正交实验结合AHP和GA-BP神经网络优化益黄散醇提工艺

目的 优化益黄散的醇提工艺。方法 采用回流提取法,以乙醇体积分数、液料比、提取时间为考察因素设计正交实验,以橙皮苷、川陈皮素、橘皮素、没食子酸、诃黎勒酸、诃子酸、甘草苷、甘草酸、丁香酚含量和干浸膏得率为指标,采用层次分析法(AHP)进行赋权并计算综合评分。通过验证正交实验和遗传算法(GA)-反向传播神经网络(BP神经网络)所预测的结果确定益黄散最佳醇提工艺参数。结果 正交实验优选的最佳醇提工艺参数为乙醇体积分数60%、液料比14∶1(mL/g)、提取时间90 min、提取2次,验证所得综合评分为79.19分;GA-BP神经网络优选的最佳醇提工艺参数为乙醇体积分数65%、液料比14∶1(mL/g)、提取时间60 min、提取2次,验证所得综合评分为85.30分,高于正交实验所得结果。结论 采用正交实验结合GA-BP神经网络的寻优方法较传统的正交实验寻优方法效果更佳,其优选出的益黄散最佳醇提工艺稳定可靠。

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。

车轴滚齿加工工艺参数GA-BP模型NSGA-Ⅱ优化

研究了高速条件下的滚齿工艺参数设置与优化方面的工作,采用新的非支配遗传算法NSGA-Ⅱ设计了相应的优化数学模型,优化达到最低能耗以及最长的刀具使用期限,再以遗传反向传播算法(GABP)神经网络为目标设置预测模型并建立适应度函数,完成迭代优化后获得匹配滚齿工艺的Pareto最优条件。研究结果表明:这里预测模型经过5次循环计算后,均方差为10-5,得到0.000425的最优值,推断上述网络满足良好的稳定性。刀具寿命误差相对后者降低16%,降低了36%的能量损耗,发现GABP算法具备更优收敛能力。Pareto解集获得了比相近加工样本集更优的性能,因此采用多目标优化模型可以确保加工能耗和刀具使用寿命同时达到最佳状态。该研究对提高的滚齿加工工艺参数以及提高机加工效率具有很好的实际应用价值。

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。

基于多特征参数的GA-WOA-BP火灾概率预测模型研究

为进一步提升火灾概率预测的准确率,针对BP神经网络在拟合过程中探测精度低、泛化能力差的问题,提出一种基于多特征参数的GA-WOA-BP火灾概率预测模型。首先通过试验采集了榉木、棉绳阴燃、明燃时的火灾特征参量,计算后得到了相应的火灾类型发生概率;其次通过遗传算法优化BP神经网络的隐藏层结构,鲸鱼优化算法优化BP神经网络的初始权重,构建了GA-WOA-BP模型,提高融合算法的拟合能力。最后,以多特征火灾参数作为模型输入,以不同类型火灾发生概率作为输出完成火灾概率的预测。结果表明,相比单纯BP神经网络,基于多特征参数的GA-WOA-BP火灾概率预测模型具有更好的预测性能,其评价指标RMSE、MAE、R2分别为0.020 22、0.014 33和0.992 31,能为火灾概率预测提供数据参考。

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神经网络的大型客机气流角估计方法

为了解决硬件冗余难以克服的气流角传感器共因故障问题,进一步提高飞机气流角信号的可靠性,研究了基于GABP神经网络的气流角估计方法。通过BP神经网络融合姿态角、加速度、风速等参数来实现不依赖气流角传感器的气流角估计;引入遗传算法对神经网络权值和阈值进行全局优化,提高估计精度;对某大型客机的试飞数据预处理后用于模型的训练和测试。仿真结果表明,训练完成的GA-BP神经网络模型对气流角的估计值贴近实际值,稳定性和精度明显高于BP神经网络。上述方法给飞机增加一个余度的气流角信号,可用于传感器故障时为飞机提供可靠的气流角信号。

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优化BP神经网络的小电流接地故障选线方法

将GA优化BP神经网络的算法引入到小电流接地故障选线方法中。文中基于MATLAB进行仿真试验,通过小波包法、五次谐波法、基波比幅比相法及零序有功功率法等传统选线方法,将零序电流信号的各种特征量进行提取,经过故障测度函数计算得到故障测度数据,将数据分别输入到GA-BP神经网络与单一BP神经网络进行训练和测试,讨论GA-BP神经网络算法与单一BP神经网络算法选线性能的差异,输出故障选线结果并与基于各选线方法的故障测度数据进行对比。结果表明,综合多种传统选线方法的GA-BP神经网络准确率明显高于传统选线方法,且其选线速度与精度优于单一BP神经网络,能够更快速、有效地进行故障选线,满足配电网故障选线要求。

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-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5参数GA-BP模型的出水水质预测——以宁夏某水厂为例

为解决饮用水处理过程中关键水质参数浊度取样检测时滞性大和精度低的问题,提出了基于遗传算法优化BP神经网络(GA-BP)的出水浊度预测模型。利用2019—2021年银川市某水厂的实测出水浊度及相关水质数据,采用灰色关联度分析对影响出水浊度的输入指标进行筛选,结合Q型聚类分析将样本数据划分为具有不同特征的3类,构建了基于GA-BP神经网络的机器学习模型对出水浊度进行预测,并与传统BP和未分类的预测结果进行对比。结果表明:与未分类相比,利用Q型聚类分析后预测模型的误差评价指标决定系数(R2)和均方根误差(RMSE)分别优化了2.9%和22%;与传统BP神经网络相比,经遗传算法优化后的预测模型误差评价指标R2和RMSE分别优化了2.4%和12%。研究表明,Q型聚类分析和遗传算法均能提高BP神经网络预测模型的泛化能力,减小误差。

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-PSO-BP神经网络的气象能见度预测

针对安徽省气象能见度数据缺测问题,选取安徽省4种不同地形条件下的自动气象站点(黄山站、灵璧站、山南溪谷站、白泽湖站)2017—2019年的气象数据,首先采用灰色关联分析法筛选出与能见度联系紧密的气象要素,然后构建遗传算法(genetic algorithm,GA)和粒子群算法(particle swarm optimization algorithm,PSO)混合算法优化BP(back propagation)神经网络的预测模型,对4种不同地形条件下的自动气象站点的能见度进行预测,并与RF预测模型、XGBoost预测模型的预测效果进行对比,结果表明采用GA-PSO-BP神经网络预测模型无论在哪种地形条件下,预测误差更小,模型精度更高。

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。