基于GA-PSO-BP神经网络的LF终点温度预测

针对LF冶炼特点和现有钢水温度预报方法存在的不足,提出了一种新的预测LF终点温度的BP神经网络模型。用遗传算法(GA)和粒子群算法(PSO)混合优化BP神经网络的权值和阈值,提高BP神经网络的预测精度。混合模型既克服了传统机理模型难以准确实现的困难,也弥补了传统BP算法的不足,结合了2种算法的优点,改善了预测模型的收敛性能。开发了基于Java语言的现场应用软件。仿真结果表明,该算法可以提高预测精度和速度,预测误差在5℃以内的炉次达到了88%。     

基于IPSO-BP神经网络的富氧底吹铜熔炼炉喷枪寿命预测模型

富氧底吹铜熔炼炉喷枪是整个熔炼炉中最重要的部件,并且造价高,易损坏,工作环境恶劣复杂,对其进行准确的寿命预测比较困难。提出了一种基于IPSO-BP神经网络的寿命预测模型,粒子群优化算法解决了BP神经网络容易陷入局部极小值和训练速度慢的问题,优化的粒子群算法优化了惯性权重和学习因子,进一步加快了训练速度和搜索速度,提高了BP神经网络跳出局部极小值的能力。以工作环境中容易对喷枪寿命造成影响的因素作为输入,喷枪寿命作为输出,通过实际生产采集的数据做验证,并与BP神经网络和PSO-BP神经网络预测模型作对比。结果表明,本文构建的寿命预测模型预测效果比BP神经网络和PSO-BP神经网络的预测更加准确,精度更高,该预测模型为富氧底吹铜熔炼的喷枪寿命预测提供了一种方法借鉴。     

基于粒子群算法优化BP神经网络的溶浸开采浸出率预测

为了研究溶浸开采过程中浸出率的预测问题,以含锑硫化矿的浸出过程为例,采用经粒子群算法优化的BP神经网络模型预测浸出率。首先分析得出影响矿物浸出率的主要因素,并将已有样本数据进行变量训练,建立BP神经网络预测模型;其次利用粒子群算法优化该模型;最后分别利用BP神经网络模型和PSO-BP神经网络模型预测浸出率,并对比2种模型预测值与实际值的误差精度。研究结果表明:影响含锑硫化矿浸出率的主要因素有温度、时间、液固比、搅拌速度和HCl浓度,且这些因素相互影响,其与浸出率呈现高度非线性关系,采用粒子群算法优化的BP神经网络模型训练精度较高,对浸出率的预测更精确,相比BP神经网络,该模型得出的预测结果与实际值的相对误差以及方差都有明显下降。由此可见,该预测模型对当前矿区溶浸开采的浸出率优化有一定的参考价值。     

基于PCA决策的PSO-BP模型预测高炉铁水产量

铁水产量是衡量钢铁厂产能效益的重要经济指标，根据炉次特征对其精准预测有利于钢铁厂的产能结构优化，可促进高炉的稳定与高产。为提高铁水产量预测准确率，结合机器学习理论，以国内某钢铁厂2022年全年生产冶炼数据为基础，提出基于主成分分析(PCA)决策的粒子群优化-反向传播(PSO-BP)混合预测模型。首先利用主成分分析对原始数据集进行降维处理；然后利用粒子群搜索算法优化BP神经网络的权值矩阵，成功解决BP神经网络收敛速度慢、易陷入局部最优的问题；最后结合炼铁理论，根据主成分分析结果确定模型的输入向量与拓扑结构。测试结果表明，该模型相较于其他传统模型预测误差更小，在误差范围为±50 t的情况下准确率达99.8%,实现对高炉铁水产量的精准预测，可有效指导铁水包的中转调度，为高炉参数调控提供数据支撑。     

基于PSO-BP神经网络双机架炉卷轧机轧制力的预测

为了有效预测双机架炉卷轧机的轧制力,使热轧板带材生产具有很好的可操作性,采用粒子群算法(PSO)优化BP神经网络,建立了往复式双机架炉卷轧机轧制力预测的智能模型。以某钢厂热轧产品Q195实测数据作为试验样本,并将粒子群算法优化的BP神经网络模型和标准BP网络模型分别用于轧制力预测,结果表明PSO-BP神经网络模型在预报精度上明显优于标准BP网络模型,并且PSO-BP神经网络模型预测轧制力的误差率控制在10%以内。     

基于改进VMD和GA-BP神经网络的砂岩破裂过程预测方法

为提取有效的砂岩破裂声发射信号特征, 提高砂岩破裂过程预测精度, 提出一种基于改进变分模式分解算法(VMD)和GA-BP神经网络的预测方法。首先, 开展单轴压缩实验进行砂岩破裂试验, 并采集破裂过程的声发射信号; 其次, 为取得有效声发射信号, 从中提取出有效特征参数进行预测, 引入相关系数改进VMD算法并对原始声发射信号进行预处理, 提取信号能量特征参数作为模型的输入以便区分破裂过程; 最后构建GA-BP预测模型, 通过遗传算法(GA)优化BP神经网络的权值和阈值, 将信号能量作为样本用于预测模型的训练。结果表明, 通过引入相关系数可有效解决VMD算法中K值难以选取的问题, 对采集到的声发射信号进行有效去噪; 此外, 经GA算法改进后的BP神经网络预测模型能够准确预测破裂状态, 相较于改进前传统的BP神经网络模型稳定性更高, 收敛能力更好, 预测准确率提高17.5%。      

基于位移反分析的岩质边坡稳定性分析

通过工程现场获得边坡位移量等信息,并基于正交试验设计和FLAC3D建立训练样本和测试样本,运用BP神经网络建立起边坡位移与待反演参数之间潜在的映射关系.利用粒子群算法的参数优化功能优化BP神经网络,然后再用粒子群算法从全局空间上搜索出BP神经网络中预测位移与实测位移最接近的一组参数组合,最后采用FLAC3D计算出边坡的安全系数来评价其稳定性.研究表明将BP神经网络与粒子群算法相结合,进行位移反分析是可行的;通过位移反分析得到的参数结果,进行稳定性分析将更准确.     

基于高相关滤波算法的PSO-LSTM连铸坯质量预测模型

文章提出了一种将高相关滤波算法与粒子群优化长短期记忆神经网络相结合的连铸坯质量预测模型.首先,使用高相关滤波算法对影响连铸坯质量的多种因素进行降维处理,然后,利用粒子群优化长短期记忆神经网络进行连铸坯中心偏析陷等级的预测实验.实验结果验证了该模型在预测性能方面的优势.     

基于GA-BP神经网络的露天矿边坡变形预测分析

矿区边坡在各种因素的影响下,将会发生变形,但变形超过一定限度时,会对矿区产生很大的危害,开展边坡变形预测分析,能在一定程度上预防灾害的发生。文中在充分考虑BP神经网络初始权值和阈值难以确定,造成模型系统进入局部最小化,导致预测精度不高等问题的基础上,提出GA-BP神经网络预测模型,解决了普通网络模型在权值和阈值上的不足,并以越堡露天矿边坡变形监测点JC31、JC33、JC36为研究对象,分别采用灰色理论模型、BP神经网络模型以及GA-BP模型进行预测,研究结果表明:GA-BP网络模型较灰色模型和BP模型的预测值与实际值更吻合,预测精度更高,其平均相对误差最小,较其他两种方法预测精度提高了10倍以上,表明该方法具有一定的可靠性和可行性。      

变异PSO算法协同神经元网络在轧制力预报中的应用

 为了避免BP神经元网络易陷入局部极值和基本粒子群(PSO) 神经元网络早熟收敛问题，采用一种自适应变异的粒子群优化算法训练神经元网络，根据轧制力的实测值和神经元网络的预报值确定粒子群算法的适应度函数，按照权重梯度方向进行变异操作，并首次将该方法应用到热连轧机组轧制力预报中。通过攀钢热轧板厂现场数据运算表明，该方法的预报误差平均值比传统数学模型低165%，比BP神经元网络低055%，收敛速度比BP神经元网络提高了约1/4，为进一步提高精轧机组轧制力预报精度提供了一种新的有效方法。     

基于KPLS与SVM的热连轧板凸度预测

热连轧作为典型的流程工业过程,具有多变量、强耦合、过程非线性的特点,轧制机理非常复杂。针对传统方法难以获得准确的数学模型从而导致板形质量预测精度较低的问题,采用基于数据驱动的核偏最小二乘 (KPLS) 方法以有效处理工艺参数和质量指标之间的非线性关系,以此为基础,建立了基于KPLS结合支持向量机(SVM)的板凸度预测模型,并采用粒子群优化算法 (PSO) 优化支持向量机参数,进一步提高热连轧板凸度预测精度。预测结果表明,96.86%的板凸度预测值绝对误差小于5.5 μm,整体具有较高的预测精度,对实现板形质量精确控制、提高热轧产品质量具有重要意义。     

基于神经网络方法的井下机械钻速研究

为了实现在钻井过程中预测实时机械钻速,提出使用神经网络BP算法,利用BP算法全局搜索问题解的特性,对BP神经网络的权值进行优化,约束BP神经网络训练学习过程。通过BP算法对样本空间进行训练测试,将井下钻速与钻井液密度、钻压、转速、水力参数、地层可钻形相结合,实现井下机械钻速的预测。     

基于主成分分析和PSO-ELM算法的排土场稳定性预测模型

针对排土场边坡稳定性分析,提出了一种利用主成分分析法降低数据冗余性、粒子群算法优化极限学习机权值阈值的PCA-PSO-ELM排土场边坡稳定性预测模型。确定了土壤黏聚力、内摩擦角、排土场斜角、地基承载力、地震烈度、降雨和降雪条件、排土工艺以及乱采乱挖状况8个排土场稳定性预测指标,针对100组相应排土场数据,采用训练时间、RMSE值和决定系数R²来评价和对比PCA-PSO-ELM模型与BP神经网络模型、ELM模型和PSO-ELM模型预测结果的有效性。研究结果表明：利用经PCA降维处理过的排土场稳定性样本数据作为输入变量去训练和测试PSO-ELM网络模型,预测值与真实值非常接近,其预测精度和效率不仅高于ELM算法,而且远远优于传统BP神经网络算法。经过PCA法优化的PSO-ELM模型与未经PCA处理过的PSO-ELM模型相比,前者在效率相差甚微的基础上大幅缩短了计算时间,证明了该方法具有一定的实用价值。     

TC11钛合金本构关系神经网络模型的建立

利用MATLAB软件建立了反映材料热变形本构关系的神经网络模型,该模型中采用遗传算法优化其权值和阈值提高了网络收敛的稳定性。并采用Themecmastor-Z型热加工模拟试验机上进行的TC11钛合金等温恒应变速率压缩试验获得的试验数据进行训练,建立了TC11钛合金热变形本构关系的BP神经网络模型,并进行了预测,预测误差小于10%。     

应用混沌粒子群优化训练的BP神经网络预报高炉铁水含硅量

应用混沌粒子群优化(Chaos Particle Swarm Opti mization,CPSO)算法训练BP神经网络(Back-Propagation Neural Network,BPNN)并对高炉铁水含硅量进行预报。针对BP神经网络收敛速度慢和易于陷入极小值的问题,在粒子群优化算法中引入混沌思想,提出混沌粒子群优化算法,改善了粒子群优化算法摆脱局部极值点的能力,提高了BP网络的计算精度和收敛速度。系统分别选用料速、透气性指数、炉顶温度、风温、风量、喷煤量、上一炉铁水硅含量作为BP神经网络的输入层神经元,中间层(隐含层)有13个结点(用经验公式确定),输出层有一个结点,为铁水硅含量。应用CPSO算法训练BP神经网络建立的铁水含硅量预报模型对江苏永钢炼铁一厂1号高炉铁水含硅量的实际数据进行网络学习和预报。结果表明,此模型预报命中率高达91.2%,证明了方法的有效性。     

基于极限学习机(ELM)的连铸坯质量预测

针对传统基于BP神经网络建立的连铸坯质量预测模型训练速度慢、适应能力弱、预测精度低等问题,本文提出一种基于极限学习机的连铸坯质量预测方法,对方大特钢60Si2Mn连铸坯中心疏松和中心偏析缺陷进行预测,并与BP和遗传算法优化BP神经网络预测模型的预测结果进行分析对比.结果表明:BP及GA-BP神经网络预测模型对连铸坯中心疏松和中心偏析缺陷的预测准确率分别为50%、57.5%、70%和72.5%;而基于极限学习机的连铸坯预测模型预测准确率更高,对连铸坯中心疏松和中心偏析缺陷的预测准确率分别为85%和82.5%,且该模型具有极快的运算时间,仅需0.1 s.该模型可对连铸坯质量进行迅速准确地分析,为连铸坯质量预测的在线应用提供了一种新的方法.      

唐山矿瓦斯涌出量动态预测模型

为了提高瓦斯涌出预测的准确性,采用BP型神经网络,利用BP型神经网络自学习、自组织和自适应等特性,在MATLAB环境下构建瓦斯动态预测模型.通过对唐山矿瓦斯信号实时监测数据的分析,对瓦斯动态预测模型进行训练和测试.结果表明,该模型的预测速度快、精度高,可以实现对工作面瓦斯涌出的动态预测,并能综合判断工作面所处地点的安全状况以及前方的潜在的危险性.      

基于IPSO-RELM转炉冶炼终点锰含量预测模型

分析了影响转炉冶炼终点钢水中锰含量的因素, 针对基于BP神经网络算法的转炉冶炼终点锰含量预测模型存在的收敛速度慢, 预测精度低等问题, 提出了一种基于极限学习机(ELM) 算法建模的新思路, 并引入正则化以及改进粒子群优化算法(IPSO), 建立了基于改进粒子群算法优化的正则化极限学习机(IPSO-RELM) 的转炉终点锰含量预测模型; 应用国内某炼钢厂转炉实际生产数据对模型进行训练和验证, 并与基于BP、ELM和RELM算法的三类模型进行比较.结果表明, 采用IPSO-RELM方法构建的模型, 锰含量预测误差在±0. 025%范围内的命中率达到94%, 均方误差为2. 18×10-8, 拟合优度R2为0. 72, 上述三项指标均显著优于其他三类模型, 此外, 该模型还具有良好的泛化能力, 对于转炉实际冶炼过程具有一定的指导意义.      

基于人工神经网络的热连轧参数预测模型

将BP神经网络的思想用于预测热连轧参数，研究并建立了基于BP神经网络的预测控制数学模型。以热连轧精轧自然宽展值为例，现场实测数据仿真验证表明，该模型明显优于传统的数学预测模型，具有很高的预测精度。     

基于EEMD-HW-PSO-ELM耦合模型的排土场边坡位移预测模型

为了准确预测小样本、非线性特点的排土场边坡位移,提出了一种基于经验模态分解法、三次指数平滑法和粒子群优化极限学习机的EEMD-HW-PSO-ELM边坡位移组合预测模型。以伊敏露天矿排土场GPS位移监测数据为例,验证该模型的有效性。研究结果表明：EEMD模型分解后的边坡位移时间序列包括4个IMF分量和1个余量,将分解后的数据重构为趋势项和波动项,物理意义明确。分别选择三次指数平滑法和粒子群优化极限学习机预测趋势项和波动项位移,将分项预测结果的等权叠加值作为最终预测结果,预测值的平均相对误差为0.38%,均方根误差为1.15。选择了BP模型和Elman模型进行对比预测,结果表明组合预测模型的预测效果较好,能够为边坡安全管理提供理论依据。