基于PSO-BP神经网络双机架炉卷轧机轧制力的预测

为了有效预测双机架炉卷轧机的轧制力,使热轧板带材生产具有很好的可操作性,采用粒子群算法(PSO)优化BP神经网络,建立了往复式双机架炉卷轧机轧制力预测的智能模型。以某钢厂热轧产品Q195实测数据作为试验样本,并将粒子群算法优化的BP神经网络模型和标准BP网络模型分别用于轧制力预测,结果表明PSO-BP神经网络模型在预报精度上明显优于标准BP网络模型,并且PSO-BP神经网络模型预测轧制力的误差率控制在10%以内。     

基于GA-PSO-BP神经网络的LF终点温度预测

针对LF冶炼特点和现有钢水温度预报方法存在的不足,提出了一种新的预测LF终点温度的BP神经网络模型。用遗传算法(GA)和粒子群算法(PSO)混合优化BP神经网络的权值和阈值,提高BP神经网络的预测精度。混合模型既克服了传统机理模型难以准确实现的困难,也弥补了传统BP算法的不足,结合了2种算法的优点,改善了预测模型的收敛性能。开发了基于Java语言的现场应用软件。仿真结果表明,该算法可以提高预测精度和速度,预测误差在5℃以内的炉次达到了88%。     

基于LOF-SMOTE算法的地下水影响下矿山岩溶塌陷风险预测研究

矿山岩溶地表塌陷成因复杂,形式多样,为准确预测矿山岩溶塌陷,结合岩溶发育机理,本研究提出基于LOF和SMOTE算法的BP神经网络预测模型。首先通过LOF算法剔除因非自然原因而产生的异常数据,再通过SMOTE算法对剔除后的数据进行过采样,合成新数据,以增加样本数目,最后采用BP神经网络模型对矿山岩溶塌陷进行预测。结果表明,实际工程数据经过预处理后的预测模型,与部分小样本预测模型相比,具有更高的预测精度,可为在其他工程中应用提供参考。     

半无头轧制工艺下的精轧宽展预测

为了提高半无头轧制精轧宽展的预测精度，采用BP神经网络方法代替传统数学模型进行宽展预测，并采用改进的BP神经网络算法提高学习速度，与传统数学模型方法得到的预测精度作比较，结果表明采用此方法预测精度更优。     

结合萤火虫算法与BP神经网络的数控机床热误差补偿

针对环境温度变化及数控机床本身发热导致机床加工精度降低的问题,提出一种结合萤火虫算法与BP神经网络的数控机床热误差补偿方法。该方法两次使用萤火虫优化算法,第一次用于筛选传感器数据,第二次用于优化BP神经网络,然后通过优质训练库和GSO-BP神经网络进行建模,实现高精度的误差补偿。实验结果表明,本文方法预测误差与实际误差更加接近,补偿后残余误差更小,且补偿稳定性好。     

基于IWOA-BP算法的超声冲击重轨残余应力预测

重轨在轧制、矫直等工艺过程中都会产生残余应力，这对重轨的力学性能有很大的影响。超声冲击处理是改善重轨表面残余应力的有效方法。采用3种不同的冲击头和5种工艺参数对重轨表面进行超声冲击处理，并建立有限元仿真模型模拟冲击过程。以实验与仿真数据为基础，建立IWOA-BP算法预测模型，与单层BP、深层BP和传统WOA-BP模型相比，IWOA-BP算法预测表面残余应力和次表层最大残余压应力的精度更高，其平均绝对误差MAE分别为0.008和0.012,决定系数R²分别为0.999 88和0.997 22,表明该模型能够有效地预测重轨超声冲击处理后的残余应力。     

基于小波神经网络模型的冶金企业能耗预测

冶金企业能源消耗量是一个与多种因素有关的复杂非线性问题。鉴于传统BP神经网络预测方法的缺陷,介绍了基于小波神经网络算法的能耗预测模型及应用情况。该算法既具有BP网络的简洁性,又具有小波分析良好的时频局部性。通过实验将其与传统的BP神经网络进行比较,证明前者具有更优的网络结构,更快的学习速度和更高的逼近精度。     

基于改进VMD和GA-BP神经网络的砂岩破裂过程预测方法

为提取有效的砂岩破裂声发射信号特征, 提高砂岩破裂过程预测精度, 提出一种基于改进变分模式分解算法(VMD)和GA-BP神经网络的预测方法。首先, 开展单轴压缩实验进行砂岩破裂试验, 并采集破裂过程的声发射信号; 其次, 为取得有效声发射信号, 从中提取出有效特征参数进行预测, 引入相关系数改进VMD算法并对原始声发射信号进行预处理, 提取信号能量特征参数作为模型的输入以便区分破裂过程; 最后构建GA-BP预测模型, 通过遗传算法(GA)优化BP神经网络的权值和阈值, 将信号能量作为样本用于预测模型的训练。结果表明, 通过引入相关系数可有效解决VMD算法中K值难以选取的问题, 对采集到的声发射信号进行有效去噪; 此外, 经GA算法改进后的BP神经网络预测模型能够准确预测破裂状态, 相较于改进前传统的BP神经网络模型稳定性更高, 收敛能力更好, 预测准确率提高17.5%。      

基于改进BP神经网络的烧结矿FeO含量预测

影响烧结矿FeO含量的因素较多且FeO含量与各因素间呈现非线性关系，预测难度较大。针对烧结矿FeO含量难以直接预测的问题，提出一种Dropout算法与Adam算法和四层BP神经网络相融合的烧结矿FeO含量预测模型。为提高烧结矿FeO含量的预测准确率，结合烧结工艺，选取与烧结矿FeO含量强相关性的烧结机尾断面热成像关键帧的温度特征作为模型的参数输入。利用Dropout算法改善四层BP神经网络结构，Adam算法优化四层BP神经网络的训练过程，进而提高模型的预测精度和泛化能力。试验表明，改进的模型预测烧结矿FeO含量误差值在±0.5、±0.8和±1.0时，命中率分别达到77.42%、88.71%和96.77%。与三层BP神经网络预测模型和支持向量机回归(support vector regression, SVR)模型相比，该模型的误差更小，同时预测精度也得到显著提升。     

热镀锌过渡卷的力学性能预测

在收集大量现场数据的基础上,运用BP神经网络算法,建立了退火处理各工艺参数对热镀锌过渡卷力学性能影响的数学模型,并与线性回归模型相比较.结果表明,BP算法预测误差较线性回归预测误差小;神经网络用于热镀锌过渡卷力学性能预测是可行的.     

基于IPSO-BP神经网络的富氧底吹铜熔炼炉喷枪寿命预测模型

富氧底吹铜熔炼炉喷枪是整个熔炼炉中最重要的部件,并且造价高,易损坏,工作环境恶劣复杂,对其进行准确的寿命预测比较困难。提出了一种基于IPSO-BP神经网络的寿命预测模型,粒子群优化算法解决了BP神经网络容易陷入局部极小值和训练速度慢的问题,优化的粒子群算法优化了惯性权重和学习因子,进一步加快了训练速度和搜索速度,提高了BP神经网络跳出局部极小值的能力。以工作环境中容易对喷枪寿命造成影响的因素作为输入,喷枪寿命作为输出,通过实际生产采集的数据做验证,并与BP神经网络和PSO-BP神经网络预测模型作对比。结果表明,本文构建的寿命预测模型预测效果比BP神经网络和PSO-BP神经网络的预测更加准确,精度更高,该预测模型为富氧底吹铜熔炼的喷枪寿命预测提供了一种方法借鉴。     

基于极限学习机(ELM)的连铸坯质量预测

针对传统基于BP神经网络建立的连铸坯质量预测模型训练速度慢、适应能力弱、预测精度低等问题,本文提出一种基于极限学习机的连铸坯质量预测方法,对方大特钢60Si2Mn连铸坯中心疏松和中心偏析缺陷进行预测,并与BP和遗传算法优化BP神经网络预测模型的预测结果进行分析对比.结果表明:BP及GA-BP神经网络预测模型对连铸坯中心疏松和中心偏析缺陷的预测准确率分别为50%、57.5%、70%和72.5%;而基于极限学习机的连铸坯预测模型预测准确率更高,对连铸坯中心疏松和中心偏析缺陷的预测准确率分别为85%和82.5%,且该模型具有极快的运算时间,仅需0.1 s.该模型可对连铸坯质量进行迅速准确地分析,为连铸坯质量预测的在线应用提供了一种新的方法.      

基于GA-BP神经网络的露天矿边坡变形预测分析

矿区边坡在各种因素的影响下,将会发生变形,但变形超过一定限度时,会对矿区产生很大的危害,开展边坡变形预测分析,能在一定程度上预防灾害的发生。文中在充分考虑BP神经网络初始权值和阈值难以确定,造成模型系统进入局部最小化,导致预测精度不高等问题的基础上,提出GA-BP神经网络预测模型,解决了普通网络模型在权值和阈值上的不足,并以越堡露天矿边坡变形监测点JC31、JC33、JC36为研究对象,分别采用灰色理论模型、BP神经网络模型以及GA-BP模型进行预测,研究结果表明:GA-BP网络模型较灰色模型和BP模型的预测值与实际值更吻合,预测精度更高,其平均相对误差最小,较其他两种方法预测精度提高了10倍以上,表明该方法具有一定的可靠性和可行性。      

基于粒子群算法优化BP神经网络的溶浸开采浸出率预测

为了研究溶浸开采过程中浸出率的预测问题,以含锑硫化矿的浸出过程为例,采用经粒子群算法优化的BP神经网络模型预测浸出率。首先分析得出影响矿物浸出率的主要因素,并将已有样本数据进行变量训练,建立BP神经网络预测模型;其次利用粒子群算法优化该模型;最后分别利用BP神经网络模型和PSO-BP神经网络模型预测浸出率,并对比2种模型预测值与实际值的误差精度。研究结果表明:影响含锑硫化矿浸出率的主要因素有温度、时间、液固比、搅拌速度和HCl浓度,且这些因素相互影响,其与浸出率呈现高度非线性关系,采用粒子群算法优化的BP神经网络模型训练精度较高,对浸出率的预测更精确,相比BP神经网络,该模型得出的预测结果与实际值的相对误差以及方差都有明显下降。由此可见,该预测模型对当前矿区溶浸开采的浸出率优化有一定的参考价值。     

Elman神经网络在农网短期负荷预测中的应用

为提高负荷预测精度,更好地反映负荷的动态特性,提出了一种基于Elman神经网络的预测方法.先对负荷样本进行数据预处理,消除伪数据,然后把不同日各时刻的负荷序列作为样本,对未来时刻的负荷进行短期预测.预测实例表明,基于Elman神经网络的预测方法比基于BP神经网络的预测方法具有更好的预测效果.     

基于NPCA-GA-BP神经网络的采场稳定性预测方法

为提高采场稳定性的预测精度,充分考虑采场稳定性高度非线性和受多因素影响的特点,提出了一种基于NPCA-GA-BP神经网络的采场稳定性预测方法。选择影响采场稳定性的10个指标,运用非线性主成分分析减少指标的维度,提取4个主成分综合指标代替原有的10个指标,简化了神经网络结构,提升了运算速度。利用GA的全局寻优特点优化BP神经网络的权值和阈值,进一步增加了神经网络预测精度。以某矿山实测数据为例,对该预测方法进行验证,对比结果显示：NPCA-GA-BP和GA-BP模型的平均相对误差比BP模型分别降低了10.5%和7.6%,表明通过遗传算法优化BP神经网络可显著提高预测精度;NPCA-GA-BP模型的平均相对误差比GA-BP模型降低了2.9%,表明通过非线性主成分分析减少了变量的维度,提高了预测准确率。研究表明：NPCA-GA-BP预测方法具有更高的采场稳定性预测精度,对实现智慧矿山有一定的指导意义。     

基于神经网络方法的井下机械钻速研究

为了实现在钻井过程中预测实时机械钻速,提出使用神经网络BP算法,利用BP算法全局搜索问题解的特性,对BP神经网络的权值进行优化,约束BP神经网络训练学习过程。通过BP算法对样本空间进行训练测试,将井下钻速与钻井液密度、钻压、转速、水力参数、地层可钻形相结合,实现井下机械钻速的预测。     

基于神经网络的BT20钛合金本构关系模型

在Thermecmastor-Z型热模拟试验机上对BT20钛合金进行了变形温度800～1 100℃及应变速率0.001～70 s-1的热模拟压缩实验。以实验数据为基础,运用BP神经网络算法原理,建立了BT20钛合金在高温变形条件下的应力与应变、应变速率和变形温度关系的预测模型,并对模型的泛化能力进行了误差评价。结果表明:通过BP神经网络建立的合金本构关系模型具有较高的预测精度,预测结果的相对误差均在3%以内,能很好地满足实际应用的需求。此外,该模型能够客观、真实地描述BT20钛合金的高温动态变形行为,为材料高温本构关系模型的建立提供了快捷、有效的工具。     

基于Keras深度学习框架下BP神经网络的热轧带钢力学性能预测

研究了Keras深度学习框架下的BP神经网络在热轧带钢力学性能预测中的应用。首先采用主成分分析PCA对原始数据进行降维,再利用Keras深度学习框架下优化函数及参数对BP神经网络进行优化,最终建立原始化学成分和热轧生产工艺参数与带钢力学性能之间的关系。验证结果表明,模型取得了较高的预测精度,对于抗拉强度,预测值与实际值的相对误差绝对值在10%以内的样本占比93. 4%;对于屈服强度,预测值与实际值的相对误差绝对值在10%以内的样本占比92. 1%;对于伸长率,预测值与实际值的相对误差绝对值在10%以内的样本占比90. 5%。因此,通过验证,预测结果对热轧现场具有较好的指导意义。     

Gappy POD算法重构储能电池组核心温度及与BP神经网络预测能力对比

储能电池组中电池核心温度的实时监控对于防控电池热失控有着重要的意义.为克服工业实际中电池组内部无法布置多温度测点导致的温度数据获取不全面等问题，本文将Gappy POD重构算法引入储能电池核心温度实时监控问题中，通过监测电池组表面温度预测内部核心温度.通过搭建简化的拟储能电池实验台模拟电池温升，测试了Gappy POD算法在工况平稳变化和工况剧烈变化条件下的稳定性和对核心温度的实时重构能力；对比了Gappy POD算法的重构能力和BP神经网络（Back propagation neural network）的预测能力，并探究了Gappy POD算法和BP神经网络在不同大小的数据库训练条件下的重构预测能力.研究表明，Gappy POD重构算法具有高预测精度、稳定性强并且对数据库数据量依赖性低等优势，为算法在储能电池热管理中的实际应用提供了基础.