基于计算机智能的深度信念网络的组合电力负荷预测方法

电力系统负荷预测是电力系统规划和经济政策制定的主要依据,然而现有的基于计算机人工智能的电力系统负荷预测多采用组合预测方式,其预测精度低,效率低下;针对此问题,提出了一种基于深度信念网络的组合负荷预测方法,此方法首先建立了深度信念网络训练模型,将组合数据与实际负荷数据之间构建的非线性函数关系应用到此训练模型中,通过数据训练,优化深度信念网络层数和参数;使得训练好的组合深度信念网络具有预测能力.利用实际历史数据,对组合负荷预测的精度进行了计算,实验结果表明:所提出的预测方法相对于传统的组合预测方法,具有较高的预测精度,同时其计算复杂度较低.     

融合轧制机理和深度学习的带钢精轧宽度预测

宽度精度是热轧带钢成形过程的重要指标,准确预测精轧宽度有助于及时修正粗轧宽度设定模型,提高成品带钢的宽度精度。然而,依据轧制机理建立的宽度预测模型偏离实际工况从而精度较低,依据神经网络建立的模型由于过程黑箱导致可信度低。为此,提出了一种融合轧制机理和人工神经网络的热轧带钢精轧宽度组合预测模型,以基于Hill公式的机理模型计算精轧宽度的预测基准值,以基于深度置信网络(DBN)的深度学习模型预测精轧宽度的修正值。选取实际生产的2 730组数据中的49个特征值作为试验数据进行建模分析,结果表明:该组合模型预测精度高、稳定性好且预测时间短,其均方根误差为0.428 15 mm,相比机理模型降低了79.6%,相比神经网络模型降低了6.2%,实现了精轧宽度的高精度预测。     

输气管道腐蚀速率的BP神经网络组合预测方法

根据神经网络的非线性和良好的函数逼近特性,提出了基于人工神经网络的灰色模型、多项式回归模型组合的输气管道腐蚀速率预测模型.此组合模型将最佳组合权重隐含在网络的连接权中,兼具灰色预测、回归预测和神经网络预测的优点,克服了原始数据少,数据波动大对预测精度的影响,也增强了预测的自适应性,在客观地反映输气管道腐蚀速率变化趋势方面具有一定的优势.通过实例分析,表明预测值与实际结果有很好的一致性.     

基于深度学习的大规模图像高效识别算法研究（英文）

面对规模较大的图像识别任务时,基于卷积神经网络的深度学习方法存在训练时间过长的问题,导致识别效率不高。因此,提出一种基于局部特征深度信念网络的大规模图像高效识别算法。首先,该方法从原始图像中提取多个局部特征,并根据分配给图像的标签将每个局部特征分类。然后利用分类后的图像局部特征训练深度信念网络,获得网络的相关参数。最后利用深度信念网络进行图像识别。在CAS-PEAL-R1大规模图像数据集上进行了图像识别实验,结果显示:提出的算法优于其他深度学习方法,具有较好的准确性和高效性。     

基于深度学习的大规模图像高效识别算法研究

面对规模较大的图像识别任务时,基于卷积神经网络的深度学习方法存在训练时间过长的问题,导致识别效率不高。因此,提出一种基于局部特征深度信念网络的大规模图像高效识别算法。首先,该方法从原始图像中提取多个局部特征,并根据分配给图像的标签将每个局部特征分类。然后利用分类后的图像局部特征训练深度信念网络,获得网络的相关参数。最后利用深度信念网络进行图像识别。在CAS PEAL R1 大规模图像数据集上进行了图像识别实验,结果显示:提出的算法优于其他深度学习方法,具有较好的准确性和高效性。     

基于集成迁移学习的滚动轴承剩余寿命预测

针对滚动轴承剩余寿命(RUL)预测中自动故障边界识别精度不足与构建的健康因子单调性和趋势性不够理想的问题:提出一种基于集成迁移学习的滚动轴承剩余寿命预测方法。首先,利用源域数据协助标记不足的目标域数据训练具有不同激活函数的多个深度信念网络(DBN),选用预测精度最佳的DBN识别故障边界;其次,将经过训练的DBN作为特征提取器迁移到目标域,利用主成分分析(PCA)将提取的特征进行降维构建轴承健康因子,通过集成策略构建集成的健康因子;最后,采用长短时记忆神经网络作为预测模型。采用XJTU-SY滚动轴承数据集进行验证表明,提出的方法能够有效地识别故障边界和构建的健康因子更好地反映退化趋势,同时提高剩余寿命预测准确度。     

基于深度神经网络的斜轧穿孔机调整参数预测

针对无缝钢管二辊斜轧穿孔生产工艺中轧机调整参数对钢管质量影响较大，且传统机理公式计算的设定值精度不高的问题，提出了基于深度神经网络的斜轧穿孔机调整参数预测模型。首先，综合分析了传统的调整参数的数学模型，并在此基础上确定了调整参数的主要影响因素。依据现场收集的数据集，训练了二辊斜轧穿孔时轧机参数的深度神经网络预测模型。在训练深度神经网络时，运用小批量梯度下降法和Adam算法相结合的方法进行了梯度估计修正，优化了训练速度。仿真结果表明：经深度神经网络模型预测的轧机调整参数与实测数据比较，预测模型的R-squared值控制在0.98左右，调整参数的相对误差均可控制在5%以内。相比于传统数学模型，该预测模型具有更高的预测精度，能够实现轧机调整参数高精度预测并用于指导生产。     

基于BP神经网络预测含腐蚀缺陷管道的极限压力

基于非线性有限元法,建立了含腐蚀缺陷管道极限压力计算的数值模型,并使用现有试验数据验证模型的准确性。根据正交试验组合,综合考虑管径,壁厚,腐蚀缺陷深度、长度、宽度对管道极限压力的影响,并在此基础上给出了基于BP神经网络预测含腐蚀缺陷管道极限压力的方法。最终通过与实际工况参数结果对比表明,该方法的预测结果具有较高的准确性。     

基于深度信念网络和多信息融合的复杂机电装备故障诊断方法

针对复杂机电装备故障诊断中存在的数据量大、提取故障特征困难等问题,结合深度学习理论强大的感知与自我学习能力,提出一种基于深度信念网络和多信息融合的复杂机电装备故障诊断方法。将多个传感器的原始时域信号数据输入深度信念网络进行训练,通过反向微调学习对深度信念网络进行整体微调,提高分类准确性,同时在训练过程采用ReLu激活函数和加入Batch Normalization,减少过拟合出现概率的同时提高了网络收敛的速度。将此方法运用到复杂数控加工中心刀具的故障诊断中,结果表明该方法相比传统BPNN算法和采用Sigmoid激活函数的深度神经网络算法准确率更高。     

基于深度网络训练的铝热轧轧制力预报

在铝热轧过程中,轧制力预报精度直接影响着成品的产量和质量。为了提高铝热连轧轧制力预报精度,提出一种基于深度学习方法的多层感知器(Multi-layerPerceptron,MLP)轧制力预报模型。模型利用MLP的函数逼近能力来回归轧制力。模型以小批量训练为基础,利用Batch Normalization方法稳定网络前向传播的输出分布,并使用Adam随机优化算法来完善梯度更新,以解决MLP模型难以训练的问题。仿真结果表明:模型使网络预测与实测数据的相对误差降低到3%以内,实现了轧制力的高精度预测。     

基于CSPA-Informer的滚动轴承剩余寿命预测北大核心

针对传统的滚动轴承剩余使用寿命预测精度低、计算效率低等问题,提出了一种基于改进Informer深度学习模型结构的滚动轴承剩余使用寿命预测方法。为解决现有Informer模型中的self-attention结构存在内存占用高、计算复杂度高等问题,提出CSPA结构对输入数据进行处理,大幅度减少内存占用,提升计算效率的同时提高计算精度。因此,将CSPA替换原Informer模型中的self-attention结构,提出了基于CSPA-Informer的滚动轴承剩余寿命预测方法。输入数据分为两个通道进行特征提取和线性投影,并通过解码器快速生成预测序列。将CSPA-Informer与其他预测模型在公开数据集上的预测结果进行对比,其MAE、MSE和RMSE分别提升了21%、32%和17%以上,验证了该方法在滚动轴承剩余寿命预测方面的有效性。     

基于GAN的刀具状态监测数据集增强方法

在机械加工中,刀具在异常状态下的样本数据较少,数据集不平衡,导致深度学习网络模型对刀具状态预测的准确性难以提高,因此,如何增加异常状态下的样本数据成为亟待解决的问题。针对问题,提出基于生成对抗网络的刀具状态监测数据集增强方法,生成对抗网络的生成器可以生成与原始样本数据具有相似分布的新样本,通过采集镗削加工过程中的振动信号和声音信号,利用生成对抗网络对刀具在异常状态下的样本数据进行生成,并在深度置信网络上测试新样本数据的可用性。实验结果显示,用增强之后的数据集训练深度学习网络模型,其分类精度达到99%以上,因此,该方法能有效地提高刀具状态监测的准确性。     

基于深度学习的宽厚板热轧轧制力预测

为了提高宽厚板热轧生产过程控制中轧制力的预测精度,构建了融合SIMS模型的深度学习网络模型,对宽厚板热轧轧制力进行预测研究。利用深度学习框架,构建了一种基于残差连接的深度学习网络模型,并融合SIMS模型计算值,通过误差反向传播计算损失函数的梯度,同时使用Mini-Batch与RMSProp结合的优化算法对权重参数进行更新优化。利用残差连接引入纯线性的信息携带轨道,从而创造一条捷径,将较早的信号重新注入给下游的网络层,使用早停机制、批标准化等策略抑制模型过拟合现象,提高模型的预测精度。基于上述建模方法,针对宽厚板热轧生产线的轧制数据进行了建模实验。结果表明,以相对误差绝对值小于5%在测试集中的占比作为评价指标,相比于传统SIMS模型,融合SIMS模型、基于残差连接的深度学习网络可实现轧制力的高精度预测,该模型的预测精度平均提升了21.72%。     

基于大数据深度迁移模型的机械故障诊断

针对现有机械故障诊断方法在小样本条件下检测率低的不足,提出一种基于深度迁移学习模型的机械大数据故障诊断方法研究。构建深度学习模型,计算模型的稀疏特性和分类错误率指标,并基于此提取机械大数据的故障特征类型;针对实际检测中有效样本较少的不足,利用迁移学习方法将实验数据用于辅助机械故障特征大数据的训练与测试,不断地调整输出结果并提高对故障点的定位与诊断精度。实验结果表明,提出诊断方法的G-Mean指标优于现有方法,在故障比为1:1000的条件下,故障查准率仍可达到96.34%。     

BP神经网络在铁液预处理脱硫率预测中的应用

水模动力学试验是设计KR脱硫搅拌器结构及优化工艺参数的主要方法之一,此方法存在脱硫率难以提取、试验周期长和成本高的缺点。针对上述问题,提出了一种BP神经网络脱硫率的预测方法。搅拌器在运行过程中,不同的结构参数和操作参数直接影响到脱硫率。基于此,选取叶片厚度、叶片高度、插入深度和搅拌转速作为BP神经网络的输入量,以脱硫率为输出量,构建了3层神经网络预测模型。利用Matlab软件对BP神经网络模型反复训练,训练精度为0.001 02,达到了预设精度。应用该网络模型对脱硫率进行预测,结果表明,建立的模型具有可行性、通用性强等优点,缩短了实验周期,提高了搅拌器的设计效率。     

改进的深度信念网在磨削加工粗糙度值预测中的应用

深度信念网(DBN)是由无监督的受限玻尔兹曼机(RBM)和有监督的BP网络组成的神经网络分类器。针对RBM训练过程中固定学习率不利于寻找最优的缺点,提出一种动态学习率法则,改进RBM网络以提高特征向量映射的准确度;构造一个含有两层RBM和一层BP,并使用对比分散准则(CD准则)进行神经网络的自训练的DBN网络,提高训练速度,将改进型网络应用于表面粗糙度值的预测,通过与改进前后的预测模型及RBM预测模型的对比,预测模型精度得到了提高。     

基于序列深度学习的数控机床热误差建模与预测方法

为提高数控机床热误差预测的准确性和适应性,提出一种基于序列深度学习网络的数控机床热误差建模和预测方法。提出一种基于LSTM的序列深度学习预测网络,构建包含历史序列数据的动态数据矩阵为模型输入;通过截断式训练方法降低深度预测网络中每项参数更新的复杂度,利用序列深度学习网络自动提取温度时间序列的时空特征,准确表征温度序列信号与热误差之间复杂的映射关系,采用Softmax输出层对热误差进行准确预测。实验结果表明：该方法解决了传统浅层方法因未考虑历史序列数据对当前输出的影响而存在的预测精度不高、鲁棒性差等问题,将热误差预测的均方根误差降低到2.5 μm以内,优于传统的SVM和BP等浅层神经网络预测方法,为数控机床热误差补偿提供了参考。     

基于Adam-DBN网络的行星齿轮箱故障诊断方法研究

随着现代机械装备的复杂化,传统的故障诊断方法难以满足表征设备间的复杂映射关系,且在如今大数据背景下面临着维数灾难的问题。文章结合深度置信网络以及梯度优化算法提出了一种基于梯度优化深度置信网络(Adam-DBN),通过数据验证选取最优梯度优化算法对深度置信网络的的梯度算法进行调优。搭建模拟实际工况的行星齿轮箱实验台,通过实验台采集所得数据构成数据集对方法进行验证。实验表明文中提出的方法能够有效提高DBN网络的收敛速度与训练精度,同时具有较高的故障识别准确率。     

基于深度置信网络集成的齿轮剩余寿命预测

在齿轮的剩余寿命预测中,针对传统方法需要人工提取特征和单个网络模型在泛化能力不好的问题,提出一种深度置信网络(DBN)集成模型的齿轮剩余寿命预测方法。该方法以齿轮振动信号作为输入,首先,用遗传算法优化多个DBN;其次,应用负相关学习(NCL)选择误差小同时差异度大的几个DBN搭建集成模型,用以描述不同时刻特征值之间的关系;最后,基于齿轮振动加速度数据配置好模型后进行预测,和单个深度置信网络预测比较,结果显示文章提出的集成模型在不同时刻训练集和测试集之间的误差均比单个DBN低。验证了该方法可以完成预测并且能提高泛化性能。     

基于1D-RSLBCNN的齿轮箱故障诊断

针对传统故障模型参数多，训练和检测时间长的问题，提出了基于残差结构和局部二进制卷积(1D-RSLBCNN)的齿轮箱故障诊断方法。其利用局部二进制卷积层来替代传统卷积层，在减少模型参数的同时，加快了训练速度和收敛速度；同时在网络模型中引入残差结构，避免了由于网络深度的增加引起的正确率饱和甚至下降的问题。实验结果表明，局部二进制卷积层的参数量为传统卷积层的1/3,诊断准确率更是高达99.7%。与其他模型相比，具有更稳定、可靠的预测精度。