基于改进EMD和GA-BPNN的机器人磨削颤振监测

由于工业机器人的灵活性,被广泛应用于机器人焊缝磨削任务中。但由于机器人的弱刚性,在焊缝磨削过程中系统容易发生颤振,因此对加工过程中的颤振监测是保证加工质量的基础。针对在加工振动信号处理过程中的模态混叠现象,提出了一种基于排列熵算法改进的经验模态分解方法,通过排列熵算法检测振动信号中的异常信号并剔除。通过相关系数法提取相关性最大的固有模态函数的能量熵作为特征值,同时提取方差、峰峰值、均方根和峭度4种时域特征。利用遗传算法优化BP神经网络(back propagation neural network,BPNN)建立颤振辨识模型,最后将提取的5种特征参数作为特征向量代入辨识模型中对加工状态进行监测。试验结果显示,提出的改进经验模态分解算法结合遗传算法优化的BPNN模型能够有效地对机器人焊缝磨削中的颤振进行监测。

基于优化VMD与BP神经网络结合的滚动轴承故障诊断方法研究

为解决滚动轴承微弱故障信号不明显、识别故障类型准确率不高及变分模态分解(VMD)分解时参数主要依靠人为设定的问题,提出一种基于麻雀搜索算法(SSA)优化VMD参数与BP神经网络相结合的故障诊断方法。首先,使用麻雀搜索算法对VMD分解的模态分解个数及惩罚因子进行优化,搜索全局得出最优参数组合;利用优化后的参数对故障信号进行VMD分解,将分解后的本征模态分量导入BP神经网络进行模式识别。结果表明:与EMD、未优化VMD相比,优化参数后的VMD具有更高的故障诊断率99.53%,使故障诊断效果进一步提升。

基于BP-GSA优化的某随动平台滑模控制

为实现某随动平台负载模拟器响应的快速性和系统的鲁棒性,提出一种基于遗传模拟退火算法(genetic simulated annealing,GSA)优化的BP神经网络(BP-GSA)滑模控制方法。根据负载模拟器各环节硬件组成,建立系统等效数学模型;采取非奇异终端滑模实现对系统的控制,并采用BP神经网络对状态方程中未定项进行逼近,利用GSA算法调整网络节点权值。实验仿真结果表明:相比于传统滑模控制和PID控制,该方法在具有扰动输入的情况下,具有最小的稳态误差和最快的跟踪速度,能够有效提升系统的响应速度和力矩跟踪精度。

An Optimized Damage Identification Method of Beam Using Wavelet and Neural Network

An optimized damage identification method of beam combined wavelet with neural network is presented in an attempt to improve the calculation iterative speed and accuracy damage identification. The mathematical model is developed to identify the structure damage based on the theory of finite elements and rotation modal parameters. The model is integrated with BP neural network optimization approach which utilizes the Genetic algorithm optimization method. The structural rotation modal parameters are performed with the continuous wavelet transform through the Mexico hat wavelet. The location of structure damage is identified by the maximum of wavelet coefficients. Then, the multi-scale wavelet coefficients modulus maxima are used as the inputs of the BP neural network, and through training and updating the optimal weight and threshold value to obtain the ideal output which is used to describe the degree of structural damage. The obtained results demonstrate the effectiveness of the proposed approach in simultaneously improving the structural damage identification precision including the damage locating and severity.

基于VMD-SO-BP的超短期风电功率预测

风电功率在形态上表现出的强随机波动性,给风电功率预测的准确性带来了巨大挑战。为了进一步提高风电功率预测的精度,笔者提出一种基于变分模态分解(VMD)和蛇优化算法(SO)优化BP神经网络(VMDSO-BP)的超短期风电功率预测方法。首先,运用VMD将风电功率时间序列进行模态分解;其次,对各模态分量分别建立SO-BP预测模型,将各模态分量的预测结果叠加即为最终的预测结果;最后,结合某风电场的实际数据进行仿真对比实验。仿真结果表明所提模型具有较高的预测精度。

BP神经网络对快烧瓷质砖烧成工况辩识的研究

本文简述了BP神经网络结构与算法，利用BP神经网络对实验电炉焙烧瓷质砖的烧成工况进行了辩识实验，取得了较满意的辩识结果，并提出选择辩识参数时应选对烧成工况取关键作用的参数，以提高辩识模型的识别率。

基于数据替补修正的高速铁路日常客运量VMD-GA-BP预测方法

针对高速铁路日常客运量预测问题,提出消除节假日因素影响的数据替补修正法和融合变分模态分解(VMD)、遗传算法(GA)和BP神经网络的日常客运量VMD-GA-BP预测方法。数据替补修正法是根据日常客运量超常波动判定阈值识别节假日延续期,采用VMD-GA-BP预测方法得到预测值,用该预测值替换节假日延续期内的客运量。VMD-GA-BP预测方法首先采用VMD对被替换数据之前的数据序列进行分解,得到不同频率的模态分量;其次通过GA优化初始权值和阈值的BP神经网络对各模态分量分别预测;然后重构各模态分量的预测值,用预测值替换节假日延续期内的客运量,得到修正数据序列,据此预测得到高速铁路日常客运量。实例应用表明,VMD-GA-BP的预测误差远低于BP,EMD-GA-BP,SVR,EMD-BP等方法,且基于修正数据序列的预测误差明显低于基于原始数据序列。可见,VMD-GA-BP预测方法精度较高。

一种EMD和DE-BPNN组合优化的短时交通流预测方法

针对短时交通流非线性的特点以及BP神经网络(BPNN)在进行短时交通流预测时易陷入局部极小值的缺点,提出一种基于经验模态分解(EMD)和差分进化算法优化BP神经网络(DE-BPNN)的短时交通流预测方法。利用EMD算法将交通时序数据中不同模态的分量逐级分解出来,生成一系列不同尺度的本征模态函数(IMF)和残余量,去除一定噪声影响;借助DE-BPNN算法进行短时交通流预测,并采用美国加利福尼亚州高速公路交通流数据,对该方法进行验证和预测精度测试。实验结果表明:采用EMD分解后的交通流预测结果更为精确,相比其他预测方法,其预测结果的MAE值分别提升了50.07%、49.36%、18.68%;MSE值分别提升了52.46%、47.84%、12.37%;MAPE值分别提升了52.11%、51.08%、35.09%;MSPE值分别提升了56.36%、52.59%、43.53%。

基于EMD与GA-BP神经网络的短期负荷预测

为了提高具有随机性和复杂性的电力负荷预测精度,提出了一种基于EMD与GA-BP神经网络的短期负荷预测。该方法利用EMD的优点,将原始电力负荷序列分解为若干个IMF分量和余项。针对BP神经网络训练时间长,且容易陷入局部最小的缺点,利用遗传算法优化了BP神经网络,替代了传统的BP算法。最后通过分析各个分量的自身特点,分别构建不同的BP神经网络模型,对各分量分别进行预测,相加各分量预测值,得到了最终预测结果。实例验证表明,与EMD-BP预测方法相比,该方法具有较高的负荷预测精度和较强的适应能力。

基于BP神经网络的葡萄病害诊断系统研究

我国种植葡萄已经有两千多年的历史,葡萄病害严重影响了葡萄产品的产量和质量,葡萄病害的诊断对我国葡萄产业的发展具有重大意义。通过对葡萄病害知识和专家经验的研究,并将神经网络技术与计算机技术相结合,采用改进的BP算法,建立了BP神经网络诊断模型。以葡萄的发病部位、病斑形状、病斑颜色和主要症状为诊断参数输入,以病害名为输出,以诊断依据为训练样本。实验结果表明,该网络能够获得满意的诊断结果。采用MVC设计模式,利用JSP、Javabean、JDBC等技术,开发了基于WEB的葡萄病害诊断系统,实现了在线葡萄病害诊断的过程。

基于EMD和GA-BP神经网络的大坝变形预测

提出一种基于经验模态分解(EMD)和遗传BP神经网络的大坝变形预测新算法。该算法首先通过EMD对变形序列进行分解,有效分离出非线性高频波动分量和低频趋势分量;然后应用遗传算法优化BP神经网络的权值和阈值,再对各分量进行建模预测;最后叠加各分量预测值得到预测结果。应用新算法与灰色GM(1,1)、回归模型、普通卡尔滤波和遗传BP神经网络算法进行对比分析。结果表明,该算法具有较强的自身内部环境优化和外部平台构建能力,自适应能力和非线性拟合能力较强,在一定程度上保证较优的局部预测值和较好的全局预测精度,在大坝变形预测中具有一定的实用价值。

基于MGA-BP网络的航空轴承故障诊断

为了提高航空发动机轴承故障诊断的准确率,提出基于改进遗传算法优化(back propagation,简称BP)网络(modified genetic algorithm to optimize BP,简称MGA-BP)的故障诊断模型。针对传统遗传算法易早熟、易陷于局部最优解等缺陷,利用固定个体选择概率、引入三角函数和高斯变异操作对遗传算法进行改进,并用改进遗传算法优化BP网络的权值和阈值。利用优化的BP网络对滚动轴承正常、内圈故障、外圈故障和钢球故障4种工况进行诊断,并考虑到网络输出模式、诊断样本比例等对诊断精度的影响。为了验证MGA-BP在轴承故障诊断中的有效性,将其他改进遗传算法优化BP网络作为对比算法。分析表明:MGA-BP能够较好地适应网络不同的输出模式、不同的样本比例,其抗噪能力、诊断准确率、误差收敛速度和误差收敛值均优于文中其他对比算法。

基于麻雀搜索算法优化的BP神经网络卫星钟差预报

使用麻雀搜索算法(sparrow search algorithm,SSA)对BP神经网络的初始权值和阈值进行优化和调整,以提高神经网络模型短期预报的精度和稳定性。采用IGS产品中的卫星钟差数据,对SSA-BP神经网络模型、PSO-BP神经网络模型、传统BP神经网络模型及传统二次多项式模型(QP模型)进行实验对比,结果表明,SSA-BP神经网络模型的预报精度和稳定性最高,且随着预报时间的增加,模型的优越性更加明显。

基于BP神经网络算法预测的重型半挂汽车列车AEB控制策略研究

我国商用车AEB性能要求和试验方法标准的发布,推动了AEB在商用车领域的发展与应用。本文针对半挂汽车列车制动距离长、质心高等特点,结合驾驶员紧急制动的经验,提出了一种基于BP神经网络预测碰撞时间TTC的AEB控制策略。首先,设计了上层控制器,基于不同驾驶员在不同紧急制动场景下碰撞时间的数据,利用BP神经网络算法得到预测模型,从而计算出触发AEB系统的预警时间阈值和紧急制动时间阈值;再以前车与本车的相对距离、相对速度和前车的减速度为输入,通过模糊控制规则得到本车期望的减速度;接着,设计了下层控制器,采用期望减速度前馈控制和减速度偏差PID反馈控制相结合的方式,得到各车轮所需的轮缸制动压力;并基于滑移率滑模控制防止车轮抱死,提高紧急制动时的安全性、舒适性和横摆稳定性。最后,在TruckSim中建立CCRb、CCRm、CCRs 3种测试场景,对控制策略进行了验证。结果表明,本文所提出的控制策略能有效避免碰撞的发生,为半挂汽车列车AEB系统的设计和研究提供了理论依据。

基于EMD-FOA-BP神经网络的大坝变形预测研究

建立了以经验模态分解法(EMD)和果蝇算法(FOA)优化BP神经网络为基础的EMD-FOA-BP大坝变形预测模型,该模型首先利用EMD将大坝变形序列分解成相对平稳的分量,再根据各分量的特点构造不同FOA-BP模型并进行预测,叠加各分量预测值得到最终预测结果。结果表明,EMD-FOA-BP模型的自适应能力、学习能力及非线性映射能力较强,在大坝变形预测应用中能有效提高精度,预测精度较FOA-BP模型有所提高,且明显优于BP神经网络模型和GA-BP模型。

基于VMD-BAS-BP的铁路货运量预测研究

为了提高货运量预测精度,保障铁路货运设施得到充分利用,有效提升运输效益,提出一种基于VMD-BAS-BP的混合预测模型。该模型采用变分模态分解(Variational Mode Decomposition,VMD)技术对货运量进行降噪与信号分离,将原始序列分解成n个有限带宽的本征模态分量,然后运用天牛须搜索算法(Beetle Antennae Search,BAS)优化BP神经网络的权值与阈值,对每组模态分量分别进行预测并集成预测结果。实验结果表明:VMD-BAS-BP预测模型的MAPE值为1.40%,与BP、BAS-BP、VMD-BP、VMD-GA-BP模型相比分别降低了85.34%、82.33%和52.38%和24.73%,该混合模型鲁棒性较好且预测精度高,对铁路货运管理决策具有显著的理论指导意义。

基于EMD-GWO-SVR组合模型的短期风速预测

风速预测对风电场进行调度与控制具有重大意义。针对风速序列的随机性与间歇性,文中提出了EMD-GWO-SVR组合预测模型。先对原始序列进行经验模态分解,并应用GWO算法对支持向量回归模型的参数进行寻优。随后将寻优得到的最佳参数代入支持向量回归模型,并对分解后的本征模函数及残差项分别进行预测,将得到的各预测结果相加从而对风速进行预测。以甘肃省酒泉市的历史气象数据为例,建立BP神经网络、SVR、PSO-SVR、GWO-SVR、EMD-PSO-SVR和EMD-GWO-SVR6种预测模型,对该地的风速进行预测。仿真结果表明,文中提出的EMD-GWO-SVR模型预测精度相比SVR提高了61.759 8%,且其MAE、MAPE和RMSE等误差指标评价值显著低于其它5种模型。

基于叶片应变感知的风力机动态风向跟踪算法

在风力机运行过程中,偏侧风状态会导致风能利用率降低,同时降低风机的疲劳寿命。在动态风向变化下,随着侧风角度的变化,风力机叶片上的应变信号存在着规律性变化趋势,但由于应变信号呈现出非平稳、非线性和多种频率成分叠加的复杂特性,使得通过应变信号来揭示侧风角度变化规律有一定难度。文章提出了一种基于应变感知和BP神经网络的风力机风向追踪算法(SPWDP)。首先,通过设计风力机叶片应变测试方案,采集侧风角度变化下的叶片表面的多点应变数据,对应变信号进行变分模态分解(VMD),将叶片应变随侧风角度变化的规律提取出来,定义为风向-应变的特征;然后,使用BP神经网络作为建模算法,对风向-应变特征进行学习,并使用粒子群算法对BP神经网络的初始权值和阈值进行优化;最后,得到动态风向跟踪模型。经风洞实验数据验证,所提SPWPD算法在风力机侧风风向判断上具有可行性。

智能预报模式与水文中长期智能预报方法

建立了以模糊优选、BP神经网络及遗传算法有机结合的智能预报模式与方法。在应用该方法进行中长期水文智能预报时,首先选取训练样本的数量,根据预报因子与预报对象的相关关系得到相对隶属度矩阵;再将其作为BP神经网络输入值以训练连接权重;最后将得到的连接权重值用于预报检验。计算结果表明,智能预报模式与方法的运行速度、精度及稳定性都达到了实际应用的要求。

用于模式识别的前馈式神经网络区域映射模型

提出了一种新的用于模式识别问题的前馈式神经网络模型———区域映射模型 .该模型将输入空间每一类的特征参数区域映射成输出空间中对应的一个区域。模型具有训练和实际应用中分类标准相一致的性质 ,使模式识别分类更为合理和自然 ,相应的误差函数的改变可以加快网络的训练速度 .