基于遗传算法优化神经网络的光伏发电预测

针对光伏发电系统输出电能随机性对电力系统的影响问题,对光伏输出功率预测方法进行了研究,提出了基于遗传算法优化BP神经网络的光伏预测模型。对光伏发电系统的历史发电量数据和气象数据进行了数学归纳,分析了天气类型、温度、太阳辐射强度等因素对光伏发电功率的影响。建立了基于遗传算法优化的神经网络光伏发电预测模型,提前一天进行了功率预测,且通过动态修正进一步提高了模型预测精度。运用Matlab为神经网络与遗传算法工具箱,对训练好的模型在不同日类型下进行了测试和评估,并与传统神经网络预测结果进行了对比分析。研究结果表明,利用遗传算法优化方法提高了神经网络模型预测光伏输出功率的精度,预测结果与实测结果之间的平均误差百分比减小,预测方法具有工程应用意义。     

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BP神经网络的齿圈装夹变形预测研究

针对薄壁齿圈的装夹变形问题,将Abaqus有限元仿真与BP神经网络技术应用到了齿圈装夹变形预测中。根据齿圈实际加工装夹情况,应用Abaqus有限元分析软件,建立了齿圈装夹变形的仿真模型,开展了齿圈装夹变形的有限元分析研究,建立了齿圈装夹力及其径向最大装夹变形之间的关系;以Abaqus有限元仿真数据作为训练样本和检验样本,借助BP神经网络良好的预测精度和非线性泛化能力,通过MATLAB神经网络工具箱,建立了基于BP神经网络的齿圈装夹变形预测数字化模型;并根据检验样本对模型进行了检验,预测值与仿真值之间的相对误差在0.05%之内。研究结果表明:建立的基于BP神经网络的齿圈装夹变形预测数字化模型是准确有效的,可以为智能化大数据加工制造环境下的齿圈装夹参数优化提供准确有效的数据。     

遗传算法优化BP网络的锂电池剩余容量预测

为了有效地对锂电池剩余容量进行预测,在分析了BP神经网络对剩余容量模型非线性回归基础上,针对BP算法预测迭代速度慢且易出现局部最优的问题,提出了一种基于遗传算法(GA)优化BP神经网络的算法。遗传算法具有较强劲的全局搜索能力,将其应用到BP神经网络的参数寻优当中,可以寻找到BP网络的最优参数。将该模型应用于锂离子电池剩余容量的预测,并将生成的模型与单独使用BP神经网络的预测模型比较。仿真结果表明,基于遗传算法优化的BP神经网络剩余容量预测的精准度高于单独使用BP网络剩余容量预测的精准度,为锂离子电池容量预测提供了一种新方法。     

基于遗传BP神经网络的内圆磨削ZTA陶瓷材料去除率预测

针对磨削加工中材料去除率(MRR)在线检测困难这一问题,构建材料去除率的预测模型显得尤为重要。考虑到单独运用BP神经网络不仅存在收敛速度较慢,而且容易坠入局部最优解等问题,故建立了遗传算法与BP神经网络相结合的模型来对给定的超声频率、砂轮速度、工件速度、磨削深度等工艺参数对材料去除率(MRR)进行预测。首先运用遗传算法的全局搜寻作用来对BP神经网络的最初权值以及阈值进行优化,而后运用L-M优化算法对网络进行多次训练,利用训练好的BP神经网络模型来对输出进行预测。结果表明:遗传算法与BP神经网络相结合的模型比单独使用BP神经网络模型预测效果要好,能够提高材料去除率的预测精度和收敛速度。     

基于遗传算法优化的BP神经网络在粗糙度预测上的应用

针对BP神经网络预测工件表面粗糙度精度不高的问题,提出了一种基于遗传算法优化的BP神经网络预测方法。首先用遗传算法对BP神经网络的初始权值、阈值进行全局寻优,然后对优化的BP神经网络进行训练、预测。通过MATLAB进行了粗糙度预测仿真验证。结果表明:优化的BP神经网络比未优化的BP神经网络具有更高的预测精度。     

GA-BP神经网络预测钛合金表面粗糙度

为了有效预测铣削加工中钛合金工件的表面粗糙度,建立了以切削速度、进给量、径向切深、轴向切深为输入参数,表面粗糙度为输出参数的预测模型。该预测模型将遗传算法与BP神经网络结合起来,使用遗传算法优化BP神经网络的初始权值和阈值,进行铣削实验获得实验数据,并对神经网络进行训练,最终获得预测模型。通过对比分析GA-BP预测模型、BP预测模型、线性回归预测模型的预测精度,得出GA-BP预测模型具有相对较好的预测精度,证明该预测模型是有效的。     

GA-BP神经网络在轧辊磨床中心架支撑头定位精度预测中的应用

轧辊磨床中轧辊磨床中心架支撑头的定位精度是决定轧辊的加工精度重要因素.通过对现有轧辊磨床中心架研究,发现现有轧辊磨床中心架的定位精度已无法满足生产需求.针对现有轧辊磨床中心架定位精度低的问题,提出对轧辊磨床中心架支撑头进行预测定位,在BP神经网络的基础上,引入遗传算法(GA),利用遗传算法优化BP神经网络的权值和阈值,提高神经网络的训练精度,加快网络收敛,运用优化后的BP神经网络对轧辊磨床中心架支撑头的升降部件的定位精度进行预测.仿真结果表明,GA-BP神经网络比BP神经网络的预测准确度高7％左右,迭代次数缩减一半,预测结果到达要求.     

遗传算法优化的BP网络在铣削力预测中的应用

神经网络初始连接权值和阀值的选择对网络的预测精度及收敛速度影响很大,但又无法准确获得,针对此问题,建立遗传算法(GA)优化的BP神经网络预测模型,解决神经网络初始权值和阀值的选择问题。该模型通过遗传算法优化BP神经网络的权值和阀值,获得最优的初始权值和阀值,并应用优化后的BP神经网络预测模型对铣削力进行预测,最后与优化前的BP神经网络模型的铣削力预测值进行对比分析。研究结果表明,经遗传算法优化后的BP神经网络模型比优化前的BP神经网络模型的预测精度高,同时加快了收敛速度。     

基于进化神经网络外圆纵向磨削表面粗糙度的在线预测

将人工神经网络引入磨削加工领域。针对BP算法存在收敛速度慢，容易陷入局部极小值以及全局搜索能力弱等缺陷，采用遗传算法训练BP神经网络，设计了基于进化神经网络的学习算法，建立了外圆纵向磨削表面粗糙度的进化神经网络预测模型。实验和仿真结果表明。基于进化计算的BP神经网络可以克服单纯使用BP神经网络易陷入局部极小值等问题，预测精度较高，对提高外圆纵向磨削加工的自动化程度具有重要的意义。通过在线监测磨削拳数。所提供的预测方法可以实现对工件表面粗糙度的在线预测。     

基于BP神经网络的球头铣刀铣削力建模与仿真

将BP神经网络的理论和算法应用于球头刀具铣削力建模的研究中.采用LM算法建立了铣削力预测的神经网络模型,模型中考虑了影响铣削力的加工参数,选取铣削力试验数据对神经网络模型进行训练,用训练好的神经网络模型对铣削力进行仿真.仿真结果表明,用BP神经网络方法建立的铣削力模型能够对铣削力进行准确的预测.     

机器人神经网络逆标定法研究与仿真

基于运动学模型的机器人几何参数标定法需要建立复杂的误差模型,在不断变化的环境中缺乏柔性。基于神经网络的机器人逆运动学标定法,是通过一定的算法得到各关节角所对应的误差值,以关节角值为输入,关节角所对应的误差值为输出来训练神经网络,把所有的误差都归结为关节角误差,通过对关节角补偿来驱动机器人。利用遗传算法优化神经网络的权值与阈值,使优化后的BP神经网络能够更好地预测函数输出,利用MATLAB神经网络工具箱进行仿真,结果证明经遗传算法优化的神经网络标定法可以进一步提高标定精度。     

螺杆泵定子橡胶磨损趋势的遗传神经网络预测模型

针对螺杆泵定子橡胶在复杂工况下受多种因素影响的磨损预测问题,结合各影响因素之间非线性、时变性和强耦合性的特点,将遗传算法和BP算法相结合以实现网络结构参数的优化,建立了遗传神经网络的螺杆泵定子橡胶磨损趋势预测模型。同时,利用测试样本数据将模型的预测结果与BP算法的预测结果进行了比较。结果表明,基于遗传算法的BP神经网络优于BP算法,能够有效地解决受多因素影响的螺杆泵定子橡胶磨损预测的建模问题,具有一定的实用价值。     

基于BP神经网络的切削表面粗糙度预测方法

利用神经网络理论,提出一种利用BP神经网络预测切削表面粗糙度的方法。简单分析了粗糙度的影响因素及预测原理。介绍了BP神经网络的特点、原理、算法和公式。在对Matlab及其神经网络工具箱简要介绍的基础上,采用BP网络的方法对钢Q235材料粗糙度进行了训练、预测和分析。结果表明,该方法的预测误差小于3%。     

遗传算法优化BP神经网络港口起重机故障诊断

针对港口起重机故障诊断问题,提出了一种基于遗传算法优化BP神经网络的故障诊断方法。规避传统BP神经网络算法的不足,同时建立起所对应的优化神经网络算法模型。采用Matlab中的NNTool工具箱,以港口起重机其中一个支腿液压阀故障为实例,分析该诊断方法的理论原理和具体实施过程。结果表明遗传算法优化的BP神经网络比传统的BP神经网络在港口起重机故障诊断问题中具有更好的诊断效率和准确度。     

遗传算法优化的神经网络在温控系统中的应用

本文首先介绍了温控系统的功能模块与部分元件的选择,接着分析了温控系统控制输出的原理,然后介绍了优化的BP神经网络结构和遗传算法,利用matlab工具箱作为平台建立控制模型,通过遗传算法获得大致的全局最优点附近值,然后用改进的BP算法在其值附近寻优,达到最优值控制模型,经过测试仿真和现场试验,证明该温控系统有很好的工程应用价值。     

关于电厂水位控制的动态仿真研究

简要介绍MATLAB的神经网络工具箱和BP神经网络的有关理论,然后对电厂水位的控制建立BP模型并进行仿真,从而得出最优参数和相关图表。仿真结果表明,采用MATLAB仿真是高效的。     

基于GA-BP网络的多轴机床热误差建模

为最大限度减少热误差对多轴联动机床加工精度的影响,综合遗传算法全局收敛性和人工神经网络局部搜索快速性的优点,提出一种基于遗传算法优化BP网络隐层节点数及初始值的机床热误差建模方法。运用Matlab-GUI工具开发了具有通用性的交互式多轴机床热误差建模仿真系统,通过与传统的BP神经网络进行对比分析及试验论证,证明该模型预测精度更高、通用性强。     

基于改进GA-BP神经网络民航发动机滑油消耗研究

为了准确预测正常状态下民航发动机的滑油消耗量,以某型号民航发动机的快速存取记录器Quick Access Recorder(QAR)数据建立能够预测正常状态下滑油消耗的模型并预测。利用遗传算法对输入数据进行筛选并优化网络的权值和阈值,建立BP网络。在此基础上对遗传算法的遗传算子进行改进,建立新的优化BP网络。将单BP网络的仿真结果分别与两种优化过的网络仿真结果对比,结果表明优化过的BP网络提高了预测的准确率,并且改进后的遗传算法优化的BP网络准确率更高。由此证明改进遗传算法优化的神经网络在预测滑油消耗上具有很强的实用性。     

基于特征与遗传神经网络的飞机结构件数控加工工时预测方法

为了解决在没有数控程序的情况下快速准确的预测飞机结构件的数控加工工时,提出了一种基于特征与遗传神经网络的数控加工工时预测方法。提炼各类特征的加工工时影响因素并建立特征样本库,为每种加工特征构建BP神经网络;针对BP神经网络极易陷入局部极小值、收敛速度慢、网络参数难以确定等问题,结合遗传算法优化BP神经网络。建立了5种神经网络结构,通过调用相应的网络预测每一类加工特征的加工工时,进而形成每一工步的加工工时,累加零件所有工步的加工工时得到零件整体的加工工时。应用该方法预测零件整体的加工工时误差在5%以内。