几种人工神经网络在潜油螺杆泵转速预测中的比较

在潜油螺杆泵的使用中,转速的选择与控制十分重要,同时转速的预测能够有效地避免泵效下降、延长泵的使用寿命。目前在分析各因素对螺杆泵转速影响的基础上,采用人工神经网络方法建模并进行预测其后续转速已成为研究的热点。在对螺杆泵转速影响因素的分析基础上,采用BP网络、RBF网络和Elman网络分别对转速进行实例研究并观察其误差。结果表明,三种典型的神经网络模型均能够很好地描述任意温度、原油粘度和泵端压差等工况条件下的螺杆泵转速变化特性,实现螺杆泵转速的预测。RBF神经网络训练速度最快且误差值最小,Elman神经网络和BP神经网络的预测误差接近,但前者的训练误差要比后者平滑。     

多因素耦合态下ESPCP系统输出转速的优化方法

潜油螺杆泵采油(ESPCP)系统的最优输出转速是考虑多种因素交互耦合作用的结果,是典型的非线性优化问题.应用人工神经网络技术,以MATLAB软件为平台,建立了原油粘度、泵端压差以及定转子间过盈量3个因素与输出转速之间的遗传神经网络模型.该模型运用遗传算法优化神经网络的权值和阈值,有效提高了网络的收敛性和预测的准确率.通过数据样本学习与部分现场监测数据相结合进行模拟,研究表明预测数据与实测结果基本吻合,取得了较好的效果.为考虑更多因素时优化ESPCP系统的输出转速提供了新的思路和方法.     

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。     

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ANN的ESPCP系统转子转速调控技术研究

转子转速是影响螺杆泵寿命的关键。其关联制约因素取决于工况所涉及的物理及化学条件,包括螺杆泵两端的压差、原油的粘度、温度、含砂量、油气比、油水比等。以这些参数作为原始输入,通过两层神经网络确定转子转速与其关联影响因素之间的非线性映射关系,并设计基于人工神经网络的在线转子调速系统。采用这种控制方法有效地延缓了螺杆泵橡胶定子的磨损,保持了较高的容积效率,延长了其使用寿命,同时使螺杆泵的运行具有良好的稳定性、控制灵活性和控制精度。     

基于BP神经网络的密封胶注胶轨迹在线调整方法

提出了一种基于BP神经网络的密封胶注胶轨迹在线自适应调整的方法。前期采集大量数据给BP神经网络模型学习,然后将BP神经网络模型与3D相机的实时探测结果相结合,计算得到当前产品注胶轨迹偏差的调整值。接着,将该偏差调整值通过网线传递到三轴耦合伺服控制系统,最后三轴耦合伺服控制系统实时更新密封胶注胶轨迹的NC程序,从而实现密封胶注胶轨迹的在线自适应调整。实验结果表明,该方法能够有效地提高密封胶轨迹的位置精度,降低产品报废率,并且减少了对个人能力和经验的依赖,减少了人工调整密封胶注胶轨迹所需要的时间,降低了调试员的工作强度,提高了生产效率。     

基于摩擦学系统理论的采油螺杆泵定子橡胶磨损分析

定子橡胶在原油介质下的减摩耐磨特性是衡量采油螺杆泵的主要技术指标之一。采油螺杆泵的运行环境复杂,影响其定子橡胶磨损的因素较多,属于典型的非线性系统问题。基于摩擦学系统理论,以橡胶定子、金属转子、石油介质、螺杆泵机械结构为主要元素,构建出采油螺杆泵的摩擦学系统框架;列出各元素特性,分析各元素之间的相互联系,并提出求解方法;对螺杆泵定子橡胶材料去除的摩擦学机制进行归纳,并初步讨论摩擦学机制与该摩擦学系统的关系。     

涂层刀具高速铣削模具钢SKD11的表面粗糙度模型预测

为有效控制和预测高硬度模具钢加工的表面质量和加工效率,通过设计正交切削试验,研究了在不同切削参数组合(主轴转速、进给速度、轴向切削深度和径向切削深度)及冷却润滑方式条件下、Ti Si N涂层刀具对模具钢SKD11(62HRC)的高速铣削。应用BP神经网络原理建立表面粗糙度预测模型,并进行试验验证其准确性。研究表明,在不同加工条件下,基于BP神经网络模型建立的涂层刀具铣削模具钢SKD11表面粗糙度模型有较好的预测精度,其预测误差在3.45%-6.25%之间,对于模具制造企业选择加工工艺参数、控制加工质量和降低加工成本有重要意义。     

基于ANN的ESPCP系统转子转速调控技术研究

分析了潜油螺杆泵采油系统转速的主要影响因素.计算出螺杆泵理论排量并采集其输入端的压力、温度和井口压力、流量作为原始输入,通过二级神经网络,确定螺杆泵转速与其主要影响因素之间的非线性映射关系.基于ANN的转子转速在线调控系统不仅有效地减少衬套的磨损,增加螺杆泵使用寿命,而且能够获得稳定且较高的工作效率,提高了控制的灵活性和准确性.     

基于萤火虫优化BP神经网络的数控机床故障诊断

为了提高数控机床故障预测的能力,针对BP神经网络在数控机床故障预测中出现的收敛速度慢和训练容易陷入局部极值问题,提出了一种基于萤火虫算法优化BP神经网络的数据机床故障诊断算法。文章详细介绍了常见的数控机床故障类型和分类,在萤火虫优化算法和BP神经网络的基础上,建立了萤火虫算法优化BP神经网络的数控机床故障诊断模型,并提出了基于该模型的算法。该模型和算法采用萤火虫算法优化BP神经网络的初始权值和阈值,优化后的BP神经网络能对测试集进行更好的预测。实验结果表明,萤火虫算法优化BP神经网络的预测误差明显小于GRNN和PNN算法。该模型和算法具有很好的预测能力,可以快速、准确地完成数控机床故障诊断研究。     

基于改进型BP神经网络PID控制器在转台系统中的应用研究

为改善转台系统性能,针对传统的PID控制参数难以获得较理想的控制效果,设计了一种基于改进型BP神经网络的PID控制器。介绍了PID控制器的结构和BP神经网络算法描述,利用最小二乘法和神经网络建立被控对象的预测数学模型,并用该模型所计算的预测输出取代预测输出的实测值,对基于BP网络的PID控制器的权值调整算法进行改进。以某转台模型为对象,建立了转台控制系统的数学模型并对其进行仿真。仿真结果表明,改进型BP神经网络PID控制器具有良好的控制效果,跟踪精度高、性能稳定及鲁棒性强,能更为有效地应用到转台系统中。     

基于BP神经网络预测的内燃机车转速控制方法

针对电传动内燃机车在负载发生扰动下,转速会发生波动,致使牵引发电机功率小于牵引电动机功率,导致机车运行不平稳。采用BP神经网络预测进行内燃机车转速控制,使机车在应对负载突变的情况下,具有较好鲁棒控制性能,使机车运行平稳。首先,通过BP神经网络预测模型进行模型预测;其次,将预测值与实际值构成输出误差进行反馈校正;然后,根据神经网络预测模型和优化算法迭代计算得出最优控制量实现滚动优化;最后,对BP神经网络预测的内燃机车转速控制进行建模,并对目前所采用的经典算法进行实验仿真对比,结果证明,基于BP神经网络预测的内燃机机车转速控制响应速度快、鲁棒性好和稳态误差小。     

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。     

激光小孔加工实验研究及工艺仿真

通过单因素试验分析了激光器电压、脉冲宽度、重复频率、聚焦条件、辅助气体等因素对小孔加工效果的影响规律。借助MATLAB神经网络工具箱和遗传算法工具箱,建立了基于BP神经网络和遗传神经网络(GA-BP)的激光打孔加工工艺仿真模型,利用两种模型分别对不同加工参数下的小孔孔径进行了仿真和预测。结果表明,经遗传算法优化后的BP网络模型具有更好的预测精度。     

基于LS-SVM的机床加工误差预测模型探讨

提出一种基于最小二乘支持向量机(LS-SVM)的机床加工误差回归模型和预测方法,给出了相应的步骤和算法.通过与BP神经网络和RBF神经网络预测方法比较,仿真结果表明,在较少的误差数据条件下,该模型能够有效的描述和预测加工误差的变化,且模型预测误差比神经网络模型小60%左右;应用该预测模型预测机床加工误差有更高的预测精度,对其实施补偿和控制,将有效提高机床的加工精度.     

粗神经网络在煤与瓦斯突出预测系统的应用

在综合研究了各种算法的基础上,将粗集理论和BP神经网络结合,充分利用了粗集算法能够去除冗余信息,BP神经网络能够精确加快收敛速度的优点.利用具体网络建立一个突出预测机制,并利用该预测机制对矿井瓦斯突出情况进行模拟预测.实际应用效果表明:采用基于MATLAB神经网络工具箱的BP网络模型,能克服一般BP网络收敛较慢的缺点,能加快收敛速度.实验结果表明:基于粗集- BP神经网络的预测模型可靠,收敛速度快,预测精度高,效果良好.     

基于模糊神经网络 PID 的开关磁阻电机控制系统研究

针对开关磁阻电机存在的转矩脉动大、噪声大、速度不稳定等问题,对开关磁阻电机的启动、运行、调速等方面进行了研究,提出了一种基于模糊神经网络PID的控制方法,将模糊控制理论与BP神经网络相结合,构成了模糊BP神经网络,根据系统误差,误差的变化,以及误差变化的变化实时调整PID控制参数,使电机在整个转速范围内获得了最优的PID参数。实验采用DSP作为控制核心,不对称逆变桥作为功率变换器,驱动一台2 k W的开关磁阻电机运行。研究结果表明,该方法大大改善了开关磁阻电机控制系统的动、静态性能,控制精度高、转矩脉动小,对干扰有较高的鲁棒性。     

基于流固耦合的采油单螺杆泵容积效率求解方法*

容积效率是采油单螺杆泵举升性能的重要技术指标,采用试验方式获取螺杆泵的容积效率是目前最常用的方法。为提高螺杆泵的设计效率,降低设计成本,提出采用单向流固耦合的数值仿真方法求解漏失量并计算容积效率。依据定转子之间的装配关系建立几何模型,计算不同压差条件下密封带处定子橡胶变形量,得到变形量随压差变化的规律。以现场试验条件作为仿真依据,采用单向流固耦合方法求解试验转速和泵压条件下螺杆泵的漏失量,进一步得到其容积效率。仿真计算结果与现场试验结果相一致,验证了采用单向流固耦合的数值仿真方法计算容积效率的有效性。通过这种仿真分析方法,可以在减少试验量的条件下,对螺杆泵结构参数进行优化设计,并对现场运行参数的匹配提供技术支撑。     

基于改进BP神经网络的结构可靠度计算方法

针对传统BP神经网络代理模型拟合精度不足和计算效率较低的问题,采用思维进化算法(MEA)优化BP神经网络,提出一种基于改进BP神经网络代理模型的可靠度计算方法.首先采用MEA对BP神经网络的权值和阈值进行优化,获取最优的初始值,然后利用贝叶斯正则化(BR)算法对优化过后的网络进行训练,建立MEA-BR-BP神经网络代理模型,并采用测试函数验证改进代理模型的有效性,最后结合Monte Carlo法计算转向架构架的可靠度.研究结果表明:所提方法在提高拟合精度的同时兼顾了计算效率,验证了所提方法的优越性和可行性.     

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。