基于萤火虫优化BP神经网络方法的传感器温度补偿策略

为了解决硅压阻式压力传感器温度漂移现象影响工程测量精度的问题,提出一种基于萤火虫优化的BP神经网络温度补偿策略。对一般型BP神经网络利用萤火虫算法进行权值和阈值的优化,进而提高神经网络的泛化性能和搜索速度,并利用优化后的BP神经网络进行压力传感器温度补偿实验。将优化后的BP神经网络温度补偿性能与一般的神经网络和粒子群优化的神经网络进行对比分析,结果表明:萤火虫优化后的BP神经网络补偿效果显著,相比于一般的神经网络补偿误差减少了52%,相比于粒子群优化的BP神经网络补偿误差减少了23%;考虑补偿耗时,萤火虫优化的BP神经网络综合特性表现良好,补偿后的传感器数据满足课题实验需求,补偿算法可行。     

基于PSO-BP神经网络的光纤压力传感器温度补偿研究

针对光纤压力传感器受温度漂移影响较大的问题,提出了一种基于粒子群优化BP神经网络算法(PSO-BP)的温度补偿修正模型。通过对光纤压力传感器做标定实验,并且利用LM35温度传感器监测其工作温度,建立PSO-BP神经网络模型。该模型用粒子群智能算法对传统的BP神经网络的权、阈值进行全局的优化,改善了BP网络收敛的速度较慢的问题,克服了容易陷入局部极值的缺陷。与传统BP神经网络补偿结果进行比较,PSO-BP得到的预测误差相对较小且平稳些。研究结果表明,补偿后灵敏度温度系数改善了1个数量级,相对误差提高了2个数量级,从而实现温度补偿的目的。     

基于IWOA-BP的石英振梁加速度计温度补偿研究

在温度变化的环境中,石英振梁加速度计(QVBA)的输出会发生漂移。为了改善QVBA的温度稳定性,提出了基于改进鲸鱼算法(IWOA)优化BP神经网络的温度补偿模型。IWOA通过优化BP神经网络的初始权值和阈值,克服了BP神经网络易陷入局部最优的缺点,增强了BP神经网络在训练中的准确性和鲁棒性。全温实验表明,该方法能够明显抑制QVBA因温度而产生的漂移。经过补偿,全温零偏稳定性从4.161 mg下降至0.196 mg,全温标度因数稳定性从59.676 ppm下降至35.751 ppm,验证了模型的有效性。     

基于AFSA-BP神经网络的湿度传感器温度补偿

针对HMP45D型温湿一体化传感器在使用中受温度影响的问题,提出了基于人工鱼群算法(AFSA)的BP神经网络温度补偿方法,用AFSA算法优化BP网络的初始权阈值并用该值训练BP网络。根据湿度传感器在多温度下所测数据,建立AFSA-BP神经网络模型实现温度补偿,与传统BP神经网络方法对比。结果表明,与传统BP神经网络相比,AFSA-BP神经网络的误差绝对值之和降低了6.14%,改善了BP神经网络易陷入局部极小的缺陷,提高了补偿精度。     

扩散硅压力变送器的温度补偿方法

扩散硅压力变送器具有精度高、稳定性好、响应速度快等优点,但容易受温度影响,导致零点漂移和灵敏度漂移。因此需对扩散硅压力变送器进行温度补偿。本文提出了一种软件补偿方法,首先建立扩散硅压力变送器与温度的高阶温度补偿模型,工控机利用最小二乘回归算法(PLSR)求出压力变送器的温度补偿系数,通过HART通讯把温度补偿系数发送到压力变送器中,压力变送器通过高阶温度补偿模型就可实现对扩散硅压力变送器的温度补偿。     

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。     

用BP神经网络法对压力传感器进行温度补偿

压阻型扩散硅压力传感器在测试压力时,容易受到环境温度的影响。为了消除温度所带来的影响,需要对压力传感器进行温度补偿。神经网络技术中的BP神经网络算法可以在压力试验中对压力传感器进行温度补偿。此方法将压力传感器和温度传感器所采集到的电压信号进行数据融合,削弱了温度对压力传感器所产生的干扰,补偿后比补偿前得到压力传感器灵敏度温度系数和满量程时相对误差都分别提高了2个数量级。     

基于改进RBF神经网络的传感器温度补偿系统研究

考虑到目前常用的温度补偿方法是使用智能算法建立温度补偿模型,并使用群智能优化算法进行优化,提高补偿精度,对于传感器非线性温漂段具有较好的补偿效果,但是对于具有较好的线性使用这种方法的效率较低,而使用常规的线性最小二乘直线拟合方法即可得到较好的补偿效果,因此本文将最小二乘直线拟合方法与RBF神经网络模型进行融合,研究一种对压力传感器进行温度补偿模型,使用蚁群算法对常规RBF神经网络进行优化,提高补偿模型的性能。通过MPX53型压阻式压力传感器进行实验研究,结果表明,使用本文研究的温度补偿方法后,传感器在各个温度下同样基本不受温度的影响,与使用全程蚁群优化RBF神经网络温度补偿方法效果相差不大,但是由于中间温度区域采用直线拟合方法,整体温度补偿的效率有所提高。     

基于BP神经网络的压力传感器误差补偿算法研究

采用BP神经网络来建立扩散硅压力传感器的输出输入模型,其网络模型具有三层结构,采用改进型的差分进化算法来优化BP神经网络的权值和阀值,并在MATLAB中进行了仿真。经训练得到补偿后扩散硅压力传感器的输出满量程误差可达到0．035％,结果表明采用基于改进型差分进化算法的BP神经网络建模对提高智能差压传感器的测量准确度具有参考价值。     

改进PSO优化的小波神经网络在压力传感器温度补偿中的研究

针对电阻应变式压力传感器在实际工作环境使用中出现温度漂移,进而影响测量精度的问题,提出了基于粒子群算法(PSO)优化小波神经网络的温度补偿方法,通过PSO算法优化小波神经网络的参数,克服基本人工神经网络收敛速度慢,容易陷入局部极值的缺陷。研究结果表明：该方法能有效地消除环境温度对电阻应变式压力传感器输出的影响,经过温度补偿后其压力传感器的全温区准确度提高到了0.136 4%,温度漂移明显得到改善,提高了压力传感器的稳定性和准确性。     

基于PSO-LM-BP神经网络的压力传感器温度补偿方法

为了提高高速列车表面压力测试的准确性,补偿温度对压阻式压力传感器的影响,克服BP神经网络收敛速度慢、易陷入局部极小值、稳定性差的缺陷,提出PSO-LM-BP神经网络补偿传感器温度误差的方法。首先,使用粒子群优化(PSO)算法,筛选BP网络的权值和阈值;然后使用LM算法作为BP网络的训练算法进行训练;最后,综合对比BP网络、LM-BP网络、PSO-BP网络和PSO-LM-BP网络的性能。结果表明,PSO-LM-BP网络收敛速度快、精度高、稳定性好,兼具3种算法的优点,有效抑制了温度对传感器的影响。     

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。     

人工蜂群优化BP神经网络在汽车座椅舒适性中的应用

汽车座椅舒适性的主观评价和客观评价之间的关系存在复杂性和高非线性的特点。传统的BP神经网络(反向传播神经网络)对初值敏感且容易陷入局部最优解,因此无法建立精确的座椅舒适度预测模型。针对该问题,提出利用人工蜂群算法优化后的BP神经网络(ABC-BP)来预测座椅的舒适性的方法。通过开展体压试验得到了176组压力分布样本数据,其中89%的数据作为模型的训练部分,11%的数据作为模型验证,将预测结果与真实值相比较,ABC-BP预测模型的均方误差MSE为0.0019,确定性系数R~2为0.946,比传统BP神经网络预测模型得到的MSE降低了84.68%,R~2提高了42.5%。结果表明,利用人工蜂群算法优化后的BP神经网络所建立的汽车座椅舒适性预测模型稳定性更强、预测效果更加精准。     

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GA-BP神经网络的湿度传感器的温度补偿

针对自动气象站采用的HMP45D型湿度传感器测量精度易受温度影响的问题,通过对遗传算法中的编码方式、适应度函数和参数进行改进研究,利用改进的遗传算法(genetic algorithm,GA)对反向传播(back propagation,BP)神经网络的初始权值阈值进行优化,在较大的范围进行搜索,采用反向传播算法在较小范围内进行微调,优化网络结构和参数,提出了用改进遗传算法优化BP神经网络的方法,根据在多温度条件下湿度传感器的实测数据,对利用此方法建立的模型进行温度补偿研究,并结合一般BP神经网络方法进行分析比较.实验结果表明,该方法具有全局寻优能力,补偿精度高,收敛速度快,能够有效补偿温度对湿度传感器的影响,大大提高了湿度传感器的测量准确度.     

基于MSP430单片机的高精度压力变送器

介绍了以超低功耗单片机MSP430为核心的高精度压力传感器的硬件电路设计,针对压力传感器的温度漂移问题分析了用于温度补偿的BP网络算法,通过单片机对MPM280压力传感器的温度和压力信号采集,构造4层BP神经网络进行离线训练,将训练好的网络模型利用C语言完成编程,研究了单片机软件实现方式。结果表明:利用MSP430单片机减少了系统功耗,其丰富外设减小了传感器体积,利用单片机对传感器的温度和压力A/D采样值离线训练减少了信号误差,利用BP网络算法提高了传感器的精度,传感器的精度为0.1%。     

基于遗传优化BP神经网络的发动机曲轴扭转减振器优化

发动机曲轴轴系的扭转振动会影响发动机的性能以及整车舒适度,对曲轴扭转减振器进行优化可有效降低曲轴扭转振动。首先,针对直列四缸汽油发动机曲轴轴系建立多自由度集总参数模型,求出不同谐次激振力矩响应的叠加结果;然后,以优化曲轴轴系扭振幅值为目标,建立曲轴扭转减振器优化设计的数学模型,应用遗传优化BP神经网络算法对扭转减振器进行优化;最后,在此基础上,将应用遗传优化BP神经网络算法和仅应用BP神经网络算法的优化结果进行对比,结果表明遗传优化BP神经网络模型的预测精度更高。将优化后的扭转减振器参数代入多自由度集总参数模型进行计算,得到与遗传优化BP神经网络算法预测值非常接近的曲轴轴系扭振幅值,进一步验证了遗传优化BP神经网络优化结果的准确性。     

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。     

[成形过程的数据挖掘与深度学习方法]基于机器学习的管材弯曲回弹有效预测与补偿

采用基于优化的误差反向传播(BP)神经网络的机器学习算法建模,提出了考虑材料参数、几何参数等多因素的弯管回弹精确预测和高效控制方法。该方法通过引入非线性惯性权重及遗传算法的杂交算子,改进了粒子群优化(PSO)算法,进而通过改进的PSO算法对BP神经网络进行优化,构建了基于改进的PSO-BP神经网络机器学习回弹预测和补偿模型。以多种规格的铝合金数控弯管构件为对象,将实际生产中不同规格、批次、成形参数下回弹数据作为训练样本,实现了所建机器学习预测模型的应用验证。所建模型获得的预测结果平均相对误差为6.3%,与未优化的BP神经网络等传统模型相比,预测精度最大提高了18.5%,计算时间可从1.5 h缩短至300 s,同时实现了回弹预测与补偿精度以及计算效率的显著提高。     

基于萤火虫优化BP神经网络的数控机床故障诊断

为了提高数控机床故障预测的能力,针对BP神经网络在数控机床故障预测中出现的收敛速度慢和训练容易陷入局部极值问题,提出了一种基于萤火虫算法优化BP神经网络的数据机床故障诊断算法。文章详细介绍了常见的数控机床故障类型和分类,在萤火虫优化算法和BP神经网络的基础上,建立了萤火虫算法优化BP神经网络的数控机床故障诊断模型,并提出了基于该模型的算法。该模型和算法采用萤火虫算法优化BP神经网络的初始权值和阈值,优化后的BP神经网络能对测试集进行更好的预测。实验结果表明,萤火虫算法优化BP神经网络的预测误差明显小于GRNN和PNN算法。该模型和算法具有很好的预测能力,可以快速、准确地完成数控机床故障诊断研究。