CN111291518B - 一种基于bp神经网络的破碎机刀具磨损程度判断方法 - Google Patents
一种基于bp神经网络的破碎机刀具磨损程度判断方法 Download PDFInfo
- Publication number
- CN111291518B CN111291518B CN202010068257.6A CN202010068257A CN111291518B CN 111291518 B CN111291518 B CN 111291518B CN 202010068257 A CN202010068257 A CN 202010068257A CN 111291518 B CN111291518 B CN 111291518B
- Authority
- CN
- China
- Prior art keywords
- network
- population
- crusher
- neural network
- wear degree
- 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
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 54
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000012549 training Methods 0.000 claims abstract description 26
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 24
- 230000002068 genetic effect Effects 0.000 claims abstract description 19
- 238000011156 evaluation Methods 0.000 claims abstract description 4
- 210000002569 neuron Anatomy 0.000 claims description 42
- 238000005457 optimization Methods 0.000 claims description 13
- 230000035772 mutation Effects 0.000 claims description 12
- 210000000349 chromosome Anatomy 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 5
- 229910052760 oxygen Inorganic materials 0.000 claims description 3
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 2
- 239000001301 oxygen Substances 0.000 claims description 2
- 238000001514 detection method Methods 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 35
- 239000002699 waste material Substances 0.000 description 14
- 238000005299 abrasion Methods 0.000 description 11
- 239000002920 hazardous waste Substances 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 6
- 239000004568 cement Substances 0.000 description 5
- 238000012216 screening Methods 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 230000000875 corresponding effect Effects 0.000 description 4
- 230000002596 correlated effect Effects 0.000 description 3
- 238000010219 correlation analysis Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 210000004205 output neuron Anatomy 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000009394 selective breeding Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 238000011065 in-situ storage Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000003801 milling Methods 0.000 description 1
- 239000003607 modifier Substances 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000004064 recycling Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000010008 shearing Methods 0.000 description 1
- 238000004056 waste incineration Methods 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B02—CRUSHING, PULVERISING, OR DISINTEGRATING; PREPARATORY TREATMENT OF GRAIN FOR MILLING
- B02C—CRUSHING, PULVERISING, OR DISINTEGRATING IN GENERAL; MILLING GRAIN
- B02C25/00—Control arrangements specially adapted for crushing or disintegrating
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
- G05B19/406—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by monitoring or safety
- G05B19/4065—Monitoring tool breakage, life or condition
-
- 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
- G06N3/045—Combinations of 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B02—CRUSHING, PULVERISING, OR DISINTEGRATING; PREPARATORY TREATMENT OF GRAIN FOR MILLING
- B02C—CRUSHING, PULVERISING, OR DISINTEGRATING IN GENERAL; MILLING GRAIN
- B02C2210/00—Codes relating to different types of disintegrating devices
- B02C2210/01—Indication of wear on beaters, knives, rollers, anvils, linings and the like
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Manufacturing & Machinery (AREA)
- Automation & Control Theory (AREA)
- Food Science & Technology (AREA)
- Disintegrating Or Milling (AREA)
Abstract
本发明公开了一种基于BP神经网络的破碎机刀具磨损程度判断方法,包括如下步骤:S1:基于遗传算法对BP神经网络优化网络结构、网络初始权值与阈值;S2:训练BP神经网络,计算模型误差;S3:更新网络权值与阈值;S4:判断是否满足模型精度,若是,计算状态变量的平均影响值MIV,作为相关性评价指标;S5:将破碎机的状态变量作为输入变量,破碎机刀具的磨损程度作为输出变量,确定输入变量对输出变量的正负相关性及影响大小,根据筛选出的指标参数判断破碎机刀具的磨损程度。本发明的一种基于BP神经网络的破碎机刀具磨损程度判断方法操作简便、缩短了检测的时间、提高了检测精度。
Description
技术领域
本发明属于设备检测技术领域,特别涉及一种基于BP神经网络的破碎机刀具磨损程度判断方法。
背景技术
随着危险废物处置量的大幅提升以及环保督查的日趋严格,危险废物处置企业需要对危险废物采取无害化、减量化、资源化的集中处理。危险废物水泥窑焚烧处置技术是现阶段危险废物处置最彻底的技术之一,通过将危险废物送入水泥窑焚烧处理,能够实现危险废物焚烧处置与水泥行业的节能减排。
危险废物水泥窑焚烧处置技术主要包含两部分,一是预处理环节:根据危险废物的不同种类,采取不同的预处理方式将其调配到容易输送且能满足水泥窑处理的需要;二是上窑环节:根据预处理后危险废物的形态及物化性能选择进入生产系统的合理方式与技术设备。在预处理环节,危险废物的破碎工作由破碎机完成。破碎机通过刀具的剪切、撕裂和挤压作用减小危险废物的物料尺寸。根据已有生产经验,危险废物破碎到较小尺寸有利于提高上窑环节的处置效率。然而,破碎机在工作过程中会不可避免地遇到不可破碎危险废物或高腐蚀性危险废物。一旦有不可破碎危险废物进入破碎机,破碎机刀具会发生反转,反转次数达到设定值后设备需要停机将不可破碎危险废物就地排出。频繁的反转操作会对刀具造成磨损,影响危险废物的破碎,加上更换刀具的成本费用很高,因此有必要对破碎机刀具的磨损程度进行判断,及时采取维护措施提高刀具的使用寿命。破碎机刀具的磨损状态受到危险废物形态及物化性能的直接影响,通过监测与破碎机刀具相关的状态变量,能够间接地获得危险废物对刀具的影响大小,进而对刀具的磨损程度进行判断。但是,破碎机的状态变量众多,如果在判断破碎机刀具磨损程度时对所有变量进行监测将消耗大量成本,部分变量对于判断刀具磨损程度可能根本没有参考价值。因此,有必要对可能影响刀具磨损程度的所有变量进行分析,筛选出相关性较高的状态变量。根据这些状态变量的变化对刀具磨损程度进行判断,及时采取相应的修复操作。状态变量的筛选可以看作是与刀具磨损程度的相关性分析过程,多个状态变量为输入变量,刀具磨损程度为输出变量。要筛选出相关性较高的状态变量,需要构建一个相关性分析模型,得到每个输入变量对输出变量的影响大小,根据影响数值对输入变量排序并完成筛选。反向传播(Back Propagation,BP)神经网络可以用于多个输入变量与输出变量之间的相关性分析,对于变量之间的非线性关系能够做到很好的模拟,反映出的破碎机刀具变量关系更接近于现实。BP神经网络是模仿人的大脑构建的仿真模型,由神经元和神经元的连接构成神经网络,如图1所示为神经网络结构。BP神经网络具有输入层、隐含层、输出层三个部分。输入层有n个神经元,每个神经元对应一个输入变量x_i(i=1,2,…,n),输入变量的值也称为网络输入。隐含层层数可能包含一层,也可能包含多层。图1给出的神经网络包含一层隐含层,隐含层有m个神经元,每个神经元对应一个隐含层输出变量y_j(j=1,2,…,m)。输出层因应用目的不同可以有多个输出神经元,也可以只有一个输出神经元。在图1中输出层有l个神经元,每个神经元对应一个输出变量o_k(k=1,2,…,l)。v_ij和w_jk分别是输入层到隐含层和隐含层到输出层的网络权值,每个神经元在接收输入信息时将输入数据与权值相乘之后计算,然后向下一层神经元输出。
专利“刀具磨损状态监控方法及设备”(公开号CN108857577A):该发明提供了一种铣刀刀具磨损状态监控方法及设备,对采集到的主轴电流信号进行小波包分析,得到反映刀具磨损状态的高频部分信号,最后通过回归算法或BP神经网络对磨损状态进行判断。
专利“一种设备磨损异常诊断方法、系统及装置”(公开号CN107356447A):该发明将获取到的声音或振动数据与微粒数据进行融合处理,得到同一时间标准下两者的复合关系,判断设备磨损发生的具体位置或动作。
专利“一种基于遗传算法改进的BP神经网络安全态势评估算法”(公开号CN108400895A):该发明基于遗传算法对BP神经网络初始权值进行优化,加快BP神经网络的收敛速度,提高BP神经网络对网络安全态势评估的准确性与高效性。
专利CN108857577A“刀具磨损状态监控方法及设备”与专利CN107356447A“一种设备磨损异常诊断方法、系统及装置”首先确定了影响设备磨损状态的指标参数,然后分别采用不同的算法或模型对参数与设备磨损状态之间的关系进行分析,最后判断出设备的磨损程度。然而,以上专利并未研究破碎机刀具的磨损程度判断方法。而且,破碎机刀具的磨损程度受到多个参数影响,在对其磨损程度判断之前还需要确定这些参数的影响大小,筛选出与破碎机刀具磨损状态最相关的指标参数。根据筛选得出的指标参数,判断破碎机刀具的磨损状态。专利CN108400895A“一种基于遗传算法改进的BP神经网络安全态势评估算法”先人为固定网络结构,再对网络初始权值和阈值进行求解,这样容易降低训练得到模型的精度,影响基于模型实现的评估等操作。破碎机刀具磨损程度的判断基于BP神经网络模型完成,模型精度的缺陷可能导致刀具磨损程度的错误判断,严重情况可能错过维修时机,降低破碎机刀具的使用寿命。
鉴于此,克服上述现有技术所存在的缺陷是本领域亟待解决的问题。
发明内容
为了克服现有技术中存在的技术问题,本发明提供了一种基于BP神经网络的破碎机刀具磨损程度判断方法,包括如下步骤:
S1:基于遗传算法对BP神经网络优化网络结构、网络初始权值与阈值;
S2:训练所述BP神经网络,计算模型误差;
S3:更新所述网络初始权值与所述阈值;
S4:判断是否满足模型精度,若是,计算状态变量的平均影响值MIV(Mean ImpactValue,MIV),作为相关性评价指标;
S5:将破碎机的状态变量作为输入变量,破碎机刀具的磨损程度作为输出变量,确定所述输入变量对所述输出变量的正负相关性及影响大小,根据筛选出的指标参数判断所述破碎机刀具的磨损程度。
进一步地,步骤S1包括如下步骤:
S11:优化隐含层神经元个数,包括对隐含层神经元个数进行染色体编码;
S12:设置种群规模,计算种群的适应度函数的值,定义适应度函数由网络复杂度和网络误差组成,网络误差的计算进入第二次遗传算法优化;
S13:选择操作从种群中选择适应度好的个体组成新种群;
S14:交叉操作从种群中选择两个个体,按一定概率交叉得到新个体;
S15:变异操作从种群中随机选择一个个体,按一定概率变异得到新个体;
S16:计算种群的适应度值,判断是否满足结束条件;若是,则返回最优隐含层神经元个数、网络初始权值与阈值;若否,则返回步骤S13;
进一步地,步骤S12包括如下步骤:
S121:对所述网络初始权值与所述阈值进行染色体编码;
S122:向网络输入训练数据,并对训练数据进行预处理;
S123:计算种群的适应度函数值,定义适应度函数为网络误差;
S124:选择操作从种群中选择适应度好的个体组成新种群;
S125:交叉操作从种群中选择两个个体,按一定概率交叉得到新个体;
S126:变异操作从种群中随机选择一个个体,按一定概率变异得到新个体;
S127:计算种群的适应度值,判断是否满足结束条件;若是,则返回模型误差;若否,则返回步骤S124。
优选地,步骤S12中所述适应度函数由网络复杂度和网络误差组成,网络误差的计算进入第二次遗传算法优化;所述适应度函数为
上式中,α和β为权系数;Neuron_Num为待优化求解的隐含层神经元个数;max{Neuron_Num}为隐含层神经元个数最大值;N为训练样本数;Yi为网络预测输出向量,即预测的刀具磨损程度;Oi为网络期望输出向量,即期望的刀具磨损程度。
更进一步地,步骤S123中,所述适应度函数为
其中,N为训练样本数;Yi为网络预测输出向量;Oi为网络期望输出向量。
优选地,步骤S12中,由于所述适应度函数值越小表示种群越好,所以在个体选择前对适应度函数值取倒数。
优选地,步骤S13中,选择操作采用轮盘赌法从种群中选择适应度好的个体组成新种群。
优选地,步骤S123中,由于所述适应度函数值越小表示种群越好,所以在个体选择前对适应度函数值取倒数。
优选地,步骤S124中,选择操作采用轮盘赌法从种群中选择适应度好的个体组成新种群。
优选地,步骤S11中,是采用二进制法对隐含层神经元个数进行染色体编码。
优选地,设置α=0.1,β=1。
与现有技术相比较,本发明所提供的一种基于BP神经网络的破碎机刀具磨损程度判断方法,具有以下优点:
首先构建BP神经网络对可能影响破碎机刀具磨损程度的状态变量进行筛选。基于遗传算法对隐含层神经元个数进行第一次优化,消除人为选取带来的不准确性;其次,针对网络初始权值与阈值进行第二次优化,避免求解网络权值与阈值可能陷入的局部最优,最后建立高精度的BP神经网络实现与刀具磨损程度相关指标的筛选,用于准确地判断刀具磨损程度。
附图说明
包含在本说明书中并构成本说明书一部分的附图示出了符合本发明的装置和方法的实施方案,并与详细描述一起用于解释符合本发明的优点和原理。
图1是现有技术的BP神经网络结构图;
图2是本发明的一个较佳实施例的基于BP神经网络的破碎机刀具磨损程度判断方法的结构流程图;
图3是本发明的一个较佳实施例的基于BP神经网络的优化结果图;
图4是本发明的一个较佳实施例的基于BP神经网络的破碎机刀具磨损程度判断方法的输入变量与破碎机刀具磨损程度相关性大小示意图;
图5是本发明的一个较佳实施例的基于BP神经网络的破碎机刀具磨损程度判断方法的两种不同隐含层神经元个数下的模型误差示意图。
具体实施方式
下面结合附图详细说明本发明的具体实施例。然而,本发明并不局限于以下描述的实施方式。此外,下面所描述的本发明各个实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互组合,且本发明的技术理念可以与其他公知技术或与那些公知技术相同的其他技术组合实施。
如无特别说明,本文中出现的类似于“第一”、“第二”的限定语并非是指对时间顺序、数量、或者重要性的限定,而仅仅是为了将本技术方案中的一个技术特征与另一个技术特征相区分。同样地,本文中在数词前出现的类似于“大约”、“近似地”的修饰语通常包含本数,并且其具体的含义应当结合上下文意理解。同样地,除非是有特定的数量量词修饰的名词,否则在本文中应当视作即包含单数形式又包含复数形式,在该技术方案中既可以包括单数个该技术特征,也可以包括复数个该技术特征。
在以上具体实施例的说明中,方位术语“上”、“下”、”左”、“右”、“顶”、“底”、“竖向”、“横向”和“侧向”等的使用仅仅出于便于描述的目的,而不应视为是限制性的。
如图2所示,本发明的一个较佳实施例提供了一种基于BP神经网络的破碎机刀具磨损程度判断方法,包括如下步骤:
S1:基于遗传算法GA(Genetic Algorithm)对BP神经网络优化网络结构、网络初始权值与阈值;
S2:训练BP神经网络,计算模型误差;
S3:更新网络权值与阈值;
S4:判断是否满足模型精度,若是,计算状态变量的平均影响值MIV(Mean ImpactValue,MIV),作为相关性评价指标;
S5:将破碎机的状态变量作为输入变量,破碎机刀具的磨损程度作为输出变量,确定输入变量对输出变量的正负相关性及影响大小,根据筛选出的指标参数判断破碎机刀具的磨损程度。
进一步地,步骤S1包括如下步骤:
S11:优化隐含层神经元个数,包括对隐含层神经元个数进行染色体编码;
S12:设置种群规模,计算种群的适应度函数值。定义适应度函数由网络复杂度和网络误差组成,网络误差的计算进入第二次遗传算法优化;
S13:选择操作从种群中选择适应度好的个体组成新种群;
S14:交叉操作从种群中选择两个个体,按一定概率交叉得到新个体;
S15:变异操作从种群中随机选择一个个体,按一定概率变异得到新个体;
S16:计算种群的适应度值,判断是否满足结束条件;若是,则返回初始权值与阈值;若否,则返回步骤S13;
其中,步骤S12包括如下步骤:
S121:对网络初始权值与阈值进行染色体编码;
S122:向网络输入训练数据,并对训练数据进行预处理;
S123:计算种群的适应度函数值,定义适应度函数为网络误差;
S124:选择操作从种群中选择适应度好的个体组成新种群;
S125:交叉操作从种群中选择两个个体,按一定概率交叉得到新个体;
S126:变异操作从种群中随机选择一个个体,按一定概率变异得到新个体;
S127:计算种群的适应度值,判断是否满足结束条件;若是,则返回模型误差;若否,则返回步骤S124。
其中,步骤S12中适应度函数由网络复杂度和网络误差组成,网络误差的计算进入第二次遗传算法优化;适应度函数为
上式中,α和β为权系数;Neuron_Num为待优化求解的隐含层神经元个数;max{Neuron_Num}为隐含层神经元个数最大值;N为训练样本数;Yi为网络预测输出向量,即预测的刀具磨损程度;Oi为网络期望输出向量,即期望的刀具磨损程度。
其中,步骤S123中,适应度函数为
其中,N为训练样本数;Yi为网络预测输出向量;Oi为网络期望输出向量。
其中,步骤S12中,由于适应度函数值越小表示种群越好,所以在个体选择前对适应度函数值取倒数。
其中,步骤S13中,选择操作采用轮盘赌法从种群中选择适应度好的个体组成新种群。
其中,步骤S123中,由于适应度函数值越小表示种群越好,所以在个体选择前对适应度函数值取倒数。
其中,步骤S124中,选择操作采用轮盘赌法从种群中选择适应度好的个体组成新种群。
其中,步骤S11中,是采用二进制法对隐含层神经元个数进行染色体编码。
实施例1
本发明是基于某危险废物处置企业的破碎机历史数据筛选相关指标参数,输出变量是由刀具反转运行次数、刀具过载次数构成的刀具磨损程度。根据破碎机点表选择对刀具磨损程度可能产生影响的8个变量作为输入变量,详情如下表1所示:
编号 | 名称 |
1 | 破碎机泵1压力 |
2 | 破碎机泵2压力 |
3 | 破碎机液压站油箱温度 |
4 | 破碎机推料器压力 |
5 | 破碎机液压站电机运行电流 |
6 | 破碎机刀箱氧气浓度 |
7 | 破碎机泵1流量 |
8 | 破碎机泵2流量 |
表1输入变量
本发明在MATLAB软件中仿真实现基于BP神经网络的破碎机刀具磨损程度判断方法,BP神经网络的输入层神经元个数为输入变量个数,根据表1设置为8。输出变量为刀具磨损程度,因此输出层神经元个数设置为1。方法具体步骤如下:
(1)采用二进制法对隐含层神经元个数进行染色体编码,二进制编码长度设置为3;
(2)设置种群规模为4,进化次数为100,计算种群的适应度函数,取
适应度函数为:
上式中,α和β为权系数,设置α=0.1,β=1。Neuron_Num为待优化求解的隐含层神经元个数。max{Neuron_Num}为隐含层神经元个数最大值,设置为7。N为训练样本数,共采取1500组训练数据。Yi为网络预测输出向量,即预测的刀具磨损程度。Oi为网络期望输出向量,即期望的刀具磨损程度。适应度函数由网络复杂度和网络误差/>两项组成,其中网络复杂度是对隐含层神经元个数的惩罚项,限制隐含层神经元个数不能过多,增加网络结构的复杂性、降低网络的学习速度。网络误差的计算进入方法的第二次遗传算法优化,具体步骤如下:
(2.1)采用实数法对网络权值与阈值进行染色体编码;
(2.2)向网络输入训练数据,并对训练数据进行预处理;
(2.3)设置种群规模为30,进化次数为100,计算种群的适应度函数,取适应度函数为;
上式中,N、Yi和Oi与(2)中含义相同;
(2.4)选择操作采用轮盘赌法从种群中选择适应度好的个体组成新种群。由于(2.3)中适应度函数值越小表示种群越好,所以在个体选择前对适应度函数值取倒数;
(2.5)取交叉概率为0.3,采用交叉操作从种群中选择两个个体,按一定概率交叉得到新个体;
(2.6)取变异概率为0.1,采用变异操作从种群中随机选择一个个体,按一定概率变异得到新个体;
(2.7)计算种群的适应度值,判断是否满足结束条件。若否,则返回步骤(2.4);
(3)选择操作采用轮盘赌法从种群中选择适应度好的个体组成新种群。由于(2)中适应度函数值越小表示种群越好,所以在个体选择前对适应度函数值取倒数;
(4)取交叉概率为0.6,采用交叉操作从种群中选择两个个体,按一定概率交叉得到新个体;
(5)取变异概率为0.001,采用变异操作从种群中随机选择一个个体,按一定概率变异得到新个体;
(6)判断进化是否结束,若否,则返回步骤(2);
(7)进化结束,返回如图3所示的BP神经网络优化结果,其中“Hidden Layer”部分表示隐含层,下方数字表示最优隐含层神经元个数为3。
最优网络初始权值与阈值结果如表2所示:
表2最优网络初始权值与阈值
(8)训练BP神经网络,计算网络预测误差;
(9)通过反向传播算法更新网络权值与阈值;
(10)判断是否满足模型精度,若否,则返回步骤(8);
(11)计算输入变量MIV,将测试样本中每一输入变量在其原值的基础上分别加减35%,构成新的两个测试样本。向BP神经网络输入新的两个测试样本计算输出,求出这两个输出结果的差值并按测试样本数平均即可得出对应的MIV。图4给出了每个输入变量的MIV,可以看出破碎机液压站电机运行电流、破碎机泵1压力、破碎机泵1流量与破碎机刀具磨损程度最为相关,其中破碎机液压站电机运行电流、破碎机泵1压力与破碎机刀具磨损程度呈正相关,破碎机泵1流量与破碎机刀具磨损程度呈负相关。在实际的危险废物处置企业现场,工作人员可以重点关注以上筛选出的破碎机指标参数,根据这些指标参数的数值变化以及与破碎机刀具磨损程度的正负相关性,判断对当前破碎机刀具的磨损程度。
实施例2
为了验证本发明提出的方法优于已有的遗传算法优化BP神经网络方法,实施例二对两种不同隐含层神经元个数下的BP神经网络模型误差进行比较。其中,已有的遗传算法优化BP神经网络只对网络初始权值与阈值进行优化。BP神经网络的输入层神经元个数设置为8,输出层神经元个数设置为1,隐含层神经元个数根据经验公式(n为输入层神经元个数,l为输出层神经元个数)设置为2。方法具体步骤如下:
(1)采用实数法对网络权值与阈值进行染色体编码;
(2)向网络输入训练数据,并对训练数据进行预处理;
(3)设置种群规模为30,进化次数为100,计算种群的适应度函数,取适应度函数为:
上式中,N为训练样本数,共采取1500组训练数据。Yi为网络预测输出向量,即预测的刀具磨损程度。Oi为网络期望输出向量,即期望的刀具磨损程度。
(4)选择操作采用轮盘赌法从种群中选择适应度好的个体组成新种群。由于(3)中适应度函数值越小表示种群越好,所以在个体选择前对适应度函数值取倒数;
(5)取交叉概率为0.3,采用交叉操作从种群中选择两个个体,按一定概率交叉得到新个体;
(6)取变异概率为0.1,采用变异操作从种群中随机选择一个个体,按一定概率变异得到新个体;
(7)计算种群的适应度值,判断是否满足结束条件。若否,则返回步骤(4);
(8)进化结束,使用100组测试数据得出如图5所示的使用以上两种方法的模型误差,可以看出当隐含层神经元个数取为3时,模型误差波动比较小,说明网络的预测更加精确。
与现有技术相比较,本发明所提供的一种基于BP神经网络的破碎机刀具磨损程度判断方法,具有以下优点:
首先构建BP神经网络对可能影响破碎机刀具磨损程度的状态变量进行筛选。基于遗传算法对隐含层神经元个数进行第一次优化,消除人为选取带来的不准确性;其次针对网络初始权值与阈值进行第二次优化,避免求解网络权值与阈值可能陷入的局部最优;最后建立高精度的BP神经网络实现与刀具磨损程度相关指标的筛选,用于准确地判断刀具磨损程度。
虽然以上描述了本发明的具体实施方式,但是本领域的技术人员应当理解,这些仅是举例说明,本发明的保护范围是由所附权利要求书限定的。本领域的技术人员在不背离本发明的原理和实质的前提下,可以对这些实施方式作出多种变更或修改,但这些变更和修改均落入本发明的保护范围。
Claims (9)
1.一种基于BP神经网络的破碎机刀具磨损程度判断方法,其特征在于,包括如下步骤:
S1:基于遗传算法对BP神经网络优化网络结构、网络初始权值与阈值;
S2:训练所述BP神经网络,计算模型误差;
S3:更新所述网络初始权值与所述阈值;
S4:判断是否满足模型精度,若是,计算状态变量的平均影响值MIV,作为相关性评价指标;
S5:将破碎机的状态变量作为输入变量,破碎机刀具的磨损程度作为输出变量,确定所述输入变量对所述输出变量的正负相关性及影响大小,根据筛选出的指标参数判断所述破碎机刀具的磨损程度;
其中,所述步骤S1包括如下步骤:
S11:优化隐含层神经元个数,包括对隐含层神经元个数进行染色体编码;
S12:设置种群规模,计算种群的适应度函数的值,所述适应度函数由网络复杂度和网络误差组成,所述网络误差的计算进入第二次遗传算法优化;
S13:选择操作从种群中选择适应度好的个体组成新种群;
S14:交叉操作从种群中选择两个个体,按一定概率交叉得到新个体;
S15:变异操作从种群中随机选择一个个体,按一定概率变异得到新个体;
S16:计算种群的适应度值,判断是否满足结束条件;若是,则返回最优隐含层神经元个数、所述网络初始权值与所述阈值;若否,则返回步骤S13;
其中,所述步骤S12中所述适应度函数由网络复杂度和网络误差组成,网络误差的计算进入第二次遗传算法优化;所述适应度函数为
上式中,α和β为权系数;Neuron_Num为待优化求解的隐含层神经元个数;max{Neuron_Num}为隐含层神经元个数最大值;N为训练样本数;Yi为网络预测输出向量,即预测的刀具磨损程度;Oi为网络期望输出向量,即期望的刀具磨损程度;
所述输入变量包括:破碎机泵1压力、破碎机泵2压力、破碎机液压站油箱温度、破碎机推料器压力、破碎机液压站电机运行电流、破碎机刀箱氧气浓度、破碎机泵1流量、破碎机泵2流量。
2.根据权利要求1所述的基于BP神经网络的破碎机刀具磨损程度判断方法,其特征在于,所述步骤S12包括如下步骤:
S121:对所述网络初始权值与所述阈值进行染色体编码;
S122:向网络输入训练数据,并对训练数据进行预处理;
S123:计算种群的适应度函数值,定义适应度函数为网络误差;
S124:选择操作从种群中选择适应度好的个体组成新种群;
S125:交叉操作从种群中选择两个个体,按一定概率交叉得到新个体;
S126:变异操作从种群中随机选择一个个体,按一定概率变异得到新个体;
S127:计算种群的适应度值,判断是否满足结束条件;若是,则返回模型误差;若否,则返回步骤S124。
3.根据权利要求2所述的基于BP神经网络的破碎机刀具磨损程度判断方法,其特征在于,
所述步骤S123中,所述适应度函数为
其中,N为训练样本数;Yi为网络预测输出向量;Oi为网络期望输出向量。
4.根据权利要求2所述的基于BP神经网络的破碎机刀具磨损程度判断方法,其特征在于,
所述步骤S12中,由于所述适应度函数值越小表示种群越好,所以在个体选择前对适应度函数值取倒数。
5.根据权利要求1所述的基于BP神经网络的破碎机刀具磨损程度判断方法,其特征在于,
所述步骤S13中,选择操作采用轮盘赌法从种群中选择适应度好的个体组成新种群。
6.根据权利要求2所述的基于BP神经网络的破碎机刀具磨损程度判断方法,其特征在于,
所述步骤S123中,由于所述适应度函数值越小表示种群越好,所以在个体选择前对适应度函数值取倒数。
7.根据权利要求2所述的基于BP神经网络的破碎机刀具磨损程度判断方法,其特征在于,
所述步骤S124中,选择操作采用轮盘赌法从种群中选择适应度好的个体组成新种群。
8.根据权利要求1所述的基于BP神经网络的破碎机刀具磨损程度判断方法,其特征在于,所述步骤S11中,是采用二进制法对隐含层神经元个数进行染色体编码。
9.根据权利要求1所述的基于BP神经网络的破碎机刀具磨损程度判断方法,其特征在于,设置α=0.1,β=1。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010068257.6A CN111291518B (zh) | 2020-01-21 | 2020-01-21 | 一种基于bp神经网络的破碎机刀具磨损程度判断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010068257.6A CN111291518B (zh) | 2020-01-21 | 2020-01-21 | 一种基于bp神经网络的破碎机刀具磨损程度判断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111291518A CN111291518A (zh) | 2020-06-16 |
CN111291518B true CN111291518B (zh) | 2024-04-09 |
Family
ID=71026555
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010068257.6A Active CN111291518B (zh) | 2020-01-21 | 2020-01-21 | 一种基于bp神经网络的破碎机刀具磨损程度判断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111291518B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112247673B (zh) * | 2020-09-07 | 2021-12-21 | 博深普锐高(上海)工具有限公司 | 一种基于遗传bp神经网络的木工刀具磨损状态诊断方法 |
CN114488817A (zh) * | 2022-01-27 | 2022-05-13 | 江苏序本信息科技有限公司 | 一种振动机械电器工作参数控制装置及方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH11267949A (ja) * | 1998-03-20 | 1999-10-05 | Kawasaki Heavy Ind Ltd | 工具摩耗検知装置および方法 |
CN109165764A (zh) * | 2018-06-26 | 2019-01-08 | 昆明理工大学 | 一种遗传算法优化bp神经网络的线损计算方法 |
-
2020
- 2020-01-21 CN CN202010068257.6A patent/CN111291518B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH11267949A (ja) * | 1998-03-20 | 1999-10-05 | Kawasaki Heavy Ind Ltd | 工具摩耗検知装置および方法 |
CN109165764A (zh) * | 2018-06-26 | 2019-01-08 | 昆明理工大学 | 一种遗传算法优化bp神经网络的线损计算方法 |
Non-Patent Citations (1)
Title |
---|
黄伯强 ; .基于遗传算法优化BP神经网络的降雨量预测.信息与电脑(理论版).2014,(11),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN111291518A (zh) | 2020-06-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111291518B (zh) | 一种基于bp神经网络的破碎机刀具磨损程度判断方法 | |
CN109636055A (zh) | 一种非煤矿山安全生产风险预测预警平台 | |
CN109540212A (zh) | 一种基于大数据的电缆井状态评估预警系统及方法 | |
CN110654948A (zh) | 一种无维保情况下的电梯安全剩余使用寿命确定方法 | |
CN108873859A (zh) | 基于改进关联规则的桥式抓斗卸船机故障预测模型方法 | |
CN111489046A (zh) | 一种基于供应链和bp神经网络的区域性食品安全评价模型 | |
CN103440410A (zh) | 主变个体缺陷概率预测方法 | |
CN110633504A (zh) | 一种煤层瓦斯渗透率预测方法 | |
CN116090825A (zh) | 一种基于K-means聚类和神经网络的危险废物出口风险预警方法 | |
CN104978484A (zh) | 基于模糊预测模型的选矿厂磨矿过程矿浆浓度检测方法 | |
CN116629658A (zh) | 一种锂电池正极材料生产质量评估和工艺优化方法 | |
CN104021180A (zh) | 一种组合式软件缺陷报告分类方法 | |
CN110781206A (zh) | 一种学习拆回表故障特征规则预测在运电能表是否故障的方法 | |
CN114021758A (zh) | 一种基于梯度提升决策树与逻辑回归融合的运维人员智能推荐方法和装置 | |
CN109978396A (zh) | 一种风险事件的早期筛查系统及方法 | |
CN117747011A (zh) | 一种混凝土砂浆性能预测系统和方法 | |
Yu et al. | A new two-stage stochastic model for reverse logistics network design under government subsidy and low-carbon emission requirement | |
CN115660296B (zh) | 一种基于机器学习的不合规项目建议方案自动出具方法 | |
CN109472449B (zh) | 基于群决策的城市轨道交通信号设备健康状态评价方法 | |
CN116539459A (zh) | 一种基于声发射监测和机器学习的疲劳裂纹扩展速率预测方法和系统 | |
CN114897262A (zh) | 一种基于深度学习的轨道交通设备故障预测方法 | |
Yang et al. | Forecasting model for urban traffic flow with BP neural network based on genetic algorithm | |
Lige et al. | Road machinery fault prediction based on big data and machine learning | |
Shi et al. | The selection of green building materials using GA-BP hybrid algorithm | |
Cai et al. | Application of fund analysis model to identify key factors in construction projects |
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 |