由于设备本身的复杂多样性以及传感器应用范围和成本的限制,导致部分故障检测信息无法完整、准确获得。为解决上述问题,提出一种基于改进灰狼算法的Elman神经网络(ODCGWO-Elman)软测量模型,用于预测故障时间。该模型以Elman网络作为基础结构,将灰狼算法(GWO)与Elman网络结合,以克服网络因随机选取的权值和阈值不恰当对预测精度的影响,提高模型的学习能力和泛化性。同时,在灰狼算法中引入反向学习策略、基于余弦函数自适应的收敛因子和正则函数对其进行改进,提高灰狼算法的求解精度。实验结果表明ODCGWO-Elman预测准确率为94.8%,相较于GWO-Elman和传统Elman网络,预测准确率分别提升了11.5%和22.3%,有效提升了设备故障预测的准确性。

针对立式罐由于设备本身限制,罐壁温度很难直接测得,本文提出了基于人工神经网络的软测量方式,并构造了立式罐壁温软测量的神经网络结构,运用实际测得数据对RBF网络进行训练和仿真,仿真结果证明了该方法的有效性.

将神经网络运用到动态流量的软测量中,探索解决液压伺服系统中对瞬时动态流量的测试问题是该领域的一个难点和热点问题,该文在概要介绍了神经网络动态流量软测量系统的总体设计和神经网络结构的确定方法之后,重点讨论了神经网络的训练策略,最后通过实验验证了该训练策略的性能.

将神经网络运用到动态流量的软测量中,探索解决液压伺服系统中对瞬时动态流量的测试问题是该领域的一个难点和热点问题,文中在概要介绍了神经网络动态流量软测量系统的总体设计和神经网络结构的确定方法之后,重点讨论了神经网络的训练策略,最后通过实验验证了该训练策略的性能.