自动驾驶电动车辆基于参数预测的径向基函数神经网络自适应控制

针对具有不确定性的自动驾驶电动车辆的运动控制问题,提出了一种基于参数预测的径向基函数(RBF)神经网络自适应协调控制方案。首先,考虑系统参数的不确定性及外部干扰的影响,利用预瞄方法建立可表征车辆循迹跟车行为的动力学模型;其次,采用RBF神经网络补偿器对系统不确定性进行自适应补偿,设计车辆横纵向运动的广义协调控制律;之后,考虑前车车速及道路曲率影响,以车辆在循迹跟车控制过程中的能耗及平均冲击度最小为优化目标,利用粒子群优化(PSO)算法对协调控制律中的增益参数K进行滚动优化,并最终得到一系列优化后的样本数据;在此基础上,设计、训练一个反向传播(BP)神经网络,实现对广义协调控制律中增益参数K的实时预测,以保证车辆的经济性及乘坐舒适性。仿真结果证实了所提控制方案的有效性。

基于响应面法的Ni60/WC涂层表面织构皮秒分束工艺参数预测研究

目的实现六分束激光在Ni60/WC涂层表面烧蚀目标织构激光加工工艺参数的精确选择。方法基于CCD响应面法,设计在不同的激光工艺参数下对Ni60/WC涂层表面进行织构烧蚀试验,以激光频率、扫描次数、扫描速度为影响因素,以圆凹坑织构直径、深度及由其直径和深度综合加权所得的综合目标为响应目标,建立目标织构所需激光工艺参数的预测模型,以织构直径、深度及综合目标作为优化条件,对预测模型进行实验验证。结果扫描次数对织构直径的影响最显著,单个脉冲光斑上所聚集的能量大小是影响织构直径误差的关键因素。对织构深度影响最显著为扫描次数和频率,织构深度与扫描次数、频率呈正相关,不同因素间的交互作用是影响织构加工结果的关键。通过对预测模型所优选的参数进行实验验证发现,以织构直径和深度、综合目标建立的预测模型优选工艺参数所加工圆凹坑织构的质量评价指标与其预测指标的误差率分别为19.37%、3.57%。功率为6 W时,六分束激光加工最优工艺参数为速度5500 mm/s、频率400 kHz、扫描2次。结论通过综合目标建立的Ni60/WC涂层表面圆凹坑织构六分束激光加工参数优选预测模型精确程度较高,能够实现Ni60/WC涂层表面加工所需织构激光参数的准确预测,为涂层表面织构加工激光参数精确选择提供了理论依据。

基于虚拟样本生成的致密砂岩储层参数预测

由于孔渗统计回归和测井解释方法在致密砂岩储层参数预测中表现不佳,人工智能方法被广泛应用于致密砂岩储层参数预测中。然而,可用的岩心数据很难满足人工智能大量学习样本的要求。因此,提出了基于高斯混合模型的虚拟样本生成方法,以解决缺乏训练样本的问题。该算法的通过拟合原始样本的分布来生成虚拟样本,填充了小样本数据之间的信息缺失。通过标准函数测试,该方法能有效生成训练数据,实际工区孔隙度和渗透率预测对比试验表明,经过虚拟样本扩充数据集后,模型的预测准确率分别提高了9.7%和18.6%,表明所提出的方法可以有效地提高小样本条件下的模型预测精度。

M-CM-GA-BP算法的地表移动变形参数预测模型

针对复杂的开采沉陷预测问题,研究22个工作面采动地表移动变形参数变化规律,提出了一种基于M-CM-GA-BP算法求取地表移动变形参数的预测模型。通过线性加权组合预测方法和遗传算法优化BP神经网络的权值和阈值,融合多元回归模型来提高地表移动变形参数的求取精度,以地表下沉系数q为例,将该模型与其他预测模型预测性能进行对比分析,验证模型的准确性。结果表明,该模型能够有效地提高地表移动变形参数的预测精度,模型的平均相对误差为1.294、均方根误差为0.013,为地表移动变形参数预测提供了一种可行方法。

基于自适应AR模型巡航飞行参数预测研究

为更准确实现飞行参数趋势预测,提出一种基于自适应自回归(AR)模型的稳定巡航飞行参数预测方法。根据稳定巡航参数筛选条件,获取建模所需飞行参数。利用卡尔曼滤波原理估计AR模型参数,并与飞行参数构建系统方程,利用无迹卡尔曼滤波实时更新、修正AR模型参数估计值,将自适应AR模型的预测值与曲线拟合模型和灰色模型的预测值进行对比。以波音B777-300ER飞机的快速存取记录器数据样本进行仿真验证,结果表明:自适应AR模型在数据预测和收敛速率方面均更优,可有效降低预报模型随步数增加导致的精度误差,提高参数预测准确性。研究在飞机维修保障、状态监控与预测等方面具有重要作用。

基于机器学习的砂土邓肯-张模型参数预测

为了给砂土邓肯-张模型参数的确定提供一种不做三轴试验条件下的获取途径,以大量的砂土三轴试验数据为基础,利用机器学习算法(支持向量机),用平均粒径、不均匀系数、曲率系数、相对密实度、干密度等较容易测得的基本物理参数作为输入值,以邓肯-张本构模型参数作为输出值,建立砂土本构参数的预测模型。从输入参数与输出参数的相关性看,输入参数中的干密度对输出参数影响最大;从不同核函数对支持向量机(SVM)预测效果的影响看,RBF核函数预测效果最好;在此基础上,预测邓肯-张本构模型参数。利用建立的参数预测模型,只需进行简单的室内物理性质试验获得基本物理性质参数,即可推定用于工程数值计算的邓肯-张模型参数,提高工程分析的效率和准确性,也可以用于判断室内三轴试验结果的正确性等。

基于软注意力GRU模型的堆芯瞬态热工水力参数预测方法研究

反应堆在各种工况下堆芯瞬态热工水力参数预测的准确性,直接影响到反应堆的安全性。质量流量和温度作为堆芯热工水力的重要参数,二者常被建模为时间序列预测问题。研究旨在解决瞬时条件下堆芯热工水力参数连续预测的精度问题,检验基于注意力机制的门控循环单元在核心参数预测中的可行性。本文采用1/2中国实验快堆(China Experimental Fast Reactor,CEFR)为研究对象,使用快堆子通道程序SUBCHANFLOW生成瞬态堆芯热工水力参数的时间序列,采用基于软注意力的门控循环单元(Gated Recurrent Unit,GRU)模型预测堆芯的质量流量和温度时间序列。结果表明:相较于自适应径向基(Radial Basis Function,RBF)神经网络,本文使用的软注意力的GRU网络模型预测结果更好,温度在步长为3的情况下平均相对误差不超过0.5%,在15 s内预测效果较好;质量流量在步长为10的情况下平均相对误差不超过5%,且在后续12 s内预测效果较好。本文构建的模型不仅在连续预测过程中表现出更高的预测精度,且能捕捉到动态时间序列中的趋势特点,这对维护反应堆安全,有效防止核电厂事故有极大的用处。基于软注意力的GRU模型能在瞬态反应堆工况下提供一段时间的连续预测,在工程应用中和提高反应堆安全性上具有一定的参考价值。

储气库多周期运行井控参数预测模型

储气库是保障国家能源安全的重要手段,储气库多周期运行井控参数预测对储气库高效运行具有重要意义。为解决文23储气库目前注采运行动态规律认识不清,难以制定有效的储气库优化调整方案的问题,使用产量不稳定分析法为主的方法,建立储气库多周期运行井控参数预测模型,剖析井控参数随储气库开发的变化规律。首先,对文23储气库气井生产动态数据进行预处理,与储层参数一起输入至RTA软件中完成基础的数据整理及加载,并建立注采气组分相态模型,计算天然气高压物性参数;然后,根据气井压力恢复试井资料分析储气库地层渗流特征,建立及筛选最优井筒管流模型,用于计算气井井底压力;最后,使用Blasingame图版分析方法拟合井控参数建立基础模型,并通过拟合储气库气井生产数据,调整基础模型从而获得储气库多周期运行井控参数预测模型。使用所建井控参数预测模型对文23储气库气井多周期运行后井控参数进行预测,结果显示:可根据气井生产动态及井控特征将文23储气库气井分为3类,3类气井占比分别为39%、34%、27%;根据所建模型进行多周期井控参数变化分析,随着多周期注采运行,储气库多周期井控半径整体表现为初期增幅大,后期增幅减缓的趋势,储气库平均井控体积不断增加,3个类型的气井所控制储层的有效渗透率均呈先增加后稳定的趋势。

基于离散空间矢量调制的永磁同步电机无参数预测电流控制

针对传统电流梯度更新的无参数预测电流控制(parameter-free predictive current control,PFPCC)存在电流梯度更新停滞及电流脉动大的问题,提出一种基于离散空间矢量调制(discrete space vector modulation,DSVM)的PFPCC优化方法。首先,通过分析不同电压矢量在α-β轴上的电流梯度关系,得到相邻两个控制周期内各电压矢量与电流梯度的数学关系;然后,在一个控制周期内更新所有电压矢量的电流梯度,有效减小了传统PFPCC中的停滞效应。为了进一步减小电流脉动,将DSVM引入到所提方法中。结合DSVM选矢量的方式,以较小计算量即可将所有的电流梯度更新,从而保证电流预测的可靠性和准确性。实验结果表明:所提PFPCC方法与基于模型的预测电流控制相比,具有类似的动静态性能。与单矢量PFPCC相比,DSVM-PFPCC方法在保证动静态性能的同时,能够显著减小电流脉动,提高在实际系统中的控制性能。

基于改进LSTM的航空发动机气路参数预测方法

以航空燃气涡轮发动机气路故障诊断为导向,提出了一种用于发动机气路参数预测的特征注意力增强型长短时记忆网络(Feature Attention Enhanced Long Short-Term Memory Network, FAE-LSTM)。FAE-LSTM是具有编码-解码结构的动态网络,首先通过编码器中的特征注意力单元对工况序列进行动态特征提取,然后通过特征拼接层融合编码器输出序列、工况序列和历史性能参数,最后通过解码器实现最终的参数预测。FAE-LSTM基于发动机飞行过程数据建立发动机在健康状态下的动态模型,从而作为参数预测模型应用于基于残差的故障诊断系统中。针对网络的预测性能和应用方式进行了仿真分析,结果表明,相比于其他常用多变量时间序列预测模型,FAE-LSTM的长期预测误差最低减少24.5%;相比于使用串-并联结构,故障检测系统使用并联结构的FAE-LSTM网络能够获得更精确的检测结果。

基于卷积神经网络的微带滤波器的参数预测

提出了一种基于卷积神经网络的微带带通滤波器的参数预测方法,针对一个三频带带通滤波器进行预测。首先利用HFSS电磁仿真软件训练数据得到S参数的数据集作为真实值数据集,将微带滤波器的S参数作为输入,物理结构参数作为输出,通过卷积神经网络进行训练,最后将目标S参数作为输入进行参数预测。相比于简单的全连接神经网络,卷积神经网络不仅能够大幅度地减少网络参数,还有效避免了过拟合情况的出现,解决了全连接神经网络耗时长的问题,并且由于卷积神经网络对于结构参数的预测是直接的,即使对于初学者也可以节省大量设计时间。仿真结果表明,目标S参数与卷积神经网络预测后得到的S参数拟合程度很高,证明了该方法对微带滤波器物理结构参数的预测有较高的准确率。

基于动态图自注意力的车流参数预测方法

为了提高异常事件常发地段中智能车辆行驶的效率和安全性,以提升车流参数预测的准确度为出发点,该文设计了一种基于动态节点自注意力的车流参数预测方法,在多个时间步中利用空间注意力聚合邻域节点的特征,沿着时间维度通过时间注意力机制预测交通参数。结果表明:该文设计的动态图自注意力(DGSA)模型的1 h预测结果平均绝对误差(MAE)、均方根误差(RMSE)和平均绝对百分误差(MAPE)指标分别下降了3.75%、3.45%、11.63%;测算的路段平均碰撞时间(TTC)更长,达到2.8s。该方法能够在异常事件情况下有效预测车流演化态势并提升车辆的安全性。

基于智慧水力学的长距离调水工程调度参数预测方法研究

为提高长距离调水工程调度参数的计算精度,提出了智慧水力学的概念,基于南水北调中线工程的运行监测数据,采用人工智能方法开展了长距离调水工程调度参数预测方法研究。在对数据清洗的基础上,基于长短时记忆神经网络(LSTM)模型建立了白河、十二里河、东赵河节制闸调度参数的预测模型,采用鲸鱼优化算法(WOA)优化模型的超参数并进行调度参数预测。结果表明:3个节制闸的闸前水位和流量预测值与其实测值的最大平均绝对误差分别为0.655 cm和1.326 m^(3)/s,说明智慧水力学理念和人工智能方法在长距离调水工程调度参数预测中的适用性和精准性。研究内容可为实现工程调度参数预测与精准智能调度提供理论基础。

双馈风电机组传动系统神经网络建模及参数预测

传动系统是双馈风电机组的重要组成部分,其模型对电力系统同步稳定及频率稳定分析具有重要影响,准确的传动系统模型参数是分析新能源电力系统动态特性的前提。为解决因大扰动量测信息不充裕导致模型参数难以辨识的困难,提出利用机组正常运行状态时随机小扰动激励下丰富的历史响应数据,根据响应数据与模型参数的对应关系构建神经网络模型,并根据当前响应数据进行驱动系统模型参数预测。首先讨论了基于BP神经网络进行数据建模的基本流程;针对含双馈风电机组的无穷大系统仿真算例,提取随机风速扰动下响应信号受扰轨迹的功率谱特征;定义功率谱灵敏度指标,提出选取功率谱灵敏度较大的参数作为重点参数;最后基于BP神经网络构建响应信号功率谱与模型参数之间的非线性映射,基于训练得到的BP网络辨识新响应下的模型参数。通过分析BP神经网络动态模型的误差,验证数据驱动建模方法的可行性。

基于KPCA-IPOA-BiGRU的联合循环余热锅炉主蒸汽参数预测

余热锅炉主蒸汽参数对于联合循环机组的健康运行判断至关重要。针对余热锅炉运行参数非线性和时延性导致主蒸汽参数预测精度低的问题,提出了一种联合循环余热锅炉主蒸汽参数预测模型。首先,采集燃机电厂的SIS运行数据,通过灰色相关性分析法确定输入变量;其次,通过核主成分分析(kernel principal component analysis,KPCA)提取输入参数的特征信息,并根据主成分贡献率选取输入维度;最后,利用改进的鹈鹕优化算法(improved pelican optimization algorithm,IPOA)优化双向门控循环神经网络(bi-directional gated recirculation neural network,BiGRU),并构建KPCA-IPOA-BiGRU进行三压余热锅炉主蒸汽参数的预测测验。结果表明,现场采集的10000组数据点,其中8000组用作训练集,2000组用作测试集,提出的模型将28维输入参数降低至8维,可准确预测3个压力级的蒸汽参数,且R2均大于98%,为预测时延性的联合循环余热锅炉主蒸汽参数提供了技术支持。

基于I-GWO-LSTM的水声换能器参数预测模型

水声换能器是水声传感系统的核心部件,其性能直接影响系统的灵敏度、精度和可靠性。然而,传统的水声换能器参数测试方法存在数据处理量过大和算法精度较低的问题。为此,本文提出了一种基于I-GWO-LSTM(improved-grey wolf optimization algorithm-long short-term memory)的水声换能器参数预测模型。该模型利用改进灰狼优化算法优化长短期记忆网络模型的参数,只需要测量少量数据点就可以实现对水声换能器等效电路元件参数的高精度预测。通过MATLAB进行仿真实验,验证了该模型在水声换能器参数预测方面具有较高的准确性和稳定性。

岩石物理建模引导的低渗储层参数预测方法

【背景】准确预测储层参数对地下储层表征、气藏模式构建、产能释放及流体运移理解具有关键意义。传统基于岩心测量或数学−岩石物理建模的方法受限于弹性参数反演结果的多解性和低精度,难以满足现代勘探需求。【目的和方法】为提升低渗储层参数预测的准确性,提出了一种岩石物理建模引导的低渗储层参数预测方法。将卷积神经网络(Convolutional Neural Network,CNN)作为深度学习框架,从实际地震数据中直接预测含水饱和度、泥质含量及孔隙度;为解决标签数据稀缺问题,结合岩石物理建模与弹性参数随机扰动技术,生成高质量训练样本,有效扩充了数据集。【结果和结论】理论模型测试表明:在储层参数对岩石物理敏感性较低的情况下,也能实现低渗储层参数的空间分布预测;相比纯数据驱动的深度学习,仅需少量测井数据即可获得高精度的储层参数预测结果。在莺歌海盆地东方区的应用实践表明,该方法优化了钻井部署,助力了低渗领域的重大勘探突破和储量发现。

基于神经网络的声学参数预测方法研究

为更加准确高效地预测建筑声学客观音质参数,该文基于机器学习的室内中频混响时间和语言传输指数的神经网络预测方法。将基于机器学习的神经网络技术与计算机声学模拟仿真技术相结合,提取800个厅堂建筑的10个典型特征参数和3个目标参数,利用Odeon声学仿真平台,针对不同音质参数指标建立多个数值矩阵训练样本数据库,采用机器学习理论对混响时间、语言传输指数等指标进行BP神经网络数据拟合训练。对训练结果的均方误差、误差分布及回归系数进行评估,结果显示混响时间参数的训练均方误差小于0.05 s,语言传输指数参数的训练均方误差小于1.5×10^(-4),所有目标参数的回归系数R值均优于0.95。评估结果表明,该神经网络具备良好的预测准确性、数据泛化性和应用适用性。经实例验证,依托该神经网络编译和封装的应用程序可以实现对目标参数的快速评价,减少人力物力,提高工作效率。

基于区间算法的电子设备元器件可靠性参数预测方法

为了优化电子设备元器件可靠性参数预测效果,提升参数预测准确性,本文引入区间算法,进行了基于区间算法的电子设备元器件可靠性参数预测方法研究。首先,采集元器件的运行数据,获取元器件的运行状态与性能指标信息。其次,分析元器件是否存在故障,根据故障率与失效率识别元器件所处寿命阶段。在此基础上构建区间算法模型,得到近似计算预测区间。基于可靠度函数,在该区间范围内预测电子设备元器件可靠性参数指标。试验分析结果表明,本文方法在6类电子设备元器件可靠性参数预测中平均相对误差始终低于对照组,误差率更低,预测结果更精确。

基于知识系统的岩土工程勘察参数预测

为了评估通过岩土勘察正确描述建筑工地的状况,本文提出一个岩土工程勘察模型,即自适应网络模糊推理系统(ANIS)。该模糊推理系统考虑了几个输入参数的影响,计算了等效勘察比。开发的模型可考虑了项目因素,这些因素的评级从1到10,可用作工程师的系统决策工具评估勘察点的数量,以正确描述建筑工地的岩土工程状况,最后通过一个案例研究证明了提出方法的有效性。