基于改进的支持向量回归机算法的磁记忆定量化缺陷反演

针对焊缝缺陷磁记忆检测中存在定量化反演难题,建立了基于改进的支持向量回归机定量反演模型.以预制不同尺寸未焊透和夹渣缺陷的Q235焊接试样为试验材料,进行磁记忆扫描检测发现:缺陷位置的磁记忆信号特征参数随尺寸变化而呈现一定的变化规律,但同时存在分散性和不确定性.鉴于磁记忆信号样本的有限性、分散性和非线性,首先将提取到的磁记忆特征参数进行归一化处理,引入支持向量回归机建立焊缝缺陷磁记忆定量反演模型,并进一步利用模拟退火算法对支持向量回归机参数进行优化,使目标函数达到全局最优而非局部最优.最后,考虑到由磁记忆信号逆向反推缺陷的三维尺寸,存在解的不确定性,为此在缺陷单维尺寸反演模型的基础上,通过构建多层结构的支持向量回归机进行多尺寸反演输出,建立了基于模拟退火支持向量回归机的焊缝缺陷磁记忆定量反演模型,结果表明:未焊透缺陷尺寸反演最大相对误差为7.96%,夹渣缺陷为4.97%,为焊缝缺陷的磁记忆反演与定量化评价提供一种新的思路.     

基于粒子群最大似然估计的焊缝早期隐性损伤磁记忆精确定位模型

针对由于焊接残余应力、磁场噪声等干扰,造成磁记忆检测在焊缝早期隐性损伤位置定量评价上的困难,提出基于粒子群算法优化的最大似然估计磁记忆梯度定量模型.通过对预制未焊透缺陷的Q235焊接试件进行焊缝疲劳拉伸实验,同步对比扫描电镜和X射线检测结果,发现磁记忆信号梯度对早期隐性损伤位置反应比较敏感,并获得了梯度随着与隐性损伤的距离增大而减小的衰减变化规律,构建隐性损伤位置参数与磁记忆梯度的非线性函数,考虑磁场噪声对隐性损伤定位结果的影响,引入最大似然估计建立目标函数,进一步考虑目标函数的非线性容易陷入局部极值而非全局极值的问题,采用具有全局搜索能力的粒子群算法对目标函数进行优化,建立基于粒子群最大似然估计的焊缝隐性损伤位置磁记忆定量模型,验证结果表明定位误差仅为3.48%,为实际工程中利用磁记忆技术及时发现早期隐性损伤并精确定位提供了新的思路.     

基于磁记忆检测的桥钢箱梁翼缘损伤状态力磁关系

金属磁记忆检测技术由于其能够快速便捷的对铁磁性构件的损伤进行识别,且被认为具有识别隐性损伤的能力,而被广泛研究。为推进金属磁记忆检测技术在桥钢箱梁损伤检测方面的应用,对桥钢箱梁进行了静力受弯试验,提取其变形最严重的上翼缘磁信号分布,建立了损伤区域力与磁信号和磁信号梯度的关系曲线,并提出用磁场梯度指数来表征钢梁的受力和损伤状态。结果表明：上翼缘磁信号曲线与应力变化形态正好相反,磁信号曲线在进入塑性后发生反转变为负值,且随应力变化的速度增快,可以判断构件进入塑性状态,即将发生损伤;磁场梯度曲线在损伤最严重的区域出现最大值,且随着荷载的增大,磁梯度最大值点不断向钢梁中间移动,由此可以进行破坏状态的预警;磁场梯度与应力关系曲线可将构件整个受力过程明显的区分为初始、屈服、塑性、损伤4个状态;可以用磁场梯度指数来进行构件受力状态与损伤状态的表征。该研究可为金属磁记忆检测技术在桥钢箱梁损伤状态的定量评估和预警方面的应用提供依据和参考。     

基于高相关滤波算法的PSO-LSTM连铸坯质量预测模型

文章提出了一种将高相关滤波算法与粒子群优化长短期记忆神经网络相结合的连铸坯质量预测模型.首先,使用高相关滤波算法对影响连铸坯质量的多种因素进行降维处理,然后,利用粒子群优化长短期记忆神经网络进行连铸坯中心偏析陷等级的预测实验.实验结果验证了该模型在预测性能方面的优势.     

基于KPCA-IPSO-LSSVM的充填管道磨损风险预测

为克服传统预测模型存在的适用性差、预测精度不足和参数选取随意性强等缺陷,提出了一种将核主成分分析法(KPCA)、改进粒子群算法(IPSO)与最小二乘支持向量机(LSSVM)相结合的充填管道磨损风险预测新方法.通过KPCA对管道磨损影响因素进行特征提取,将提取结果作为LSSVM的输入,同时利用具有较强全局搜索能力的IPS...     

变异PSO算法协同神经元网络在轧制力预报中的应用

 为了避免BP神经元网络易陷入局部极值和基本粒子群(PSO) 神经元网络早熟收敛问题,采用一种自适应变异的粒子群优化算法训练神经元网络,根据轧制力的实测值和神经元网络的预报值确定粒子群算法的适应度函数,按照权重梯度方向进行变异操作,并首次将该方法应用到热连轧机组轧制力预报中。通过攀钢热轧板厂现场数据运算表明,该方法的预报误差平均值比传统数学模型低165%,比BP神经元网络低055%,收敛速度比BP神经元网络提高了约1/4,为进一步提高精轧机组轧制力预报精度提供了一种新的有效方法。     

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。     

基于神经网络和粒子群算法的硅钢工艺参数优化

结合BP神经网络与粒子群算法,提出了一种降低硅钢铁损的工艺参数优化策略。首先,采用BP神经网络建立了对硅钢铁损的预测模型,模型具有很高的拟合精度和预测精度。然后在工艺参数的优化方面,以BP神经网络预测模型作为适应度函数,选取连续退火RTF炉段的各段炉温作为优化变量,采用粒子群算法优化这些工艺参数。结果显示,基于BP神经网络,采用粒子群算法对部分工艺参数进行优化后,硅钢铁损明显降低,具有一定的指导意义。     

基于PSO-RBF神经网络的轧辊偏心在线辨识

在实际生产中,轧辊偏心往往会导致带材厚度的波动,降低带材的质量。离线辨识轧辊偏心的控制方法在实际生产中效果不明显甚至会其反作用。为了使轧辊偏心能够在线自适应辨识,提出了一种基于改进粒子群算法优化的RBF神经网络的在线辨识方式,建立在线训练模型,对轧辊偏心信号进行在线辨识研究并与未采用该算法的在线辨识方式进行对比。结果表明,基于改进粒子群算法优化的辨识方式速度更快、精度更高,能迅速地辨识出生产过程中的轧辊偏心信号的变化,达到了期望的结果。     

改进粒子群优化神经网络及其在产品质量建模中的应用

针对传统神经网络优化算法易陷入局部最优值的问题,在标准粒子群算法的基础上,对粒子速度与位置更新策略进行改进,提出一种基于改进粒子群优化算法的BP神经网络建模方法.使用sinc函数、波士顿住房数据及某钢厂带钢热镀锌生产的实际数据进行验证.结果表明,与标准的反向传播神经网络和支持向量机相比,基于改进粒子群优化的神经网络模型可以有效提高预测精度.     

Mechanical Property Prediction of Strip Model Based on PSOBP Neural Network

Mechanical property prediction of hot rolled strip is one of the hotspots in material processing research. To avoid the local infinitesimal defect and slow constringency in pure BP algorithm, a kind of global optimization algorithm—particle swarm optimization (PSO) is adopted. The algorithm is combined with the BP rapid training algorithm, and then, a kind of new neural network (NN) called PSOBP NN is established. With the advantages of global optimization ability and the rapid constringency of the BP rapid training algorithm, the new algorithm fully shows the ability of nonlinear approach of multilayer feedforward network, improves the performance of NN, and provides a favorable basis for further online application of a comprehensive model.     

Mechanical Property Prediction of Strip Model Based on PSO-BP Neural Network

Mechanical property prediction of hot rolled strip is one of the hotspots in material processing research. To avoid the local infinitesimal defect and slow constringency in pure BP algorithm, a kind of global optimization algorithm-particle swarm optimization （PSO） is adopted. The algorithm is combined with the BP rapid training algorithm, and then, a kind of new neural network （NN） called PSO-BP NN is established. With the advantages of global optimization ability and the rapid constringency of the BP rapid training algorithm, the new algorithm fully shows the ability of nonlinear approach of multilayer feedforward network, improves the performance of NN, and provides a favorable basis for further online application of a comprehensive model.     

基于PSO-RBF神经网络模型的岩爆倾向性预测

鉴于岩爆机理的复杂性以及岩爆发生前后信号提取困难的现状,对高应力区进行岩爆倾向性预测研究具有现实意义。为提高岩爆预测的准确性,基于岩爆预测多维非线性的特点,选取4个影响岩爆发生的核心指标作为判决依据,结合粒子群优化算法(PSO)与径向基神经网络(RBF)建立了PSO-RBF神经网络岩爆预测模型。采用试错法确定隐含层节点数后,进一步利用国内外典型工程数据对模型参数隐含层基函数中心ci,隐含层节点宽度σi以及隐含层与输出层间权重因子w进行学习优化以获取最优参数,并将所建立的模型应用于实际工程的岩爆倾向性预测。结果表明:利用该模型预测的岩爆等级与实际岩爆情况基本相符,相对误差率为10%,精度较以往预测方法有显著提高。