基于PSO优化LSTM的滚动轴承剩余寿命预测

为了提高滚动轴承退化特征关于时间序列的预测精度,使预测模型更加适用于滚动轴承的运行退化数据,采用粒子群算法对长短期记忆网络的参数进行优化,构建PSO-LSTM滚动轴承寿命预测模型,根据模型拟合出轴承的剩余寿命曲线.经过实验发现,PSO-LSTM网络模型可以较好地拟合复杂工况下轴承的寿命退化趋势,且与其他模型相比拟合效果...     

粒子群优化算法在催化裂化模型参数估计中的应用

参数估计是化工模型工业应用中的重要课题,有相当的难度。针对催化裂化八集总模型的动力学参数估计问题,考察了不同类型优化算法的应用效果,结果表明,粒子群优化算法简单、容易实现,而且可以避免传统方法对初始值的依赖,并进一步提出用结合Levenberg-Marquardt算法的混合粒子群优化算法提高参数估计效果。工业实例表明,用混合粒子群优化算法得到的动力学参数可以保证模型的预测精度。     

基于PSO-LSTM-SATN模型的污水水质预测研究

为解决工业废水处理领域进水水质波动性大、随机性强、不具有周期性导致无法精准预测其水质的问题,提出粒子群优化算法（Particle Swarm Optimization,PSO）-长短期记忆网络模型（Long Short-Term Memory,LSTM）-自注意力机制（Self-Attention,SATN）污水水质预测模型。以山西省某煤炭水处理工厂7 357组历史污水水质数据为基础,首先采用LSTM捕获进水水质中COD数据的长期依赖关系,然后采用SATN解决水质信息分布不均匀的问题,最后结合PSO对LSTM-SATN模型进行优化,帮助网络自动获取最佳参数和模型配置。评价结果显示,模型均方误差（Mean Square Error,MSE）、平均绝对误差（Mean Absolute Error,MAE）和平均绝对百分比误差（Mean Absolute Percentage Error,MAPE）分别为0.528 4（mg/L）²、0.236 9 mg/L和4.127 7%,与LSTM、门控循环单元结构（Gated Recurrent Unit,GRU）、双向长短期记忆网络（Bidirectional Long Short-Term Memory,BiLSTM）相比,MSE、MAE、MAPE均有大幅降低,即该PSO-LSTM-SATN模型能够更准确地预测进水水质,为工厂日常运营管理方案提供合理的指导意见。     

基于聚类分析与粒子群算法优化神经网络的灰熔点预测

针对解决燃煤锅炉或气化炉的结渣现象,影响锅炉安全性问题,以灰成分金属氧化物为自变量,灰熔点流动温度为因变量,建立了K-Means-PSO-BPNN的灰熔点预测模型,误差分析结果表明,经过粒子群算法优化,BP神经网络模型在聚类分析后的预测效果得到了显著提高,表现出更好的相关性,相关系数为0.967,高于未优化的0.917,平均绝对误差为5.81,小于未聚类的26.98,并且模型的准确性提高到98.89%。因此,聚类分析以及粒子群算法优化后的神经网络模型能够更准确预测煤灰的流动温度(FT)。     

基于PSO-SVM的催化裂化装置故障诊断研究

提出基于粒子群优化算法和支持向量机的催化裂化装置反应再生子系统故障诊断方法。利用粒子群优化算法的全局搜索特性,实现支持向量机的参数优化算法。根据支持向量机算法构建了催化裂化装置反应再生子系统故障诊断模型。结果显示,该诊断方法准确率高,具有较高的使用价值。     

基于粒子群改进的高铁隧道沉降预测研究

高铁隧道的建设是高铁建设的重要一部分,大量的隧道建设会引起地表沉降.对沉降实测数据进行分析,得出隧道在沉降方面的长期沉降规律,可以实现隧道沉降预测,从而推进的隧道的安全、高速建设.本文针对高铁隧道沉降预测问题,运用粒子群算法(PSO)对灰色模型GM(1.1)进行改进,构建了灰色-时序组合模型对问题进行了预测研究.研究表...     

基于改进粒子群小波神经网络的瓦斯浓度预测研究

结合小波神经网络基本原理,提出一种粒子群优化小波神经网络的瓦斯浓度预测模型。对小波神经网络基本原理进行分析,然后,利用粒子群对小波神经网络参数进行优化,并构建预测模型;最后,以P₁～P₅监测点的煤矿瓦斯浓度数据为基础,将其输入预测模型中进行训练。结果表明：粒子群优化后的小波神经网络在瓦斯浓度预测方面,数值更接近真实值,同时迭代次数在110次左右即达到稳定。     

基于LSTM神经网络的干燥含水量预测研究

在PVC干燥中,产品的含水量受到温度、流量等多个参数的影响,鉴于参数数据之间的非线性以及序列间的相关性,传统的时间序列方法和传统的机器学习算法已经不能对未来干燥产品的含水量进行精确的预测。长短期记忆网络（LSTM）作为一种基于深度学习中的循环神经网络（RNN）,它在RNN的基础上增加了输入门、输出门以及遗忘门,可以有效地处理RNN在运行大量数据时可能会带来的数据遗忘等问题,特别适合处理具有时间序列的数据。基于Pytorch深度学习框架构造长短期记忆网络模型,对产品含水量进行预测。结果表明：使用该模型对产品的含水量进行预测,其预测值和真实值的走向非常接近,精准度很高。     

基于对角递归神经网络的小区用电负荷预测研究

为了提高小区用电负荷预测的准确度,在研究对角递归神经网络的基础上,分析比较几种优化算法,提出基于粒子群算法的对角递归神经网络预测方法。通过对小区用电负荷影响因素的分析以及对大量历史数据进行训练,最后经Matlab仿真分析,结果表明:该方法预测的准确度较高。     

基于粒子群算法的软仪表技术

在软测量建模中,最常见的非机理建模方式就是利用神经网络进行建模,而近年来兴起的粒子群算法目前已应用于神经网络的训练。在对粒子群算法提出改进方案后,提出了基于改进的粒子群算法的前馈神经网络训练方案。然后再将神经网络应用到焦化装置分流塔柴油95％点软仪表模型参数估计中,得到了满意的结果,可以满足工业过程中的实际需要。     

基于T-S模糊模型与粒子群优化的非线性预测控制

引言模型预测控制属于一种基于模型的多变量的控制算法,发展至今已在化工过程控制方面得到了广泛的应用[1-5]。状态反馈预测控制[6-8]是模型预测控制技术的一种,基于状态空间模型,采用实测状态     

粒子群优化算法的研究

粒子群优化算法是一种基于群体智能的优化算法。介绍粒子群优化算法及其基本原理,给出各种改进技术及研究现状,并展望未来的发展趋势。     

基于粒子群算法的动态多目标优化

针对碳二氢生产中的反应器动态优化问题,目前虽然有多种算法对生产过程进行优化,但大部分只是对单一目标进行求解,提出一种更为灵活的反应器动态求解方法。在该方法中,首先构建碳二氢目标函数,然后采用多目标粒子群算法和分段线性函数参数法结合的方式对目标函数的进行求解,以提高整体搜索能力,得到碳二氢反应器动态优化的最优解。最后,以实际乙烯碳二加氢化工反应过程为例进行实验验证,结果证明,通过该方法进行求解的目标函数无论是在收敛性,还是在优化的平均值等方面,都比SADE-eCD和NSGA-II算法具有优势,说明该算法在反应器动态优化中是切实可行的。     

基于RBF神经网络和粒子群算法的ECT传感器结构优化

给出一种RBF神经网络与粒子群算法相结合的电容层析成像（ECT）传感器结构参数优化方法。该方法以敏感场整体灵敏度大小等系统性能为优化目标,基于管壁厚度、屏蔽层厚度、径向屏蔽插入管壁深度、径向电极宽度、电极宽度（中心夹角）、管壁材料的相对介电常数、屏蔽层填充物相对介电常数7种重要的结构参数进行试验。应用RBF神经网络对多组结构参数以及对应的系统性能指标进行学习,得到回归模型,并应用粒子群算法进行寻优。结果显示,该方法参数寻优范围大,局限性小,寻优过程收敛快。优化后的系统整体灵敏度增大,成像质量改进。     

基于改进粒子群算法的汽油辛烷值损失优化

针对调和汽油辛烷值建模中的变量选择问题、模型适应性问题与辛烷值的优化问题,采用随机森林、最大信息系数与皮尔森相关系数组合提出了一种辛烷值建模变量选择的方法.还提出一种基于BP神经网络与模糊神经网络的建模方法,建立对辛烷值的预测模型,提高了辛烷值预测模型的适应性.在此基础上,对基本粒子群算法进行了改进,改进后的粒子群算法...     

粒子群优化最小二乘支持向量机的短期负荷预测研究

短期负荷预测是电力系统规划和调度前提.电力负荷预测环境复杂多变,为了尽可能提高短期电力负荷预测的精度.本文针对当今人工短期负荷预测方法存在的缺陷,提出了基于粒子群优化算法最小二乘支持向量机(PSO-LSSVM)的短期负荷智能预测方法,该方法采用粒子群(PSO)算法对最小二乘支持向量机(LSSVM)的惩罚系数与核函数进行...     

基于粒子群神经网络的异步电机故障诊断系统的研究

采用粒子群算法与BP算法结合的综合方式训练神经网络,用粒子群优化算法调节和优化全局性的网络参数,用BP神经网络学习方法优化局部性的参数,解决单纯的BP算法训练收敛较慢且易陷入局部最小值等问题,用于提高异步电机故障诊断的性能。在此基础上借助MATLAB进行计算机程序的编写,并使用Visual Basic进行异步电机故障诊断系统用户操作界面的开发。实践证明该系统能有效识别电机常见故障,操作简单方便且诊断精度高。     

粒子群优化神经网络的电镀金刚石套钻使用寿命预测

电镀金刚石套钻广泛应用各种加工领域,而套钻使用寿命受到多种因素影响,具有一定的非线性变化特点,为了准确预测电镀金刚石套钻的使用寿命,提出了基于粒子群优化神经网络的电镀金刚石套钻使用寿命预测模型。对电镀金刚石套钻使用寿命预测现状进行分析,针对BP神经网络参数优化问题,采用粒子群优化算法确定最优参数,建立电镀金刚石套钻使用寿命的预测模型,通过仿真实验对其有效性和优越性进行分析。实验结果表明,模型可以准确刻画影响参数与电镀金刚石使用寿命之间的变化关系,获得比对比模型更高的预测精度,实际应用价值更高。     

基于杂交粒子群算法的多元线性回归参数估计及预测区间研究

为了提高多元线性回归分析模型预测混凝土28 d抗压强度的准确性和可靠性,采用杂交粒子群优化算法估算模型系数,依据正态分布和t分布求出预测点置信度为95%的预测区间。实验结果表明:此模型的预测精度优于传统基于最小二乘估算的回归分析模型,且预测结果可以是相关量的取值范围,扩大了相关量的适用范围,提高了预测的可靠性。     

基于CNN-LSTM的垃圾焚烧炉烟气浓度预测方法

针对焚烧炉出口烟气NO_x浓度复杂因素影响较多,传统软测量模型预测精度不足等问题,提出了一种滑动时间窗CNN-LSTM混合神经网络的预测模型,提高NO_x出口浓度的预测精度。以扬州某生活垃圾焚烧炉实际运行工况数据为样本,采用CNN的卷积层和池化层对于输入数据进行特征提取,利用滑动时间窗构建模型输入特征图,获取具有时间依赖性的序列,按照时间序列顺序映射到LSTM中进行预测,将预测结果通过输出层输出。实现结果表明：CNN-LSTM模型的RMSE和MAPE的值分别为11.505%和5.68%,相较于单一的CNN和LSTM模型,RMSE分别降低了18.34%和23.77%,MAPE分别降低了16.02%和22.71%,更有效实现对焚烧炉出口污染物浓度的预测。