基于BSO-BPNN模型的电能计量装置异常诊断方法研究

电网运维人员主要根据用电信息采集系统采集到的巡检数据对电能计量装置进行人工异常检测。针对人工诊断存在的漏报、误报、判断标准不一、准确度低等问题,文章提出一种天牛须搜索算法(beetle antennae search)和粒子群算法(particle swarm optimization)结合的天牛群算法(beetle swarm optimization),并将其用于优化BP神经网络(back propagation neural network)电能计量装置异常诊断模型。文章利用天牛群算法迭代寻优BP神经网络权阈值,根据诊断准确率对天牛群算法优化性能进行评价,并和粒子群优化的BP神经网络模型诊断结果进行对比。实验分析表明,天牛群算法优化的BP神经网络模型对于电能计量装置的异常诊断具有更高的准确度以及稳定性。     

基于粒子群算法优化 BP 神经网络的色彩空间转换

目的研究基于粒子群算法优化BP神经网络对显示器色彩空间转换的预测准确性的方法。方法主要通过数据归一化处理、改进最大限制速度、惯性常数和适应度函数来优化BP神经网络的权值和阈值,以缩小其分布范围,再用BP神经网络法进行色差预测。结果改进粒子群算法优化BP神经网络预测模型,测试20次得到色块平均色差为2.8526,最小平均色差为2.0453。结论该方法大大降低了BP神经网络预测模型陷入局部极小值的可能性,对显示器色彩空间转换具有较好的非线性拟合能力和更高的预测准确性。     

基于改进PSO和DE优化神经网络的电能质量扰动分类

针对电能质量问题提出了基于改进粒子群优化算法(PSO)和差分进化算法(DE)相结合优化神经网络的分类方法。首先用Matlab仿真几种典型的电能质量扰动信号,再利用小波变换进行多尺度的分解,得到各尺度的能量信息作为特征向量输入BP神经网络分类器中对扰动信号进行快速、准确的分类识别。并针对传统BP算法收敛耗时长速度慢,不能保证获得全局最优等缺点,在种群分类基础上提出了一种混合粒子群与差分进化算法的新型PSO-DE算法,并利用其对神经网络进行改进。这种混合PSO-DE算法在很大程度上能弥补BP神经网络的不足,采用该算法对网络进行优化后完成电能质量扰动信号的自动分类。     

传感器非线性标定及其应用

针对传感器输入输出存在的非线性特性,本文利用BP神经网络、粒子群算法优化的BP神经网络和遗传算法优化的BP神经网络三种方法来对传感器进行非线性标定,并通过电容式加速度传感器测量角度实验获取非线性实测数据。结合实验,对三种非线性标定方法的标定结果进行对比。实验结果表明,BP神经网络方法运算用时最少,但是标定效果较差,粒子群算法优化的BP神经网络标定效果有所改善,其运算时长较长,遗传算法优化的BP神经网络标定效果最好,但是运算用时较长。     

基于小波包与质心粒子群的齿轮箱故障诊断及应用

针对齿轮箱振动信号中蕴含大量状态信息难以有效提取的问题,利用小波包分解对原始振动信号进行降噪及特征能量提取,通过BP神经网络实现故障的模式识别。针对神经网络收敛速度慢、易陷入局部最优值问题,提出利用简单、易行的质心粒子群算法对BP神经网络的权值和偏置进行优化。在粒子群算法中,通过设计种群质心和最优个体质心、根据粒子位置动态改变惯性权重,并将其引入粒子群算法的速度调整公式中:来构建质心粒子群算法。分别将该方法与基本粒子群算法、遗传算法应用在齿轮箱故障诊断中,通过比较表明该方法可以有效提高分类效率和准确率。     

基于粒子群优化算法和BP神经网络的变频压缩机功率预测

本文针对变频压缩机的功率测量困难,测量误差大等问题,提出了一种仿真测量模型。利用粒子群算法寻找全局最优粒子,用它初始化BP神经网络的阈值和权值,测量变频压缩机的功率。本文共建立了3种仿真模进行对比,分别为BP神经网络模型、GA-BP神经网络模型和PSO-BP神经网络模型,然后分别通过3种模型的内插、蒸发温度外推和冷凝温度外推的测试方法对变频压缩机进行功率测量,对比分析其预测结果的平均相对误差和拟合程度。结果表明:基于粒子群算法优化的BP神经网络模型明显优于其他两个模型,特别是在冷凝温度外推测试中,较其他两个神经网络相对误差降低了1. 11%、2. 64%,3种测试方法下的平均相对误差均小于1%,拟合程度在0. 9以上,表明基于粒子群算法优化的BP神经网络模型对变频压缩机功率有较好的测量能力,而且有较强的泛化能力。     

基于PSO优化BP神经网络的多传感器数据融合

针对室内环境监测中单一传感器测量数据精度低、可靠性差的问题,提出一种基于粒子群(particle swarm optimization,PSO)优化BP神经网络多传感器数据融合算法。首先使用防脉冲干扰平均滤波算法来消除检测数据中的异常数据和噪声数据。其次,利用卡尔曼滤波算法对多同类传感器进行数据级融合,有效地降低因噪声干扰导致的测量误差,为异质传感器进行决策级融合提供最佳数据。最后,采用PSO优化BP神经网络算法进行决策级融合。实验结果表明,基于PSO优化BP神经网络多传感器数据融合算法对测试样本的平均绝对百分比误差(mean absolute percentage error, MAPE)和拟合度(r²)均优于BP神经网络和自适应加权(adaptive weighted, AW)优化BP神经网络,且运行时间比BP神经网络以及AW-BP神经网络分别短69.31%、50.36%。经验证,基于PSO优化BP神经网络多传感器数据融合算法具有更高的融合精度,同时缩短了算法的运行时间。     

BP神经网络在机械故障诊断中的应用

随着现代化生产的进行,机械设备的故障诊断技术日益受到重视.介绍BP算法神经网络模型,给出BP神经网络应用于机械故障诊断的基本步骤.阐述三层BP神经网络采用数据驱动正向推理的故障诊断策略.即从初始状态出发,向前推理到达目标状态为止.介绍BP神经网络在机械故障诊断中的应用及实例,对某型号拖拉机变速箱中的主要零件——齿轮和轴承进行故障诊断振动测试,对部分齿轮和轴承发生故障时的振动信号进行测量.虽然BP网络在机械故障诊断中已得到广泛的应用,但由于神经网络本身还处于发展之中,还有不少问题需要进一步深入研究.     

神经网络在滚动轴承故障诊断中的应用

简述了神经网络在机械故障诊断中的主要应用方面,提出了训练样本的数量和质量问题,以铁道车辆滚动轴承为例,用大量精选的现场实测数据作为训练样本,对所建立的BP网络进行训练,将训练好的网络应用于轴承状态分类,取得了很好的诊断效果.     

基于组合模型的风电机组轮毂载荷预测方法研究

载荷评估对风电机组运行安全性和经济性有重要影响.鉴于采用FAST和GH bladed等软件不适用于短期风电机组载荷评估,利用实测数据和神经网络原理,建立GA-BP、PSO-ELM、BP-ELM-GRNN组合模型,对轮毂载荷开展短期预测,并与实测数据进行对比.该组合模型采用遗传算法优化BP神经网络的权值阈值,粒子群算法优...     

基于小波包和PSO-BP的风机滚动轴承故障诊断

为了识别风电机组运行过程中滚动轴承的运行状态并提高故障诊断率,该文提出了一种基于小波包分解和粒子群算法优化BP神经网络的滚动轴承故障识别方法。以滚动轴承4种故障状态下的振动信号为研究对象,首先,采用小波包对振动信号进行分解、重构,提取各故障状态下的故障特征向量,将其作为BP神经网络模型的输入值。其次,针对BP神经网络的缺点,通过粒子群算法优化BP神经网络的权值和阈值构建PSO-BP故障诊断模型,试验结果表明,基于小波包和PSO-BP的方法能够很好地提高风电机组滚动轴承故障模式识别的准确率。     

一种粒子群RELM的基因表达数据分类方法

正则极限学习机(regularized extreme learning machine,RELM)具有比极限学习机(extreme learning machine,ELM)更好的泛化能力.然而RELM的输入层权值、隐含层偏差是随机给定的,会影响RELM的稳定性.另外,RELM为了获得较理想的分类精度,仍需设置较多的隐层节点.针对此问题,通过分析粒子群优化算法(particle swarm optimization,PSO)的原理,把RELM初始产生的输入层权值、隐含层偏差作为粒子带入PSO进行寻优.通过在Breast和Brain数据集上进行多次10折交叉验证表明,粒子群改进正则极限学习机(PSO-RELM)可以在隐层节点设置较少时获得比BP神经网络(back propagation,BP)、支持向量机(support vector machine,SVM)、RELM更好的分类精度和更佳的稳定性.     

基于小波包和PSO优化神经网络的刀具状态监测

为改进BP神经网络进行刀具磨损状态识别时训练时间较长、收敛速度较慢、测试精度不够高、甚至完全不能训练等问题,引入一种全局搜索能力强,收敛速度快的算法——粒子群优化算法(PSO),用其来优化BP神经网络参数,改进网络的训练和识别性能。实验证明:经粒子群算法优化后的BP神经网络较原网络有更快的训练迭代收敛速度和更高的测试准确度,达到优化的目标,对实现数控刀具磨损状态的智能化在线监测具有重要意义。     

自动定量称量包装传感器信号去噪算法

目的为了有效滤除自动称量控制系统中的噪声信号,提升称量系统的稳定性和精确度,提出一种基于BP神经网络粒子滤波的称量信号去噪方法。方法在粒子滤波算法中映入了BP神经网络,利用BP神经网络的非线性映射特点,对权值进行分裂和选择,将观测值看作神经网络的目标信号,通过神经网络中的多次训练增大小权值粒子的权重,从而提高粒子滤波算法的多样性。结果仿真和实验结果表明,BP神经网络粒子滤波方法能有效滤除称量包装系统中的噪声信号,提升传感器信号品质。结论该滤波方法大大提升了称量系统的稳定性,有效提高了称量包装的精度,所述控制方法可以明显提高定量称量控制过程的稳定性、精确性以及鲁棒性。     

QAPSO-BP算法及其在水电机组振动故障诊断中的应用

针对水电机组振动故障耦合因素多、故障模式复杂等问题,提出了一种基于量子自适应粒子群优化BP神经网络(QAPSO-BP)的故障诊断模型。在QAPSO-BP算法中,利用量子计算中的叠加态特性和概率表达特性,增加了种群的多样性;根据各粒子的位置与速度信息,实现惯性因子的自适应调节;为避免陷入局部最优,在算法中加入变异操作;并以此来训练BP神经网络,实现网络的参数优化,进而构建了机组的振动故障诊断模型。仿真实例表明,与粒子群优化BP网络(PSO-BP)法和BP网络法相比,该算法具有较高的诊断准确度,适用于水电机组振动故障的模式识别。     

基于BP神经网络的改进粒子群优化股票预测

可以以较为精准的预测结果为依据来对股票市场进行及时指引与调控,这样更能保障我国国民经济的可持续顺利发展.本文的目的 是研究改进的基于粒子群优化算法的改进版BP神经网络股票预测,这种神经网络预测方法是以粒子群优化算法为基础并将其应用于股市预测,取得了较好的效果.详细给出了基于粒子群算法的神经网络模型的建立方法,同时本文还...     

基于SCADA数据和改进BP神经网络的塔筒应力预测

针对风电机组载荷监测中应变片寿命短的缺陷,基于风电场海量状态监测数据,利用遗传算法和粒子群算法对BP神经网络进行改进,建立塔筒应力预测模型,并通过综合相关系数实现输入参量的有效选择.仿真结果表明,改进后的GA-BP神经网络预测模型和PSO-BP神经网络模型,预测结果的最大、最小相对误差等指标均比BP神经网络预测模型好;...     

一种改进的雁群扩展粒子群算法研究

针对粒子群算法易陷入局部最优的问题,结合雁群启示粒子群算法和扩展粒子群算法提出了基于雁群启示的扩展粒子群(GeEPSO)算法。该算法在利用雁群飞行方向的多样性同时融合了所有粒子的个体极值信息,提高了种群多样性。为进一步提高改进算法的收敛速度,引入简化粒子群提出了 GeESPSO算法。基准函数的仿真表明:改进算法GeESPSO较好地平衡了收敛速度和局部最优两个矛盾,总体较优。为进一步验证算法在实际应用中的有效性,又分别用两种改进算法优化BP神经网络,并用相关气象数据对PM2.5的值进行预测。     

PSO-Gabor-CNN算法在印刷品套印缺陷的检测

目的二维Gabor滤波器含有多个参数,在印刷品套印缺陷检测中,二维Gabor滤波器使用不同参数增强图像特征的效果差别较大,为了获得二维Gabor在某印刷品套印缺陷检测下的优化参数。方法在印刷品套印缺陷检测中,提出一种PSO-Gabor-CNN算法,采用Sobel算子对印刷品图像进行边缘检测,以粒子群算法(PSO)对二维Gabor滤波器的中心最大频率kmax、带宽σ、模板窗口window进行参数寻优,处理后的图像与模板图像采用加权欧式距离进行评价。然后用优化后的Gabor滤波器对图像进行滤波,最后采用卷积神经网络(CNN)对印刷品套印缺陷进行检测和分类。结果通过粒子群算法,确定了二维Gabor中心最大频率kmax为6.0476、带宽σ为0.1444、模板窗口window为27×27取得最佳效果,此时加权欧式距离为1.1927×10-33。卷积神经网络经过70次训练的均方误差为0.0035,测试样本正确率为96.93%。该方法与无数据预处理的BP神经网络(BPNN)、Sobel预处理的BP神经网络(Sobel-BPNN)、无数据预处理的卷积神经网络(CNN)、Sobel预处理的卷积神经网络(Sobel-CNN)对比,表现出了较好的识别效果。结论该方法可以获取二维Gabor滤波器的较优参数,从而获得较好的滤波效果,将其应用于套印缺陷检测,具有一定的应用价值。     

基于粒子群BP神经网络的质量预测模型

为了对产品质量进行预测控制、辅助新产品开发设计、寻找最优参数,将测试样本的网络输出值与真值之间的灰色关联度作为目标函数,采用粒子群算法优化了BP神经网络的权系数和阈值,构建了基于粒子群神经网络的质量预测模型。所提出的PSO-GRG算法解决了一般BP算法迭代速度慢,且易出现局部最优的问题,并以注塑件质量预测为例,进行算法实现,仿真结果表明本文所提出的PSO-GRG算法比BP算法迭代次数减少了87.5%,并避免了局部最优,且预测误差亦明显减少。得出结论:所构建的质量预测模型具有较高的预测精度和研究价值。