效率。大量无标签样本参与模型训练,使得参数求解更加准确,提高了模型用于质量预报的性能。进一步,针对大规模厂级过程的多单元和多工况特性,提出了一种基于分布式并行半监督高斯混合模型的厂级过程分层质量监测算法,在质量相关子空间中,提出了从变量级、单元块级到厂级的的分层质量监测方案。(5)针对大规模工业数据的高维变量特性,在分布式并行概率建模框架下,提出了一种分布式并行概率隐变量建模方法,然后将其分别应用于大规模工业数据下的过程监测和质量预报。并且针对大规模厂级过程提出了厂级分层监测算法。首先将大规模工业过程划分为若干局部单元块,并在每个局部块内建立分布式并行的混合概率隐变量模型,进而在贝叶斯推断下实现了从厂级到单元块级,再到变量级的故障检测与诊断。不仅有效缓解了厂级过程建模的巨大计算任务,也有助于提升厂级故障检测和诊断的准确度。

关键词：数据驱动建模大规模工业数据分布式并行建模质量预报过程监测

来源：评论

学校读者我要写书评

暂无评论

基于GP模型的非线性系统建模及其应用

基于GP模型的非线性系统建模及其应用

引用

作者：孙培浙江大学

学位级别：博士

随着当今工业信息化、数字化进程的不断深入,数据驱动建模(data-driven modeling)方法及其应用引起了广泛关注。高斯过程(Gaussian process, GP)模型通过对训练数据相关性的分析,可以显式地给出预测值的后验概率分布,从而反映了预测值... 详细信息

随着当今工业信息化、数字化进程的不断深入,数据驱动建模(data-driven modeling)方法及其应用引起了广泛关注。高斯过程(Gaussian process, GP)模型通过对训练数据相关性的分析,可以显式地给出预测值的后验概率分布,从而反映了预测值的不确定性。这一特性使得它在处理模型不精确时的预测、控制、优化等问题时具有很大优势。此外,GP模型本身还具有易于实现、超参数自适应获取等优势,逐渐成为了机器学习领域的研究热点之一,并在过程系统工程领域得到了广泛应用。本文围绕GP模型在不同类型工业过程中的建模及相关应用开展研究并取得以下成果：1.利用GP模型所提供的预测方差信息,提出了自主动的GP模型,建立了更新数据的自主筛选策略,使用预测方差和预测误差相结合的方式对模型预测值不准确的情况作出区分,以更好的选择建模数据。2.基于GP模型所提供的预测分布,提出了一种被称为“基于自主改进GP模型的预测控制(AI-GPMPC)"方法,适用于初始模型不准确情况下的设定值快速追踪控制问题。该方法能够在“搜索当前模型所提供的信息”和“探索可能改善控制效果的未知区域”之间进行权衡,在对系统输出进行有效控制的同时,通过更新训练集改进预测模型。3.提出了KL-GP的分布参数系统建模方法,借助KL分解对过程进行时空分解和维度缩减,并在各空间维度中分别建立GP模型后,通过时空合成对原过程进行重构获得输出预测。考虑模型更新的需要,对KL-GP方法进行扩展,提出了“自主动KL-GP (SA-KL-GP)"的建模方法,利用所得的输出预测方差对任意时空点上的建模效果进行评价,并自主选取数据以改进当前模型。为满足实时模型改进的要求,提出了改进的“迭代选择KL-GP (RS-KL-GP)"建模方法,利用迭代更新方法减少了更新计算量。4.针对间歇过程训练数据稀缺导致模型不准确的问题,提出了一种基于GP模型和期望改进进行批次间最优轨迹的设计方法。以不准确预测模型为前提,利用“期望改进量”的作为优化目标,该方法可以通过尽量少的试验性生产批次得到最优的过程产品质量。5.基于过程机理知识,建立了低压化学气相沉积(LPCVD)过程的仿真研究对象；使用GP模型建立预测模型,利用有限的训练数据对含有空间分布信息的批次过程进行建模,用以预测空间分布的晶圆表面薄膜厚度。在进行优化控制的过程中,基于GP模型所提供的预测值不确定性,优化选择下一批次的操作变量,以保证过程的稳定性。此外,预测不确定性也被用于更新GP模型的高效数据选择,尽量减少数据采样,同时增强模型质量。

关键词：数据驱动建模高斯过程模型模型预测控制分布参数系统间歇生产过程轨迹优化时空建模

来源：评论

学校读者我要写书评

暂无评论

数控机床进给系统融合建模及轮廓误差补偿方法研究

数控机床进给系统融合建模及轮廓误差补偿方法研究

引用

作者：蒋亚坤华中科技大学

学位级别：博士

人工智能技术与先进制造技术的相互借鉴与融合是智能制造的发展趋势。数控机床作为制造业的基础资源,其高速、高精、智能化程度对智能制造的实施具有重要影响。通过数控机床进给系统分析与建模,能够使人们更深入的理解进给系统内部特性... 详细信息

人工智能技术与先进制造技术的相互借鉴与融合是智能制造的发展趋势。数控机床作为制造业的基础资源,其高速、高精、智能化程度对智能制造的实施具有重要影响。通过数控机床进给系统分析与建模,能够使人们更深入的理解进给系统内部特性,并能够更好的实现控制与补偿。然而由于实际系统内部结构和外部运行环境的复杂性,基于假设和简化的数理方法所建立的模型,其精度难以满足越来越高的轮廓误差补偿应用需求。因此,本文以机床进给系统运行过程数据为基础,应用人工智能技术,对进给系统精确建模和轮廓误差补偿方法展开深入研究,在提升机床加工精度的同时,探索人工智能技术与数理方法的融合方法及其在智能制造领域的应用技术。研究并认知进给系统动态响应特性是建立其精确模型并实现误差补偿的基础。本文通过研究进给系统单轴和多轴联动的实际响应规律,及其多领域物理模型的仿真响应规律,将进给系统对于指令的实际响应量分为可重复数理分量、可重复非数理分量和不可重复分量;进一步的,提出了模型预测精度和可补偿性评价指标及其计算公式,为进给系统精确建模及轮廓误差补偿方法的研究奠定了基础。针对基于假设和简化的数理模型仅是对真实系统带有一定偏差的逼近且参数辨识复杂的问题,本文通过对经典长短期记忆网络(LSTM)进行适应性改造,提出了一种非线性自回归长短期记忆网络(NAR-LSTM),用于构建进给系统数据驱动模型。为了提高启动、反向等高度非线性运动状态的预测效果,通过实现运动状态的自动分类,提取样本并构造了不同运动状态的子模型。所建模型在测试曲线不同进给速度下的预测误差为2.2～6.3μm,达到了微米级预测精度,但模型在高速时的预测精度仍有不足。针对单一的数理方法或数据驱动方法对进给系统输入-输出映射关系描述能力有限的问题,本文提出了一种基于残差学习的数理方程及NAR-LSTM融合建模方法。该方法将进给系统模型分为两个组成部分:基于数理方程的基础模型和基于NAR-LSTM网络的残差模型。基础模型用于描述进给系统实际响应量中的可重复数理分量,残差模型用于模拟其中的可重复非数理分量。融合模型在测试曲线上达到了2.4～4.5μm的预测精度,进一步提高了模型的预测精度和可补偿性。针对基于模型迭代计算补偿值的方法效率低且难以满足在线实时计算的问题,本文提出了轮廓误差的补偿值强化学习计算及双码联控补偿方法。为了快速计算补偿值,改进并提出一种时序深度强化学习方法(TS-DQN),将补偿值在每个控制周期的迭代计算简化为补偿参数辨识与补偿值计算;为了将补偿值送入数控系统实时辅助加工,设计了一种基于双码联控的轮廓误差补偿方法,将补偿值编制到i代码文件中,加工时G代码与i代码同步解析控制。实验结果表明该方法可以显著提高零件轮廓精度。为了验证本文所提出方法的有效性,完成了进给系统建模与轮廓误差补偿算法在数控系统中的集成与实验验证。在立式加工中心上实际加工圆台和凸半球,轮廓误差分别从17.3μm减小到7.6μm,从16.8μm减小到7.1μm;在凸轮磨床上加工凸轮,进气凸轮和排气凸轮升程误差分别从30.7μm减小到15.2μm,从20.2μm减小到13.5μm,从而验证了本文所提出的进给系统建模及轮廓误差补偿方法的有效性和通用性。本文的研究工作为机床进给系统建模及轮廓误差补偿研究提供了一定的理论基础和技术保障,对轮廓误差补偿的推广和实用化将起到积极的推动作用。

关键词：数控机床进给系统数据驱动建模融合建模轮廓误差补偿深度神经网络运动状态分类

来源：评论

学校读者我要写书评

暂无评论

基于BP神经网络的供热机组低压缸质量流量在线监测方法

引用

汽轮机技术 2021年第1期63卷 46-48,34页

作者：范景利高志刚姚坤万杰刘东旭内蒙古国华呼伦贝尔发电有限公司呼伦贝尔021025 哈尔滨工业大学哈尔滨150001 哈尔滨沃华智能发电设备有限公司哈尔滨150001

汽轮机低压缸质量流量的实时监测对极寒地区大型供热机组具有重要意义,但却存在难以在现场直接测量的问题。提出了一种基于BP神经网络的供热机组低压缸质量流量在线监测方法。以机组负荷、主蒸汽流量、主蒸汽压力和中压缸排汽压力作为输... 详细信息

汽轮机低压缸质量流量的实时监测对极寒地区大型供热机组具有重要意义,但却存在难以在现场直接测量的问题。提出了一种基于BP神经网络的供热机组低压缸质量流量在线监测方法。以机组负荷、主蒸汽流量、主蒸汽压力和中压缸排汽压力作为输入,以低压缸质量流量为输出,建立BP神经网络计算模型,利用插值方法获取样本数据。最后,基于PI数据平台开发了汽轮机低压缸质量流量的实时监测系统,并在2台600MW供热机组上进行了实际应用测试。结果表明,该系统给出的常运行工况监测值与经验值是相吻合的,对极寒温度下机组低负荷、大流量供热运行时的空冷岛防冻预警具有一定的指导意义。

关键词：供热机组低压缸质量流量在线监测数据驱动建模

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：