多应力下电能计量设备基本误差预估

针对典型环境应力下电能计量设备基本误差受环境应力影响大,且多电应力间关系难以刻画的问题,提出一种改进粒子群长短时记忆网络(IPSO-LSTM)的电能计量设备基本误差预测方法。首先,对典型环境下多种应力数据进行归一化、数据集分配预处理;针对误差时序数据波动趋势,构建一种挤压LSTM网络结构以分析误差数据的变化趋势特征,以改善多应力数据下的模型非线性拟合能力;利用改进PSO算法对模型超参数进行寻优,减少模型超参数影响,增强模型预测效果。在实验部分,依据某公司的多个电能计量设备,结合新疆地区典型运行试验室测量的环境应力及其误差数据对所提出算法进行验证分析。结果表明,本文的样本预测精度指标RMSE分别达到1.08%和1.19%,MAE分别达到0.88%和0.96%。     

基于状态参量的智能电表误差状态预测方法

在智能电表挂网运行的过程中,其计量性能会逐渐发生变化,可能影响电能计量的准确性和电力交易的公平性,因此,对其误差状态的管控具有重大意义。在运智能电表数量巨大,一般采用定期随机抽检的方法来获得部分表计的误差情况,但随机抽检覆盖面较小,存在抽检间隔,无法全面、及时地获取在运表计的计量误差,存在已超差表计仍长期挂网的风险。对此,提出了一种基于状态参量与计量性能退化的智能电表误差状态预测方法,基于智能电表的计量原理,研究了影响表计计量性能的关键因素,进而建立了一个计及温度、湿度、负荷、检定结果、时间累积影响的预测模型,借助BP神经网络算法,实现了历史数据下的网络训练和实时数据下的误差预测。最后,建立在线监测试点,开展实例应用,验证了该方法的有效性。     

基于粒子群优化LSTM模型的管道应力预测方法

为了解决传统BP神经网络预测精度不高的问题,提出了一种基于粒子群优化(PSO)长短期记忆网络(LSTM)模型的管道应力趋势预测方法.在分析管道应力监测数据的基础上,利用LSTM模型对未来的应力发展趋势进行预测,进一步采用粒子群算法优化LSTM模型参数来提高预测精度,并基于均方根误差验证了PSO-LSTM模型的有效性,可...     

基于OGA-KSVR的电能计量设备测量误差预测

针对多应力条件下电能计量设备测量误差难以预测的问题,提出一种基于核支持向量回归(KSVR)的电能计量设备测量误差预测方法,并提出一种优化遗传算法(OGA)对核参数进行优化.首先,提出一种线性加权多核函数融合多个应力特征,利用核权值系数刻画不同应力对电能计量设备的影响.然后,在核函数参数选择阶段,为了避免对参数人工调整的...     

基于PSO-BP神经网络的经济型二手车估价分析

针对BP神经网络预测二手车价格时易陷入局部极小值以及价格影响因素间存在一定相关性的问题,本文提出了一种基于主成分分析(PCA)和粒子群算法(PSO)优化BP神经网络的价格评估模型。本文将PCA降维后的10个主成分作为影响二手车价格的评估参数。基于BP神经网络建立经济型二手车价格评估模型,并使用粒子群算法优化网络的权值和阈值,进一步提高网络的预测精度。该模型一定程度上克服了BP神经网络的不足,为二手车价格评估提供了参考。     

谐波对电能计量影响的研究

基于电力系统实时数字仿真系统(RTDS)平台对谐波的电能计量误差进行仿真实验和实测实验,建立能反映谐波功率含量与其实际误差之间关系的数学模型。引入BP神经网络对该模型进行逼近,利用VC++6.0开发"谐波电能误差计算软件"。     

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。     

[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。     

基于混合粒子群算法优化BP神经网络的机床热误差建模

为了降低机床热误差对主轴加工精度的影响,采用了混合粒子群算法优化BP神经网络结构,并对优化结果进行实验验证.引用了粒子群算法耦合遗传算法,给出BP神经网络结构简图,通过混合粒子群算法优化BP神经网络结构.构造机床热误差优化目标函数,采用混合粒子群算法优化目标函数,给出了混合粒子群算法优化BP神经网络流程图.建立BP神经网络热误差预测模型和BP神经网络热误差优化模型,采用三轴立式铣床对两种预测结果进行实验验证.实验结果表明:采用BP神经网络热误差预测模型,机床y轴、z轴预测结果与实验结果偏差最大值分别为6.9μm和6.7μm;采用BP神经网络热误差优化模型,机床y轴、z轴预测结果与实验结果偏差最大值分别为3.3μm和3.5μm.采用混合粒子群算法优化BP神经网络结构,能够提高机床热误差预测精度.     

FDM成形件精度预测模型的建立

熔融沉积成形(FDM)是快速成型(RP)最有发展前途的工艺之一,掌握提高成形件精度的控制方法是推广其应用的重要途径。在分析FDM成形件精度影响因素的基础上,提出应用误差反向传播(BP)神经网络建立预测精度模型的方法。将主要影响因素作为BP神经网络模型的输入参数,并根据最小预测误差选择输入层和中间层的维数,确定了BP模型结构。利用多组实验数据进行模型训练,建立了BP神经网络模型。模型预测与实验测量的对比结果表明,模型的预测误差在6%以内,具有很高的预测精度,可以指导实际应用。     

基于递归熵及长短期记忆神经网络的滚动轴承退化趋势预测

针对滚动轴承退化趋势预测中的特征选择及模型优化问题,提出了基于相空间重构结合长短期记忆神经网络的滚动轴承退化趋势预测方法.首先,在滚动轴承退化特征灰色关联分析的基础上,对滚动轴承运行状态跟踪能力进行量化评估;然后,为统一描述各个特征对轴承退化状态的表征信息,采用谱聚类方法对滚动轴承运行状态进行了准确划分;最后,以滚动轴...     

基于贝叶斯神经网络的机床热误差建模

热误差严重影响着机床的加工精度,对机床关键部件进行热特性分析是开发精密机床的重要环节。通过测量包括数控机床的特殊位置温度和定位误差在内的热特性,研究了温升与定位误差之间的关系,提出了一种基于贝叶斯神经网络的热误差建模方法。通过K-means聚类和相关系数法来选择温度敏感点,可以有效地抑制温度测量点之间的多重共线性问题。结果表明:通过使用贝叶斯神经网络能提高机床88.015 9%的精度,比BP神经网络高出15.763 8%,与BP神经网络模型相比,贝叶斯神经网络具有更加优良预测性能。贝叶斯神经网络模型为降低机床热误差的影响提供了新思路。     

基于IA-PSO-BP模型的电主轴热误差预测方法

针对电主轴在运作时因为温升而产生热误差的问题,提出一种基于免疫粒子群优化BP神经网络（IA-PSO-BP）的电主轴热误差预测模型。通过测量电主轴在工作过程中的温升以及热位移,获取建立预测模型所需的数据,使用IA-PSO-BP模型在MATLAB中建立热误差预测模型,并与未经过优化的BP神经网络所建立的模型进行测试对比。结果显示,经过优化的BP神经网络对热误差的补偿能力高达98.4%,和当前工程常用的BP神经网络相比,平均预测误差下降了62.6%,预测误差的均方差下降了66.4%,可见其预测精度得到了显著提升。     

基于Pearson关联度BP神经网络的时间序列预测

针对BP神经网络存在的过拟合问题,提出了基于Pearson关联度的神经网络预测模型。将传统的基于误差反向传播的BP神经网络中的误差函数替换为Pearson关联度函数,利用梯度上升法对训练过程中神经网络的连接权重和阈值的调整量进行了推导,并为调整量添加了动量项用于提高神经网络收敛速度,然后建立了关联度反向传播预测模型,并对其权重进行了阈值限制以及增加学习率来防止过拟合。对通用数据集进行时间序列预测实验,通过与改进的RBF和BP神经网络对比,表明对于多因素时间序列的预测Pearson关联度BP神经网络的预测误差精度RMSE降低了4.02,收敛次数减少1 690代。实现了将关联分析与BP神经网络的结合,能够在保证效率的同时,解决过拟合问题,提高预测精度。     

基于径向基函数神经网络的发动机磨损预测分析

针对BP神经网络算法的不足,利用径向基函数(RBF)神经网络建立设备的磨损预测模型,对光谱分析数据进行实例仿真,并与BP网络模型进行对比研究.仿真结果表明,该模型预测精度高,训练时间短,大大优于BP神经网络模型.     

Internal leakage rate prediction and failure diagnosis of buried pipeline ball valve based on valve cavity pressure detection

— Ball valve is a key fluid control equipment used extensively in oil and gas pipelines. The online detection and failure diagnosis of the internal leakage of the ball valve is of great significance to ensure the safety operation of natural gas transmission pipelines. This paper proposes a prediction method of the internal leakage rate and a diagnosis method of the failure mode of the buried pipeline ball valve based on valve cavity pressure detection. Firstly, the valve cavity pressure signal generated by the internal leakage of the ball valve is detected by the pressure sensor, and the valve cavity pressure signal is denoised by wavelet threshold denoising. Then, the back propagation (BP) neural network has the disadvantage of unstable learning ability, so the BP neural network is optimized by chaos sparrow search optimization algorithm (CSSOA-BP). Finally, the prediction model of the ball valve internal leakage rate and the diagnosis model of the ball valve failure mode are established by using CSSOA-BP neural network and the characteristic parameters of the valve cavity pressure signal. To verify the performance of the prediction model and the diagnosis model of CSSOA-BP neural network, the predictive results and diagnostic results are compared with those of the sparrow search algorithm optimization BP (SSA-BP) neural network and BP neural network. The experimental results show that the maximum prediction error of CSSOA-BP neural network is the smallest, which is 13.6%. The accuracy of the diagnostic results of CSSOA-BP neural network is the highest, which is 83.3%. It indicates that the proposed method can achieve better predictive results of the ball valve internal leakage rate and more accurate diagnostic results of the ball valve failure mode.     

串联灰色神经网络模型的研究

针对传统灰模型适应性和自学习能力差、中长期预测精度不理想的情况,在3种精度较好的灰模型的基础上引入BP神经网络,构建了串联灰色神经网络模型。仿真表明,这种灰色神经网络模型未出现预测残差和相对误差逐步增加的情况,预测精度明显好于灰模型,适合应用。     

基于多源信息融合的飞行器部件剩余寿命预测

针对飞行器关键部件的多源变量数据统计信息,提出基于多源信息融合的相似性剩余寿命预测方法。介绍了相似性剩余寿命预测方法的基本思想和模型;提出一种使用BP神经网络融合多变量统计数据的方法;引入余弦相似度方法,将服役部件和参考部件退化模型进行模式匹配,确定与服役部件具有相同退化模式的参考部件,进而提高基于相似性剩余寿命预测方法的预测精度。通过NASA航空发动机数据集和相同评价指标下的对比分析,验证了该方法的有效性。     

基于改进BP神经网络的机床基础部件可再制造性评价模型

为了利用样本数据准确完成机床基础部件可再制造性评价,提高机床基础部件可再制造性评价预测精度,提出一种采用模拟退火遗传算法优化BP神经网络的机床基础部件可再制造性评价模型。该评价模型以机床基础部件可再制造性经典评价模型评价结果为样本数据,建立机床基础部件可再制造性评价BP神经网络预测模型,采用模拟退火遗传算法优化BP神经网络模型,寻找更优初始网络权值、阈值,以提高收敛速度和避免局部收敛。以一台机床基础部件可再制造性评价为例,验证了基于模拟退火遗传算法优化的BP神经网络评价模型具有更好的预测精度。