BP神经网络信息融合的汽车载重测量方案

针对当前汽车载重量测量精度低的问题,;提出了基于BP神经网络信息融合算法的汽车载重测量方案。首先分析了现有的两种载重测量方法,即叠板弹簧形变量测量法和胎压变化量测量法,并分别建立了汽车载重量与叠板弹簧变化量、轮胎气压变化量的数学模型;然后提出了使用BP神经网络算法将这两种测量方法的测量信息进行融合;通过样本数据的训练,确立了BP神经网络三层网络拓扑结构和参数。设计了10组载重试验对此算法进行验证,结果表明基于BP神经网络信息融合的汽车载重测量方法可以有效地测量汽车载重,最大测量误差为0.91%。     

基于PSO-BP神经网络的飞灰含碳量测量方法

针对飞灰含碳量测量困难的问题,提出了基于粒子群算法优化BP神经网络的飞灰含碳量测量方法。以飞灰含碳量影响因素为模型的输入,飞灰含碳量为模型的输出,建立飞灰含碳量预测模型,并将预测结果和传统BP神经网络预测结果相比较。实验结果表明,该测量方法具有较高的预测精度。     

基于人工神经网络BTA钻削时表面粗糙度的预测

为解决深孔加工中表面粗糙度在线检测困难这一问题,提出一种基于BP神经网络的表面粗糙度在线辨识方法,并以BTA钻削为例,建立表面粗糙度BP神经网络在线辨识模型,并将其引入钻削加工领域。该模型能方便地预测钻削加工参数对加工表面粗糙度的影响,有助于准确认识已加工表面质量随切削参数的变化规律,为切削参数的优选和表面粗糙度的控制提供了依据。实验和仿真结果表明,基于BP神经网络模型能够很好地预测表面粗糙度,对提高加工表面粗糙度具有一定的指导意义。     

旋转机械的遗传算法优化神经网络预测模型

趋势预测是实现旋转机械先进的预知维护的关键技术,神经网络模型预测是实现趋势预测的新途径。当前旋转机械状态预测神经网络对环境的适应性较差、预测精度较低。针对这个问题,提出了一种在线自适应趋势预测方法。利用遗传算法(GA)的并行搜索能力对BP网络结构参数进行动态优化。改进后的预测模型能够根据不同条件对结构参数进行动态优化,取得了较理想的在线预测效果。     

加工精度在线检测系统预行程误差预测与补偿

预行程误差的预测和补偿能够大大提高加工精度在线检测系统的测量精度.提出了一种基于BP神经网络的检测误差预测新方法,建立了一个基于BP神经网络的在线检测系统预行程误差预测模型,通过实验数据对该网络进行训练,并将训练好的神经网络应用到实际加工零件的误差预测和补偿.为了验证该方法的有效性,以一圆柱零件的圆度误差检测为例,对其加工精度的在线测量进行了预行程误差的预测与补偿,经与CMM检测结果的对比,说明了该方法的有效性.     

基于GA-BP神经网络的刀具寿命预测研究

刀具的使用寿命对于刀具需求计划制定、刀具生产准备以及切削参数的设置等具有重要影响。为了准确预测刀具使用寿命,在BP神经网络中引入了一种新型遗传算法,提出了一种基于遗传算法优化的BP神经网络的刀具寿命预测方法。BP神经网络中的权值和阈值利用遗传算法进行优化处理,训练BP神经网络预测模型求得最优解。实验结果表明,基于GA-BP神经网络刀具寿命预测方法相比传统BP神经网络预测具有更高的寿命预测精度,为刀具需求制定、成本核算、切削参数的制定提供了理论依据。     

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。     

[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。     

基于改进BP神经网络的管外测量原油含水率研究

为解决多种因素对电磁电导法原油含水率测量准确性的影响,利用改进的BP神经网络处理温度、矿化度、传感器输出电压与含水率之间的关系。在电磁电导法采集数据的基础上,分别用启发式改进方法和数值优化BP算法预测了原油含水率,两种改进的BP算法均提高了预测原油含水率的精度和算法的收敛速度,而Fletcher-Reeves修正算法比自适应学习率动量梯度算法具有更好的效果,为设计智能化管外在线测量原油含水率仪表提供了理论和实验依据。     

基于 IGA-BP 神经网络的智能电能计量 设备退化趋势研究

电能计量设备可靠运行与否影响着电网边缘测量与电量计量准确性,为此本文提出一种基于参数优化 BP 神经网络的 设备退化趋势分析方法。 结合国网新疆高干热试验基地,及其智能电能计量设备实时运行基本误差数据,利用 Spearman 相关 性分析方法,提取影响智能电能计量设备基本误差值的主要环境应力;采用函数拟合插值(FFI)方法消除原始数据中缺失值对 退化分析的影响,建立基于 BP 神经网络的智能电能计量设备退化研究模型;最后,引入改进遗传算法( IGA)优化 BP 神经网络 参数,实现智能电能计量设备退化趋势的向后预测与更新。 选取基地中不同型号的若干个智能电能计量设备进行多项实验,结 果表明本文模型具有较高的预测能力,预测结果的平均均方根误差为 0. 012 3,预测准确度最高可达 90. 2% 。     

基于PSO-RBF神经网络的锂离子电池健康状态预测

针对传统方法估计锂离子电池健康状态(SOH)时内部参数测量困难等问题,提出一种基于粒子群优化径向基函数神经网络的锂离子电池SOH预测方法。通过对锂离子等效模型的研究,结合充放电过程的实验数据,确定了影响锂离子电池SOH特性的几个关键参数。将试验数据输入仿真模型进行网络训练和校验。仿真证明,相比BP神经网络和普通RBF神经网络,该算法的预测精度可提高20%,节省66.7%以上的优化时间。     

基于径向基神经网络的设备运行状态新信息加权预测模型研究

设备工作状态在线预测技术,是实现以先进的预知维护取代以时间为基础的预防性维护的关键技术,为了提高状态预测的精度,针对设备运行的状态随运行时间而发展变化的特点,提出基于改进的径向基神经网络的设备运行状态预测模型,并以烟气轮机运行数据对模型的有效性进行了验证.结果表明,改进的新信息加权径向基神经网络的训练速度快,预测结果稳定性及精度高,比BP网络及未改进的径向基神经网络的预测效果好.     

基于神经网络的液压缸内泄漏在线测量研究

内泄漏是液压缸最常见故障，严重影响液压缸的正常工作，因此对其在线测量显得尤为重要。提出内泄漏在线测量的工作原理，包括在线测量系统、应变片的固定方式和流量-应变信号转换的数学模型，并搭建实验系统采集内泄漏和应变数据并进行数据处理。分别采用BP神经网络和卷积神经网络对液压缸内泄漏进行预测，结果表明，卷积神经网络准确度高、效率高，为其他液压元件微小流量的在线测量提供一种新的思路。     

基于PCA-改进BP神经网络的齿轮箱故障诊断方法研究

针对BP神经网络存在局部极小值和收敛速度慢等问题,文章提出了一种PCA-改进的BP神经网络的方法。实验表明,基于PCA-改进的BP神经网络的方法可以大大提高故障诊断的准确性,缩短了诊断时间。     

基于软测量的水电机组功角在线测量的研究北大核心CSCD

针对功角测量方法在极对数多、转速慢的水电机组中误差较大,且在暂态过程时需要进行复杂的离线计算,难以满足功角高精度的在线监测要求,提出了一种改进的RBF神经网络功角软测量方法。将电压、电流及功率作为软测量模型训练集的输入,离线计算所得的稳态及暂态过程的功角值作为训练集的输出,并利用PSO算法对RBF神经网络参数进行优化。在单机无穷大系统中进行验证,验证结果表明,功角软测量的均方误差在0.004 9以内,且测量值与功率的映射曲线和理论功角特性曲线基本保持一致,所提出的软测量模型能够很好地拟合机组响应参数与功角的关系,实现了水电机组功角精准的在线监测。     

基于信息融合技术的锅炉飞灰含碳量测控系统

降低飞灰含碳量对火力发电厂提高锅炉燃烧经济性具有重要意义,而飞灰含碳量难以在线测量.目前广泛采用微波飞灰测碳仪进行在线监测,但在实际中烟气密度和流速对仪器的测量精度有重要影响,使测量结果产生较大波动.设计了对烟气密度和流速的测量方法,并构造了基于多传感器信息融合技术的测量系统,利用BP神经网络对互补的信息进行有效融合,该方法在一定程度上提高了飞灰含碳量的测量精度,进而给出一种模糊自寻优的方法控制飞灰含碳量.     

基于改进粒子群算法的神经网络PID控制研究

BP神经网络PID控制是利用BP神经网络的自学习和逼近任意非线性函数功能,对PID控制器的三个参数进行在线整定,但网络初始权值的选取困难.采用改进的PSO算法优化BP神经网络的初始权值,并对基于PAO算法的BP神经网络PID控制进行仿真实验.仿真结果表明,PSO算法使得网络初始权值的选取比较快速,系统的性能有所提高.     

基于粒子群优化的神经网络自适应控制算法

针对一些非线性场合或者控制对象可变的条件下,传统PID控制达不到要求且需要靠经验不断地调整PID参数的情况,提出了一种基于粒子群优化(particle swarm optimization,PSO)的神经网络自适应控制算法。该算法结合传统PID控制、BP神经网络和PSO全局优化算法,用PSO算法优化BP神经网络的初始权值,然后用优化后的BP神经网络在线调整PID参数。优化过程中引入了变异操作,并考虑激活函数增益及隐含层数的选择对PSO算法和BP神经网络的综合影响。该算法克服了神经网络容易陷入局部极小值以及收敛速度慢的缺陷,仿真结果表明,该算法在精确性和实时性上有很大的改进。     

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。     

模糊神经网络在链条炉燃烧过程中的应用

本文介绍了基于模糊神经网络控制实现链条炉的优化燃烧。同时利用改进的BP算法,对神经网络的各参数进行离线训练。利用人工神经网络的记忆特性,对链条炉的优化燃烧进行在线控制。