基于粗糙集和PSO-Elman的商业建筑空调冷负荷预测

为了精确预测商业建筑空调的冷负荷，建立基于粗糙集和PSO-Elman神经网络的预测模型。首先利用粗糙集对空调冷负荷的影响因子进行属性约简，然后应用粒子群算法优化Elman神经网络的权值和阈值，建立PSO-Elman商业建筑空调冷负荷的预测模型。采集桂林某商业建筑的空调数据和气象参数验证PSO-Elman预测模型的预测性能，并将该模型的预测结果与Elman预测模型的预测结果进行对比分析。研究结果表明，PSO-Elman预测模型的预测精度高于Elman预测模型，PSO-Elman预测模型预测结果的平均绝对相对误差、均方根相对误差、均方根误差和平均绝对误差分别为4.87%,6.15%,423.71和335.86，与Elman预测模型的预测结果相比，这些误差参数分别降低了2.46%,2.46%,169.65和156.57。由此可知，PSO-Elman预测模型能够精确有效地预测商业建筑空调的冷负荷。     

基于支持向量机预测的冷连轧机轧制力精确设定方法研究

针对冷连轧机液压AGC系统轧制力的精确设定问题,提出了一种基于差分进化算法优化支持向量机的轧制力精确设定方法。该方法在支持向量机预测模型的基础上,引入差分进化算法对支持向量机的训练参数进行优化,提高支持向量机的预测精度。之后,利用海量生产数据对支持向量机进行训练并进行轧制力偏差的预测,最后将预测结果用于修正轧制力模型设定计算值。通过预测结果和实际数据的对比表明,利用该方法能够有效地提高冷连轧机AGC系统轧制力的设定精度,使设定的相对误差从单纯模型计算的15%降到6%,为进一步提高冷连轧机的设定计算精度提供了一种有效可行的方法。     

基于灵敏度分析与优化的精密运动平台模型修正

针对超精密运动平台部件中部分材料精确参数未知、粘结层准确模拟困难导致动力学建模精度相对较低的问题,提出一种基于参数灵敏度分析和优化的模型修正方法,获取面向精确动力学分析所需的高精度动力学模型.建立虚拟材料属性的粘结层单元代替原有的节点重合建模方法,利用参数灵敏度分析得到未知材料参数对结构模态影响的大小,以模态实验结果为目标选取灵敏度大的未知的材料参数进行优化,得到超精密运动平台部件的修正模型.实验结果证实,修正后动力学模型的模态频率及传递函数与实验结果之间的误差较修正前均明显降低,可用于后续超精密运动平台整体动力学特性的精确预测.     

基于铣削力精确建模的工件表面让刀误差预测分析

航空航天制造业结构件的高速铣削加工中,在切削力作用下由整体铣削刀具挠度变形所引起的工件表面让刀误差,严重制约零件的加工精度和效率。针对这一问题,通过建立铣削力精确预测模型,结合刀具刚度特点,对工件让刀误差进行预测分析。将切削速度和刀具前角对切削力的影响规律引入二维直角单位切削力预测模型,并通过试验进行相关系数标定。借助等效前角将直角切削力预测系数应用到斜角切削力的预测,通过矢量叠加构建整体刀具三维切削力模型。分析刀具挠度变形对铣削层厚度及铣削接触中心角范围影响规律。基于离散化的刀具模型和切削力模型,建立铣削载荷条件下刀具等效直径悬臂梁模型弯曲变形计算方法。构建以刀具变形对铣削过程影响作用规律为反馈的刚性工件表面让刀误差及切削力柔性预测模型,通过整体铣刀铣削试验验证所建立理论模型的预测精度。     

基于实时反馈的机床热误差在线补偿模型

为建立一种能够适应机床不同工况且具有准确预测能力的热误差补偿模型,提出一种基于限定记忆递推最小二乘法辨识热误差模型参数的机床热误差预测建模方法。该方法随着机床工作状况的改变,根据实时反馈的温度和热误差数据,采用递推方法对模型参数进行即时修正,使热误差模型能够及时跟踪机床系统的热特性变化,实现以较高的预测精度对机床热误差进行补偿。通过数控车床主轴轴向热误差辨识建模及补偿实验可以看出,限定记忆递推最小二乘法比一步最小二乘法辨识精度有较大提高,最大残差值减小了52.3%,标准差减小了67%。实验结果表明,利用该方法进行机床热误差模型参数辨识具有较高的预测精度和鲁棒性,有效可行。       

混沌最小二乘支持向量机的短期风功率预测

结合混沌的相空间重构理论和最小二乘支持向量机(LS-SVM)的优点,提出了一种基于混沌LS-SVM风功率预测方法,利用误差评价函数形成反馈机制,通过误差反馈建立参数合理的风功率预测模型。通过对实际数据的仿真,结果表明,该文所提出的混沌LS-SVM预测模型有较好的非线性拟合能力,有较高的预测精度。     

基于广义预测控制的多电机环形耦合升降同步控制研究

针对多电机升降系统受负载扰动等原因升降不平稳的问题，提出了一种基于广义预测和环形耦合策略的控制方法。建立以所有电机作为一个整体的统一受控自回归平均模型，简化了传统控制结构中的参数调整的过程。融合广义预测中的多步预测、滚动优化和反馈修正思想，将同步误差引入二次性能指标函数，使得跟踪误差和同步误差同时在线滚动优化并收敛，获得最优控制输入信号；采用环形耦合同步策略，降低单电机受扰动对其它电机同步性能的影响，提高了多电机连续升降中的鲁棒性。结果表明：能准确跟踪运动轨迹，提高同步跟踪的瞬态性能，使得同步误差趋于0。     

改进GM-Markov模型在道路交通事故预测中的应用研究

针对随机波动性数据对灰色GM(1.1)模型预测精度的影响问题,提出了基于BX数据处理方法与马尔可夫链理论的灰色预测模型(BXGrey-Markov模型)。首先,引入BX数据生成法对原始数据进行处理,以弱化原始数据之间的随机性。在灰色预测方法的基础上,引入马尔可夫链预测理论,建立了灰色马尔可夫预测模型,它是将灰色预测模型与马尔可夫预测方法优化组合,灰色预测模型用于预测随机序列数据的总体发展趋势,而用马尔可夫链模型预测各数据在总体趋势下的随机波动性变化,得到随机时间数列趋势预测模型的解。通过上海市交通事故预测实际数据进行了验证表明:灰色马尔可夫预测模型预测精度高于GM(1,1)模型的预测精度。GM(1,1)模型的平均预测精度为42.29%,BX GM(1,1)-Markov模型的平均预测精度为86.9%。     

智能电网短期负荷预测的研究

基于灰色系统的理论研究方向,建立智能电网短期负荷预测模型,将负荷预测的关键性评价指标——平均绝对百分误差(MAPE)通过采用粒子群优化PSO计算方法,通过优选实验模型中的阶数和背景参数实现预测和实际运行曲线逐步靠近甚至重合的结果。为达到模型预测的高精度,再通过运用"马尔科夫过程"进一步对原先预测的残值数差进行修正,实现智能电网中短期负荷预测。     

基于在线相关熵极限学习机的器件退化趋势实时流预测方法

针对器件退化趋势预测,现有方法难以有效进行模型在线更新且趋势预测易受噪声和奇异值影响产生畸变的问题,构建了一种在线受限相关熵极限学习机,并在该模型基础上,提出了预测模型动态更新方法,完成了高可靠器件退化趋势建模及参数线动态更新。通过建立训练数据误差编码本,利用M-估计动态检测训练数据中的奇异值并进行相应的模型修正,进一步提高模型的鲁棒性。仿真实验及光电耦合器CTR实验均表明该方法相比于典型的预测方法,能够在避免实时噪声和奇异值干扰的情况下对预测模型作出有效的更新且能快速给出单步及多步的预测结果,有效地提升了实时预测的准确性。     

基于分段拟合的机床大尺寸工作台热误差补偿模型

大型机床工作台在往复运动过程中,丝杠螺母会产生大量的热,一部分热量从螺母传入工作台导致工作台两侧翘曲,使工作台不同位置产生不同热误差。为提高大尺寸机床工作台的纵向热误差补偿精度,提出分段拟合热误差建模预测方法。该方法是沿工作台横向在多个位置建立对应点的纵向热误差模型,然后由各点单模型预测值进行分段拟合建立工作台整体预测模型,利用分段拟合模型实现对工作台任意位置热误差预测。同时为了提高热误差模型预测精度和鲁棒性,采用粒子群优化算法根据实时反馈热误差数据对模型参数辨识,使热误差模型能适应机床最新的工作状态。在一台三坐标铣床工作台上进行试验,建立X轴快速运动时工作台纵向热误差模型,试验结果表明:该方法鲁棒性好预测精度高,能够实现大尺寸工作台任意位置的热误差补偿,且具有一定的通用性。     

基于遗传算法优化灰色神经网络的机床主轴热误差建模研究

针对机床主轴热性能对加工精度产生影响的问题,对机床主轴热误差建模方向进行了试验研究。以数控磨床主轴为研究对象,通过热特性试验获得了阶梯转速下的温度变化数据和热误差数据,对温度数据进行了模糊聚类分组,并采用相关系数法选出了温度敏感测点;通过对灰色神经网络初始参数进行优化,建立了遗传算法(GA)优化的灰色神经网络热误差预测模型;在该模型中,以灰色神经网络的预测输出和实际值的绝对误差作为遗传算法适应度函数,以平均相对误差作为预测模型的评价标准,并与灰色神经网络、BP神经网络预测结果进行了对比。研究结果表明:该预测模型具有更高的预测精度,通过GA对灰色神经网络的初始参数进行优化,可有效地提高网络的预测精度,更好地用于热误差补偿系统。     

基于粒子群算法的极限学习机短期电力负荷预测

为了优化极限学习机的参数,提高短期负荷预测的准确率,提出一种改进粒子群算法的极限学习机(CSPSO-ELM)预测模型。该模型利用粒子群算法(particleswarmoptimization,PSO)寻找极限学习机(ELM)网络中最优的输入权值和隐层偏差值,得到输出权值矩阵,以达到减少随机参数误差的目的。同时引入混沌自适应策略,增强粒子群算法的多样性,防止粒子群陷入局部收敛。在充分考虑天气、湿度、假日因素和当地工业产值对预测结果的影响下,提出一种基于该方法的极限学习机预测模型。最后,针对扬州市高新区用电总量预测问题,通过与其它模型的对比实验,证明了改进的粒子群算法优化了极限学习机的参数结构,提高了电力负荷预测的精准度。     

基于改进灰色神经网络模型的板料成形缺陷预测研究

为了准确预测和减少板料成形过程中可能出现的缺陷,提出了一种改进的灰色神经网络预测模型。该模型利用BP神经网络辅助灰色预测模型进行预测。其中,灰色模型进行粗预测,神经网络模型修正其误差,再通过寻找最佳权值以优化灰色模型中微分所对应的背景值,进而得到精度更高的灰色神经网络模型。以国际著名板料成形数值模拟会议NUMISHEET'93的方盒件拉深为例,运用改进的灰色神经网络模型,预测其拉裂和起皱。结果表明,改进的灰色神经网络模型具有很高的预测精度,相比于未改进的灰色神经网络模型,预测结果更加准确和稳定。     

工业机器人空间位置精度预测模型研究

预测工业机器人空间位置精度对高精度加工具有重要影响,分析影响其空间位置精度的因素,提出一种考虑结构参数误差及关节刚度、摩擦特性参数的空间位置精度预测模型。应用激光跟踪仪辨识工业机器人结构参数与名义值间存在的偏差,分析关节转角偏差随工况的变化,提出关节刚度和关节摩擦参数辨识方法,在ADAMS环境下建立空间位置精度预测模型。以UR5机器人为实验对象,API激光跟踪仪为测量仪器对其空间位置精度进行测量,与预测模型输出结果进行对比,实验结果表明,该模型可准确预测工业机器人空间位置精度,预测精度可达0.5mm。     

基于LSTM-RNN的配电变压器负荷预测模型研究

针对配电变压器负荷非线性动态特性导致的负荷预测困难、预测精度低等问题,基于长短期记忆循环神经网络(LSTM-RNN)建立了配电变压器负荷预测模型。根据无锡地区某配变台区自2017年以来的最大负荷、最小负荷、日最高温度、日最低温度、天气情况等参数,通过LSTM-RNN构建该配变台区的短期负荷预测模型,用于预报该配变台区未来几天的最大负荷。试验结果表明,预测结果误差均在10%以内,表明LSTM-RNN应用于配电变压器负荷预测建模是可行的。     

考虑载荷相互作用的高低周复合疲劳寿命预测模型

通过研究高周疲劳与低周疲劳的损伤等效关系，在Manson-Halford模型的基础上引入影响因子以反映高周疲劳与低周疲劳载荷之间相互作用的影响，建立了一种修正的高低周复合疲劳寿命预测模型，通过TC11钛合金、LY12-CZ铝合金、45钢和GH4033镍基合金4种材料的试验数据对该修正模型进行验证。结果表明：修正模型对TC11钛合金、LY12-CZ铝合金和GH4033镍基合金疲劳寿命的预测结果均在2倍误差范围内，对45钢疲劳寿命的预测结果有78%左右的数据处于2倍误差范围内；建立的修正模型有较高的预测精度，适用于高低周复合疲劳寿命预测。     

专家系统在电力预测负荷中的应用

电力负荷预测是一项重要但又非常复杂的工作．因为它受到大量不确定因素的影响．因此预测过程需要考虑多种因素。为了充分考虑这些因素，文中提出利用专家系统来修正决策树的修正结果。预测过程为先利用决策树建立预测模型，对待测日负荷进行初步预测．然后再结合专家系统中的修正模型对初步结果进行修正，得到最终预测结果。统计分析结果表明该方法满足实用标准，具有有效性和实用性。     

基于神经网络的直线电磁阀式怠速系统预测控制方法研究

基于汽油发动机怠速系统的非线性、时变性和不确定性等特点,构建了神经网络与预测算法相结合的控制系统。利用预测控制算法的滚动优化和反馈校正的特性,采用神经网络建立系统的动态模型作为预测控制器的预测模型;提供怠速系统的开环输入输出数据离线训练神经网络,再在线对神经网络模型的权值和阀值进行调整,获得精确的预测模型,实现了对怠速系统的自适应控制。仿真结果表明,这种方法有效地提高了发动机怠速系统的控制精度、可靠性和转速的稳定性。     

夏季短期电力负荷预测的MGM（1，n）建模及应用

在对浙江省嘉兴市的历史气象数据进行分析的基础上，提出了一种带气象因素校正的灰色短期负荷预测模型，称为MGM（1，n）模型。实例分析表明，这种方法能较大地提高夏季短期负荷的预测精度，是预测夏季短期电力负荷的一种行之有效的方法。