CN109165421B - 基于遗传算法优化bp神经网络的船舶轴系轴承负荷值预测方法 - Google Patents

基于遗传算法优化bp神经网络的船舶轴系轴承负荷值预测方法 Download PDF

Info

Publication number
CN109165421B
CN109165421B CN201810877129.9A CN201810877129A CN109165421B CN 109165421 B CN109165421 B CN 109165421B CN 201810877129 A CN201810877129 A CN 201810877129A CN 109165421 B CN109165421 B CN 109165421B
Authority
CN
China
Prior art keywords
value
neural network
bearing
data
bearing load
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201810877129.9A
Other languages
English (en)
Other versions
CN109165421A (zh
Inventor
朱汉华
李小军
徐韩韩
张新卓
许浩然
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuhan University of Technology WUT
Original Assignee
Wuhan University of Technology WUT
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Wuhan University of Technology WUT filed Critical Wuhan University of Technology WUT
Priority to CN201810877129.9A priority Critical patent/CN109165421B/zh
Publication of CN109165421A publication Critical patent/CN109165421A/zh
Application granted granted Critical
Publication of CN109165421B publication Critical patent/CN109165421B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/17—Mechanical parametric or variational design
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • Computer Hardware Design (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Physiology (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明公开了一种基于遗传算法优化BP神经网络的船舶轴系轴承负荷值预测方法，针对大型船舶轴系校中过程中，轴承变位值的调整，该方法包括：通过现场测量或者有限元计算进行轴系轴承的负荷值和变位值数据，然后依此构建BP神经网络结构，采用遗传算法对该神经网络进行优化，将优化后产生的最优个体代入BP神经网络进行训练，得到GA‑BP船舶轴系轴承负荷值预测模型，根据此模型可以对未来不同变位值下的轴承负荷值进行预测。本发明在船舶轴系校中领域引入遗传算法优化BP神经网络的方法，可以根据轴系的轴承变位值来预测轴承负荷值，进而调整轴承变位值，保证轴系安全运行。本发明方法计算效率高、成本低，对船舶轴系安装、校中具有实际指导意义。

Description

基于遗传算法优化BP神经网络的船舶轴系轴承负荷值预测 方法
技术领域
本发明涉及船舶轴系校中领域，尤其涉及一种基于遗传算法优化BP神经网络的船舶轴系轴承负荷值预测方法。
背景技术
近年来，船舶朝着大型化、高速化发展，船舶装载量越来越大，螺旋桨所承受的载荷越来越大，同时波浪载荷对船体变形的有影响也越来越大，这些都会导致船舶推进轴系变形。
轴系校中的目的实质上是为了确定轴承的数量及各轴承的合理位置，以保证整个轴系负荷在轴承上的合理分配，使其处在一个合理范围值内，从而可保证轴系持续正常地运转。船舶轴系校中质量的优劣，对保障轴系及主机的正常运转，以及减少船体振动有着重要的影响。根据《钢质海船入级规范》要求，需要采用顶举法检验，确定轴承实际负荷值误差是否在±20％范围内。
目前主要的校中方式包括直线校中、合理校中等。直线校中是将船舶轴系严格布置成一条直线，各轴承等高，无变位。此种方法较为简单，但却很难保证轴系各轴承处所受的负荷及轴段的弯矩、转角等都在允许的范围内。合理校中又称为最佳校中，它是根据船舶轴系的实际结构，按照规定的约束条件，即轴承负荷，轴段应力和转角等在允许的范围内，通过校中计算确定各轴承的合理位置，把轴系安装成规定的曲线状态，使各个轴承上的负荷合理。目前设计轴系普遍采用的是合理校中的方法
就船厂实际校中来说，主要采用试错法或线性规划，调整中间轴承变位值，这两种方法的任务量都比较繁重，效率不高。
近几年，BP神经网络以其独特的优点，在工程优化设计中得到了广泛的应用。但是，BP神经网络存在易受初始权值、学习速率、动量因子等参数影响，而通过高强度的训练会产生“过拟合”现象，影响网络的泛化能力，因此多次训练的结果相差很大，有时甚至不会收敛。
发明内容
本发明要解决的技术问题在于针对现有技术中轴系安装校中变位调整指导方法存在的不足和BP神经网络本身的缺陷，提供一种基于遗传算法优化BP神经网络的船舶轴系轴承负荷值预测方法。
本发明解决其技术问题所采用的技术方案是：
本发明提供一种基于遗传算法优化BP神经网络的船舶轴系轴承负荷值预测方法，该方法包括以下步骤:
S1、收集船舶推进轴系校中过程数据，包括轴承负荷值和对应轴承变位值的数据；整理该数据形成样本，并将样本分为训练样本和检测样本两部分；
S2、根据轴承负荷值和变位值的样本设计BP神经网络结构，分别设置神经网络输入层、隐含层和输出层的节点数；在BP神经网络结构下，用遗传算法对其进行优化；
S3、根据优化得到的最优个体对BP神经网络结构的初始权值和阈值进行赋值；通过训练样本进行反复训练，将均方误差作为训练指标，并将训练得到的权值、阈值以及此时的网络结构参数保存，构建GA-BP船舶轴系轴承负荷值预测模型；
S4、用检测样本对得到的GA-BP船舶轴系轴承负荷值预测模型进行反复检验，若检验通过，则说明构建的模型有效，通过GA-BP船舶轴系轴承负荷值预测模型对船舶轴系轴承负荷值进行预测；若检验不通过，则重新进行训练建模；
S5、记录船舶轴系校中过程中得到的最新数据，将该数据输入GA-BP船舶轴系轴承负荷值预测模型，并将轴承变位值作为输入值，得到预测的轴承负荷值。
进一步地，本发明的步骤S1中样本的格式为：每一条数据按照输入输出对模式组织，输入数据分别为轴承三个方向上的变位值，输出数据分别为轴承三个方向上的负荷值
进一步地，本发明的步骤S1中收集船舶推进轴系校中过程数据的方法包括：通过有限元计算或者实地测量。
进一步地，本发明的步骤S2中在BP神经网络结构下，用遗传算法对其进行优化的方法具体为：
通过遗传算法对BP神经网络结构的初始阈值和权值进行优化，种群中的每个个体都包含一个网络所有权值和阈值，个体通过应度函数计算个体适应度值，遗传算法通过选择操作、交叉操作、变异操作、寻找最优适应度值对应个体。
进一步地，本发明的该方法中BP神经网络结构的训练方法为离线训练方法。
进一步地，本发明的步骤S3中输入层的节点个数为3个，隐含层的节点个数为7个，输出层的节点个数为3个。
进一步地，本发明的该方法中训练样本共包含400组数据，其中训练输入值为前392组轴承变位值，训练输出值为前392组轴承负荷值；检验输入值为后8组轴承变位值，检测输出值为后8组轴承负荷值。
本发明产生的有益效果是：本发明的基于遗传算法优化BP神经网络的船舶轴系轴承负荷值预测方法，通过现场测量或者有限元计算进行轴系轴承的负荷值和变位值数据，然后依此构建BP神经网络结构，采用遗传算法对该神经网络进行优化，将优化后产生的最优个体代入BP神经网络进行训练，得到GA-BP船舶轴系轴承负荷值预测模型，根据此模型可以对未来不同变位值下的轴承负荷值进行预测。本发明在船舶轴系校中领域引入遗传算法优化BP神经网络的方法，可以根据轴系的轴承变位值来预测轴承负荷值，进而调整轴承高度，确保轴承负荷在允许的范围内，以保证轴系安全运转。本发明对于船舶轴系校中具有现实指导意义，有助于提高轴系安装质量和缩短安装时间,实现船舶轴系的高效校中。
附图说明
下面将结合附图及实施例对本发明作进一步说明，附图中：
图1为本发明中的基于遗传算法优化BP神经网络的船舶轴系轴承负荷值预测方法的流程图；
图2为本发明中的BP神经网络结构图；
图3为本发明中利用遗传算法优化训练BP神经网络模型的步骤流程图；
图4为本发明中遗传算法适应度曲线；
图5为本发明中遗传算法优化BP神经网络船舶轴系轴承负荷值拟合百分比误差。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
本发明的原理是利用遗传算法优化BP神经网络，建立GA-BP船舶轴系轴承负荷值预测模型，从而实现在不同轴承变位值下对轴承负荷值的预测。其具体步骤如图1所示，如下所述：
(1)、采集样本数据：通过有限元计算或者实地测量，收集船舶推进轴系校中过程中各项数据，主要包括轴承负荷值和对应轴承变位值的数据。整理上述舰船推进轴系的数据，确定为样本集，样本的格式为：每一条数据按照输入输出对模式组织，输入数据为轴承三个方向上的变位值，分别为X1、X2、X3，输出数据为轴承三个方向上的负荷值，分别为O1、O2、O3。
样本分为训练样本和检测样本两部分：训练样本共包含400组数据，其中所述的训练输入值为前392组轴承变位值，训练输出值为前392组轴承负荷值；检验输入值为后8组轴承变位值，检测输出值为后8组轴承负荷值。
(2)、数据预处理：采用最大最小法对采集的数据样本进行归一化预处理，以消除各维数据之间数量级差别，采用的归一化方法为最大最小公式法：
Xk＝(Xk-Xmin)/(Xmax-Xmin)
式中，Xmin为数据集的最小值，Xmax为数据集的最大值；
(3)、根据轴承负荷值和变位值的样本设计神经网络的结构，该结构为三层BP神经网络，如图2所示。神经网络输入层节点数为3，分别包括轴承三个方向的变位值，因此输入层向量为X＝(X1,X2,X3)T；隐含层节点数为7，隐含层向量为Y＝(Y1,Y2,Y3)T；输出层节点为3，分别包括轴承三个方向的负荷值，因此输出层向量为O＝(O1,O2,O3)T。
(3)、在上述神经网络结构下，用遗传算法对BP神经网络进行优化，包含选择操作、交叉操作、变异操作和计算个体适应度值，如图3所示，具体实施步骤如下：
3a)、种群初始化：
根据步骤(1)中的轴承负荷值和轴承变位值数据样本的初始权值和阈值长度，对种群进行初始化，采用个体实数编码进行初始值编码；
3b)、个体适应度值：
根据3a)中得到的初始值权值和阈值，采用步骤(1)中的训练数据样本训练BP神经网络，将预测输出值与期望输出值的误差作为个体适应度值F，个体适应度值F的计算公式为：
Figure BDA0001753561700000051
式中，k为系数，m为网络输出节点值，yi为网络第i个节点的期望输出，Oi为网络第i个节点的预测输出；
3c)、选择操作：
从种群中选择适应度好的个体作为新种群，采用轮盘赌法，每个个体i的选择概率pi为：
Figure BDA0001753561700000052
式中，Fi为个体i的适应度值，求倒数为fi，k为系数，N为种群个体数目。
3d)、交叉操作
从种群中选择两个个体按照一定概率进行交叉得到新的个体，采用实数交叉法：
akj＝akj(1-b)+aijb
aij＝aij(1-b)+akjb
式中，akj表示染色体ak和ai在j位交叉，b为[0,1]间随机数；
3e)、变异操作
从种群中随机选择一个个体，按照一定的概率变异得到全新的个体，选取第i个个体的第j个基因aij进行变异：
aij＝aij+(aij-amax)*f(g),r＞0.5
aij＝aij+(amin-aij)*f(g),r≤0.5
式中，amin、amax分别为基因aij的上下界，f(g)＝r2(1-g/Gmax)2，r2为随机数，g为当前迭代次数，Gmax为最大进化次数，r为[0,1]间随机数；
3f)、计算适应度值：
根据上述步骤，计算变异后新种群中所有个体的适应度值，如图4所示，寻找最优个体；
(4)、BP神经网络利用遗传算法得到的最优个体对网络初始权值和阈值赋值，利用归一化后的训练样本对BP神经网络进行反复训练，将误差作为训练指标，最后将训练得到的权值、阈值以及此时的网络结构参数保存，构成GA-BP船舶轴系轴承负荷值预测模型；
(5)、用(1)中的检测样本对得到的GA-BP船舶轴系轴承负荷值预测模型进行反复检验，将预测输出数据进行反归一化处理后与测试目标输出作差并拟合曲线，绘制GA-BP船舶轴系轴承负荷拟合百分比误差,如图5所示。如果百分比误差小于一定值，则可以表明检验效果良好，该模型有效，可以用来进行预测，否则，重新根据(4)和(5)进行训练建模。
(6)、记录轴系校中过程中最新的数据，将这些数据输入该模型，将轴承变位值作为输入值，得到预测的轴承负荷值。根据预测的数据，可以帮助轴系动态校中，保证负荷值和变位值在一定范围内，保证船舶安全。
应当理解的是，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，而所有这些改进和变换都应属于本发明所附权利要求的保护范围。

Claims (6)

1.一种基于遗传算法优化BP神经网络的船舶轴系轴承负荷值预测方法，其特征在于，该方法包括以下步骤:
S1、收集船舶推进轴系校中过程数据，包括轴承负荷值和对应轴承变位值的数据；整理该数据形成样本，并将样本分为训练样本和检测样本两部分；
样本的格式为：每一条数据按照输入输出对模式组织，输入数据为轴承三个方向上的变位值，分别为X1、X2、X3，输出数据为轴承三个方向上的负荷值，分别为O1、O2、O3；
数据预处理：采用最大最小法对采集的数据样本进行归一化预处理，以消除各维数据之间数量级差别，采用的归一化方法为最大最小公式法：
Figure QLYQS_1
式中，Xmin为数据集的最小值，Xmax为数据集的最大值；
S2、根据轴承负荷值和变位值的样本设计BP神经网络结构，分别设置神经网络输入层、隐含层和输出层的节点数；
该结构为三层BP神经网络，神经网络输入层节点数为3，分别包括轴承三个方向的变位值，因此输入层向量为
Figure QLYQS_2
；隐含层节点数为7，隐含层向量为/>
Figure QLYQS_3
；输出层节点为3，分别包括轴承三个方向的负荷值，因此输出层向量为/>
Figure QLYQS_4
；
在BP神经网络结构下，用遗传算法对其进行优化；
步骤S2中在BP神经网络结构下，用遗传算法对其进行优化的方法具体为：
通过遗传算法对BP神经网络结构的初始阈值和权值进行优化，种群中的每个个体都包含一个网络所有权值和阈值，个体通过应度函数计算个体适应度值，遗传算法通过选择操作、交叉操作、变异操作、寻找最优适应度值对应个体；
具体实施步骤如下：
2a)、种群初始化：
根据轴承负荷值和轴承变位值数据样本的初始权值和阈值长度，对种群进行初始化，采用个体实数编码进行初始值编码；
2b)、个体适应度值：
根据2a)中得到的初始值权值和阈值，采用训练数据样本训练BP神经网络，将预测输出值与期望输出值的误差作为个体适应度值F，个体适应度值F的计算公式为：
Figure QLYQS_5
式中，k为系数，m为网络输出节点值，yi为网络第i个节点的期望输出，Oi为网络第i个节点的预测输出；
2c）、选择操作：
从种群中选择适应度好的个体作为新种群，采用轮盘赌法，每个个体i的选择概率pi为：
Figure QLYQS_6
式中，Fi为个体i的适应度值，求倒数为fi，k为系数，N为种群个体数目；
2d）、交叉操作
从种群中选择两个个体按照一定概率进行交叉得到新的个体，采用实数交叉法：
Figure QLYQS_7
式中，akj表示染色体ak和ai在j位交叉，b为[0,1]间随机数；
2e）、变异操作
从种群中随机选择一个个体，按照一定的概率变异得到全新的个体，选取第i个个体的第j个基因aij进行变异：
Figure QLYQS_8
式中，amin、amax分别为基因aij的上下界，
Figure QLYQS_9
，r2为随机数，g为当前迭代次数，Gmax为最大进化次数，r为[0,1]间随机数；
2f）、计算适应度值：
计算变异后新种群中所有个体的适应度值，寻找最优个体；
S3、根据优化得到的最优个体对BP神经网络结构的初始权值和阈值进行赋值；通过训练样本进行反复训练，将均方误差作为训练指标，并将训练得到的权值、阈值以及此时的网络结构参数保存，构建GA-BP船舶轴系轴承负荷值预测模型；
S4、用检测样本对得到的GA-BP船舶轴系轴承负荷值预测模型进行反复检验，若检验通过，则说明构建的模型有效，通过GA-BP船舶轴系轴承负荷值预测模型对船舶轴系轴承负荷值进行预测；若检验不通过，则重新进行训练建模；
S5、记录船舶轴系校中过程中得到的最新数据，将该数据输入GA-BP船舶轴系轴承负荷值预测模型，并将轴承变位值作为输入值，得到预测的轴承负荷值。
2.根据权利要求1所述的基于遗传算法优化BP神经网络的船舶轴系轴承负荷值预测方法，其特征在于，步骤S1中样本的格式为：每一条数据按照输入输出对模式组织，输入数据分别为轴承三个方向上的变位值，输出数据分别为轴承三个方向上的负荷值。
3.根据权利要求1所述的基于遗传算法优化BP神经网络的船舶轴系轴承负荷值预测方法，其特征在于，步骤S1中收集船舶推进轴系校中过程数据的方法包括：通过有限元计算或者实地测量。
4.根据权利要求1所述的基于遗传算法优化BP神经网络的船舶轴系轴承负荷值预测方法，其特征在于，该方法中BP神经网络结构的训练方法为离线训练方法。
5.根据权利要求1所述的基于遗传算法优化BP神经网络的船舶轴系轴承负荷值预测方法，其特征在于，步骤S3中输入层的节点个数为3个，隐含层的节点个数为7个，输出层的节点个数为3个。
6.根据权利要求1所述的基于遗传算法优化BP神经网络的船舶轴系轴承负荷值预测方法，其特征在于，该方法中训练样本共包含400组数据，其中训练输入值为前392组轴承变位值，训练输出值为前392组轴承负荷值；检验输入值为后8组轴承变位值，检测输出值为后8组轴承负荷值。
CN201810877129.9A 2018-08-03 2018-08-03 基于遗传算法优化bp神经网络的船舶轴系轴承负荷值预测方法 Active CN109165421B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810877129.9A CN109165421B (zh) 2018-08-03 2018-08-03 基于遗传算法优化bp神经网络的船舶轴系轴承负荷值预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810877129.9A CN109165421B (zh) 2018-08-03 2018-08-03 基于遗传算法优化bp神经网络的船舶轴系轴承负荷值预测方法

Publications (2)

Publication Number Publication Date
CN109165421A CN109165421A (zh) 2019-01-08
CN109165421B true CN109165421B (zh) 2023-05-23

Family

ID=64898833

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810877129.9A Active CN109165421B (zh) 2018-08-03 2018-08-03 基于遗传算法优化bp神经网络的船舶轴系轴承负荷值预测方法

Country Status (1)

Country Link
CN (1) CN109165421B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111291465B (zh) * 2020-01-10 2023-10-03 上海海事大学 基于遗传算法与神经网络的船舶空调热舒适温度预测方法
CN111597640A (zh) * 2020-05-22 2020-08-28 上海海事大学 一种工况分类下的混合动力船舶需求负载预测方法
CN111639397B (zh) * 2020-05-29 2022-03-04 山东交通学院 一种基于bp神经网络的大风作用下船舶断缆预警方法
CN111753465B (zh) * 2020-06-05 2022-08-16 长江三峡通航管理局 升船机防撞缓冲液压系统缓冲油缸内泄漏故障诊断方法
CN114662244B (zh) * 2022-04-07 2024-03-01 西北工业大学 一种基于bp神经网络的螺旋桨多工况优化设计方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105913150A (zh) * 2016-04-12 2016-08-31 河海大学常州校区 一种基于遗传算法的bp神经网络光伏电站发电量预测方法
CN107909149A (zh) * 2017-10-26 2018-04-13 西北农林科技大学 一种基于遗传bp神经网络的日光温室温度预测方法

Also Published As

Publication number Publication date
CN109165421A (zh) 2019-01-08

Similar Documents

Publication Publication Date Title
CN109165421B (zh) 基于遗传算法优化bp神经网络的船舶轴系轴承负荷值预测方法
CN110110930B (zh) 一种改进鲸鱼算法的循环神经网络短期电力负荷预测方法
CN103105246A (zh) 一种基于遗传算法改进的bp神经网络的温室环境预测反馈方法
CN112364560B (zh) 矿山凿岩装备作业工时智能预测方法
CN111784061B (zh) 一种电网工程造价预测模型的训练方法、装置和设备
CN116448419A (zh) 基于深度模型高维参数多目标高效寻优的零样本轴承故障诊断方法
CN112611584A (zh) 风力发电机组的疲劳失效检测方法、装置、设备及介质
CN111310990A (zh) 一种基于改进灰色组合模型的轨道质量预测方法及系统
CN115982141A (zh) 一种针对时序数据预测的特征优化方法
CN113868765B (zh) 基于近似模型的船舶主尺度参数优化方法
CN109344502B (zh) 基于ga-bp算法的船舶轴系中间轴承安装变位调整方法
CN114201911A (zh) 一种基于极限学习机的橡胶材料疲劳寿命预测方法
CN114021432A (zh) 一种应力腐蚀开裂裂纹扩展速率预测方法及系统
CN103983332A (zh) 一种基于hgsa-bp算法的传感器误差补偿方法
CN117076887A (zh) 一种泵站机组运行状态预测和健康评估方法及系统
CN115358102B (zh) 引入内检测数据的地震作用下腐蚀管道失效概率分析方法
CN115643104A (zh) 一种基于深度监督离散哈希的网络入侵检测方法
CN113033419A (zh) 基于进化神经网络的设备故障辨识方法及系统
CN113743003A (zh) 考虑温度、湿度影响的高压线路对地电场强度计算方法
CN112329335A (zh) 一种变压器油中溶解气体含量的长期预测方法
CN107977742B (zh) 一种中长期电力负荷预测模型的构建方法
CN110852536A (zh) 一种储罐维修决策确定方法及装置
CN112307670A (zh) 基于bagging集成神经网络的压水堆堆芯参数预测模型设计方法
CN111080160A (zh) 包含偏好辅助决策因子优选的交互式多准则决策方法、装置及计算机设备
CN113673015B (zh) 梁柱端板连接节点优化设计智能系统构建及参数识别方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant