基于PSO-LSSVM的拉线棒腐蚀预测

根据鄂西某输电线路拉线塔的拉线棒腐蚀数据,通过灰色关联度算法分析了土壤因素与拉线棒腐蚀情况之间的相关性;应用粒子群算法(PSO)对最小二乘支持向量机(LSSVM)的关键参数进行优化;利用灰色关联度权重对有关数据进行处理,建立了PSO-LSSVM和考虑灰色关联度权重的PSO-LSSVM预测模型。实例计算表明,与LSSVM预测模型相比,PSO-LSSVM预测模型训练集所得结果的均方根误差下降了15.3%;预测集的均方根误差下降了35.71%。考虑灰色关联度权重后,PSO-LSSVM预测模型训练集和预测集的均方根误差进一步下降,分别减少了24.59%和20%。PSO-LSSVM用于拉线棒腐蚀预测具有较好的精度,考虑灰色关联度权重的PSO-LSSVM模型的预测精度更高。     

����ƫ��С���˷���BP����Ԥ��ֽ������ǿ��

 将偏最小二乘法与BP人工神经网络结合,建立了一种新的预测模型：PLS-BP神经网络模型。模型应用偏最小二乘法来提取主成分R及得分T,根据交叉有效性检验和留N法来确定PLS的成分个数, PLS-BP网络的输入数目和网络隐含层的节点数目,最终确定网络的结构为6-11-1。应用该模型可以有效地避免几个因素之间的多重相关性问题,同时也能更好地解决非线性问题,克服了偏最小二乘和单纯BP网络的缺点。在钢筋屈服强度的预测中表明,应用PLS-BP模型预测的误差均小于1.03%,比应用于偏最小二乘回归模型的误差6.19%要小得多,并且预测值和实际值比较吻合。     

基于BP神经网络的转炉出钢过程氧含量预测及优化

以神经网络为基础,建立转炉钢水进站氧含量的预测模型.该预测模型是以转炉吹炼终点状态和脱氧制度为基础,利用误差反向传播网络—BP神经网络,分别对强、弱两种脱氧制度进行了建模.接着对钢水CAS、RH进站氧进行预测.最后,通过网络实时训练,能够使模型适应生产条件的改变.经预测模型的优化,缩短了学习时间,提高了预报精度.     

基于改进型支持向量机算法的轧机轧制力预测

考虑到基于神经网络算法建立的预测模型虽然具有较好的预测精度,但是神经网络模型需要大量的训练样本,另外会增加模型的复杂程度,研究了一种基于改进型支持向量机的轧机轧制力预测模型,建立基于RBF核函数和多项式核函数的最小二乘支持向量机,并使用协同量子粒子群算法对混合函数的参数进行寻优,以提高预测模型的预测性能。由协同量子粒子群算法优化得到了基于改进型支持向量机的轧机轧制力预测模型中的RBF核函数参数γ值、惩罚系数c值、多项式核函数参数q值和两个核函数的权重a值。通过实例研究表明:使用本文研究的改进型支持向量机的轧制力预测模型预测相对误差在4%～6%之间,多组数据的平均值误差为4. 83%。验证了本文研究的基于改进型支持向量机的轧机轧制力预测模型的可行性。本文研究的预测模型相比其他3种对比模型耗时更长,但是相比之下提高了预测准确率,更具有实际意义。     

基于LS-SVM的铜铬合金挤压加工挤压力预测

提出一种最小二乘支持向量机的Cu-0.75Cr铜合金反挤压力预测新模型.以断面缩减率、凸模锥角和挤压温度这3个主要工艺参数作为影响因素,以反挤压过程的挤压力为影响对象,通过最小二乘支持向量机模型建立影响因素和影响对象之间的复杂非线性关系.以正交实验数据为样本对模型进行训练,用训练好的模型预测在一定反挤压条件下Cu-0.75Cr铜合金的挤压力.结果表明:该模型不仅预测精度和处理速度大大高于人工神经网络预测模型,而且建模速度也比标准支持向量机快,实际预测误差小于3%.     

面向电主轴热误差预测建模分析的改进IGWO-LSTM算法

针对电主轴复杂运行工况下的热误差建模问题,提出一种基于改进灰狼优化算法(IGWO)的LSTM神经网络参数预测模型IGWO-LSTM。通过对灰狼算法收敛因子a计算方法进行优化来提高算法寻优性能;通过IGWO算法的适应度函数与LSTM隐含层节点数组成的IGWO-LSTM闭环系统对电主轴热误差预测模型进行训练和预测,避免陷入局部最优,同时提升模型预测精度。为了验证该算法性能,将它与改进前的算法进行对比,通过求取平均绝对误差、平均绝对百分比误差以及均方根误差对这两种神经网络进行评价,结果显示：文中算法的3种指标均优于改进前的LSTM模型,具有更好的热误差预测准确性和全局搜索能力。     

基于GA-LSSVM的数控机床热误差建模方法研究

为减小数控机床热误差对加工精度的影响,实现对热误差的补偿控制,提出一种基于遗传算法(GA)优化的最小二乘支持向量机(LSSVM)数控机床热误差建模方法。利用遗传算法优化选择LSSVM惩罚因子C和核函数参数σ~2,构建针对某卧式加工中心主轴热误差的GA-LSSVM模型。根据该模型得到热误差的模拟值和测量值对比曲线,通过分析发现GA-LSSVM模型性能较好,模型残差较小,预测精度较高。建立热误差LSSVM模型和传统BP模型并与GA-LSSVM模型作对比,结果表明:GA-LSSVM模型绝对残差δ及均方误差MSE均为最小,模型决定系数R~2最大,验证了GA-LSSVM建模方法的有效性。     

平面端铣加工变形建模与预测

提出了一种基于有限元分析方法、试验设计方法和偏最小二乘回归(PLSR)理论相结合的平面端铣加工变形预测方法。以某发动机机体为研究对象,进行了铣削参数的三因素三水平正交试验设计,通过已建立的三维有限元模型分析计算不同参数组合下的工件变形量,并用PLSR方法建立端铣变形预测模型。采用建模数据和非建模数据分别对该预测模型进行对比分析,验证了所提出的建模预测方法的可行性与有效性。     

基于PSO-SVM模型的油气管道内腐蚀速率预测

目的针对油气管道的运行安全问题,建立油气管道内腐蚀速率预测新模型,对管道的内腐蚀状况进行准确预测。方法首先对内腐蚀的原理进行简单分析,探讨引起管道内腐蚀的主要原因。对PSO(粒子群算法)、SVM(支持向量机)以及PSO-SVM模型的原理及结构进行探讨,结合文献中获取的管道内腐蚀数据,使用PSO算法对SVM算法的参数C和g进行寻优。在此基础上,对Sine函数、Sigmoidal函数和Radial basis函数三种核函数进行对比优选。最终将PSO-SVM模型与GA-SVM模型、CV-SVM模型、LS-SVM模型和FOA-SVM模型四种模型进行预测误差对比,以此证明PSO-SVM模型的先进性。结果当SVM算法的参数C=83.9243、g=0.6972,核函数选择Sine函数时,PSO-SVM模型的平均绝对误差和均方根误差最小,平均绝对误差和均方根误差分别为0.58%和0.000618,但是该模型在使用的过程中,其训练数据所使用的时间为11.26 s,与GA-SVM模型、CV-SVM模型、LS-SVM模型和FOA-SVM模型四种模型相比,其预测误差较小,但训练数据所使用的时间较长。结论利用PSO-SVM模型对油气管道内腐蚀速率进行预测是可行的,预测误差相对较小,但是由于受限于数据训练速度问题,今后仍需要对该领域进行深入研究。     

基于偏最小二乘回归的焊缝形状预测模型

提出了基于偏最小二乘回归模型的焊缝形状预测方法。以药芯焊丝CO2气体保护焊作为研究对象,建立了包括焊缝熔深、熔宽及余高等几何尺寸在内的焊缝形状偏最小二乘回归预测模型和多元线性回归预测模型。结果表明,偏最小二乘回归模型有效解决了预测模型中焊接电流与电弧电压等自变量间存在的多重共线性问题,比传统的多元线性回归模型具有更高的预测精度,相对误差在5%左右。     

基于工艺参数的7005铝合金力学性能的支持向量回归预测

根据7005铝合金在不同工艺参数(挤压温度、挤压速度、淬火方式和时效条件)下的力学性能(抗拉强度σ_b、屈服强度σ_(0.2)和硬度HB)实测数据集,应用基于粒子群算法(PSO)寻优的支持向量回归(SVR)结合留一交叉验证(LOOCV)的方法,对7005铝合金力学性能进行建模和预测研究,并与偏最小二乘法(PLS)、反向传播人工神经网络(BPNN)和两者结合的PLS-BPNN模型的预测结果进行比较.结果表明:基于SVR-LOOCV法的预测精度最高,对3种力学性能(σ_b、σ_(0.2)和HB)预测的均方根误差(RMSE)分别为4.531 9 MPa、14.550 8 MPa和HB1.414 2,其平均相对误差(MRE)分别为0.72%、2.61%和0.66%,均比PLS、BPNN和PLS-BPNN方法预测的RMSE和MRE要小.     

基于LASSO-WOA-LSSVM的海洋管线外腐蚀速率预测

目的 构建海洋管线外腐蚀速率预测模型,提高海底油气管线外腐蚀速率预测的准确性.方法 建立基于套索(LASSO)回归和鲸鱼优化算法(WOA)的最小二乘支持向量机(LSSVM)腐蚀速率预测模型,采用LASSO回归方法对指标进行筛选,提取海洋管线腐蚀的主要影响因素.应用最小二乘支持向量机算法建立海洋管线外腐蚀速率预测模型,并使用鲸鱼优化算法对模型参数进行优化,避免了参数取值对模型回归性能的影响.以海洋挂片实验为例,通过MATLAB进行模拟仿真,分析验证模型预测结果,并将预测结果与其他模型进行对比分析.结果 LASSO回归算法筛选得到影响腐蚀速率的主要因素为:温度、溶解氧含量、pH值.采用WOA-LSSVM模型所预测的结果与实际值较为吻合,其平均相对误差为2.23％,均方根误差(RMSE)为0.3248,决定系数R2达到0.9708,均优于其他两种模型.结论 基于LASSO回归和鲸鱼优化算法的最小二乘支持向量机预测模型具有更优的泛化能力和预测精度,为海底管道腐蚀研究工作提供了新思路,也为海洋油气输送系统的结构安全与风险防范提供了参考.     

基于神经网络的铣削大理石表面粗糙度预测模型

目的利用粒子群优化BP神经网络建立大理石加工表面粗糙度精确预测模型。方法首先采用不同切削参数进行铣削大理石试验,测量加工表面粗糙度值,同时对粒子群算法进行改进,使惯性权重按指数形式递减,并增加速度扰动系数,利用改进粒子群算法优化BP神经网络,建立铣削大理石表面粗糙度神经网络预测模型。其次使用部分试验数据来训练预测模型,使得到的网络参数让网络可以精确预测表面粗糙度。最后利用其余试验数据验证神经网络预测模型的准确性与可靠性。结果经过计算得到粒子群优化BP网络算法的预测模型归一化均方差为0.0501,最大相对误差为10.78%,且误差变化较为均匀。经验公式模型归一化均方差为0.1069,最大相对误差为39.64%,误差变化幅度较大。结论将神经网络模型与经验公式相比较,结果表明,所建网络模型具有较高的预测精度与较强的鲁棒性,对合理选择切削用量以得到理想表面粗糙度有一定参考价值。     

板厚对T2紫铜板U形弯曲回弹的影响

采用U形弯曲模对T2紫铜板进行弯曲试验,测量卸载后的弯曲角回弹量,结果表明:在板厚0.15-2.0mm的范围内随着板厚的增加,试样的弯曲角回弹量逐渐减小。为了精确描述弯曲角回弹量与板厚之间的关系,分别用最小二乘法拟合与拉格朗日插值获得两者之间的函数关系式,接着用一组弯曲角回弹量的测量值去验证两种方法的计算精度,验证结果表明:最小二乘法拟合得到的函数关系式的计算值具有更小的均方根误差,可以用来预测T2紫铜板的弯曲角回弹量,对于分析T2紫铜板的弯曲变形以及合理制定弯曲工艺具有一定的指导意义。     

基于改进长短期记忆网络的铣刀磨损量预测研究

针对铣刀磨损量预测精度低的问题，提出一种高精度铣刀磨损量预测方法。该方法通过遗传算法（GA）寻出长短期记忆网络（LSTM）的最优参数，并将参数输入LSTM实现改进模型GA-LSTM。采用时域、频域及时频域方法提取特征，应用皮尔逊相关系数法筛选出与铣刀磨损量高度相似的特征向量，输入GA-LSTM模型进行训练，并对测试数据进行预测。实验结果表明:与传统的机器学习方法BPNN或深度学习方法FE-LSTM、CNN相比，GA-LSTM的均方根误差分别下降了41.3%、39.0%、51.5%，平均相对误差分别下降了48.3%、40.8%、56.7%，模型的预测识别精度有较大提高，实现了铣刀磨损量的有效预测。     

基于机器学习的前轴辊锻工艺参数预测

使用基于混合核函数的最小二乘支持向量机算法来进行前轴第1道次辊锻工艺参数的预测,构造混合函数以提高预测模型的预测精度。对工艺参数预测模型进行实验验证,结果表明,与基于单独RBF核的LS-SVM算法相比,混合核函数LSSVM算法构建的预测模型具有更高的预测精度,由3组不同核函数参数构成的预测模型对最大成形载荷及展宽的平均预测精度分别为91.8%和92.1%、89.4%和90.1%以及94.5%和93.2%,并且确定了最优的核函数参数:RBF核函数系数γ=4.52、惩罚系数c=276.4、Polynomial核函数核阶数q=1.21以及混合权重系数a=0.28。通过3组工艺参数实验对所研究的前轴辊锻工艺参数预测方法的可行性进行验证,所使用的预测方法预测得到的最大成形载荷和展宽与实际值误差在10%以内。     

对时效QAl10-5-5铝青铜力学性能预测的神经网络模型

在研究时效工艺对QAl10-5-5铝青铜力学性能影响的基础上，利用人工神经网络对44组时效工艺参数与时效后的力学性能样本进行学习，建立了合金时效后力学性能关于时效温度和时效时间等参数的映射模型。通过散点图以及相对误差、均方差两种统计学指标对该模型进行评价。结果表明，人工神经网络的预测精度优于多元回归方程的。