CN110188876A - 基于bp神经网络的超声振动设备振幅软测量预测方法 - Google Patents
基于bp神经网络的超声振动设备振幅软测量预测方法 Download PDFInfo
- Publication number
- CN110188876A CN110188876A CN201910324270.0A CN201910324270A CN110188876A CN 110188876 A CN110188876 A CN 110188876A CN 201910324270 A CN201910324270 A CN 201910324270A CN 110188876 A CN110188876 A CN 110188876A
- Authority
- CN
- China
- Prior art keywords
- neural network
- layer
- output
- amplitude
- ultrasonic vibration
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Operations Research (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Apparatuses For Generation Of Mechanical Vibrations (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种基于BP神经网络的超声振动设备振幅软测量预测方法,本发明将神经网络应用到超声振动设备振幅预测上,利用建立好的神经网络对超声振动设备的振幅进行预测。传统的振幅测量方法是通过振幅测量仪器靠近超声波换能器近端进行测量,而振幅的软测量是通过检测换能器的电压、电流和频率,进而利用神经网络计算得出振幅。两种方法相比,传统方法不便于操作,而且准确度上会存在偏差,振幅软测量则具有低成本、精度高以及可操作性较好等优点。
Description
技术领域
本发明属于超声振动设备振幅测量技术领域,具体涉及一种基于BP神经网络的超声振动设备软测量预测方法。
背景技术
超声振动设备的换能器可以对釜腔内的化学反应物发送超声波,在釜腔内形成空化效应,空化效应的产生与否以及空化的效果与换能器的输出振幅具有非常密切的关系,所以如果能够实现对超声振幅的软测量,这对于提高空化效应具有重大意义。
BP(back propagation)神经网络是一种按照误差逆向传播算法训练的多层前馈神经网络,是目前应用最广泛的神经网络。BP神经网络的学习过程主要由四部分组成:输入模式顺传播、输出误差逆传播、循环记忆训练、学习结果判别。这个算法的学习过程,由正向传播和反向传播组成,在正向传播过程中,输入信息从输入层经隐含层单元逐层处理,并传向输出层,每一层神经元的状态只影响下一层神经元的状态。如果在输出层不能得到所期望的输出,则转入反向传播,将误差信号沿原来的连接通路返回,通过修改各层神经元的权值,使得误差信号减小,然后再转入正向传播过程。反复迭代,直到误差小于给定值为止。
发明内容
本发明提供了一种基于BP神经网络的超声振动设备振幅软测量预测方法,将神经网络应用到超声振动设备振幅预测上,利用建立好的神经网络对超声振动设备的振幅进行预测。
为了达到上述的目的,本发明是通过以下技术方案实现的:
基于BP神经网络的超声振动设备振幅预测方法,步骤如下:
步骤一、通过测量设备对超声振动设备的各参数进行测量,测量数据包括电压、电流、频率、振幅;
步骤二、将测量的数据进行归一化处理,归一化处理是将测量数据的值转换到[0,1]区间内,使用的归一化函数为:
x为输入数据,max为输入数据中的最大值,min为输入数据中的最小值;
步骤三、建立BP神经网络模型
BP神经网络模型包括输入层、隐藏层及输出层;在该BP神经网络模型中,设定输入层单元为3层,输入层单元分别表示超声振动设备中的电压、电流以及频率,即令网络输入模式为x=(x1,x2,x3)Tx=(x1,x2,x3)T,输出层单元为1层,即输出层为z=z,输出层单元表示是超声振动设备中的输出振幅,设定隐藏单元数为5,即隐含层的输出为y=(y1,y2,y3,y4,y5)T;
步骤四、BP神经网络的训练
根据BP神经网络的设计原则及实验,训练中隐藏层神经元的激活函数为双曲正切S形函数:
双曲正切S形函数实现不同样本的空间分割;而输出层神经元的传递函数为线性函数Purelin函数f(x)=x,该函数用于输出BP神经网络的识别结果,采用梯度下降动量和自适应lr算法‘traingdx’训练BP神经网络,目标误差为1×10-5,最大迭代次数为20000,学习率lr=0.03,目标输出为t=t,为实际检测振幅,隐含层到输出层的传递函数为f,输出层的传递函数为gg,得到以下公式:
式中:yj表示隐含层第j个神经元的输出,wij表示输入层到隐含层的权值,θ表示设定的阈值;
式中,z表示输出层神经元的输出,wj表示隐含层到输出层的权值;网络输出和目标输出的误差为:
接下来不断调整权值,使误差ε不断减小;由于负梯度方向是函数值减小的最快的方向;因此设定一个步长η,每次沿负梯度方向调整η个单位,即每次权值的调整为:
式中,η在神经网络中称为学习速率;
BP神经网络反向传播的调整顺序为:首先调整隐含层到输出层的权值,然后调整输入层到隐含层的权值;
隐含层到输出层的权值调整迭代公式为:
wj(T+1)=wj(T)+ηδyj
式中δ=(t-k)g′(v)δ=(t-z)g′(v),
输入层到隐含层的权值调整迭代公式为:
wij(T+1)=wij(T)+ηδjxi
式中δj=(t-z)f′(u)wj,
通过不断改善BP神经网络模型中的权重和阈值,使实际预测值和目标输出的差值达到收敛条件,完成神经网络的训练;
步骤五、根据已经训练完成的神经网络,将从超声振动设备测量得到电压、电流和频率输入到神经网络的输入层,经过神经网络的处理,就可以得到超声振动设备的振幅输出。
有益效果:传统的振幅测量方法是通过振幅测量仪器靠近超声波换能器近端进行测量,而振幅的软测量是通过检测换能器的电压、电流和频率,进而利用神经网络计算得出振幅。两种方法相比,传统方法不便于操作,而且准确度上会存在偏差,振幅软测量则具有低成本、精度高以及可操作性较好等优点。
附图说明
图1本发明的5层神经网络结构;
图2本发明的BP神经网络算法的运算流程。
具体实施方法
基于BP神经网络的超声振动设备振幅软测量预测方法,该方法步骤如下:
步骤一、通过测量设备对超声振动设备的各参数进行测量,测量数据包括电压、电流、频率、振幅;
步骤二、将测量的数据进行归一化处理,归一化处理是将测量数据的值转换到[0,1]区间内,使用的归一化函数为:
x为输入数据,max为输入数据中的最大值,min为输入数据中的最小值;
步骤三、建立BP神经网络模型
BP神经网络模型包括输入层、隐藏层及输出层;在该BP神经网络模型中,设定输入层单元为3层,输入层单元分别表示超声振动设备中的电压、电流以及频率,即令网络输入模式为x=(x1,x2,x3)Tx=(x1,x2,x3)T,输出层单元为1层,即输出层为z=z,输出层单元表示是超声振动设备中的输出振幅,设定隐藏单元数为5,即隐含层的输出为y=(y1,y2,y3,y4,y5)T;
步骤四、BP神经网络的训练
根据BP神经网络的设计原则及实验,训练中隐藏层神经元的激活函数为双曲正切S形函数:
双曲正切S形函数实现不同样本的空间分割;而输出层神经元的传递函数为线性函数Purelin函数f(x)=x,该函数用于输出BP神经网络的识别结果,采用梯度下降动量和自适应lr算法‘traingdx’训练BP神经网络,目标误差为1×10-5,最大迭代次数为20000,学习率lr=0.03,目标输出为t=t,为实际检测振幅,隐含层到输出层的传递函数为f,输出层的传递函数为gg,得到以下公式:
式中:yj表示隐含层第j个神经元的输出,wij表示输入层到隐含层的权值,θ表示设定的阈值;
式中,z表示输出层神经元的输出,wj表示隐含层到输出层的权值;网络输出和目标输出的误差为:
接下来不断调整权值,使误差ε不断减小;由于负梯度方向是函数值减小的最快的方向;因此设定一个步长η,每次沿负梯度方向调整η个单位,即每次权值的调整为:
式中,η在神经网络中称为学习速率;
BP神经网络反向传播的调整顺序为:首先调整隐含层到输出层的权值,然后调整输入层到隐含层的权值;
隐含层到输出层的权值调整迭代公式为:
wj(T+1)=wj(T)+ηδyj
式中δ=(t-k)g′(v)δ=(t-z)g′(v),
输入层到隐含层的权值调整迭代公式为:
wij(T+1)=wij(T)+ηδjxi
式中δj=(t-z)f′(u)wj,
通过不断改善BP神经网络模型中的权重和阈值,使实际预测值和目标输出的差值达到收敛条件,完成神经网络的训练;
步骤五、根据已经训练完成的神经网络,将从超声振动设备测量得到电压、电流和频率输入到神经网络的输入层,经过神经网络的处理,就可以得到超声振动设备的振幅输出。
Claims (1)
1.基于BP神经网络的超声振动设备振幅软测量预测方法,其特征在于:该方法步骤如下:
步骤一、通过测量设备对超声振动设备的各参数进行测量,测量数据包括电压、电流、频率、振幅;
步骤二、将测量的数据进行归一化处理,归一化处理是将测量数据的值转换到[0,1]区间内,使用的归一化函数为:
x为输入数据,max为输入数据中的最大值,min为输入数据中的最小值;
步骤三、建立BP神经网络模型
BP神经网络模型包括输入层、隐藏层及输出层;在该BP神经网络模型中,设定输入层单元为3层,输入层单元分别表示超声振动设备中的电压、电流以及频率,即令网络输入模式为x=(x1,x2,x3)Tx=(x1,x2,x3)T,输出层单元为1层,即输出层为z=z,输出层单元表示是超声振动设备中的输出振幅,设定隐藏单元数为5,即隐含层的输出为y=(y1,y2,y3,y4,y5)T;
步骤四、BP神经网络的训练
根据BP神经网络的设计原则及实验,训练中隐藏层神经元的激活函数为双曲正切S形函数:
双曲正切S形函数实现不同样本的空间分割;而输出层神经元的传递函数为线性函数Purelin函数f(x)=x,该函数用于输出BP神经网络的识别结果,采用梯度下降动量和自适应lr算法‘traingdx’训练BP神经网络,目标误差为1×10-5,最大迭代次数为20000,学习率lr=0.03,目标输出为t=t,为实际检测振幅,隐含层到输出层的传递函数为f,输出层的传递函数为g g,得到以下公式:
式中:yj表示隐含层第j个神经元的输出,wij表示输入层到隐含层的权值,θ表示设定的阈值;
式中,z表示输出层神经元的输出,wj表示隐含层到输出层的权值;网络输出和目标输出的误差为:
接下来不断调整权值,使误差ε不断减小;由于负梯度方向是函数值减小的最快的方向;因此设定一个步长η,每次沿负梯度方向调整η个单位,即每次权值的调整为:
式中,η在神经网络中称为学习速率;
BP神经网络反向传播的调整顺序为:首先调整隐含层到输出层的权值,然后调整输入层到隐含层的权值;
隐含层到输出层的权值调整迭代公式为:
wj(T+1)=wj(T)+ηδyj
式中δ=(t-k)g′(v)δ=(t-z)g′(v),
输入层到隐含层的权值调整迭代公式为:
wij(T+1)=wij(T)+ηδjxi
式中δj=(t-z)f′(u)wj,
通过不断改善BP神经网络模型中的权重和阈值,使实际预测值和目标输出的差值达到收敛条件,完成神经网络的训练;
步骤五、根据已经训练完成的神经网络,将从超声振动设备测量得到电压、电流和频率输入到神经网络的输入层,经过神经网络的处理,就可以得到超声振动设备的振幅输出。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910324270.0A CN110188876A (zh) | 2019-04-22 | 2019-04-22 | 基于bp神经网络的超声振动设备振幅软测量预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910324270.0A CN110188876A (zh) | 2019-04-22 | 2019-04-22 | 基于bp神经网络的超声振动设备振幅软测量预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110188876A true CN110188876A (zh) | 2019-08-30 |
Family
ID=67714854
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910324270.0A Pending CN110188876A (zh) | 2019-04-22 | 2019-04-22 | 基于bp神经网络的超声振动设备振幅软测量预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110188876A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112507277A (zh) * | 2020-10-28 | 2021-03-16 | 绍兴精宸智能科技有限公司 | 一种基于电信号的快速振幅预测算法 |
CN113822415A (zh) * | 2021-08-26 | 2021-12-21 | 西安理工大学 | 一种室内位置的反向传播神经网络概率密度预测方法 |
CN115342900A (zh) * | 2022-08-15 | 2022-11-15 | 东北石油大学 | 一种基于随机森林的激光自混合干涉微振动测量方法及系统 |
CN116304968A (zh) * | 2023-01-06 | 2023-06-23 | 杭州山科智能科技股份有限公司 | 一种基于bp神经网络的超声水表流量数据融合方法和装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN203011520U (zh) * | 2013-01-29 | 2013-06-19 | 黑龙江工程学院 | 基于涡流法的超声换能器振幅测量仪 |
CN106950832A (zh) * | 2017-03-08 | 2017-07-14 | 杭州电子科技大学 | 一种利用空化强度反馈的超声分散控制装置及方法 |
-
2019
- 2019-04-22 CN CN201910324270.0A patent/CN110188876A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN203011520U (zh) * | 2013-01-29 | 2013-06-19 | 黑龙江工程学院 | 基于涡流法的超声换能器振幅测量仪 |
CN106950832A (zh) * | 2017-03-08 | 2017-07-14 | 杭州电子科技大学 | 一种利用空化强度反馈的超声分散控制装置及方法 |
Non-Patent Citations (2)
Title |
---|
朱双东: "《神经网络应用基础》", 31 March 2000, 东北大学出版社 * |
王亮: "淬硬钢精密车削加工的振动预测建模与参数优化", 《中国优秀硕士学位论文全文数据库工程科技Ⅰ辑》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112507277A (zh) * | 2020-10-28 | 2021-03-16 | 绍兴精宸智能科技有限公司 | 一种基于电信号的快速振幅预测算法 |
CN113822415A (zh) * | 2021-08-26 | 2021-12-21 | 西安理工大学 | 一种室内位置的反向传播神经网络概率密度预测方法 |
CN113822415B (zh) * | 2021-08-26 | 2023-09-19 | 西安理工大学 | 一种室内位置的反向传播神经网络概率密度预测方法 |
CN115342900A (zh) * | 2022-08-15 | 2022-11-15 | 东北石油大学 | 一种基于随机森林的激光自混合干涉微振动测量方法及系统 |
CN115342900B (zh) * | 2022-08-15 | 2024-04-30 | 东北石油大学 | 一种基于随机森林的激光自混合干涉微振动测量方法及系统 |
CN116304968A (zh) * | 2023-01-06 | 2023-06-23 | 杭州山科智能科技股份有限公司 | 一种基于bp神经网络的超声水表流量数据融合方法和装置 |
CN116304968B (zh) * | 2023-01-06 | 2023-09-15 | 杭州山科智能科技股份有限公司 | 一种基于bp神经网络的超声水表流量数据融合方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110188876A (zh) | 基于bp神经网络的超声振动设备振幅软测量预测方法 | |
Liu et al. | A fault diagnosis intelligent algorithm based on improved BP neural network | |
Roy et al. | Pruning filters while training for efficiently optimizing deep learning networks | |
CN112946363A (zh) | 一种基于神经网络的电网阻抗在线辨识方法 | |
CN109344751B (zh) | 一种车内噪声信号的重构方法 | |
Li et al. | Trq: Ternary neural networks with residual quantization | |
CN109379652A (zh) | 一种耳机有源噪声控制的次级通道离线辨识方法及系统 | |
Mosavi et al. | Sonar data set classification using MLP neural network trained by non-linear migration rates BBO | |
Xu et al. | Low-bit quantization of recurrent neural network language models using alternating direction methods of multipliers | |
Patel et al. | Local learning with neuron groups | |
CN109459609B (zh) | 一种基于人工神经网络的分布式电源频率检测方法 | |
CN111211559B (zh) | 一种基于动态步长萤火虫算法的电网阻抗估计方法 | |
Huang et al. | Finding roots of arbitrary high order polynomials based on neural network recursive partitioning method | |
El-Dahshan et al. | Artificial neural network and genetic algorithm hybrid technique for nucleus–nucleus collisions | |
Lee et al. | A novel evolutionary learning technique for multi-objective array antenna optimization | |
Zhao et al. | Research on optimization of GA-BP algorithm based on LM | |
Kumar et al. | Soft Computing Techniques Based MRAC with Intelligent Control for Stability Analysis | |
Jie et al. | An Overview of Spikingneural Networks | |
Feng et al. | Line losses calculation in distribution network based on RBF neural network optimized by hierarchical GA | |
CN116760289B (zh) | 一种基于遗传算法的DCDC buck变换器离散滑模控制算法 | |
Ng et al. | Convergence analysis of generalized back-propagation algorithm with modified gradient function | |
Huang et al. | Evolving product unit neural networks with particle swarm optimization | |
Zhang et al. | A new dynamic optimal learning rate for a two-layer neural network | |
Chen | Enhanced Employee Training Classification Model Using Optimized-HHO Probability Neural Network | |
Feng et al. | Parameter estimation based on novel enhanced self‐learning particle swarm optimization algorithm with Levy flight for PMSG |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190830 |