基于卷积神经网络与可视图像的类滑动放电模式识别

为了提高机器学习算法对类滑动放电模式识别的准确率,提出了一种基于卷积神经网络(convolutional neuralnetworks,CNN)与可视图像识别电晕放电、弥散放电和类滑动放电等模式的方法。通过选取气体体积流量0~16 L/min、电极间隙2~10 mm、脉冲频率0.5~3 kHz等不同条件下的类滑动放电图像构建图像库,搭建CNN模型并优化影响CNN识别性能的超参数,包括网络层数、全连接层(full connected layer,FC)神经元数、卷积核尺寸以及激活函数类型,最后比较了CNN与决策树(decision tree,DT)算法和随机森林(random decision forests,RF)算法的识别效果。结果表明,CNN识别准确率为100%,高于传统机器学习方法。此外,本文还给出了放电模式及条件参数,通过基于反向传播神经网络(back propagation neural networks,BPNN)的聚类分析算法识别弥散放电和类滑动放电,并且准确率为100%。

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。

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。

基于GA-BP神经网络的多无人机协同目标定位

无人机作为高机动平台,往往存在较大的自身位置误差。针对该情况下特定区域内的辐射源目标,提出了一种遗传算法优化反向传播(genetic algorithm optimized back-propagation,GA-BP)神经网络的实时定位方法。首先从特定区域中获取不同已知目标的位置信息作为网络的期望输出,并计算它们的到达时间差作为网络的输入,构建训练数据集;然后利用遗传算法的自适应性,优化BP神经网络初始权重和阈值,使其能够快速跳出局部最优解,实现高精度定位。通过训练得到相应的GA-BP网络模型,未知目标可以通过该模型进行实时定位。仿真实验将该算法与两步加权最小二乘算法以及BP神经网络的定位结果进行对比,结果表明所提的方法定位精度更接近克拉美罗界。

基于GA-BP神经网络模型的抗乳腺癌候选药物活性预测

抗乳腺癌候选药物筛选对治疗乳腺癌意义重大.乳腺癌的抗激素治疗常用于ERα表达的乳腺癌患者,抗ERα活性值越高代表该药物对治疗乳腺癌越有效.因此,精准预测化合物的抗ERα活性值至关重要.本文首先对化合物的729个分子描述符特征使用梯度提升模型XGBoost和距离相关系数矩阵进行筛选,然后基于筛选的20个分子描述符及其活性值数据,引入遗传算法,建立GA-BP神经网络模型.该模型的均方误差MSE=0.105,拟合优度R2=0.946,是一个基于数据挖掘技术的筛选潜在药物的高精度模型.

基于GA-BP神经网络的转子轴承系统轴承等效刚度辨识

针对转子-轴承系统的力学模型中轴承等效刚度难以确定的问题,提出了基于GA-BP代理模型的转子系统轴承参数辨识的方法。首先,建立转子-轴承系统有限元模型并进行模型的静态和动态验证;其次,搭建试验台进行模态锤击试验,得到其前四阶弯曲固有频率;最后,基于转子系统仿真模型生成GA-BP神经网络代理模型完成轴承等效刚度的辨识并做误差分析。结果表明,采用该方法可有效的识别轴承的等效刚度,并且GA-BP神经网络的识别效果优于传统的BP神经网络,其最大误差为1.52%,证明了该方法的可行性。

基于声发射和GA-BP神经网络的铣削SiCp/Al表面粗糙度预测

为满足航天航空、电子封装、光学精密仪器等领域对工件加工质量的高要求,针对提高中高体积分数铝基碳化硅复合材料(SiCp/Al)铣削表面粗糙度的声发射智能在线监测精度的问题,通过小波包技术对铣削声发射信号进行分解,对分解后的特征值与表面粗糙度进行相关性分析,确定了最相关频段为375~406.25 kHz,筛选出相关特征矩阵,并利用GA-BP(Genetic Algorithm-Back Propagation)神经网络进行训练。研究结果表明,该方法能够实现对45%SiCp/Al铣削表面粗糙度的较小预测误差,通过成功构建的声发射预测模型,将平均预测误差控制在0.050 4左右,相比未经特征提取的BP神经网络模型,该方法的平均预测误差减小了0.072 8,为工程实践提供了可行且有效的方法。

基于GA-BP神经网络的钢桁架桥节点结构优化分析

为克服有限元法建模工作量大,不能有效反映节点局部应力状态的问题,文中依托钢桁架桥梁,建立GA-BP神经网络节点结构优化预测模型,设置N1横隔板厚度、N2横隔板厚度、节点板厚度、加劲肋厚度、加劲肋高度5个参数、7个水平、共42组样本数据,确定权值和阈值,对节点结构进行优化分析。结果表明,GA-BP神经网络模型可以对节点结构组成部件进行优化,预测的节点最大应力值与有限元分析结果相差较小,验证了提出模型的有效性。

基于GA-BP神经网络的城市韧性时空演进分析

城市作为一个集合多子系统的复杂系统,正面临着日益增长的风险压力与灾害干扰,韧性城市建设成为推动城市安全、健康、可持续发展的重要路径。以苏皖地区典型城市为研究对象,构建城市韧性评价指标体系,基于GA-BP神经网络模型分析苏皖地区8个典型城市2016—2020年城市韧性水平的时空演进趋势。在此基础上,因地制宜提出城市韧性发展的相关对策建议,以此来提升苏皖地区城市整体韧性水平。

基于GA-BP神经网络的装配式高层住宅成本预测

装配式高层住宅成本受诸多因素影响,成本与各个因素之间存在复杂的非线性关系,BP神经网络难以对其进行准确的成本预测。文章提出了一种遗传算法(GA)优化BP神经网络的预测方法,利用GA-BP神经网络模型提高装配式高层住宅成本预测的准确率。通过对GA-BP神经网络模型的权值和阈值进行优化,构建了GA-BP神经网络装配式高层住宅成本预测模型,并以50组装配式高层住宅样本数据为例,分别运用GA-BP神经网络与BP神经网络预测模型进行了对比试验。试验结果表明,GA-BP神经网络预测模型具有较强的稳定性和更高的预测准确率。

基于ICPSO优化的PMa-BSynRM神经网络逆系统解耦控制

针对永磁辅助式无轴承同步磁阻电动机(PMa-BSynRM)存在的强耦合和非线性问题,以及神经网络逆系统解耦控制收敛速度慢和易陷入局部极值的问题,提出了一种将BP神经网络与改进混沌粒子群优化(ICPSO)算法相结合的PMa-BSynRM解耦控制方法。基于PMa-BSynRM的结构和工作原理建立转矩和悬浮力的数学模型并进行可逆性分析,再建立BP神经网络作为逆系统,利用ICPSO算法优化其初始连接权值,通过仿真验证优化效果,经过充分训练后,将BP神经网络与原系统串联形成伪线性系统,从而实现PMa-BSynRM的解耦控制。仿真及试验结果表明,采用ICPSO算法优化的BP神经网络逆系统收敛速度和解耦性能均优于传统神经网络逆系统,改善了PMa-BSynRM的动态与静态性能。

无轴承电动机神经网络逆系统解耦控制关键技术发展

无轴承电动机利用一套新的悬浮力绕组产生悬浮力,使无轴承电动机成为一种多变量、强耦合的非线性系统,如何实现转速与径向位移以及径向位移之间的动态解耦控制是无轴承电动机稳定运行的关键要素之一。神经网络逆系统具有以任意精度逼近非线性函数的能力,可以有效实现无轴承电动机的解耦控制。阐述了无轴承电动机悬浮力产生的原理以及神经网络逆系统解耦原理,从纯神经网络逆系统、神经网络逆系统结合智能控制器等方面分析了国内外无轴承电动机神经网络逆系统解耦控制策略的研究现状,归纳了无轴承电动机在使用神经网络逆系统进行解耦控制时的共同和不足之处,总结了无轴承电动机神经网络逆系统解耦控制的一般设计方法,并对神经网络优化、在线训练、抗干扰能力等关键技术发展趋势进行了展望。

基于卷积神经网络的无人机成像桥梁裂缝检测方法研究

针对桥梁裂缝病害检测困难、裂缝宽度计算精度不高的问题,提出基于卷积神经网络的无人机成像桥梁裂缝检测系统,获取桥梁裂缝图像并提取裂缝,精确计算最大裂缝宽度。该系统改造无人机实现对桥梁底面和侧面图像的采集。首先采用神经网络模型筛选出裂缝图像;然后根据所采集到的图像特点,搭建基于卷积神经网络(Convolutional Neural Network,CNN)的裂缝滑动窗口检测(Slide Crack Detection,SCD)模型,进行图像的小窗口滑动识别以提取裂缝,并与采用基于裂缝图像统计特征的改进中值滤波去噪算法对比裂缝提取效果;最后提出裂缝分类及最大裂缝宽度计算方法,并与裂缝实测结果进行对比。结果表明:该无人机成像桥梁裂缝检测系统对裂缝图像的扰动小,裂缝提取效果更精确,该系统检测并计算的最大裂缝宽度相对实测结果误差在0.05 mm以内,满足桥梁裂缝检测要求。