15CrMoG钢管弯曲回弹的改进PSO-BP评估

为精确预测管材弯曲回弹并设计合理的补偿方案，选择经过优化处理的BP机器学习算法建立预测模型，之后对其开展了控制性能评价。大幅提升了泛化性能并获得更高的预测精度，促进算法更快完成收敛过程。并对模型开展了验证分析。研究结果表明：当以PSO算法优化BP建立预测模型进行预测时跟目标结果间形成了15.7%的平均误差，相对于BP预测模型，大幅提升了预测精度，但会导致计算效率明显下降，所需计算时间接近1.5h。以改进粒子群算法对BP进行优化后，可以有效提升神经网络泛化性能，跟目标值相比平均误差只有6.2%。先对基本PSO算法实施优化处理，再利用优化后的PSO算法调整BP，由此建立得到机器学习预测模型。此模型可以达到高预测精度以及高效率的要求，可以有效满足管材数控弯曲回弹以及补偿的计算需求。     

基于改进PSO算法的Volterra模型在磨损预测中的应用

为准确预测机械设备的磨损问题,提出基于改进PSO算法的Volterra级数预测模型。该预测方法首先根据Volterra级数的性质,建立Volterra级数模型;然后利用改进的PSO算法对模型参数进行优化,得到Volterra级数的预测模型。利用轴承钢试件的磨损实验数据,采用建立的预测模型对数据进行建模和磨损预测。仿真结果表明,与基于PSO算法的Volterra模型、多项式模型、AR模型、RBF神经网络模型及BP神经网络模型相比,基于改进PSO算法的Volterra预测模型结构简单、预测精度高,具有一定的实用性。     

基于PSO-BP神经网络的经济型二手车估价分析

针对BP神经网络预测二手车价格时易陷入局部极小值以及价格影响因素间存在一定相关性的问题,本文提出了一种基于主成分分析(PCA)和粒子群算法(PSO)优化BP神经网络的价格评估模型。本文将PCA降维后的10个主成分作为影响二手车价格的评估参数。基于BP神经网络建立经济型二手车价格评估模型,并使用粒子群算法优化网络的权值和阈值,进一步提高网络的预测精度。该模型一定程度上克服了BP神经网络的不足,为二手车价格评估提供了参考。     

柔性臂坐标测量机动态误差补偿算法研究

针对柔性臂坐标测量机误差因素复杂且误差影响之间呈非线性的问题,分析了误差因素并对部分动态误差进行研究,提出了一种基于模拟退火和神经网络的柔性臂坐标测量机动态误差补偿方法。利用BP神经网络建立动态误差补偿模型,通过模拟退火算法优化权值从而解决了神经网络的收敛速度慢的问题。通过实验获得数据样本,训练所建模型后对测试数据进行误差补偿。与BP神经网络模型进行对比结果表明,补偿测试点后得出的单点重复性测量误差提高了60.85%,长度测量误差的精度提高了54.79%,证明了所提方法的有效性和可行性。     

基于粒子群优化LSTM模型的管道应力预测方法

为了解决传统BP神经网络预测精度不高的问题,提出了一种基于粒子群优化(PSO)长短期记忆网络(LSTM)模型的管道应力趋势预测方法。在分析管道应力监测数据的基础上,利用LSTM模型对未来的应力发展趋势进行预测,进一步采用粒子群算法优化LSTM模型参数来提高预测精度,并基于均方根误差验证了PSO-LSTM模型的有效性,可为长期监测数据的趋势分析提供方法借鉴。     

基于遗传算法优化BP神经网络的数控机床热误差补偿

以提高数控机床加工精度为主要目的,针对减少热误差而提出一种基于遗传算法优化BP神经网络的数控机床热误差补偿方法.首先,分析遗传算法优化的BP神经网络学习算法.然后,建立神经网络模型对三轴联动卧式加工中心进行实时补偿.实验仿真结果表明遗传优化BP神经网络模型具有预测补偿能力强、补偿精度高、拟合性能优、实时性好等特点.     

基于改进PSO＿BP神经网络的干燥机可靠性预测

针对BP(Back Propagation)神经网络模型对谷物干燥机进行可靠性预测时,模型存在收敛速度慢和易陷入局部最优等问题,采用改进的粒子群算法对BP神经网络模型进行优化,建立PSO＿BP神经网络的谷物干燥机可靠性预测模型,并与BP网络模型和GA＿BP网络模型获得的MAERMSEMAPE指标进行对比。研究结果表明,采用改进的PSO＿BP网络模型预测时,与BP网络模型相比三项指标分别降低了0.051 8、0.047 9和28.04%;与GA＿BP网络模型相比,三项指标分别降低了0.000 4、0.000 2和0.61%,说明其具有更小的误差和较好的预测能力。为实现谷物干燥机可靠性精准预测提供方法和思路。     

一种用于磨粒识别的基于改进PSO 算法的支持向量机模型

为提高磨粒智能识别的准确率,以传统支持向量机和粒子群优化(PSO)算法为基础,提出一种基于改进PSO算法的支持向量机(SVM)识别模型。该识别模型的惩罚参数和核函数参数可同时得到最佳优化,从而可建立模型参数最优的自适应SVM识别模型。采用该识别模型对油液中的磨粒进行智能识别,结果表明该模型识别准确率高达98%,明显优于BP神经网络模型。     

切削加工表面粗糙度组合预测模型研究

加工过程产生的粗糙度数据序列会包含多种特征,而单一的预测模型不能同时捕捉多种数据特征,难以提高预测精度。因此,从加工过程中粗糙度数据特征的复杂性出发,提出了一种基于支持向量机(SVM)和BP神经网络算法(BP)的组合预测模型,来同时捕捉数据的线性特征和非线性特征;在组合预测过程中为充分发挥两种预测算法的最佳性能,采用粒子群优化算法(PSO)对支持向量机的参数和BP神经网络中的权值进行优化。通过蠕墨铸铁的铣削实验,实现不同切削用量下的表面粗糙度精准预测,并与PSO-SVM、PSO-BP算法以及切削加工表面粗糙度理论模型进行对比,验证了该组合模型的优越性。     

基于GA-BP神经网络的光纤陀螺温度补偿

标度因数和零偏的温度特性是影响光纤陀螺工作性能的主要因素,为提高光纤陀螺仪的输出精度,分别建立了基于BP神经网络的标度因数和零偏的温度补偿模型。在此基础上提出了利用遗传算法优化网络参数来弥补BP神经网络算法所存在的不足,最终建立了GA-BP神经网络温度补偿模型。使用在不同温度下的标度因数和零偏测试数据对改进后的神经网络补偿模型进行验证并与原网络模型进行对比分析,实验结果表明,优化过的模型其补偿效果具有很大的提高,其补偿的误差精度提高了一个级别。     

一种确定神经网络初始权值的新方法

针对BP神经网络对易陷入局部极小的缺点,结合粒子群优化算法(PSO)在全局搜索上的良好性能,提出了一种新的算法--PSO-BP混合算法.该算法先用PSO算法将BP网络的初始权值优化到全局极小点附近,然后用传统BP神经网络学习算法进行进一步优化,仿真表明:该方法很好地解决了BP神经网络对初始值敏感、易局部收敛的问题.     

基于改进BP神经网络的机床基础部件可再制造性评价模型

为了利用样本数据准确完成机床基础部件可再制造性评价,提高机床基础部件可再制造性评价预测精度,提出一种采用模拟退火遗传算法优化BP神经网络的机床基础部件可再制造性评价模型。该评价模型以机床基础部件可再制造性经典评价模型评价结果为样本数据,建立机床基础部件可再制造性评价BP神经网络预测模型,采用模拟退火遗传算法优化BP神经网络模型,寻找更优初始网络权值、阈值,以提高收敛速度和避免局部收敛。以一台机床基础部件可再制造性评价为例,验证了基于模拟退火遗传算法优化的BP神经网络评价模型具有更好的预测精度。     

采用改进灰色神经网络的铣床热误差补偿研究

数控铣床在铣削零件过程中,主轴会受到温度变化影响而发生热变形,导致铣削零件误差较大,从而降低产品精度。对此,采用一阶线性微分方程推导GM(1,1)模型,创建灰色预测模型。将神经网络模型与灰色预测模型进行组合,建立灰色神经网络预测模型。引用粒子群算法,在粒子群算法中增加变异操作和修改惯性权重系数,给出改进粒子群算法优化灰色神经网络预测模型的具体操作步骤。采用实验测试铣床铣削过程中所产生的热误差,并与预测模型进行比较。结果显示:在铣床主轴X、Y、Z轴三个方向上,灰色神经网络预测模型对铣床主轴补偿后,得到的残差较大;而改进灰色神经网络预测模型对铣床主轴补偿后,得到的残差相对较小。采用改进粒子群算法优化灰色神经网络预测模型,能够提高铣床主轴铣削精度。     

粒子群优化人工神经网络在高速铣削力建模中的应用

将粒子群优化人工神经网络理论应用于高速铣削力的建模研究中.采用粒子群算法与反向传播算法相结合的方法,对反向传播神经网络模型进行优化.用粒子群算法训练网络参数,直到误差趋于一稳定值,然后用优化的权值进行反向传播算法运算,以实现高速铣削力的预测.充分发挥了粒子群算法的全局寻优能力和反向传播算法的局部搜索优势.仿真结果表明,与其他几种反向传播算法相比较,粒子群算法与反向传播算法的学习算法训练的神经网络,不仅训练时间明显缩短,而且其预报精度也得到了较大的提高,能够有效地建立铣削力模型,并对铣削力进行准确的预测.     

一种高速数控机床电主轴表面温度智能预测方法

电主轴是高速数控机床核心功能部件,电主轴损坏基本是电主轴发热引起的.电主轴温度场具有复杂的非线性特征,神经网络在处理非线性系统温度预测方面得到了广泛的研究,神经网络与传统模型相比具有更好的适时预报性和持久性.论文利用遗传算法优化BP神经网络建立电主轴表面温度预测模型.预测结果表明,未优化的BP神经网络与遗传神经网络预测误差相对比,遗传神经网络对电主轴表面温度预测具有更高的预测精度和稳定性.     

基于PSO-RBF神经网络的锂离子电池健康状态预测

针对传统方法估计锂离子电池健康状态(SOH)时内部参数测量困难等问题,提出一种基于粒子群优化径向基函数神经网络的锂离子电池SOH预测方法。通过对锂离子等效模型的研究,结合充放电过程的实验数据,确定了影响锂离子电池SOH特性的几个关键参数。将试验数据输入仿真模型进行网络训练和校验。仿真证明,相比BP神经网络和普通RBF神经网络,该算法的预测精度可提高20%,节省66.7%以上的优化时间。     

基于IA-PSO-BP模型的电主轴热误差预测方法

针对电主轴在运作时因为温升而产生热误差的问题，提出一种基于免疫粒子群优化BP神经网络（IA-PSO-BP）的电主轴热误差预测模型。通过测量电主轴在工作过程中的温升以及热位移,获取建立预测模型所需的数据，使用IA-PSO-BP模型在MATLAB中建立热误差预测模型，并与未经过优化的BP神经网络所建立的模型进行测试对比。结果显示，经过优化的BP神经网络对热误差的补偿能力高达98.4%，和当前工程常用的BP神经网络相比，平均预测误差下降了62.6%，预测误差的均方差下降了66.4%，可见其预测精度得到了显著提升。     

基于PSO-BP算法的动态空调负荷预测建模

根据空调负荷的非线性特点,提出了一种基于粒子群算法优化误差反向传播(BP)神经网络的空调负荷预测方法,针对BP网络训练容易出现麻痹和易陷入局部极值,以及其预测空调负荷时精度不够理想等现象,将粒子群算法的随机全局优化和梯度下降局部优化结合,达到改善神经网络泛化能力和提高空调负荷预测精度的目的。用该方法对的空调系统冷负荷与室外空气的干球温度、含湿量和太阳辐射照度的关系进行建模和预测,通过实例验证了该优化算法优于BP网络,能更加有效地处理动态空调负荷中的非线性问题,获得更可靠的预测结果。     

一种改进的PSO-BP算法在液压系统故障诊断中的应用

液压系统故障诊断中采用BP神经网络进行故障的模式识别,存在着收敛率较低的问题。结合粒子群算法和BP算法各自的优势,提出了一种基于改进的PSO-BP液压系统故障诊断方法。对标准粒子群算法的惯性权重和学习因子进行改进,再对BP神经网络的权值和阈值进行优化,达到改善BP网络性能的目标。仿真结果表明该方法提高了BP网络的收敛率,减小了诊断误差。     

基于神经网络与PSO算法的发动机装配工艺参数优化

针对汽车发动机装配过程中缸体泄漏问题,结合Back Propagation(BP)神经网络及粒子群优化(Particle Swarm Op-timization,PSO)算法,提出了一种发动机装配工艺参数优化方法.首先,使用BP神经网络建立了生产工艺参数与质量指标之间的非线性映射关系,并以此作为泄漏率预测模型.其次,根...