应用遗传算法和LM优化的BP神经网络模型预测机场道面使用性能

分析了影响道面使用性能的各种参数,结合BP神经网络和遗传算法来预测机场道面使用性能.通过遗传算法全局寻优功能对神经网络的初始权值和阈值进行优化,然后采用LM(Levenberg-Marquardt)优化算法对神经网络训练速度进行加速,并且使训练避免陷入局部极小点.通过历年数据对神经网络进行训练,用所得神经网络模型对机场道面使用性能进行预测.训练结果表明,该方法具有足够的精度,能够应用到工程实际中.     

基于Kriging方法的电站锅炉NOx排放自适应建模

对复杂多变的热工对象建模是实现良好控制性能的难点,为此提出运用Kriging估计方法建立对象的自适应模型.该法是非参数回归的建模方法,无需确定模型结构和训练,就能实现对未知函数的无偏最优估计.通过对样本空间的实时调整还实现了一种自适应的Kriging模型.选取电站锅炉NOx排放作为建模对象,运用现场试验数据,比较了自适应Kriging模型和神经网络模型对NOx排放的内插和外推预测性能.5组结果显示,神经网络模型的平均预测误差为11.59%, 而Kriging模型仅为3.49%.     

基于优化的GA-BP及其在葡萄酒质量预测的应用

针对BP神经网络模型在输入时因随机产生的权值和阈值导致模型的训练精度不高、泛化能力不强的问题,提出一种基于自适应遗传算法优化BP神经网络的方法.遗传算法在寻优方面有很好的效果,采用遗传算法优化BP神经网络的权值和阈值来提高模型的训练效率,并对神经网络的学习率进行优化,建立GA-BP网络预测模型,用于葡萄酒质量预测.结果表明,对比于传统的BP神经网络,基于自适应遗传算法优化的BP神经网络的模型在精确度上更高,模型的泛化能力也更好,对于葡萄酒加工企业具有实际参考价值.     

基于人工神经网络和模拟进化算法的分级燃烧优化

为控制锅炉燃烧向环境排放NOx造成的污染,提出了分级燃烧技术的综合优化方案.建立了基于人工神经网络及模拟进化算法的100MW火电机组锅炉分级燃烧优化模型,选取16个影响因子进行了分级燃烧的7个可调节参数优化,以达到机组的性能优化目标.锅炉负荷为100%、90%、80%及70%,相应神经网络训练次数分别为11523、14810、13410及19732时满足均方差要求.该神经网络模型优化时采用的种群数为80,交叉概率为0.8,变异概率为0.15.结果表明锅炉效率和NOx排放量优化计算值同实测值相对误差低于1%;NOx平均排放量由原来的812mg/m3降为645mg/m3.     

神经网络在大功率船用柴油机NOx排放预测中应用

通过计算研究，考察了BP神经网络在大功率船用柴油机NOx排放预测上应用的可行性，选用适当的NOx排放模型。将发动机不同工况下的缸内最高爆压pmax，最高燃烧温度Tmax和纯度R作为神经网络的输入数据，并且使用试验数据对神经网络进行了检验，结果表明，BP神经网络可以有效和准确地对大功率船用柴油机NOx的排放进行预测。     

基于RBF神经网络的船用柴油机NOx排放的预测

依据4190ZLC-2型船用四冲程增压柴油机实际试验测得的数据,利用MATLAB中的神经网络工具箱,建立了基于径向基函数神经网络（RBF）的柴油机氮氧化物（NOx）排放浓度的预测模型。在预测模型建立过程中选取柴油机油耗率（SFOC）、功率、转速等参数数值作为输入矩阵,柴油机的氮氧化物排放浓度作为输出矩阵。仿真结果表明:该方法预测精度高,可为控制氮氧化物的排放提供依据。     

基于GA-BP算法的隧道围岩力学参数反分析

建立智能位移反分析系统,用其确定隧道围岩的力学参数.针对BP神经网络易陷入局部极小值和训练时间过长等缺点,利用遗传算法全局寻优能力优化BP神经网络的权值和阈值.结合均匀设计法在围岩力学参数初始域范围内设计实验方案,这样不仅减少了迭代时间和次数,还提高了预测精度.通过对绿春坝隧道围岩力学参数的反演,验证了该方法的可靠性及适用性.将反演得出的围岩力学参数代入到数值模型中进行计算,结果表明,数值计算值与现场实际监测值的误差分别为-8.9%和4.5%.     

基于遗传算法优化BP神经网络的TIG焊缝尺寸预测模型

建立了4-12-4结构的误差反向传播(BP)神经网络.以训练样本预测误差作为适应度函数,采用具有全局寻优功能的遗传算法得到最优化的BP神经网络的权值和阀值.以TIG焊接工艺参数电弧长度、保护气流量、焊接电流和焊接速度作为网络输入,焊缝的上余高、下余高、上焊宽和下焊宽作为网络的输出,优化后的BP网络模型具有良好的泛化能力和预测能力.     

基于径向基函数神经网络和NSGA-Ⅱ的气保焊工艺多目标优化

以焊缝高宽比和深宽比作为优化目标,结合径向基函数神经网络和带精英策略的非支配排序的多目标遗传算法NSGA-Ⅱ,实现了多目标优化.建立了以焊接电压、送丝速度、焊接速度作为自变量,预测焊缝熔宽、余高和熔深的5种模型,即误差反向传播神经网络、遗传算法优化的误差反向传播神经网络、克里金插值法、径向基函数神经网络和二阶多项式回归模型.对比分析表明,径向基函数神经网络具有较高的预测精度和稳定性,最为合适.最后,利用NSGA-Ⅱ算法实现了以盖面焊和填充焊为应用场景的工艺参数多目标优化,试验证明了该优化方法的有效性.     

基于 KPCA-AGRU 神经网络的火电机组 NO x排放预测

针对火电机组锅炉燃烧过程中预测 NOx 排放过程存在的非线性和时序性特点,提出一种基于核主成分分析 (KPCA)和注意力机制(AM)的门控循环神经网络(GRU)氮氧化物预测模型。 首先选用 KPCA 对模型的输入变量 进行降维,消除冗余变量;其次,将筛选的变量数据作为 GRU 的输入,并采用网格搜索优化 GRU 的超参数;最后, 引入 AM 计算权值,实现区分输入特征功能,提高 NOx 预测模型精度。 通过某 330 MW 电站锅炉实际数据对 AGRU 预测模型仿真验证,并将 AGRU 模型、GRU 模型和 BP 神经网络模型的预测结果进行对比。 结果表明:基于 AGRU 的 NOx 预测模型的均方根误差和平均绝对误差较 BP 神经网络和 GRU 模型均有减少,可精准预测非线性时序燃 烧过程的 NO x 排放。     

全尾砂絮凝沉降参数预测模型研究

为了得到最佳的絮凝沉降参数,运用BP神经网络和遗传学算法建立了全尾砂絮凝沉降参数预测模型.以絮凝剂单耗和尾砂浓度作为输入因子,以沉降速度作为输出因子;通过正交试验,确定网络学习、训练样本,建立神经网路预测模型;采用遗传算法对全尾砂沉降参数预测模型进行全局寻优,得到最佳絮凝沉降参数.将预测模型运用到和睦山铁矿,在絮凝剂单耗12 g/t,尾砂浓度17%条件下,沉降速度达到1.31 m/h,满足生产需要,比原生产所需絮凝剂单耗减少20%.应用结果表明,该预测模型有较高的实用性,为沉降参数优选提供了一种崭新的思路.     

基于改进BP神经网络的镁还原率预报研究

介绍了BP神经网络和遗传算法的原理及特点,简述了皮江法炼镁工艺流程。为了研究各工艺参数与镁还原率之间的关系,针对标准BP神经网络存在的收敛速率慢、易陷入局部极小值等缺陷,建立了以煅白活性度、配硅比、制球压力、还原时间、还原温度、真空度为输入,镁还原率为输出的基于遗传算法优化的BP神经网络镁还原率预报模型。利用筛选后的生产数据对模型进行训练和预测,结果显示该预报模型能够较为精确地预报镁还原率,预测误差在±1.0%范围内的命中率达96%,最大误差小于1.3%,一定程度上可用于指导皮江法炼镁工艺中工艺参数的选择。     

基于聚类分析和神经网络的高炉焦比预测模型

为降低高炉生产焦炭的消耗,对高炉操作参数和燃料比指标进行关联性分析,提出了一种组合聚类分析与神经网络进行高炉焦比指标预测的方法。聚类分析将数据集聚划分为几类,数据的相似度比较高,分类训练相应的神经网络模型,实现高炉焦比指标的预测。结合聚类分析构建的神经网络模型,用某高炉生产数据进行仿真学习,并跟传统的神经网络模型进行比较。结果表明,加入聚类分析的神经网络模型平均绝对误差降低3.13 kg/t,平均相对误差降低5.19%。     

GA优化灰色神经网络的煤矿瓦斯浓度预测

针对神经网络在煤矿瓦斯浓度预测中存在缺少大量实时数据和难以精确建模的问题,建立一种遗传算法优化灰色神经网络模型。采用灰色预测少数据模型理论和神经网络的自学习能力构建改进的瓦斯浓度预测模型,并利用遗传算法对该模型的初始权值和阈值进行优化。结果表明,遗传算法优化灰色神经网络模型较传统模型提高了瓦斯浓度的预测精度和速度。该研究为预防瓦斯事故的发生提供了有益参考。     

基于遗传神经网络的钢管壁厚预测模型的研究

为解决钢管热轧过程荒管壁厚难以计算的问题,首先利用遗传算法优化了BP神经网络,在这种遗传神经网络算法的基础上建立了钢管轧制前毛管温度、长度、外径、轧辊转速、芯棒直径五项工艺参数与钢管轧制后荒管壁厚之间的数学模型.经过测试,基于遗传神经网络的钢管壁厚预测模型的壁厚预测误差远小于常规壁厚公式的计算误差,为设计更合理的设置毛管参数提供了科学的依据,对钢管热轧工艺水平的提高的具有重要意义.     

考虑时滞因素的RBF神经网络模型在高炉铁水硅预报中的应用

在高炉炼铁生产过程中,铁水硅含量反映高炉炉温,预测和控制炉温对高炉生产的节能、降耗、顺行至关重要.基于包钢6号高炉生产数据,建立了RBF神经网络铁水硅含量预测模型.研究表明:考虑时滞因素的RBF神经网络模型,当误差范围＜±0.10时,预报准确率达到了85％,其准确度高于不考虑时滞因素的RBF神经网络模型,对在线预测高炉铁水硅含量具有实用价值.     

基于遗传算法的最小二乘支持向量机预测凝析气藏露点压力

露点压力的准确预测对保障凝析气藏的高效开发至关重要。近年来,数据挖掘、人工智能等大数据技术逐渐成为研究热点,其对复杂的非线性回归与分类问题有良好的解决策略。基于优化算法和机器学习,提出了一种将遗传算法(GA)与最小二乘支持向量机(LSSVM)相结合的露点压力预测模型(GA-LSSVM模型),并利用误差反向传播(BP)和径向基函数(RBF)人工神经网络建立了相应的露点压力模型,然后进行模型精度对比。在皮尔逊关联性分析基础上,上述模型均选取气藏温度、(N_2+CO_2、C_1、C_2～C_6、C_(7+))摩尔分数、C_(7+)相对分子质量、C_(7+)相对密度和气油比作为自变量。采用公开发表的34个露点压力数据进行参数优化,得到了GA-LSSVM、BP和RBF模型的最优参数,并对15组实测露点压力数据进行预测。结果表明:GA-LSSVM模型预测精度明显高于BP、RBF神经网络模型,具有良好的预测能力,GA-LSSVM模型的平均绝对相对误差(AARD)仅为3.02%,其中最大绝对相对误差(ARD)为16.64%,最小ARD为0.05%,BP和RBF神经网络模型的AARD分别为6.46%、10.54%。最后,根据Leverage方法,进行了所有数据的异常点检测。研究为凝析气藏露点压力预测提供了一种有效方法。     

基于三维温度场可视化的锅炉NOx排放试验研究

在一台采用三维温度场可视化监控系统的300MW锅炉上进行了NOx排放规律的试验研究,得到锅炉负荷、过量空气系数、燃烧器摆角、燃尽风量、二次风配风方式和层间燃料分配等与NOx排放、飞灰含碳量、炉膛总辐射能及炉内三维温度分布的关系.试验结果表明,NOx排放与炉内三维温度分布具有很强的相关性,炉膛辐射能很好地反映炉内的燃烧状况,可为实现高效低NOx排放提供指导信息.     

钢铁企业高炉煤气供需预测模型及应用

以钢铁企业高炉煤气系统为研究对象,采用灰色关联度分析了高炉煤气产生量、消耗量的影响因素与煤气量的关系.基于人工神经网络预测方法,建立了高炉煤气BP神经网络预测模型,对钢铁企业各生产工序中高炉煤气的产生与消耗量进行预测,探讨了企业在正常生产、事故检修等工况下各工序的煤气产生量和消耗量预测的合理性.研究表明:所建立的预测模型精度高、误差小,能有效解决实际生产中高炉煤气的供需预测问题,从而减少高炉煤气放散,为企业制定合理煤气使用计划提供了理论依据.     

数控机床电主轴热误差的预测方法

为了减少电主轴的热误差,提高数控机床的加工精度,对于时变速度的主轴运转,分别采用多元自回归方法和遗传径向基函数神经网络方法建立电主轴热误差预测模型.根据2种模型对电主轴热变形产生机理的不同表述形式,比较二者的计算效率和拟合精度.研究表明:在相同温升变量的条件下,二者的收敛速度和运算时间相差无几;在预测精度方面2种建模方...