基于BP神经网络的压电陶瓷蠕变预测

压电陶瓷驱动器的蠕变误差随时间呈现非线性变化,难以实时修正。提出基于BP神经网络的压电陶瓷蠕变预测方法,使用压电陶瓷驱动系统采集数据,对数据进行归一化处理,通过实验设计BP神经网络的隐含层数、隐含层节点数、节点转移函数和训练函数,构建BP神经网络预测模型,建立压电陶瓷蠕变与时间的关系。用BP神经网络模型对压电陶瓷蠕变进行了预测仿真,并将结果与实测数据进行了对比。结果表明,蠕变预测结果与实验数据的最大绝对误差均小于0.1 μm,最大蠕变误差均不超过0.6%,最大均方误差仅为0.0021,可见,BP预测模型具有较高的预测精度,可作为预测压电陶瓷蠕变误差的一种有效手段。     

基于BP神经网络的地下采场爆破振速预测

为降低矿石开采中爆破振动的危害并达到最佳爆破效果,以河北唐山某矿山地下采场－156 m阶段爆破开采为例,采集了爆破振动监测数据,运用BP神经网络与萨道夫斯基经验公式分别对爆破峰值振速进行预测。结果表明:BP神经网络平均误差为17.22%;萨氏公式平均误差为40.76%。BP神经网络预测地下采场爆破振速是可行的。     

神经网络和滞后变量回归的车载终端误差修正

针对现有车载定位终端存在定位误差大和更新速度慢的问题,深入分析了车载终端定位误差的影响因素,并提出了基于BP神经网络和滞后变量回归的车载终端定位误差修正方法。对比车载终端三次测量数据修正前后的定位误差,最大定位误差分别减小了88.2%、85.4%和85.8%。通过实测数据对比了车载终端修正前后的定位误差,证明了使用BP神经网络和滞后变量回归建立的车载终端定位误差模型是有效的,定位误差修正效果较好。     

基于BP网络的光纤陀螺刻度因子建模研究

针对光纤陀螺(FOG)随温度呈非线性变化的特性,提出了采用BP神经网络对刻度因子的温度误差建模的方法,以减小光纤陀螺输出误差;用BP网络对其建模的结果和传统的建模结果进行了比较,结果表明采用BP神经网络对刻度因子的建模是非常有效的.     

基于WOA–BP神经网络的液滴铺展预测

目的 提高BP神经网络对电喷印过程中液滴铺展行为的预测能力。方法 提出一种鲸鱼优化算法(WOA)优化BP神经网络的液滴铺展预测模型。首先，采用相场方法建立电场作用下液滴铺展的数值模型，并通过实验验证仿真结果的准确性。然后，选取初始直径、撞击速度、接触角和电场强度作为神经网络的输入参数，将最大铺展直径作为神经网络的输出参数，利用鲸鱼优化算法优化神经网络中的初始权值和阈值，构建液滴铺展预测模型。最后，基于仿真结果对预测模型进行训练与测试，并将其与传统的BP神经网络模型进行对比分析。结果 相较于传统BP神经网络预测模型，WOA–BP神经网络预测模型的平均绝对误差、均方根误差分别降低了72.60%、77.60%，而平均绝对百分比误差则从15.029 3%减小为4.585 3%。结论 WOA–BP神经网络预测模型可以更好地预测液滴铺展，可为液滴铺展的预测提供新的方法。     

基于机器学习算法的超声流量计在线校准方法研究

为保证超声流量计使用中流量测量的准确度,基于机器学习算法建立超声流量计在线检验模型,研究超声流量计在线校准方法。首先,获取超声流量计的全部工作数据,得到信号指标、流态指标以及计量性能数据,对数据处理得到流量偏差预测模型的输入特征集;其次,分别基于随机森林以及BP神经网络算法建立流量误差预测模型,对使用中超声流量计的流量误差进行预测。选取五个不同的流量点,对两种模型进行验证分析,结果表明：对于两种模型,流量误差预测值与真实值间偏差的绝对值分别在0.15%以内以及0.19%以内;最后,对随机森林以及BP神经网络流量误差预测模型的性能进行分析,模型预测结果的均方根误差在分别在0.028%以内及0.089%以内。     

基于声波透射法的桩基检测及有限元研究

传统的桩基检测方法操作复杂、成本较高,会在一定程度上干扰现场施工。本文提出了一种基于声波透射法的桩基检测技术,先介绍其测试原理及波速计算方法,然后通过有限元软件分别建立二维、三维桩基数值模型,再比较直接法和本文检测法在不同声测管斜率和不同声波接收换能器间距条件下计算的波速平均误差。结果表明,使用本文检测法计算的波速平均误差较小,在不同声测管斜率和声波接收换能器间距条件下最大误差为2.4%。本文的声波透射法桩基检测技术具有推广价值。     

用于气泡流检测的双波长测量模型研究

针对已有单波长方法测量小通道竖直上升气液两相气泡流相分布参数误差较大的问题,提出了用双波长透射法进行测量研究。通过几何光学原理计算双波长激光经过气液两相流的光强分布,然后提取双波长光强分布特征量,建立了一种基于双波长测量理论的气泡流相分布参数识别模型。利用Trace Pro模拟445 nm、635 nm的激光经过位于管道截面不同位置处的不同尺寸气泡时,得到相应光强分布曲线并提取出特征量,使用仿真得到的特征量数据集对神经网络进行训练,将训练好的神经网络用来预测实验中气泡流的相分布。仿真实验结果表明,建立的模型对气泡中心位置、半径预测的平均绝对误差分别为0.018 mm、0.007 mm,均优于单波长方法,证明了所建模型的有效性和准确性。在搭建的实验平台进行了气泡流测量,重建了气泡流的三维图。     

一种数码喷墨印花机的颜色特性化方法

目的为了提升数码印花中彩色图像的复现精度,提出一种在子空间采用遗传算法优化BP神经网络的颜色特性化方法。方法介绍遗传算法(GA)优化BP神经网络的基本原理,设计一种在L*a*b*颜色子空间建立的颜色特性化模型,并对1000个色样开展GA-BP神经网络模型训练实验,最终拟合出印花色样的L*a*b*色度值和输入的印花图像RGB驱动值之间的非线性关系。结果该方法对125个测试色样的颜色特性化预测结果显示,超过90%的色样色差分布在2.0以内,光谱均方根误差(RMSE)分布在0.02以内。结论该方法较未进行遗传算法优化BP神经网络,预测精度得到明显提升,能够达到较高的数码喷墨印花彩色图像复现精度。     

基于粒子群优化算法和BP神经网络的变频压缩机功率预测

本文针对变频压缩机的功率测量困难,测量误差大等问题,提出了一种仿真测量模型。利用粒子群算法寻找全局最优粒子,用它初始化BP神经网络的阈值和权值,测量变频压缩机的功率。本文共建立了3种仿真模进行对比,分别为BP神经网络模型、GA-BP神经网络模型和PSO-BP神经网络模型,然后分别通过3种模型的内插、蒸发温度外推和冷凝温度外推的测试方法对变频压缩机进行功率测量,对比分析其预测结果的平均相对误差和拟合程度。结果表明:基于粒子群算法优化的BP神经网络模型明显优于其他两个模型,特别是在冷凝温度外推测试中,较其他两个神经网络相对误差降低了1. 11%、2. 64%,3种测试方法下的平均相对误差均小于1%,拟合程度在0. 9以上,表明基于粒子群算法优化的BP神经网络模型对变频压缩机功率有较好的测量能力,而且有较强的泛化能力。