基于遗传BP神经网络的内圆磨削ZTA陶瓷材料去除率预测

针对磨削加工中材料去除率(MRR)在线检测困难这一问题,构建材料去除率的预测模型显得尤为重要。考虑到单独运用BP神经网络不仅存在收敛速度较慢,而且容易坠入局部最优解等问题,故建立了遗传算法与BP神经网络相结合的模型来对给定的超声频率、砂轮速度、工件速度、磨削深度等工艺参数对材料去除率(MRR)进行预测。首先运用遗传算法的全局搜寻作用来对BP神经网络的最初权值以及阈值进行优化,而后运用L-M优化算法对网络进行多次训练,利用训练好的BP神经网络模型来对输出进行预测。结果表明:遗传算法与BP神经网络相结合的模型比单独使用BP神经网络模型预测效果要好,能够提高材料去除率的预测精度和收敛速度。     

基于PSO-RBF神经网络的锂离子电池健康状态预测

针对传统方法估计锂离子电池健康状态(SOH)时内部参数测量困难等问题,提出一种基于粒子群优化径向基函数神经网络的锂离子电池SOH预测方法。通过对锂离子等效模型的研究,结合充放电过程的实验数据,确定了影响锂离子电池SOH特性的几个关键参数。将试验数据输入仿真模型进行网络训练和校验。仿真证明,相比BP神经网络和普通RBF神经网络,该算法的预测精度可提高20%,节省66.7%以上的优化时间。     

基于GA-BP神经网络的刀具寿命预测研究

刀具的使用寿命对于刀具需求计划制定、刀具生产准备以及切削参数的设置等具有重要影响。为了准确预测刀具使用寿命,在BP神经网络中引入了一种新型遗传算法,提出了一种基于遗传算法优化的BP神经网络的刀具寿命预测方法。BP神经网络中的权值和阈值利用遗传算法进行优化处理,训练BP神经网络预测模型求得最优解。实验结果表明,基于GA-BP神经网络刀具寿命预测方法相比传统BP神经网络预测具有更高的寿命预测精度,为刀具需求制定、成本核算、切削参数的制定提供了理论依据。     

基于遗传算法的人工神经网络在航空发动机磨损预测中的应用

提出了一种将遗传算法和BP算法相结合的学习算法来训练BP神经网络，实现网络结构的优化，并用优化后的BP人工神经网络建立了航空发动机的磨损预测模型。将该模型预测结果与BP算法和多元线性回归法的预测结果进行了比较。检验结果表明：基于遗传算法的BP神经网络优于BP算法及多元线性回归法，具有良好的预测效果。     

基于BO-GRU神经网络的锂离子电池剩余使用寿命预测

锂离子电池剩余使用寿命预测是锂离子电池健康管理的重要内容。针对锂离子电池剩余使用寿命预测困难、传统循环神经网络预测精度低的问题,提出一种基于贝叶斯优化(BO)-门控循环单元(GRU)神经网络的锂离子电池剩余使用寿命预测方法。这一方法提取循环数与对应的容量融合作为新特征,采用滑动窗口方法分割特征数据集,搭建门控循环单元神经网络,在网络中加入随机失活,并采用贝叶斯优化对门控循环单元神经网络参数进行优化。在不同来源数据上进行试验验证,这一方法的相对误差均小于3%,能够实现对锂离子电池剩余使用寿命的准确预测。     

基于PSO-BP神经网络的经济型二手车估价分析

针对BP神经网络预测二手车价格时易陷入局部极小值以及价格影响因素间存在一定相关性的问题,本文提出了一种基于主成分分析(PCA)和粒子群算法(PSO)优化BP神经网络的价格评估模型。本文将PCA降维后的10个主成分作为影响二手车价格的评估参数。基于BP神经网络建立经济型二手车价格评估模型,并使用粒子群算法优化网络的权值和阈值,进一步提高网络的预测精度。该模型一定程度上克服了BP神经网络的不足,为二手车价格评估提供了参考。     

基于遗传算法和神经网络的油气弹簧非参数化建模

将遗传算法应用于油气弹簧神经网络模型的优化,首先利用遗传算法的全局搜索能力得到神经网络权值的次优解,然后利用BP算法精确搜索到权值的最优解,从而克服了传统BP算法易陷入局部最小点的缺点。与采用传统BP算法的神经网络比对结果表明,遗传算法能显著地提高神经网络的精度,建立的油气弹簧人工神经网络模型可以对油气弹簧的输出特性进行可靠地预测。     

基于PSO-RBF算法的锂电池SOH研究与预测

为了寻找锂电池充电的最优策略,采用建立模型的方法进行研究与预测充电策略的优劣.电池健康管理状态(State of Health)反映了锂电池的剩余寿命,一般作为锂电池充电策略优劣的一个评判标准.在实际应用中,不同的充放电策略对锂电池的SOH有不同的影响,由于对锂电池SOH影响因子很多,各影响因子之间相互耦合,实验验证极其复杂.RBF神经网络是一种比较常用的预测性神经网络,PSO算法是一种较为先进的优化网络参数的算法,将PSO算法和RBF神经网络融合,借助大量实验数据,训练RBF神经网络,使用PSO算法优化其网络参数,建立基于PSO-RBF算法的锂电池SOH预测模型,再将不同充电策略进行仿真验证.仿真结果表明,该模型预测能力优于普通RBF模型,可作为锂电池最优充放电策略验证的最优模型.     

SVR优化算法及其在蓄电池容量预测中的应用

提出一种优化的支持向量机回归算法(SVR)并应用于阀控密封铅酸蓄电池(VRLA)的容量预测.选定径向基函数作为支持向量机同归算法的核函数,分别使用遗传算法和遗传退火算法对核参数进行寻优,在此基础上建立了蓄电池容量预测模型.比较了在遗传算法和遗传退火算法两种参数优化方法下支持向量机回归算法对VRLA容量预测的精准度.仿真结果表明,基于遗传退火算法寻优的支持向量机回归算法用于VRLA容量预测的性能优于单一的遗传寻优算法.     

基于GA-BP神经网络的发动机失火诊断

为了提高神经网络在发动机失火故障诊断中的准确率,提出了GA-BP神经网络算法。分析了发动机故障时的尾气变化情况,提出了发动机故障诊断规则;分析了BP神经网络原理,指出其训练速度慢、容易陷入局部极值问题;使用遗传算法对神经网络结构和参数进行优化,得到最优网络结构,将优化后的模型参数作为初始值再次进行BP算法优化;将此算法与自适应动量BP神经网络进行对比,GA-BP神经网络不仅缩短了训练时间,而且故障诊断准确率也大大提高。     

蚁群优化BP神经网络的电机故障诊断设计与实现

针对传统的故障诊断方法采用专家知识推理方法在获取知识方面的困难,提出了一种采用蚁群优化算法和BP神经网络的自适应电机故障诊断系统。使用BP神经网络对样本数据进行训练,可以建立故障征兆到故障之间的对应关系,从而可以克服专家系统的不足,同时,由于传统的BP算法采用梯度下降算法,具有收敛速度慢和容易陷入局部最优解的问题,且BP神经网络的网络结构和初始参数在确定时往往依靠经验,从而限制了其在故障诊断领域的进一步发展。蚁群算法是一种启发式的模拟进化优化算法,具有正反馈及其分布式计算等特点,因此,将蚁群算法应用于BP神经网络的结构和参数进行优化,然后采用优化后的BP神经网络进行故障诊断,电机诊断实例证明文中方法较BP神经网络和遗传算法优化的BP神经网络具有更高的诊断精度和训练效率。     

螺杆泵定子橡胶磨损趋势的遗传神经网络预测模型

针对螺杆泵定子橡胶在复杂工况下受多种因素影响的磨损预测问题,结合各影响因素之间非线性、时变性和强耦合性的特点,将遗传算法和BP算法相结合以实现网络结构参数的优化,建立了遗传神经网络的螺杆泵定子橡胶磨损趋势预测模型。同时,利用测试样本数据将模型的预测结果与BP算法的预测结果进行了比较。结果表明,基于遗传算法的BP神经网络优于BP算法,能够有效地解决受多因素影响的螺杆泵定子橡胶磨损预测的建模问题,具有一定的实用价值。     

遗传算法优化的BP网络在铣削力预测中的应用

神经网络初始连接权值和阀值的选择对网络的预测精度及收敛速度影响很大,但又无法准确获得,针对此问题,建立遗传算法(GA)优化的BP神经网络预测模型,解决神经网络初始权值和阀值的选择问题。该模型通过遗传算法优化BP神经网络的权值和阀值,获得最优的初始权值和阀值,并应用优化后的BP神经网络预测模型对铣削力进行预测,最后与优化前的BP神经网络模型的铣削力预测值进行对比分析。研究结果表明,经遗传算法优化后的BP神经网络模型比优化前的BP神经网络模型的预测精度高,同时加快了收敛速度。     

基于BP-NSGA的注塑参数多目标智能优化设计

为获得成型性能最优的注塑参数设计方案,提出了基于BP神经网络和非支配排序遗传算法的注塑参数多目标优化方法。将注塑模结构尺寸参数和注塑工艺参数作为待优化的设计变量,建立了以高质量、低成本、高效率为优化目标的注塑参数优化设计模型。基于非支配排序遗传算法获取给定参数范围内的所有Pareto最优解,并通过建立多输入和多输出的BP神经网络来快速获得非支配排序遗传算法优化进程中所有个体的适应度值。开发了基于BP神经网络与非支配排序遗传算法集成的注塑参数智能优化设计系统,并通过鼠标注塑参数设计实例,验证了其适用性和有效性。     

基于眼动追踪的工程车辆造型设计用户体验预测模型

为降低主观因素干扰,更加客观地评估产品造型的用户体验性,基于眼动数据,提出一种应用遗传算法优化BP神经网络的用户体验预测模型。将Tobii 120型眼动仪作为试验仪器,以Likert五级主观量表法作为辅助研究方法,采集了40位用户对12个工程车设计方案评价过程中的眼动数据,通过遗传算法对初始值编码,优化BP神经网络,建立眼动数据与主观评价相结合的综合评价模型。经广义线性回归模型筛选,确定了以注视时间为代表的10个眼动参数作为神经网络构建参数,随机选取35组眼动数据进行预测,结果显示该神经网络能有效预测产品造型设计用户主观体验得分,预测相对误差约5%。基于遗传算法的优化BP神经网络模型对使用眼动数据预测用户体验主观评价效果显著,可为今后产品造型的用户体验评价提供参考。     

基于代理模型的螺旋输送器特征值反求

螺旋输送器的动态特性设计可归结于特征值反问题的求解.针对结构参数到结构响应之间的非线性映射关系,通过一种基于神经网络代理模型的优化策略,采用正交试验设计在设计空间中选择初始样本点,构造神经网络代理模型,神经网络结合遗传算法求解,利用神经网络的非线性拟合能力和遗传算法的非线性寻优能力,引入训练后的BP神经网络预测结果作为个体适应度值,获得全局最优值及对应输入值.解决了遗传算法能获全局最优解与有限元大量结构重分析之间的矛盾,是结构反问题的一种有效求解策略.     

激光小孔加工实验研究及工艺仿真

通过单因素试验分析了激光器电压、脉冲宽度、重复频率、聚焦条件、辅助气体等因素对小孔加工效果的影响规律。借助MATLAB神经网络工具箱和遗传算法工具箱,建立了基于BP神经网络和遗传神经网络(GA-BP)的激光打孔加工工艺仿真模型,利用两种模型分别对不同加工参数下的小孔孔径进行了仿真和预测。结果表明,经遗传算法优化后的BP网络模型具有更好的预测精度。     

基于遗传神经网络的数控机床故障预测

将遗传算法与神经网络相结合,用于数控机床故障预测。应用遗传算法优化神经网络的权值和阈值,克服单独使用神经网络所带来的网络收敛速度慢以及得不到全局最优解等缺点。实验结果表明,优化后的遗传神经网络具有良好的预测能力,可以作为数控机床故障预测的有效手段。     

基于蚁群神经网络的冲压成型回弹预测

拉伸是板料冲压成型的关键工艺,回弹是拉伸过程中的控制难点。笔者以板料拉伸为对象,选择材料各项异性系数、硬化指数、压边力、摩擦系数、及凹模圆角为试验参数,借助正交试验工具,进行了冲压成型数值模拟试验,并在此试验基础上建立了基于BP神经网络的回弹预测模型。针对BP算法的不稳定性,易陷入局部最优值的缺陷,设计了一种基于蚁群算法的BP网络优化算法,该优化算法融合了蚁群算法的全局性能、启发式优点和神经网络的泛化性能。利用该算法建模并将其应用于冲压成型回弹预测,结果表明:此模型可将预测误差控制在5%以内,满足工业应用标准。     

基于改进BP神经网络的机床基础部件可再制造性评价模型

为了利用样本数据准确完成机床基础部件可再制造性评价,提高机床基础部件可再制造性评价预测精度,提出一种采用模拟退火遗传算法优化BP神经网络的机床基础部件可再制造性评价模型。该评价模型以机床基础部件可再制造性经典评价模型评价结果为样本数据,建立机床基础部件可再制造性评价BP神经网络预测模型,采用模拟退火遗传算法优化BP神经网络模型,寻找更优初始网络权值、阈值,以提高收敛速度和避免局部收敛。以一台机床基础部件可再制造性评价为例,验证了基于模拟退火遗传算法优化的BP神经网络评价模型具有更好的预测精度。