基于机器学习的污水源热泵机组故障诊断模型研究

根据污水源热泵机组的状态变量和部分故障类型,提出一种基于BP神经网络的污水源热泵机组故障诊断模型。以西安市某200万m2大型污水源热泵集中供暖系统为研究对象,采集2016年11月至2017年3月供暖期间热泵机组中蒸发器、冷凝器和压缩机的温度、压力等工况数据,利用L-M、BR、SCG训练算法分别建立故障诊断模型,并进行比较分析。研究结果表明:通过神经网络建立污水源热泵机组故障诊断模型,正常类型与故障类型的诊断结果差异显著,可以满足诊断需求。其中,L-M算法训练效果最优,迭代次数为113次,正常类型误差值均小于0.012,故障类型误差值均大于0.9。     

基于改进GAAA算法的BP神经网络管网故障诊断研究

为解决BP神经网络在供热管网泄漏诊断中收敛速度慢、易陷入局部极值的问题,提出一种改进GAAA算法,利用其对BP神经网络初始值和阀值进行了优化,而后通过故障诊断确定泄漏管段及泄漏点、进而确定泄漏量。试验结果表明,改进GAAA算法优化后的BP神经网络模型收敛速度快、诊断精度高,明显优于传统的BP神经网络故障诊断模型。     

基于PSO-BP算法对古建筑消防安全评价

基于影响古建筑火灾发生的原因,建立了比较合理的消防安全评价指标体系,并构建了以粒子群(PSO)算法优化BP神经网络的评价模型。通过样本的建立,确定了BP神经网络的网络结构,运用粒子群算法去优化BP网络的初始权值和阈值,再把优化之后的权值和阈值赋给BP神经网络,对其进行训练直到误差满足既定要求。为了验证该评估模型的有效性,最后将训练的粒子群优化的BP神经网络模型应用到奉国寺大雄殿的消防安全评价中。结果表明,此模型收敛更快、适应性更强、精度更高。在古建筑消防安全评价中具有较好的应用价值,实现了古建筑消防安全评价的定量分析。     

城市生活需水量预测中智能算法的应用研究

在分析城市用水特点、筛选相关影响因素的基础上建立城市生活需水量预测模型,并研究了模型求解过程中智能算法的应用。采用改进的粒子群优化(PSO)算法对反向传播(BP)神经网络的初始设置进行智能优化,避免了传统BP神经网络模型在训练过程中容易陷入局部极小值的缺点。应用该粒子群优化神经网络(PSO-BP)算法求解需水量预测模型,其实例结果表明,该算法提高了神经网络的训练效率,基于该算法的预测模型具有较理想的可靠性和精度。     

基于ACA-BP神经网络的挖掘机液压系统故障诊断研究

针对BP神经网络在挖掘机液压系统故障诊断中的问题,提出一种基于ACA-BP算法的挖掘机液压系统故障诊断方法。首先利用蚁群算法对神经网络的初始权值和阈值进行训练,进行BP神经网络模型的训练,建立故障诊断模型。通过挖掘机液压系统故障诊断仿真实例分析,验证了ACA-BP算法在挖掘机液压系统的故障诊断中的有效性。     

基于PSO-BP算法的隧道非线性位移分析模型

粒子群优化(PSO)算法是近年来发展迅速,并得到广泛应用的一种仿生全局最优化算法.与遗传算法相比,该算法具有操作简单、易于编程的优点.结合铜黄高速公路汤屯段大田连拱隧道施工,采用PSO算法对BP神经网络的权值进行自动优化,获得训练效果最好的BP网络模型参数以提高网络的泛化能力,建立起基于PSO-BP算法的大田隧道施工位移非线性智能分析模型,并采用此模型对后续施工隧道变形进行了预测分析.与实测位移对比表明,本文建立的PSO-BP模型平均预测相对误差仅为3.1%,可很好地作为隧道信息化施工的一种辅助方法,并为其他类似岩土工程提供借鉴.     

基于概率神经网络的离心式制冷机故障诊断

使用概率神经网络(PNN)对制冷系统7种常见故障进行诊断,包括系统故障和局部故障。详细介绍了应用PNN建立故障诊断模型以及平滑因子寻优过程,并探索了样本规模对最佳平滑因子和诊断正确率的影响。将PNN与人工神经网络中最常用的误差反向传播(BP)神经网络进行比较,结果表明,PNN网络的诊断正确率比BP网络诊断正确率高3.48%,且诊断耗时更短,并且PNN网络的单次训练结果更可靠。尽管2种网络的训练结果均显示系统故障比局部故障更难以被识别,但使用PNN网络进行诊断时,系统故障的诊断正确率明显高于BP网络的诊断正确率。     

基于粒子群优化最小二乘支持向量机的离心式制冷机故障诊断

针对制冷系统传统故障诊断正确率低的问题,引入最小二乘支持向量机(LSSVM)算法用于制冷系统故障诊断。在LSSVM模型基础上,结合粒子群优化(PSO)得到PSOLSSVM模型,利用特征选择方法优化得到LSSVM8模型,利用组合方法得到PSO-LSSVM8模型。分析比较了4种模型的诊断性能。结果表明:PSO-LSSVM模型、LSSVM8模型均可改善基于LSSVM模型的制冷系统故障诊断性能,尤其是对于制冷剂泄漏/充注量不足故障,准确率分别提高1.04%,1.24%;PSO-LSSVM8模型比采用单种优化方法的诊断模型具有更好的诊断性能,可克服人为选择参数的盲目性,在全局优化与收敛速度方面具有较大优势,应用于制冷系统故障诊断具有较好的可行性。     

mRMR和PSO算法对神经网络预测模型优化效果

提出利用最大相关和最小冗余(mRMR)算法、粒子群优化(PSO)算法,对BP神经网络预测模型进行优化。对某住宅楼进行供热负荷预测,评价3种神经网络预测模型(BP神经网络预测模型、mRMR-BP神经网络预测模型、PSO-mRMR-BP神经网络预测模型)的预测效果。在3种神经网络预测模型中,BP神经网络预测模型的预测效果最差,PSO-mRMR-BP神经网络预测模型的预测效果最佳。与BP神经网络预测模型相比,经过mRMR算法对输入变量进行筛选以及PSO算法对初始参数进行优化,PSO-mRMR-BP神经网络预测模型的预测效果显著提高。     

基于粒子群优化的反向传播神经网络算法在建筑物沉降预测中的应用

神经网络具有结构简单,鲁棒性强,能够逼近任意函数的非线性映射能力,在多个领域得到了广泛应用。但其梯度下降法容易陷入局部最优,训练效率较低。采用粒子群算法(PSO)对BP神经网络进行改进,利用粒子群算法为BP神经网络提供精确的全局搜索能力,提高其训练效率和预测精度。基于建筑物实际沉降观测数据,对BP神经网络和PSO-BP神经网络进行对比分析。结果表明,PSO-BP神经网络的训练效果获得了较大提升,预测精度提升了约61%,预测结果明显优于传统BP神经网络。     

粒子群神经网络在大跨钢结构挠度监测中的应用

针对传统BP神经网络拓扑结构不确定、收敛效率低、容易陷入局部最优解的缺陷,引入粒子群(PSO)算法替代BP神经网络中基于误差函数梯度下降的学习训练规则,构建了粒子群神经网络(PSO-BP)模型,并以重庆某大型场馆安全监测项目为例,通过对比分析验证了粒子群神经网络模型在大跨钢结构挠度监测中的可行性以及与传统BP神经网络模型相比在效率和精度方面的优越性。     

采用淋激式换热器的污水源热泵系统取热性能研究

污水源热泵将淋激式换热器作为热泵蒸发器是实现换热面物理抑垢、污水换热温差较小条件下仍保持较高的换热性能的新方法,理论上在污水处理厂应用提取处理后污水的热能可取得较好效果。国内外对淋激式换热器的换热特性、换热面流动特性、热泵机组性能的相关研究主要集中在理论研究上,对于实际机组在不同应用条件下的实际性能的相关研究成果仍有限。以某污水处理厂采用淋激式换热器的污水源热泵系统为研究对象,在污水处理工艺中不同取热水源温度下(10~30℃),测试并分析了热泵系统的制热量、输入功率、COP、冷凝器侧出口温度(供热水温度)等参数的变化规律,并给出试验关联式,为进一步优化采用淋激式换热器的污水源热泵系统设计和性能提供技术参考。     

混合BP神经网络在城市污水量预报中的应用

对城市污水处理厂污水量的科学预测是污水处理机组协调和优化调度的基础和关键。针对传统BP神经网络在污水处理厂污水量的预测中存在收敛速度慢、预报精度低等缺陷。本文提出采用改进的粒子群优化算法优化BP神经网络的连接权值,以提高污水量预报的速度和精度。实验结果表明了该混合BP神经网络在城市污水量预报中的有效性和精确性,实现了污水处理厂各机组的优化运行和节能降耗。     

寒冷地区某绿色建筑污水源热泵供暖季实际应用效果研究

为探究供暖季污水源热泵系统在寒冷地区绿色建筑中实际运行效果,本文以实测运行数据为基础,从能源侧、供能系统和用户侧3个方面展开分析,掌握供暖季每个环节实际用能效果,逐步分析能源利用效率,辨识系统运行效果影响因素,提出设计及运行优化建议。研究表明,该污水源热泵系统可满足室内供暖需求,但系统制热性能较差,系统制热能效比COPsys平均值约为2.3;运行过程中,机组COP和系统COPsys均与机组负荷率呈负相关性,当机组负荷率为55%时,系统制热性能最优,COPsys约为2.75。为提升供暖季整体运行效果,运行过程中应根据建筑热负荷,调整运行机组数量及型号,减小室温与设计值差异,并优化机组控制方法,使机组长期维持在高COP负荷率范围运行。研究结果可为后续污水源热泵系统设计及运行优化方面研究提供一定参考。     

间接式污水源热泵机组节能技术分析

分析了间接式污水源热泵机组节能技术,包括提高压缩机效率,改善压缩机工作条件,减小传热温差,引射回油/液等。理论计算结果表明,与普通污水源热泵机组相比,间接式污水源热泵机组夏季制冷工况下性能系数可提高20%左右,冬季制热工况下性能系数可提高17%左右。     

GA优化BP神经网络在多参量火灾探测中的应用

针对BP神经网络的随机权重和阈值稳定性不高的问题,运用遗传算法(GA)对BP神经网络的初始权重和阈值进行优化,提出了一种基于GA优化BP神经网络的多参量数据融合方法以实现火灾探测,提高火灾探测准确率和模型泛化性能,并利用该模型对标准明火和阴燃火中的温度、烟雾浓度和CO浓度进行数据融合实现火灾探测.研究显示,相较单纯BP...     

基于小样本数据挖掘的空气处理机组传感器隐形故障诊断方法

针对空气处理机组系统内传感器隐形故障诊断准确率不足及虚警率较高等问题,本文提出了基于集成经验模态分解软阈值去噪法与RBF神经网络(EEMDSTD-RBF)相结合的故障诊断方法,通过集成经验模态分解软阈值去噪法对采集的原始数据进行数据去噪,将去噪后的正常运行数据以及隐形故障数据输入RBF神经网络进行训练,得到EEMDSTD-RBF故障诊断模型,从而提高RBF神经网络对于空气处理机组传感器隐形故障的诊断准确率,同时,实验证明,该方法有效降低了虚警率。在关于空气处理机组六个传感器点位在三种隐形故障等级下的偏置故障的实验中,结果表明,与RBF及EEMDSTD-BP方法相比较,该方法在不同故障状态下,EEMDSTD-RBF的诊断准确率提高了8.7%～64.7%,虚警率降低了12.62%。     

基于混合模型的中央空调冷源系统运行能耗优化

为优化中央空调冷源系统运行能耗,本文分别建立了中央空调冷源系统运行能耗预测灰箱模型和BP神经网络模型,对比分析了灰箱模型与BP神经网络模型的能耗预测性能,并基于K-means聚类算法提出了将灰箱模型和BP神经网络模型相结合的能耗预测混合模型。结合中央空调冷源系统能耗预测混合模型,以模型可控输入变量为优化变量,对中央空调冷源系统进行节能优化。结果表明:对比单独使用灰箱模型或BP神经网络模型,中央空调冷源系统混合模型能耗预测精度提升了27.7%和33.85%。对比冷源系统优化前能耗,优化后的中央空调冷源系统运行能耗平均降低了8.2%。     

CAST工艺的BP和RBF人工神经网络仿真模型

将误差反向传播前馈(BP)神经网络模型和径向基函数(RBF)神经网络模型应用到CAST工艺中,并采用多输入、双输出神经网络模拟处理过程中各变量之间的关系和预测出水水质.误差分析结果表明,训练阶段RBF神经网络模型的拟合精度比BP神经网络模型的高,但两者的预测精度相差不大;测试阶段BP神经网络模型和RBF神经网络模型预测出水COD的平均相对误差分别为6.35%、6.80%,预测出水TN的平均相对误差分别为7.19%、5.49%,均在8%以下,这说明两种神经网络模型均可用于模拟CAST污水处理工艺各变量之间的关系和预测出水水质,为污水厂的运行管理提供了理论依据.     

利用遗传算法优化的ARIMA-BP组合模型预测手足口病发病趋势

目的探讨ARIMA模型及遗传算法优化的ARIMA-BP神经网络组合模型在传染病预测与预警中的应用,为相关部门制定防治措施提供参考。方法选择某市2009~2013年的手足口病发病数作为研究对象,首先建立ARIMA模型,得到的拟合值作为神经网络输入值,真实观测值作为输出值,带入通过遗传算法优化的BP神经网络中训练,并比较两种模型的预测精度。结果对建立的ARIMA(1,0,0)(1,1,0)12模型预测的相对误差为39.89%,决定系数为0.786,经统计检验残差为白噪声序列;组合模型预测的相对误差为26.25%,决定系数为0.852。结论该组合模型的预测精度高于ARIMA模型,且对于极值的预测较为精确,可以为其他传染病的预测及建立统计预警提供参考。