基于小波变换和GA-BP神经网络的电力电缆故障定位

由于电力电缆敷设于地下,当发生故障时难以快速且准确定位,出现了故障定位问题。因此,提出一种基于小波变换和遗传算法反向传播(Genetic algorithm back propagation,GA-BP)神经网络的电力电缆故障定位方法,在分析对比各小波能量集中程度和波动次数的基础上,选择多贝西小波(Daubechies wavelet 6,Db6)作为小波基函数,对于各故障位置,采集正向故障行波的α模分量,并对其进行小波分解。选取在d1尺度下的模极大值点作为特征值,同时将故障距离作为标签值,从而构建了训练和测试样本数据集;利用遗传算法(Genetic algorithm,GA)的种群进化和全局最优搜寻能力来改善误差逆传播(Back propagation,BP)网络对初始权重敏感的缺点,并使用优化后的权值、阈值重新对BP神经网络进行训练和预测,最后通过与传统双端行波定位算法、BP算法、粒子群优化BP算法(Particle swarm optimization BP,PSO-BP)相比较,证明了所提方法在测距性能方面的优越性。

基于GA-BP-FA算法的多轴铣削残余应力优化

提出了面向多轴铣削GH4169的残余应力控制的GA-BP-FA多目标优化模型,运用遗传算法(GA)优化BP神经网络的初始权值和阈值,提升神经网络算法的收敛速度和预测精度。基于GA-BP算法建立了铣削残余应力预测模型,并分析了铣削工艺参数对残余应力的影响。以获得最小残余拉应力/最大残余压应力为目标,基于萤火虫算法(FA)对铣削工艺参数进行优化。研究结果表明,所建立的残余应力的GA-BP预测模型具有较高的预测精度,两个方向的平均误差分别为18.9%和16.7%。经FA算法优化后,所选参数阈内最优工艺参数为切削倾角Φ=85°,切削速度v=20 m/min,每齿进给量f_(z)=0.01 mm/z。优化后σ_(x)方向的残余压应力-463.43 MPa和σ_(y)方向的残余压应力-686.93 MPa。

基于GA-BP对叶片点云数据修补及逆向建模

为了获得某型号发动机叶片的三维建模及其相关数据,给逆向设计提供一些零件的三维建模尺寸。由于获得建模的三维点云数据时必然会产生孔洞,文中使用基于Genetic Algorithm(基因遗传算法)优化的Back Propagation(反向传播)神经网络(又称GA-BP神经网络)作为一个回归预测算法,来对产生的散乱点云孔洞加以修复和点云处理,最后再通过Geomagic Wrap对某型号发动机叶片进行逆向建模。通过对比BP神经网络可知,GA-BP修补孔洞的误差明显降低,满足对三维模型精度较高的要求,可应用于逆向工程。

基于GA-BP算法的农产品冷链物流企业绩效评价

对国内农产品冷链物流企业的相关数据进行分析,探究影响农产品冷链物流企业绩效的原因,建立农产品冷链物流企业的绩效评价指标;采集有关公司的实际数据,对指标体系所对应的指标值进行量化和归一化处理,形成相应的样本训练集,并采用遗传算法(GA)优化BP人工神经网络;建立基于GA神经网络算法的应用模型,进行仿真训练,以确定最优隐层数;同时,对比多种评价方法结果,以证明此方法的有效性及相对准确性;阐述所提方法在农产品冷链物流企业决策与管理系统中的应用方法和应用前景。

基于GA-BP神经网络的新疆南疆核桃树生长模型研究

文章提出了一种利用遗传算法优化BP神经网络的核桃树生长模型来预测核桃树的树高、胸径的方法,通过优化BP神经网络的权值和阈值建立GA-BP模型,与多元线性回归模型的预测结果进行比较。结果表明:采用遗传算法优化后的模型具有更高的预测精度,对核桃树生长预测具有指导意义。

基于GA-BP-PSO算法的薄壁注塑件翘曲变形优化

以聚对苯二甲酸乙二酯(PET)的塑料瓶胚零件为例,通过Moldflow软件设计浇注系统和冷却系统并进行有限元分析以优化零件的翘曲变形量。选定熔体温度、模具温度、保压压力、保压时间和注射时间为5个影响因素,设计了L16(45)的正交试验表。对正交实验数据进行了极差分析,得出了各因素对翘曲变形量的影响程度并获得较优工艺参数。通过GA-BP-PSO算法对工艺参数进一步优化,得到最佳工艺参数:熔体温度265℃、模具温度60℃、保压压力125 MPa、保压时间12.8671 s、注射时间0.3405 s。上述工艺参数对应的零件翘曲变形量为0.1373 mm。最后通过Moldflow软件进行数值模拟,得到翘曲变形量为0.1395 mm,较优化前的翘曲变形量0.1796 mm,降低了22.33%。软件模拟值和经GA-BP-PSO算法得到的预测值仅相差1.60%,将优化后的工艺参数组合应用于实际生产中,所获得的产品符合生产要求,验证了GA-BP-PSO算法的准确性与可行性。

基于GA-BP与NSGA-Ⅱ的数控铣削参数优化研究

高效低碳制造是可持续发展的关键,而数控铣削作为常用的金属表面加工方法存在刀具寿命短、碳排放量高的问题。提出基于NSGA-Ⅱ的GA-BP多目标优化方法,通过分析不同加工参数条件下的数控铣削刀具寿命及碳排放数据集,建立GA-BP神经网络刀具寿命及碳排放预测模型。基于NSGA-Ⅱ算法建立以刀具寿命、碳排放量为目标的主体优化模型,调用构建的GA-BP神经网络模型作为目标函数进行优化求解,得到Pareto最优解集。对Pareto最优解集进行TOPSIS最优解决策,得到综合优化刀具寿命与碳排放量的加工参数组合。优化结果表明:该方法既可以对数控铣削刀具寿命及碳排放量进行准确预测,还可以对两者进行有效优化,对数控铣削参数优化具有一定的理论指导意义。

基于回归分析和GA-BP神经网络算法的3D打印件弯曲性能预测

为进一步探究熔融沉积成型(FDM)3D打印参数和制件弯曲性能之间的关系,创建合理的FDM 3D打印制件弯曲强度预测模型。根据正交试验L_(16)(4^(5))的设计原则和神经网络算法模型的构建要求,按照不同分层高度、填充密度、打印温度、打印速度以及外壳厚度五种因素,制备25组试验试样,并进行弯曲性能检测。随后通过建立GA-BP神经网络模型、传统BP神经网络模型以及多元回归方程模型,分别对FDM 3D打印制件弯曲性能进行预测,并将预测数据与试验测试数据进行对比。通过对比发现,GA-BP神经网络模型预测数据与试验测试数据更为接近,其平均误差为3.71%,且误差值整体波动最小,BP神经网络模型与多元回归方程模型预测精度相差不大,BP神经网络模型预测平均误差为8.05%,多元回归方程模型预测平均误差为9.07%,但多元回归方程误差值整体波动最大。因此,采用GA遗传算法优化后的BP神经网络模型在进行FDM 3D打印制件弯曲性能预测方面具有更高的精度和更良好的稳定性。

基于GA-BP的往复式压缩机状态监测与预测性维护

针对某增压站现有压缩机状态监控系统识别故障信号困难,故障发生前未能提前预警的问题,开发了面向预知维修的往复式压缩机状态监测与预测系统,建立一套完整的软件及硬件体系。气阀作为往复式压缩机的重要运动部件,其状态监测的测点位于阀盖外表面中心处,以气阀状态监测为例,建立了气阀盖振动力学模型。综合运用时域、频域和小波特征提取方法进行振动信号分析,得到正常状态和故障状态的信号特征,提取状态指标。运用遗传算法优化神经网络模型,建立基于GA-BP的往复式压缩机振动趋势预测模型,试验测得模型的预测误差小于0.04。现场应用结果表明,该系统可实现全天候实时在线监测与预测,实现预知维修,减少工作人员的维保压力,提高机组运行安全性和效率,节省运维成本。

基于GA-BP模型的大型接地网腐蚀速率预测方法

接地网腐蚀速率是接地网腐蚀状态评估的一个重要方面。人工智能算法模型可以很好地预测接地网腐蚀速率,针对目前预测模型中特征输入量选取不够全面的问题,在对接地网进行电网络理论分析的基础上,确定接地网腐蚀采样点,提出以土壤理化性质和接地网电阻平均增长率为预测模型的特征输入量,采用遗传算法(genetic algorithm,GA)优化反向传播(back propagation,BP)神经网络,建立接地网腐蚀速率预测模型。将所提模型预测结果与未优化的BP神经网络模型和采用果蝇优化算法(fruit fly optimization algorithm,FOA)优化BP神经网络模型对比。在BP神经网络模型预测精度方面,GA算法相比于FOA算法,RMSE和MAPE值分别提高5.88%和1.5%,相比未经优化的BP神经网络模型,RMSE和MAPE值提高22.01%和4.96%。由此可见,提出的方法有更好的适用性。

基于GA-BP神经网络的微磨具磨损预测研究

为提高硬脆材料微结构的加工效率和精度,需要预测微磨具的不确定性磨损。基于微磨具在位视觉磨损检测和聚类分析,提出基于遗传算法的反向神经网络(genetic algorithm back propagation,GA-BP)模型。选取微磨具磨头截面面积损失量为指标,以表征微磨具不确定性磨损特征。利用K-均值聚类算法划分微磨具磨损状态阶段。最后构建以主轴转速、进给率、微槽深度、磨削长度和微磨具初始截面面积为输入层神经元,以磨头截面面积损失量预测值为输出层的GA-BP神经网络模型。设计不同工艺参数条件下的单晶硅微槽微细磨削实验,基于自搭建的机器视觉系统在位测量微磨具的磨头截面面积磨损量。将实验测得的微磨具磨损量作为训练数据,与传统高斯过程回归预测模型对比,验证GA-BP神经网络模型的有效性和准确性。结果表明,GA-BP神经网络模型能够实现不同工艺参数和不同磨削长度下的微磨具磨损预测,比传统高斯过程回归预测模型具有更高预测精度,平均误差精度达到5%,可以实现微磨具磨损阶段状态预测。

基于GA-BP和PSO-BP神经网络的SLM GH3625高温合金残余应力预测研究

采用PSO-BP和GA-BP混合算法的人工神经网络模型预测了选区激光熔化成形GH3625高温合金的残余应力。通过响应面法为实验设计生成样本集,以激光功率、扫描速度和扫描间距作为模型的输入层,以残余应力作为模型的输出层进行预测优化。采用相关系数R^(2)和平均绝对相对误差e_(AARE)评价指标对预测模型进行了验证和对比分析。结果表明:BP、 GA-BP和PSO-BP神经网络模型均能够较好地预测不同工艺参数下GH3625高温合金的残余应力,且通过算法优化后的BP神经网络具有更高的预测精度。其中GA-BP神经网络对选区激光熔化成形GH3625高温合金残余应力的预测精度最高,模型性能更优越,其相关系数R^(2)和相对平均绝对误差e_(AARE)分别为0.909和2.06%。

基于GA⁃BP神经网络的氢气传感器的浓度补偿研究

为解决环境因素致使氢气浓度传感器测量精度误差较大,导致氢燃料电池车辆因氢气泄漏检测不精确而产生爆炸风险的问题,提出了一种基于遗传算法反向传播(GA⁃BP)神经网络的氢气浓度传感器的浓度补偿方法。首先,利用BP神经网络对氢气浓度进行初步预测;然后,通过GA在寻优方面的优势进行浓度补偿,解决了BP神经网络局部陷入极值的问题。实验结果表明:基于GA⁃BP神经网络的氢气浓度传感器的浓度补偿方法对热导型氢气浓度传感器的预测准确度达到99.98%,最大相对误差值为0.2%,氢气浓度传感器的测量准确度提高了50.8%,为氢燃料汽车行业的发展奠定了基础。

基于GA-BP神经网络和改进粒子群算法的碰撞射流和冷却顶板复合空调系统优化

对碰撞射流和辐射顶板(IJV/RC)复合空调在不同室内负荷条件下运行时的室内热环境进行数值模拟,基于遗传算法-反馈(GA-BP)神经网络建立运行性能(吹风感R_(PD),头足温差Δt,空气交换效率e ACE,工作区平均温度t_(a))与设计变量(送风温度t_(s)、送风速度v_(s)、冷却顶板内表面温度t_(c)、房间负荷Q_(c))之间的预测模型,通过相关性分析确定设计变量对运行性能影响的显著性并排序。结果表明,增大v_(s)可使Δt降低,但R_(PD)增大;增大t_(c)有助于降低Δt和R_(PD),但t_(a)升高;为使t_(a)下降,可通过降低t_(s)来实现,但室内空气质量变差。为确保IJV/RC复合空调能在保证室内热舒适的同时提供良好室内空气品质,利用改进粒子群算法对复合空调的运行性能进行多目标同时优化,建立不同房间负荷条件下的设计参量最优匹配关系。研究结果可为IJV/RC复合空调的优化设计和运行控制提供理论指导。

基于GA-BP神经网络模型的石墨烯发声器研究

为了解决传统石墨烯发声器物理模型计算量大、精度不高的问题,提出了一种基于GA遗传算法的BP神经网络模型,该算法模型具有更高的精度和适应性。首先,介绍了石墨烯热声发声原理以及实验设计,建立了GA-BP神经网络模型。其次,对模型的参数进行了调节,并对比了基于dropout、基于正则化、基于正则化和GA遗传算法的三种神经网络模型。随后在模型中输入石墨烯发声器的正弦激励幅值、频率以及测量距离,使用GA遗传算法对隐藏层的权值和偏置进行全局寻优,将寻优结果代入BP神经网络,最终预测出给定条件下的声压级。结果表明,在均使用正则化的条件下,BP神经网络预测准确度为98.05%,均方差为0.23;GA-BP神经网络预测准确度达到98.62%,均方差仅为0.14。优化后精准度提高了0.57%,均方差降低了41.36%,展现出更加优异的准确性和适应性。该研究为预测多类特征传感器的非线性输出结果提供了一种高精准度、高适应性的方案。

基于GA-BP神经网络的鲅鱼鲜味肽美拉德反应增鲜研究

【目的】建立遗传算法(GA)与多层前馈神经网络算法(BP神经网络)预测模型,优化鲅鱼副产物鲜味肽美拉德反应过程中的关键参数,为研制鲅鱼调味品及促进鲅鱼资源的绿色加工利用提供参考依据。【方法】以鲅鱼副产物为原料,加入适量D-木糖进行美拉德反应增鲜,采用单因素试验分别考察D-木糖质量浓度、初始pH、反应时间和反应温度对反应产物褐变值(A420 nm)、最终pH和感官评分的影响;在此基础上,建立以D-木糖质量浓度、初始pH、反应温度和反应时间为输入层,以产物的感官评分为输出层的BP神经网络,并利用GA进行寻优;通过氨基酸分析,对比美拉德反应前后氨基酸变化,分析鲜味的变化情况。【结果】单因素试验结果显示,当D-木糖质量浓度为40 g/L、初始pH为6.0、反应时间为90 min、反应温度为120℃时,鲅鱼副产物鲜味肽A420 nm、最终pH和感官评分达最佳。使用69组样本对GA-BP神经网络模型进行7次迭代后,均方误差(MSE)达最小值0.005287,样本相关系数(R)最大值为0.98317,得到准确度最优的拟合模型;使用18组样本对模型进行验证分析后发现,18组样本的R=0.98787,表明建立的GA-BP神经网络模型可很好地预测不同工艺参数下美拉德反应结果;使用该模型得到最佳工艺条件:D-木糖质量浓度36 g/L、初始pH 5.4、反应时间70 min、反应温度119℃,在此条件下,鲜味肽的感官评分为9.58分,与预测值(9.62分)接近。鲅鱼副产物鲜味肽的水解氨基酸经美拉德反应后,鲜味氨基酸含量增加,特别是谷氨酸含量从56.21 mg/g增至70.39 mg/g,提高25.23%;甜味氨基酸含量从103.98 mg/g增至155.64 mg/g,提高49.68%;而游离氨基酸在美拉德反应后大部分降低,损失率为27.76%。【结论】基于GA-BP神经网络模型优化的美拉德反应增鲜工艺,可明显提升鲅鱼副产物鲜味肽的鲜味特征。

基于GA-BP神经网络战储仓库选址决策模型

针对各战略方向战储仓库选址决策问题,提出基于GA-BP神经网络的战储仓库选址决策模型。通过分析战储仓库选址的影响因素,构建战储库选址决策指标体系;基于BP神经网络建立选址决策模型,运用遗传算法(geneticalgorithm,GA)对反向传播(backpropagation,BP)神经网络的权值和阈值进行优化,并给出实例证明遗传算法优化BP神经网络,可提高选址决策的效率和精准度。结果表明,该研究可为科学开展战储仓库选址工作提供思路和方法。

基于GA-BP神经网络长服役期内结构混凝土的强度演变预测

为研究长服役期内既有混凝土结构的强度演变规律及其预测模型,以唐包铁路、西户铁路等实际工程为研究背景,以服役时间为2、16、25、30、40、52、66、88、95和100 a的在役桥涵为研究对象,基于混凝土回弹法,开展役桥涵混凝土强度试验,分析长服役期内既有桥涵混凝土强度动态发展过程。同时,基于试验实测混凝土强度数据与收集的230组同类条件下在役桥涵(服役时间2~88 a)混凝土强度数据,构建GA-BP神经网络混凝土强度预测模型。此外,为提高模型可应用性,基于高精度GA-BP神经网络强度预测模型,建立一般矩阵公式和简化公式。基于本文构建的混凝土强度预测模型,分析该类地区(试验中已调研区域)长服役期内混凝土结构的强度演变规律。研究结果表明:相较于既有混凝土强度预测模型,本文构建的GA-BP神经网络混凝土强度预测模型可有效预测不同服役时间下的混凝土强度,预测数据的平均绝对百分比误差为8.76%,决定系数为0.83。本文简化公式(C25)精度较高,平均绝对百分比误差为6.6%,为便于简化计算,推荐简化公式(C25)作为长服役期内混凝土强度预测公式。百年服役期内混凝土强度经历2个时间阶段,即混凝土强度缓慢上升期(1~49 a)、混凝土强度快速下降期(49~100 a)。随混凝土结构服役时间增加,混凝土结构劣化速率增加,导致混凝土结构在长期服役过程中,混凝土强度不能满足混凝土结构服役要求。

基于GA-BP神经网络的激光加热温度分布预测研究

在激光加热过程中,被加热材料的温度变化会对加工精度产生重大影响。为准确了解激光辐照材料引起的物理效应,根据激光加热的实际情况,建立材料表面升温的三维热传导模型。通过COMSOL Multiphysics有限元计算软件建立材料温度场的数值模型,得到在激光辐照下的温升与热变形规律,改变实验参数获得不同加工条件下的工件温度分布模型,并在此基础上建立基于GA-BP神经网络算法的温度分布预测模型。结果表明,基于GA-BP神经网络算法的温度分布预测模型可以迅速计算改变加工参数时的工件温度并预测温度分布情况,预测的平均绝对误差为27.22K,相关系数为0.97。

HVD分解和GA-BP神经网络结合的井架钢结构损伤识别

针对井架钢结构冲击载荷振动信号非线性、非平稳性对损伤识别的干扰问题,提出了一种基于希尔伯特振动分解(Hilbert Vibration Decomposition,HVD)与遗传算法优化的神经网络(Genetic BP Neural Networks,GA-BP)相结合的智能故障诊断方法。首先,利用HVD分解的方法处理冲击载荷作用下的加速度非平稳振动信号;其次,由斯皮尔曼相关系数选取HVD分解后的最优(Intrinsic Mode Function,IMF)分量,以最优IMF分量能量变化率构造特征向量;最后,通过特征向量建立数据集进行神经网络训练,完成信号的特征学习和故障分类。利用ZJ70型井架钢结构模型进行冲击载荷作用下的单处损伤和多处损伤的不同工况实验验证,结果表明:对于单处损伤位置识别率达到90%,多处损伤位置识别率高达96%,利用HVD分解与GA-BP神经网络相结合的方法具有较好的稳定性,能够准确判断出井架钢结构损伤位置,具有一定的实际应用价值。